【数学建模】TOPSIS法简介及应用

TOPSIS法的基本原理

TOPSIS法的核心思想是：对于一个多属性决策问题，首先确定每个方案与理想解（最大化各属性）和负理想解（最小化各属性）的距离，然后通过比较这些距离来确定每个方案的优劣。
理想解和负理想解分别代表了在所有方案中最佳和最差的情形。TOPSIS法的目的是：选择出这样一个方案：最接近理想解，最远离负理想解。

TOPSIS法的基本步骤

1. 构建决策矩阵
   假设有$m$个备选方案，$n$个评价指标。决策矩阵$\mathbf{X}$为$m\times n$的矩阵，其中每个元素 $x_{ij}$ 表示第$i$个方案在第$j$个评价指标上的得分。

2. 标准化决策矩阵
   为消除量纲的影响，首先对决策矩阵进行标准化处理。常用的标准化方法是向量标准化，即将每个元素 $x_{ij}$ 除以该列的欧几里得范数。标准化后的矩阵元素$ r_{ij} $表示为：

   $$r_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^m{x}_{ij}^2}}\forall j=1,2,\dots ,n$$

3. 构造加权标准化决策矩阵
   若不同指标的重要性不同，可以为每个指标分配不同的权重 $w_j$。加权后的标准化决策矩阵$\mathbf{V}$为：

   $$v_{ij}=r_{ij}\times w_j\forall i=1,2,\dots ,m,j=1,2,\dots ,n$$
   权重的确定可以通过主观方法，也可以通过客观方法。主观方法可以参考：【数学建模】层次分析法(AHP)详解及其应用；客观方法可以参考：【数学建模】熵权法；等等。

4. 确定理想解与负理想解
   理想解（$A^{+}$）和负理想解（$A^{-}$）分别是各列的最大值和最小值。即：

   $$A^{+}=\left(\max (v_{1j}),\max (v_{2j}),\dots ,\max (v_{mj})\right)\forall j$$

   $$A^{-}=\left(\min (v_{1j}),\min (v_{2j}),\dots ,\min (v_{mj})\right)\forall j$$

5. 计算各方案与理想解及负理想解的距离
   使用欧几里得距离计算每个方案与理想解和负理想解的距离。理想解与第$i$个方案的距离$D_i^{+}$为：

   $$D_i^{+}=\sqrt{\sum _{j=1}^n{\left(v_{ij}-A_j^{+}\right)}^2}$$

   负理想解与第$i$个方案的距离$D_i^{-}$为：

   $$D_i^{-}=\sqrt{\sum _{j=1}^n{\left(v_{ij}-A_j^{-}\right)}^2}$$

6. 计算相对接近度
   最后，计算每个方案相对于理想解的相对接近度（即综合评估值）$C_i$：

   $$C_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}$$

   其中，$C_i$的值越大，说明第$i$个方案越接近理想解，优先选择该方案。

TOPSIS法的应用

TOPSIS法广泛应用于各类决策问题中，尤其是在多标准评价场景下，如：

• 供应商选择：在选择供应商时，可以综合考虑多个因素（如价格、质量、交货期等），通过TOPSIS法来评估不同供应商的优劣。
• 项目评估：在评估多个项目的优先级时，TOPSIS法可以帮助决策者根据多个评估标准（如成本、收益、风险等）做出最优选择。
• 人才招聘：在筛选多个候选人时，考虑多个维度（如学历、经验、技能等），使用TOPSIS法进行排名。

总结

TOPSIS法通过综合考虑各个方案与理想解的距离，能够清晰地排序出最优方案。其简洁明了、易于理解的特点使其在实际应用中得到了广泛的使用。然而，TOPSIS法也有一些限制，如对于权重的选择较为敏感，且假设评价指标之间是独立的，这在某些实际情况下可能不完全成立。尽管如此，TOPSIS法仍然是一个有效的多目标决策工具，尤其适用于需要综合考虑多个因素的决策场景。