topsis法 数学方法
Topsis法（Technique for Order of Preference by Similarity
to Ideal Solution）是一种多属性决策分析方法，用于确定最佳选择方案。它结合了最佳和最差解决方案之间的相似度和距离，基于这些度量指标来评估和排序备选方案。
以下是Topsis法的步骤：
1. 收集决策问题的相关数据和属性指标。
2. 对数据进行标准化处理，以确保不同属性的值处于相同的范围内。常见的标准化方法包括线性标准化和向量标准化。
3. 确定每个备选方案相对于理想解决方案的接近程度。理想解决方案是在每个属性指标上都具有最佳值的方案。计算每个备选方案与理想解决方案之间的欧氏距离或曼哈顿距离。
4. 确定每个备选方案相对于最差解决方案的接近程度。最差解决方案是在每个属性指标上都具有最差值的方案。计算每个备选方案与最差解决方案之间的欧氏距离或曼哈顿距离。
5. 计算每个备选方案的综合接近程度指标。综合接近程度指标是最佳解决方案与备选方案之间的相似度与最差解决方案与备选方案之间的距离的比值。常见的计算方法包括几何平均法和熵权法。
6. 对备选方案按综合接近程度指标进行排序，从高到低排列。
通过Topsis法，决策者可以根据备选方案在各个属性指标上的表现，确定最佳的选择方案。
熵权topsis法公式
熵权 TOPSIS 法是一种在多指标决策分析中常用的方法。这玩意儿听起来可能有点复杂，不过别担心，咱慢慢唠。
先来说说熵这个概念。熵原本是热力学里的东西，后来被引入到信息论等好多领域。简单来讲，熵可以用来衡量系统的混乱程度或者不确定性。在我们的熵权 TOPSIS 法里，熵就是用来衡量各个指标的离散程度的。
那啥是 TOPSIS 法呢？TOPSIS 是“逼近理想解排序法”的英文缩写。这方法的基本思路就是找出各个方案中的最优解和最劣解，然后计算每个方案与这两个解的距离，距离最优解越近，距离最劣解越远，那这个方案就越好。
现在把熵和 TOPSIS 结合起来，就有了熵权 TOPSIS 法。这个方法的核心在于通过计算熵值来确定各个指标的权重，然后再用 TOPSIS 法进行综合评价。
举个例子哈，比如说咱们要评价几个班级的学习情况。咱们选了几个指标，像考试平均分、优秀率、进步率啥的。先通过计算这些指标的熵值，确定每个指标在评价中的重要程度，也就是权重。比如说，发现进步率这个指标的熵值比较小，说明各个班级在这方面的差异比较大，那它的权重就会高一些；平均分的熵值比较大，说明各班差异不大，权重就低一点。 确定好权重之后，再根据每个班级在各个指标上的具体数值，计算它们与最优解和最劣解的距离。比如说有个班级，在进步率上表现特别突出，离最优解很近；但在平均分上表现一般，离最优解没那么近。综合计算下来，就能得出这个班级在整体评价中的位置。
在实际应用中，熵权 TOPSIS 法有不少优点。它能综合考虑多个指标，而且通过熵值确定权重，比较客观，不容易受到人为因素的干扰。
但是呢，这方法也不是完美的。比如说，它对数据的要求比较高，如果数据有偏差或者异常值，可能会影响结果。而且，对于一些复杂的系统，指标的选择和权重的确定可能会比较困难。
总之，熵权 TOPSIS 法是个挺有用的工具，但要用好它，还得根据具体情况灵活运用，多琢磨琢磨。就像咱学习一样，得不断摸索，找到最适合自己的方法，才能不断进步！
TOPSIS与模糊综合评判法：多属性决策方法比较与选择
一、引言
在决策分析中，多属性决策问题是一个常见的问题类型。这些问题涉及多个属性或指标，需要对这些属性进行权重分配和综合评价，以确定最优方案。TOPSIS和模糊综合评判法是两种常用的多属性决策分析方法。本文将介绍这两种方法，并通过比较它们的优缺点，为实际应用提供选择依据。
二、TOPSIS 方法
TOPSIS（Technique for Order Preference by Similarity to Ideal
Solution）是一种多属性决策分析方法，它通过计算每个方案与理想解和负理想解的距离，来评估方案的优劣。理想解是所有方案中最好的解，负理想解是最差的解。
步骤：
1. 构建属性权重向量，确定各属性的权重。
2. 归一化属性值，将各属性的值转换到同一量纲。
3. 计算每个方案与理想解和负理想解的距离。
4. 计算每个方案的相对接近度，根据相对接近度的大小，对方案进行排序。
优点：
1. 可以处理不同的属性类型，包括效益型、成本型和区间型。
2. 可以考虑属性的不同权重。
3. 易于理解和计算。
缺点：
1. 对数据分布敏感，如果数据分布不均匀，可能导致评价结果失真。 2. 对属性值的小幅变化敏感，可能导致评价结果不稳定。
三、模糊综合评判法
模糊综合评判法是一种基于模糊逻辑的多属性决策分析方法。它通过模糊集合和模糊规则来描述属性之间的模糊关系，从而对方案进行综合评价。
步骤：
1. 确定属性集合和方案集合。
2. 确定属性之间的模糊关系，建立模糊矩阵。
3. 确定属性权重向量，确定各属性的权重。
4. 进行模糊运算，得到每个方案的隶属度和优先度。
5. 根据隶属度和优先度对方案进行排序。
优点：
1. 可以处理不确定性和模糊性。
2. 可以考虑属性的不同权重。
3. 可以结合专家的经验和知识。
缺点：
1. 对模糊规则的描述需要较高的专业知识水平。
熵权topsis法计算步骤
熵权TOPSIS法是一种用于多属性决策的方法，以下是其计算步骤:
1. 收集决策信息: 收集到待评估的多个决策方案，以及每个方案对应的多个属性值。
2. 标准化属性值: 将每个属性值进行标准化，使得不同属性的取值范围一致。可以使用z-score标准化方法或者将属性值转化为[0, 1]之间的数值。
3. 权重设定: 对每个属性进行权重设定，权重代表了该属性对决策的重要性。可以使用专家评估、主观给定或者层次分析法等方法设定权重。
4. 计算正理想解和负理想解: 正理想解表示各属性值都达到最大值的决策方案，负理想解表示各属性值都达到最小值的决策方案。根据标准化后的属性值计算每个属性的正理想解和负理想解。
5. 计算与正理想解的距离: 对于每个决策方案，使用欧氏距离或曼哈顿距离等方法计算其与正理想解的距离。
6. 计算与负理想解的距离: 对于每个决策方案，使用欧氏距离或曼哈顿距离等方法计算其与负理想解的距离。
7. 计算接近程度: 将与负理想解的距离和与正理想解的距离进行比较，计算每个方案的接近程度。一般将与负理想解的距离越小、与正理想解的距离越大的方案视为最优方案。
8. 排序: 根据决策方案的接近程度进行排序，得到最优的决策方案。
以上就是熵权TOPSIS法的主要计算步骤，使用该方法可以帮助决策者进行多属性决策，并得到最优的决策方案。
