本文主要是介绍topsis算法，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 （Technique for Order Preference by Similarity to an Ideal Solution ）模型中文叫做“逼近理想解排序方法”，是根据评价对象与理想化目标的接近程度进行排序的方法，是一种距离综合评价方法。基本思路是通过假定正、负理想解，测算各样本与正、负理想解的距离，得到其与理想方案的相对贴近度（即距离正理想解越近同时距离负理想解越远），进行各评价对象的优劣排序。
设定理想点，比较理想点与评价对象指标的接近程度
找出最优与最最差，比较程度
常用的综合评价方法，充分利用原始数据
指标很多数据已知的评分问题
前面不适合指标太多的
前面都是主观的，没数据
指标的处理（正向化）
效益类
极小类
中间型
区间型
指标处理（标准化）
计算距离：
计算各评价对象与最优方案的贴近程度。正其中
的取值范围为[0,1]，越接近1表明样本评分越好。
很容易得到上述步骤
熵权法
熵越大说明系统越混乱，携带的信息越少，权重越小；熵越小说明系统越有序，携带的信息越多，权重越大。
熵权法：原理：指标方差越少，信息量越少
由于权重不客观，因此topsis可以结合熵值法进行应用
熵权法是一种客观赋值方法，本质是指标的变异程度越小，所反映的信息就越少，所对应的权值就越低。
先给出原始数据矩阵
再归一化，标准化
再计算样本标志值比重
得到比重矩阵
再计算熵值
再计算差异程度
再定义权重
这篇关于topsis算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！
