评价模型:TOPSIS法(理想解法)

2023-11-04 06:20

本文主要是介绍评价模型:TOPSIS法(理想解法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

写在前面:

博主本人大学期间参加数学建模竞赛十多余次,获奖等级均在二等奖以上。为了让更多学生在数学建模这条路上少走弯路,故将数学建模常用数学模型算法汇聚于此专栏,希望能够对要参加数学建模比赛的同学们有所帮助。

目录

1.算法介绍

2.算法步骤

(1)用向量规范化的方法求得规范决策矩阵 

(2)构造加权规范阵

(3)确定正理想解和负理想解

(4)计算各方案到正理想解与负理想解的距离 

(5)计算各方案的综合评价指数 

(6)将由大到小进行排序 

3.案例分析

 3.1模型建立与求解

(1)对属性进行向量规范化

(2) 计算加权的向量规范化属性矩阵

 (3)求出各属性的正理想解和负理想解

 (4)求出各方案到正理想解和负理想解的距离

(5)计算各方案的排序指标值并从优到劣进行排序

3.2 结果分析


1.算法介绍

TOPSIS法也称为理想解法,是一种有效的多指标评价方法。这种方法通过构造评价问题的正理想解和负理想解及各指标的最优解和最劣解,通过计算每个方案到理想方案的相对贴近度,即靠近正理想解和远离负理想解的程度,来对方案进行排序,从而选出最优方案。

2.算法步骤

(1)用向量规范化的方法求得规范决策矩阵 

设原问题的决策矩阵eq?A%3D%28a_%7Bij%7D%29_%7Bm%5Ctimes%20n%7D,规范化后的决策矩阵为eq?B%3D%28b_%7Bij%7D%29_%7Bm%5Ctimes%20n%7D,其中

524471f701634af38d075b2aad041de1.png

其中m为矩阵数据的行数,n为矩阵数据的列数。

(2)构造加权规范阵

eq?C%3D%28c_%7Bij%7D%29_%7Bm%5Ctimes%20n%7D

设各属性的权重为wij,则 

abc5c53caadf4093a40086a56193ba5c.png

(3)确定正理想解和负理想解

7eda2618d0694078a8d4bbccb605012b.png

cc8d8c1e96904f488f570c6ea6e52ad2.png

(4)计算各方案到正理想解与负理想解的距离 

 备选方案到正理想解的距离为

fbf54945e62448d099e7f9cebe34594e.png

备选方案到负理想解的距离

21a8c62b919f41168ba08ce2c1ca74eb.png

(5)计算各方案的综合评价指数 

0c07f13d2e354ee6865bd345935bed42.png

(6)将eq?f_%7Bi%7D%5E%7B*%7D由大到小进行排序 

3.案例分析

        为了客观的评价我国研究生教育的实际状况和各研究生院的教学质量,国务院学位委员会办公室组织过一次研究生院的评估,为了取得经验,先选5所研究生院,收集有关数据资料进行了试评估,表中是所给出的部分数据。

2c5bebebe4cb44e5a22ebb07c8df1907.png

 3.1模型建立与求解

(1)对属性进行向量规范化

对生师比进行区间型属性变换:设给定的最优区间为eq?%5Ba_%7Bj%7D%5E%7B0%7D%2Ca_%7Bj%7D%5E%7B*%7D%5Deq?a_%7Bj%7D%5E%7B%27%7D为无法容忍下限,eq?a_%7Bj%7D%5E%7B%27%27%7D为无法容忍上限,则

19c4ed515edf47aaa1e0207007391efe.png

设研究生院的生师比的最优区间为[5,6],下限为2,上限为12,对生师比进行规范化处理得到的结果如下: 

处理前

处理后

5

1

6

1

7

0.8333

10

0.3333

2

0

clc,clear
x2=@(qujian,lb,ub,x)(1-(qujian(1)-x)./(qujian(1)-lb)).*(x>=lb&x<qujian(1))+...
(x>=qujian(1)&x<=qujian(2))+(1-(x-qujian(2))./(ub-qujian(2))).*(x>qujian(2)&x<=ub);
qujian=[5,6];lb=2;ub=12;
ssb=[5 6 7 10 2]';
ssb2=x2(qujian,lb,ub,ssb)

对人均专著、科研经费、逾期毕业率进行向量规范化处理,得到如下结果: 

人均专著   生师比     科研经费   逾期毕业率  

    0.0638    0.5970    0.3449    0.4546

    0.1275    0.5970    0.4139    0.5417

    0.2550    0.4975    0.4829    0.6481

    0.5738    0.1990    0.6898    0.2225

    0.7651         0        0.0276    0.1741

(2) 计算加权的向量规范化属性矩阵

 设置权向量w=[0.2,0.3,0.4,0.1],得到加权的向量规范化属性矩阵如下:

人均专著   生师比     科研经费   逾期毕业率  

    0.0128    0.1791    0.1380      0.0455

    0.0255    0.1791    0.1656      0.0542

    0.0510    0.1493    0.1931      0.0648

    0.1148    0.0597    0.2759      0.0222

    0.1530         0        0.0110      0.0174

 (3)求出各属性的正理想解和负理想解

正理想解:Cstar = 1×4   

    0.1530    0.1791    0.2759    0.0174

负理想解:C0 = 1×4   

    0.0128         0    0.0110    0.0648

 (4)求出各方案到正理想解和负理想解的距离

各方案到正理想解的距离

Sstar = 1×5   

    0.1987    0.1726    0.1428    0.1255    0.3198

各方案到负理想解的距离

S0 = 1×5   

    0.2204    0.2371    0.2385    0.2932    0.1481

(5)计算各方案的排序指标值并从优到劣进行排序

f = 1×5   

    0.5258    0.5787    0.6255    0.7003    0.3165

ind = 1×5   

     4     3     2     1     5

3.2 结果分析

根据求解结果可知:

1~5号研究生院教学质量的得分分别是0.5258,0.5787,0.6255,0.7003,0.3165

得分排名依次为4 3 2 1 5

Matlab代码:

clc,clear
a=[0.1 5 5000 4.7
0.2 6 6000 5.6
0.4 7 7000 6.7
0.9 10 10000 2.3
1.2 2 400 1.8];
[m,n]=size(a);
x2=@(qujian,lb,ub,x)(1-(qujian(1)-x)./(qujian(1)-lb)).*(x>=lb&x<qujian(1))+...
(x>=qujian(1)&x<=qujian(2))+(1-(x-qujian(2))./(ub-qujian(2))).*(x>qujian(2)&x<=ub);
qujian=[5,6];lb=2;ub=12;
a(:,2)=x2(qujian,lb,ub,a(:,2));
for j=1:n
b(:,j)=a(:,j)/norm(a(:,j))%向量规范化
end
w=[0.2 0.3 0.4 0.1];
c=b.*repmat(w,m,1)
Cstar=max(c);%正理想解
Cstar(4)=min(c(:,4))
C0=min(c);%负理想解
C0(4)=max(c(:,4))
for i=1:m
Sstar(i)=norm(c(i,:)-Cstar);%求到正理想解的距离
S0(i)=norm(c(i,:)-C0);%求到负理想解的距离
end
Sstar,S0
f=S0./(Sstar+S0)
[sf,ind]=sort(f,'descend')

TOPSIS搭配熵权法会更好用哦!

这篇关于评价模型:TOPSIS法(理想解法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/343842

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者