topsis法的基本步骤(熵权TOPSIS评价模型步骤)

扫码添加渲大师小管家，免费领取渲染插件、素材、模型、教程合集大礼包！

1、topsis法的基本步骤

Topsis法的基本步骤是一种常用的多属性决策方法，用于评估多个选择方案的优劣程度。它是在模糊决策的基础上，综合考虑了各个属性的重要性和相对优劣，为决策者提供了科学的决策依据。

确定评价对象和评价指标。评价对象是决策的目标，可以是一个产品、一个项目或是一个方案。评价指标是用来衡量这些评价对象的各个方面的性能指标，可以是数量化指标或是质量评价指标。

确定每个指标的正负理想值。正理想值是指在这个指标上取得最好的结果的值，而负理想值则是指在这个指标上取得最差结果的值。

然后，进行数据标准化。将原始数据进行归一化处理，使得各个指标的单位和数量级一致，这样可以消除单位差异对结果的影响。

接下来，计算与正理想解和负理想解的距离。根据数据标准化后的数值，分别计算每个评价对象与正理想解以及负理想解之间的欧式距离。

再次，计算每个评价对象在总体评价中所占的权重。根据决策者对各个指标重要性的主观评价，确定每个指标的权重。常用的方法有主观赋权法、层次分析法等。

计算TOPSIS得分并进行排序。综合考虑各个评价对象的距离和权重，计算每个评价对象的TOPSIS得分，然后按照得分的高低进行排序，得出最终的评价结果。

通过上述的基本步骤，Topsis法能够有效地评估多个选择方案的优劣程度，帮助决策者做出科学、合理的决策。它的应用范围广泛，可以用于项目选择、产品评估、供应商选择等各个领域。

2、熵权TOPSIS评价模型步骤

熵权TOPSIS评价模型步骤是一种常用的多指标评价方法，能够较为全面地评估对象的综合性能。下面就来介绍一下该模型的具体步骤。

我们需要确定评价指标。评价指标应该具有明确的定义和合理的权重。然后对数据进行标准化处理，将各指标的数据转化为无量纲的数据，以避免不同量纲间的比较引发的问题。

接下来，计算每个指标的权重。这里采用的是熵权法，该方法能够避免主观评价带来的影响。熵权法基于信息熵的概念，通过计算指标值的相对信息熵，得到各指标的权重。

然后，使用TOPSIS法进行评价。TOPSIS法是通过对各候选对象与理想解和负理想解的距离进行比较，来确定最佳方案的方法。首先计算各候选对象到理想解和负理想解的距离，然后计算正负理想解距离的比值，得出综合评价得分。

根据综合评价得分来排名候选对象。得分越高的候选对象，综合性能越好。

熵权TOPSIS评价模型步骤简单清晰，能够较为准确地评估对象的综合性能，并提供实质性的参考依据。但是在实际应用中，也需根据具体情况灵活调整模型的步骤和参数，以更好地适应评价对象的特点。

3、熵权法和熵权TOPSIS区别

熵权法（Entropy Weight Method）和熵权TOPSIS（Entropy Weighted TOPSIS）都是多准则决策分析中常用的方法，其主要区别在于权重的计算方式。

熵权法是一种常用的权重求解方法，其基本思想是通过计算各指标的熵值来确定权重。熵值越大，表示该指标对决策结果的贡献越大，权重也越大。在使用熵权法时，需要首先计算每个指标的熵值，然后根据熵值计算得出权重。

熵权TOPSIS是在TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）方法的基础上引入熵权法进行改进的一种方法。TOPSIS方法是一种常用的多指标决策方法，其基本思想是将候选方案与理想解和负理想解进行比较，得到最优解。在熵权TOPSIS中，首先使用熵权法计算出各指标的权重，然后根据权重进行指标归一化，接着通过计算与理想解和负理想解的距离，得出每个候选方案的综合得分，最终选择得分最高的方案作为最优解。

综上所述，熵权法和熵权TOPSIS的主要区别在于权重的计算方式。熵权法通过计算指标的熵值来确定权重，而熵权TOPSIS在熵权法的基础上进行改进，将权重引入到TOPSIS方法中进行综合评判。选择使用哪种方法要根据具体问题的需求和实际情况进行权衡。

4、topsis方法的例题

Topsis方法是一种多属性决策分析方法，用于评估多种选择方案的优劣程度。它基于对每个选择方案的属性值进行比较，计算出每个方案离理想解的距离，从而确定最优选择。

举个例子来说明。假设我们要选择一种最适合的手机品牌，并将其评估标准定为价格、性能和售后服务。我们选取三个候选品牌A、B和C，并为每个品牌给出相应的评分。

我们需要将各个属性值进行归一化处理，以确保不同属性的评分在同样的范围内进行比较。可以采用线性归一化方法，将每个属性的原始值映射到0到1之间。

接下来，我们需要确定权重。权重反映了各个属性对最终选择的重要程度。可以采用主观赋权法或客观赋权法确定权重。这里我们使用主观赋权法，假设价格占比40%，性能占比30%，售后服务占比30%。

然后，计算正理想解和负理想解。正理想解是各个属性取最大值的向量，负理想解是各个属性取最小值的向量。

计算每个候选品牌离理想解的距离。距离越小，说明候选品牌越接近理想解，也就是更优秀。

根据计算结果，我们可以确定最优选择。距离最小的候选品牌即为最优选择。

通过使用topsis方法，我们可以量化地评估多种选择方案的优劣。它能够帮助我们作出更明智、更准确的决策。