TOPSIS综合评价法及其Python实现

2024年 2月 12日 57.0k 0

TOPSIS(Technique for Order of Preference by Similarity to Ideal Solution)是一种多准则决策分析方法,可用于对方案或样品进行评价。

TOPSIS 算法的步骤如下:

  • 创建一个包含M个样品和N个因子的评估矩阵 X。
  • 将矩阵X正向化和标准化为矩阵Z(见下方)。
  • 使用其他方法确定因子的权重Wj,如熵权法等。也可以默认所有因子权重相同。
  • 在每个因子j中找出最劣(最小值)样品和最佳(最大值)样品 。
  • 对于任意的样品 i,计算其和与之间的距离与 。
  • 图片[1]-TOPSIS综合评价法及其Python实现-不念博客

    权重可以如上式所示,在计算每个样品的  与  时独立添加。也可以在计算之前将权重直接和矩阵  相乘。❞

  • 计算综合得分 。
  • 图片[2]-TOPSIS综合评价法及其Python实现-不念博客

    正向化和标准化 Standardization

    对于不同类型的因子,正向化的处理方式有所不同:

    • 极大型指标保持不变。
    • 极小型指标取倒数或负数。
    • 中间型指标,若某个因子的最佳中间值为 ,则该因子下所有样品按下式处理:

    图片[3]-TOPSIS综合评价法及其Python实现-不念博客

    • 区间型指标,若最佳区间为 ,则按下式进行转换:

    图片[4]-TOPSIS综合评价法及其Python实现-不念博客

    式中M为:

    图片[5]-TOPSIS综合评价法及其Python实现-不念博客

    完成正向化后,即可进行标准化或归一化。

    代码

    以下为 TOPSIS 算法的代码,使用了两种权重添加方法。

    import numpy as np
    import pandas as pd
    from sklearn.datasets import make_regression
    from sklearn.preprocessing import StandardScaler
    
    def topsis(data, weights=0, use_weights=0):
        '''
        use_weights == 0 表明不使用权重
        use_weights == 1 表明使用数据权重
        use_weights == 2 表明使用方法权重
        '''
        data = np.array(data)
        data = StandardScaler().fit_transform(data)
        m, n = data.shape
    
        if use_weights == 1: # # ! 加权方法 1
            data = data * weights  # 计算加权标准化矩阵
    
        dataMax = data.max(axis=0) # 最优解
        dataMin = data.min(axis=0) # 最劣解
    
        D_max_ij = np.zeros([m,n])
        D_min_ij = np.zeros([m,n])
        # 计算距离 
        if use_weights == 2: # ! 加权方法 2
            D_max_ij = ((dataMax - data) ** 2) * weights
            D_min_ij = ((dataMin - data) ** 2) * weights
        else:
            D_max_ij = (dataMax - data) ** 2
            D_min_ij = (dataMin - data) ** 2
                
        D_max_i = np.sqrt(D_max_ij.sum(axis=1))
        D_min_i = np.sqrt(D_min_ij.sum(axis=1))
        S_i = D_min_i / (D_min_i + D_max_i)
        return pd.DataFrame(S_i)
        
    X, y = make_regression(n_samples=200, n_features=4, noise=0.5, random_state=10)
    
    topsis(X, weights=(0.1, 0.5, 0.2, 0.2), use_weights=2)

    相关文章

    JavaScript2024新功能:Object.groupBy、正则表达式v标志
    PHP trim 函数对多字节字符的使用和限制
    新函数 json_validate() 、randomizer 类扩展…20 个PHP 8.3 新特性全面解析
    使用HTMX为WordPress增效:如何在不使用复杂框架的情况下增强平台功能
    为React 19做准备:WordPress 6.6用户指南
    如何删除WordPress中的所有评论

    发布评论