数学建模学习——Day03
一、Topsis优劣解距离法
1.构造计算评分的公式:
(x-min)/(max-min)
2.极大型指标(效益型指标):越大越好
极小型指标(成本型指标):越小越好
1)将所有指标转化为极大型称为指标正向化
极小型指标转换为极大型指标的公式:max-x
若所有元素均为正数,也可以使用1/x
2)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。
3)只有一个指标时:构造计算评分的公式:
(x-min)/(max-min)=
(x-min)/(max-x)+(x-min)
看作是:
x与最小值的距离/(x与最大值的距离)+(x与x与最小值的距离)
3.最常见的四种指标:
极大型指标(效益型指标):越大(多)越好
极小型指标(成本型指标):越小(少)越好
中间型指标:越接近某个值越好
区间型指标:落在某个区间最好
4.指标转换
1)中间->极大
2)区间->极大
5.topsis法计算步骤
1)将原始矩阵正向化
2)正向化矩阵标准化:目的是为了消除不同指标量纲的影响
3)计算得分并归一化
6.模型拓展
1)模型指标权重不为1
2)带权重的topsis
二、基于熵权法对topsis模型的修正
1.依据原理:
1)指标的变异程度越小,所反映的信息量也越少,其对应的权值也应该越低。
2)越有可能发生的事情,信息量越少;
越不可能发生的事情,信息量越多。
3)衡量事情发生的可能性:概率
2.如何度量信息量的大小?
1)信息量I,概率p
2)定义函数:
3.信息熵
1)定义:假设x表示事件X可能发生的某种情况,p(x)表示这种情况发生的概率,我们定义:,
4.熵权法计算步骤
1)判断输入矩阵中是否存在负数,若有则重新标准化到非负区间。
2)计算第j项指标下第i个样本所占的比重,并将其看作相对熵计算中用到的概率。
3)计算每个指标的信息熵,并计算信息效用值,并归一化得到每个指标的熵权。