【数学建模】清风视频笔记2、TOPSIS法(优劣解距离法)

2023-12-09 02:18

本文主要是介绍【数学建模】清风视频笔记2、TOPSIS法(优劣解距离法),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!

TOPSIS法(优劣解距离法)

例子

小明和同学第一学期高数成绩

姓名成绩排名修正后的排名评分
小明89233/10=0.3
小王60 10411/10=0.1
小张74322/10=0.2
清风99 90144/10=0.4

只要排名不变评分就不会变

最高成绩max:99

最低成绩min:60

姓名成绩未归一化的评分归一化评分
小明89(89-60)/(99-60)=0.740.74/2.1=0.35
小王60(60-60)/(99-60)=00/2.1=0
小张74(74-60)/(99-60)=0.360.36/2.1=0.17
清风99(99-60)/(99-60)=11/2.1=0.48

x − m i n m a x − m i n \frac{x-min}{max-min} maxminxmin
原因:

1、比较对象一般远大于两个

2、比较的指标往往不只是一方面的

3、很多指标不存在理论上的最大值和最小值

姓名成绩争吵次数
小明892
小王600
小张741
清风993

成绩是越高越好,这样的指标称为极大型指标(效益型指标)

争吵是越少越好,这样的指标称为极小型指标(成本型指标)

**指标正向化:**把所有的指标转化为极大型。 m a x − x max-x maxx

为了消去不同指标量纲的影响,需要对已经正向化的矩阵进行标准化处理
z i j = x i j ∑ i = 1 n x i j 2 z_{ij}=\frac{x_{ij}}{\sqrt{\sum_{i=1}^{n}x_{ij}^2}} zij=i=1nxij2 xij
当只有一个指标的时候可看作:
x 与 最 小 值 的 距 离 x 与 最 大 值 的 距 离 + x 与 最 小 值 的 距 离 \frac{x与最小值的距离}{x与最大值的距离+x与最小值的距离} x+xx
如何计算得分

姓名正向化后的成绩正向化后的争吵次数
小明0.54370.2673
小王0.36650.8018
小张0.45200.5345
清风0.60480

最 大 值 : [ 0.6048 , 0.8018 ] , 最 小 值 : [ 0.3665 , 0 ] 最大值:[0.6048,0.8018],最小值:[0.3665,0] :[0.6048,0.8018],[0.3665,0]

D 小 明 + = ( 6048 − 0.5437 ) 2 + ( 0.8018 − 0.2673 ) 2 = 0.5380 D_{小明}^+=\sqrt{(6048-0.5437)^2+(0.8018-0.2673)^2}=0.5380 D+=(60480.5437)2+(0.80180.2673)2 =0.5380

D 小 明 − = ( 0.3665 − 0.5437 ) 2 + ( 0 − 0.2673 ) 2 = 0.3206 D_{小明}^-=\sqrt{(0.3665-0.5437)^2+(0-0.2673)^2}=0.3206 D=(0.36650.5437)2+(00.2673)2 =0.3206

D 小 王 + = ( 0.6048 − 0.3665 ) 2 + ( 0.8018 − 0.8018 ) 2 = 0.2382 D_{小王}^+=\sqrt{(0.6048-0.3665)^2+(0.8018-0.8018)^2}=0.2382 D+=(0.60480.3665)2+(0.80180.8018)2 =0.2382

D 小 王 − = ( 0.3665 − 0.3665 ) 2 + ( 0.8018 − 0 ) 2 = 0.8018 D_{小王}^-=\sqrt{(0.3665-0.3665)^2+(0.8018-0)^2}=0.8018 D=(0.36650.3665)2+(0.80180)2 =0.8018

总结

步骤:

1、将所有数据极大化

  • 极小型: m a x − x max-x maxx
  • 中间型: M = m a x { ∣ x i − x b e s t ∣ } , x i ‘ = 1 − ∣ x i − x b e s t ∣ M M=max\left\{|x_i-x_{best}|\right\},x_i^`=1-\frac{|x_{i}-x_{best}|}{M} M=max{xixbest},xi=1Mxixbest
  • 区间型: M = m a x { a − m i n { x i } , m a x { x i } − b } M=max\left\{a-min\left\{x_i\right\},max\left\{x_i\right\}-b\right\} M=max{amin{xi},max{xi}b}

在这里插入图片描述

2、正向化矩阵标准化

3、计算得分并归一化

这篇关于【数学建模】清风视频笔记2、TOPSIS法(优劣解距离法)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/472130

相关文章

流媒体平台/视频监控/安防视频汇聚EasyCVR播放暂停后视频画面黑屏是什么原因?

视频智能分析/视频监控/安防监控综合管理系统EasyCVR视频汇聚融合平台,是TSINGSEE青犀视频垂直深耕音视频流媒体技术、AI智能技术领域的杰出成果。该平台以其强大的视频处理、汇聚与融合能力,在构建全栈视频监控系统中展现出了独特的优势。视频监控管理系统EasyCVR平台内置了强大的视频解码、转码、压缩等技术,能够处理多种视频流格式,并以多种格式(RTMP、RTSP、HTTP-FLV、WebS

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

uva 10025 The ? 1 ? 2 ? ... ? n = k problem(数学)

题意是    ?  1  ?  2  ?  ...  ?  n = k 式子中给k,? 处可以填 + 也可以填 - ,问最小满足条件的n。 e.g k = 12  - 1 + 2 + 3 + 4 + 5 + 6 - 7 = 12 with n = 7。 先给证明,令 S(n) = 1 + 2 + 3 + 4 + 5 + .... + n 暴搜n,搜出当 S(n) >=

uva 11044 Searching for Nessy(小学数学)

题意是给出一个n*m的格子,求出里面有多少个不重合的九宫格。 (rows / 3) * (columns / 3) K.o 代码: #include <stdio.h>int main(){int ncase;scanf("%d", &ncase);while (ncase--){int rows, columns;scanf("%d%d", &rows, &col

【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

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

基于UE5和ROS2的激光雷达+深度RGBD相机小车的仿真指南(五):Blender锥桶建模

前言 本系列教程旨在使用UE5配置一个具备激光雷达+深度摄像机的仿真小车,并使用通过跨平台的方式进行ROS2和UE5仿真的通讯,达到小车自主导航的目的。本教程默认有ROS2导航及其gazebo仿真相关方面基础,Nav2相关的学习教程可以参考本人的其他博客Nav2代价地图实现和原理–Nav2源码解读之CostMap2D(上)-CSDN博客往期教程: 第一期:基于UE5和ROS2的激光雷达+深度RG

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear