散文精选网topis算法简单概括？
一、TOPSIS算法概述
TOPSIS算法是根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。理想化目标有两个，一是肯定的理想目标或者称为最优目标，一个是否定的理性目标或者最劣目标，评价最好的对象应该是与最优目标的距离最近，而与最劣目标最远的目标。距离常用的就是欧氏距离。
TOPSIS法是一种理想目标相似性的顺序选优技术，在多目标决策分析中是一种非常有效的方法。通过归一化后的数据规范化矩阵，找出多个目标中最优目标和最劣目标，分别计算各评价目标与理想解和反理想解的距离，获得各目标与理想解的贴近度，按理想解贴近度的大小排序，以此作为评价目标优劣的依据。贴近度取值在0和1之间，该值越接近1，表示相应的评价目标越接近最优水平，反之，越接近0，表示评价目标越接近最劣水平。
二、TOPSIS算法的数学模型
遇到多目标最优化问题时，通常有m个评价目标D1，D2，…,Dm,每个目标有n个评价指标X1，X2，…Xn。首先要邀请专家对评价指标进行打分，然后将打分结果表示成数学矩阵形式，建立如下特征矩阵：
对特征矩阵进行规范化处理，得到规范化向量，建立关于规范化向量的规范化矩阵
通过计算权重规格化值，建立关于权重规范化值的权重规范化矩阵
根据权重规格化值来确定理想解和反理想解
计算距离尺度，即计算每个目标到理想解和反理想解的距离，距离尺度可以通过n维欧氏距离来计算。目标到理想解的距离为S*，到反理想解的距离为S-
计算理想解的贴近度
根据理想解的贴近度大小进行排序，排序结果贴近度值越大，说明目标越优。
延伸阅读
topsis熵权法分析数据的步骤？
topsis熵权法分析数据步骤
先将原始数据矩阵统一指标类型（一般正向化处理，即指标的值越大，代表对象本身越好），得到正向化矩阵
在对正向化矩阵进行标准化处理以消除个指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算个评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据的分布及样本的含量没有严格的限制，数据计算也较为简单
topsis综合评价法步骤？
topsis综合评价法的步骤:
1、第一步将原始矩阵正向化，根据题意化为同一指标，一般化为极大型指标；
2、将正向化矩阵标准化，消除不同量纲的影响；
3、计算得分并归一化。
topsis法实例分析？
topsis法是C.L.Hwang和K.Yoon于1981年首次提出，topsis法根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。
topsis法是一种逼近于理想解的排序法，该方法只要求各效用函数具有单调递增（或递减）性就行。
topsis法是多目标决策分析中一种常用的有效方法，又称为优劣解距离法。
topsis法原理是通过检测评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。
其中最优解的各指标值都达到各评价指标的最优值。
最劣解的各指标值都达到各评价指标的最差值。
topsis优缺点？
TOPSIS 法是一种常用的 综合评价方法 优点能 充分利用原始数据的信息 ,其结果能精确地反映各评价方案之间的差拒，缺点是比较麻烦。
为什么要用topsis？
TOPSIS(Technique for Order Preference by Similarity to Solution)又叫理想解法,是一种有效的多指标决策方法。
通过应用TOPSIS法从企业的规模、质量、效率、社会效益等方面对绩效情况进行综合评价和分析,指出TOPSIS法具有计算简便、结果合理、应用灵活等特点。
基于TOPSIS法对孵化企业数量超过家企业的家国家级科技企业孵化器的绩效进行比较研究。首先建立了科技企业孵化器评价的指标体系,然后运用TOPSIS法对指标数据进行处理。
topsis计算步骤？
TOPSIS法是一种常用的综合评价方法，其能充分你利用原始数据的信息，其结果能够精确地反映各评价方案之间的差距。
该模型的基本过程是：先将原始数据矩阵统一指标类型（一般正向化处理，即指标的值越大，代表对象本身越好），得到正向化矩阵，在对正向化矩阵进行标准化处理以消除个指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算个评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据的分布及样本的含量没有严格的限制，数据计算也较为简单。
topsis法适用范围？
TOPSIS （Technique for Order Preference by Similarity to an Ideal Solution ）法是C.L.Hwang和K.Yoon于1981年首次提出，TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。TOPSIS法是一种逼近于理想解的排序法，该方法只要求各效用函数具有单调递增（或递减）性就行。TOPSIS法是多目标决策分析中一种常用的有效方法，又称为优劣解距离法。
TOPSIS法其中“理想解”和“负理想解”是TOPSIS法的两个基本概念。所谓理想解是一设想的最优的解（方案），它的各个属性值都达到各备选方案中的最好的值；而负理想解是一设想的最劣的解（方案），它的各个属性值都达到各备选方案中的最坏的值。方案排序的规则是把各备选方案与理想解和负理想解做比较，若其中有一个方案最接近理想解，而同时又远离负理想解，则该方案是备选方案中最好的方案。
熵权topsis综合评价法？
熵权TOPSIS综合评价法是一种常用的多属性决策方法，常用于评价多个方案或对象的优劣程度。熵权TOPSIS综合评价法结合了信息熵和TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution）两种方法，能够克服传统综合评价方法中对指标权重的主观性和不确定性问题，具有较高的可靠性和实用性。
具体来说，熵权TOPSIS综合评价法的步骤如下：
1. 确定评价对象和评价指标，并将各个评价指标归一化，以便进行统一计算。
2. 根据归一化后的指标数据，计算每个指标的信息熵，并计算权重熵，得到每个指标的权重值。
3. 根据权重值，计算每个评价对象到理想解和负理想解的距离，并得到每个评价对象的综合得分。
4. 对综合得分进行排序，得到各个评价对象的优劣程度排序。
具体来说，熵权TOPSIS综合评价法的优点在于，能够考虑评价指标之间的相互关系，避免了评价指标之间相互独立的假设，并且能够克服传统方法中对指标权重的主观性和不确定性问题。同时，该方法简单易行，不需要过多的计算和模型假设，具有较高的实用性。
不过，需要注意的是，熵权TOPSIS综合评价法也存在一些限制。例如，该方法只适用于正向指标（即越大越好的指标）的综合评价，对于存在负向指标（即越小越好的指标）的情况，需要进行适当的转换。此外，该方法对数据的要求较高，需要确保数据质量和可靠性。
topsis综合评价法指标体系？
TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution） 可翻译为逼近理想解排序法，国内常简称为优劣解距离法 TOPSIS 法是一种常用的综合评价方法，其能充分利用原始数据的信息， 其结果能精确地反映各评价方案之间的差距。
基本过程为先将原始数据矩阵统一指标类型（一般正向化处理） 得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行。
