基于CRITIC-TOPSIS法的各地区评价

news2024/11/23 21:56:19

1.CRITIC-TOPSIS法原理

1.1 基本理论

        CRITIC-TOPSIS法是一种结合CRITIC(Criteria Importance Through Intercriteria Correlation)法和TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)法的综合评价方法。该方法通过CRITIC法来确定评价指标的权重,再利用TOPSIS法计算各评价对象与理想解和负理想解的接近程度,从而实现对评价对象的排序和优选。这种方法结合了两种方法的优点,既能充分考虑指标之间的冲突性和相关性,又能直观反映评价对象之间的优劣关系。

1.2 CRITIC法原理

        CRITIC法是一种客观赋权方法,它根据评价指标的对比强度和指标之间的冲突性来确定指标的权重。具体步骤如下:

  1. 数据标准化:首先,需要对原始数据进行标准化处理,以消除不同指标之间的量纲差异。标准化公式如下:

x'_{ij} = \frac{x_{ij} - \min_{i} x_{ij}}{\max_{i} x_{ij} - \min_{i} x_{ij}}

其中,x'_{ij}是标准化后的数据,x_{ij}是原始数据,i代表评价对象,j代表评价指标。

        2.计算标准差:计算每个评价指标的标准差\sigma_j,以衡量指标的对比强度。标准差越大,说明该指标在不同评价对象之间的差异越大,权重也应相应提高。

\sigma_j = \sqrt{\frac{1}{m}\sum_{i=1}{m}(x'_{ij} - \bar{x}'_j)2}

其中,m是评价对象的数量,\bar{x}'_j是第j个评价指标的平均值。

        3.计算相关系数:计算各评价指标之间的相关系数r_{jk},以衡量指标之间的冲突性。相关系数绝对值越大,说明两个指标之间的冲突性越小,权重也应相应降低。

r_{jk} = \frac{\sum_{i=1}^{m}(x'_{ij} - \bar{x}'j)(x'_{ik} - \bar{x}'_k)}{\sqrt{\sum{i=1}^{m}(x'_{ij} - \bar{x}'_j)^2\sum{i=1}{m}(x'_{ik} - \bar{x}'_k)2}}

        4.计算信息量:信息量C_j等于对比强度(标准差)与冲突性(相关系数)的乘积,它综合反映了指标的重要性。

C_j = \sigma_j \sum_{k=1}^{n}|r_{jk}|

其中,n是评价指标的总数。

        5.确定权重:最后,对各评价指标的信息量进行归一化处理,得到各指标的权重w_j

w_j = \frac{C_j}{\sum_{j=1}^{n}C_j}

1.3 TOPSIS法原理

        TOPSIS法是一种基于与理想解接近程度进行排序的多属性决策方法。具体步骤如下:

  1. 构造加权标准化决策矩阵:将标准化后的数据矩阵与CRITIC法确定的权重相乘,得到加权标准化决策矩阵Z。

Z = [z_{ij}]_{m \times n}

其中,z_{ij} = w_j x'_{ij}

        2.确定理想解和负理想解:在加权标准化决策矩阵中,找出每一列的最大值和最小值,分别构成理想解Z+和负理想解Z-。

Z^+ = [\max_{i} z_{ij}]_{1 \times n}

Z^- = [\min_{i} z_{ij}]_{1 \times n}

        3.计算距离:计算各评价对象与理想解和负理想解的距离D_i+D_i-。通常采用欧氏距离来计算。

D_i+ = \sqrt{\sum_{j=1}{n}(z_{ij} - z_j+)2}

D_i- = \sqrt{\sum_{j=1}{n}(z_{ij} - z_j-)2}

        4.计算综合接近度:计算各评价对象的综合接近度C_i,它表示评价对象与理想解的接近程度。

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

        5.排序:根据综合接近度C_i对评价对象进行排序,综合接近度越大的评价对象排名越靠前。

对象进行排序。综合接近度越大的评价对象,其排名越靠前,表示该评价对象在所有评价对象中表现越好。

1.4 CRITIC-TOPSIS法原理

        CRITIC-TOPSIS法将CRITIC法和TOPSIS法相结合,首先使用CRITIC法确定各评价指标的权重,然后利用这些权重进行TOPSIS法的计算,从而得到各评价对象的综合排序。

        具体步骤如下:

  1. 数据预处理:对原始数据进行标准化处理,以消除不同指标之间的量纲差异。标准化公式如下:

其中,xij′​是标准化后的数据,xij​是原始数据。

        2.使用CRITIC法确定权重:按照前面介绍的CRITIC法步骤,计算各评价指标的权重w_{j}​。

        3.构造加权标准化决策矩阵:将标准化后的数据xij′​与权重wj​相乘,得到加权标准化决策矩阵Z。

        4.确定理想解和负理想解:根据加权标准化决策矩阵Z,确定理想解Z+和负理想解Z−。

        5.计算距离和综合接近度:按照TOPSIS法的步骤,计算各评价对象与理想解和负理想解的距离D_i+D_i-,以及综合接近度C_i

        6.排序:根据综合接近度C_i对评价对象进行排序,综合接近度越大的评价对象排名越靠前。

1.5 优缺点分析

        CRITIC-TOPSIS法结合了CRITIC法和TOPSIS法的优点,具有以下优点:

  1. 客观性:CRITIC法基于数据的客观属性确定权重,避免了主观因素的干扰;TOPSIS法则通过计算评价对象与理想解的接近程度进行排序,结果客观可靠。
  2. 灵活性:该方法可以处理多属性、多指标的评价问题,适用于各种复杂的评价场景。
  3. 可解释性:通过计算各评价指标的权重,可以清晰地了解各指标在综合评价中的重要性;通过计算综合接近度,可以直观地了解各评价对象的表现。

        然而,CRITIC-TOPSIS法也存在一些缺点:

  1. 敏感性:该方法对原始数据较为敏感,数据的微小变化可能导致结果发生较大变化。
  2. 权重确定方法:虽然CRITIC法是一种较为客观的权重确定方法,但它仅考虑了数据的客观属性,没有考虑决策者的主观偏好和实际需求。
1.6 结论

        CRITIC-TOPSIS法是一种有效的综合评价方法,它结合了CRITIC法和TOPSIS法的优点,能够客观、准确地评价多个对象在不同指标下的表现。在实际应用中,可以根据具体问题和需求选择合适的权重确定方法和排序方法,以获得更加准确和可靠的评价结果。

2.代码

数据集形式:数据与结果都不是绝对的准确,只是用来学习CRITIC-TOPSIS法。

图1

clc;clear;close all;	
load('T_25_Jun_2024_19_04_15.mat')	
test_data1=G_out_data.test_data1;	
zhibiao_label1=ones(1,size(test_data1,2));	
zhibiao_label=G_out_data.zhibiao_label;  %正向化指标设置	
if length(zhibiao_label)<length(zhibiao_label1)	
zhibiao_label=[zhibiao_label,zhibiao_label1(length(zhibiao_label)+1:size(test_data1,2))];	
end	
A_data1=jisuan(test_data1,zhibiao_label);  %正向化之后的矩阵	
[n,~]=size(A_data1);	
A_data =A_data1 ./ repmat(sum(A_data1.*A_data1) .^ 0.5, n, 1); %矩阵归一化	
symbol_label=G_out_data.symbol_label;	
	
	
 [~,quan]=CRITIC(A_data,symbol_label);	
score=TOPSIS(A_data,quan,symbol_label);	
disp('CRITIC-TOPSIS法')	
disp('评价得分')	
score=score'	
disp('CRITIC法 得到权重为:') 	
disp(quan) 	
Out_table(:,1)=cell2table(G_out_data.table_str);	
Out_table(:,2)=array2table(G_out_data.table_data);	
Out_table.Properties.VariableNames={'评价对象','评分'};	
disp(Out_table)	

        运行结果如下:数据与结果都不是绝对的准确,只是用来学习CRITIC-TOPSIS法。

地区评分
上海100.00 
广东92.62 
北京87.47 
江苏81.21 
浙江79.42 
山东77.76 
天津58.35 
河南53.08 
辽宁50.43 
河北47.56 
四川45.75 
福建43.13 
湖北39.52 
湖南39.26 
安徽35.10 
内蒙古32.27 
黑龙江30.14 
山西27.93 
吉林27.56 
广西27.34 
江西26.33 
云南25.35 
陕西24.90 
重庆24.53 
新疆18.88 
贵州18.46 
甘肃14.32 
宁夏13.69 
海南13.45 
青海10.59 
西藏6.41 

        简单绘制柱状图如图1所示:

图1 各地区排序

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1861753.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

盲盒小程序开发:解锁未知,探索无限惊喜

一、开启新篇章 在追求独特与新颖的时代&#xff0c;盲盒以其神秘感与未知性&#xff0c;成为了年轻人热衷的购物新方式。为了满足这一市场需求&#xff0c;我们精心打造了一款全新的盲盒小程序&#xff0c;带您步入一个充满未知与惊喜的购物新领域。 二、产品亮点 精选商品&…

B端系统:日历组件设计,小组件蕴含大学问。

B端日历组件在企业级应用中具有重要作用&#xff0c;它可以用于管理和展示企业内部的日程安排、会议安排、任务分配等。 设计B端日历组件时&#xff0c;可以考虑以下几点&#xff1a; 显示方式&#xff1a;提供多种显示方式&#xff0c;例如月视图、周视图、日视图等&#xf…

FineReport聚合报表与操作

一、报表类型 模板设计是 FineReport 学习过程中的主要难题所在&#xff0c;FineReport 模板设计主要包括普通报表、聚合报表、决策报表三种设计类型。 报表类型简介- FineReport帮助文档 - 全面的报表使用教程和学习资料 二、聚合报表 2-1 介绍 聚合报表指一个报表中包含多个…

解决了!暗影精灵8 Pro酷睿版无声音,扬声器和麦克风都没有声音!

困扰好几天的问题解决了&#xff01; 暗影精灵8 Pro酷睿版无声音&#xff0c;扬声器和麦克风都没有声音&#xff01;&#xff01;方法适用于OMEN by HP Gaming Laptop 16-k0xxx&#xff08;暗影精灵8 Pro酷睿版&#xff09;的Windows 10声卡驱动&#xff01; 朋友们&#xff…

启动VMWare虚拟机报错

1. 无法打开内核设备“\\.\VMCIDev\VMX”: 操作成功完成。是否在安装 VMware Workstation 后重新引导? 模块“DevicePowerOn”启动失败。 未能启动虚拟机。 解决办法: 解决办法: 将 Ubuntu 64 位.vmx 找到vmci0.present"TRUE"这行改成 vmci0.present "FAL…

pinia.js报patchToApply.hasOwnProperty is not a function

vue3 ts pinia.js 先看报错> patchToApply.hasOwnProperty is not a function 错误信息&#xff1a; pinia.js?v91704efd:913 Uncaught (in promise) TypeError: patchToApply.hasOwnProperty is not a functionat mergeReactiveObjects (pinia.js?v91704efd:913:23)…

【学习】软件测试中常见的文档类型及其作用

在软件开发的生命周期中&#xff0c;软件测试是确保产品质量的关键步骤。为了系统地进行测试活动&#xff0c;并保证测试结果的有效性和可追溯性&#xff0c;产生了一系列标准化的测试文档。这些文档不仅为测试人员提供了执行指南&#xff0c;而且为项目管理者和利益相关者提供…

外部建筑3D 渲染的 5个关键角度,让你的效果图更具吸引力

对于建筑师和房地产专业人士来说&#xff0c;拥有大量高质量的项目图片至关重要&#xff0c;因为这可以吸引更多的潜在客户。。在展示您的3D效果图时&#xff0c;摄像机角度是一个关键因素。不同的视角影响细微的细节、当地环境和建筑亮点&#xff0c;最终影响项目的感知。那么…

网络编程篇: HTTPS协议

一.前置知识 早期很多公司刚起步的时候&#xff0c;使用的应用层协议都是HTTP&#xff0c;而HTTP无论是用GET方法还是POST方法传参&#xff0c;都是没有经过任何加密的&#xff0c;因此早期很多的信息都是可以通过抓包工具抓到的。 为了解决这个问题&#xff0c;于是出…

创建github个人博客

文章目录 安装Hexo安装git安装Node.js安装 Hexo 安装Hexo 参考官方文档&#xff1a;https://hexo.io/zh-cn/docs/ Hexo 是一个快速、简洁且高效的博客框架。Hexo 使用 Markdown&#xff08;或其他标记语言&#xff09;解析文章&#xff0c;在几秒内&#xff0c;即可利用靓丽的…

k8s volcano + deepspeed多机训练 + RDMA ROCE+ 用户权限安全方案【建议收藏】

目录 一、k8s环境配置 1.安装gpu-operator 2. 安装 rdma-shared-plugin 3. 安装volcano调度器 4. 创建research rbac认证 二、宿主机环境配置 1. 安装docker 客户端 2. 创建系统用户 3. 修改docker /etc/docker/daemon.json 文件如下 4. 修改系统 /etc/subuid 和subgi…

一文带你全面了解教师资格证

文章目录 前言一、什么是教师资格证&#xff1f;二、教师资格证分类三、教师资格证含金量四、就业方向五、如何获取教师资格证&#xff08;一&#xff09;取证流程&#xff08;二&#xff09;报名条件 & 考试科目&#xff08;三&#xff09;**题型分值**&#xff08;四&…

自动驾驶ADAS

1 ToF摄像头分类 1.1 ToF原理 类似雷达测距&#xff0c;生成3D点云&#xff0c;或者叫3D贴图。ToF相机的分辨率一般在3万像素左右。ToF距离计算公式如图所示。 Figure 1-1 ToF距离计算公式 D&#xff1a;距离 c&#xff1a;光速 PHI&#xff1a;相位差 fmod&#xff1a;调制频率…

解决node: bad option: -V

出现这个问题是由于我们的不当操作造成的&#xff0c;v是需要小写的&#xff0c;看下图 node --version node -v

KubeSphere 在互联网电商行业的应用实践

来自社区用户&#xff08;SRE运维手记&#xff09;投稿 背景 在云原生的时代背景下&#xff0c;Kubernetes 已经成为了主流选择。然而&#xff0c;Kubernetes 的原生操作复杂性和学习曲线较高&#xff0c;往往让很多团队在使用和管理上遇到挑战。因此&#xff0c;市面上出现了…

轮播图的制作大全

例如该样式: 1.Vue的方法(可实现自动轮播和左右按钮和下方原点按钮轮播) <div id="app"><div class="a" ref="b" @mouseenter="MouseFun(c)" @mouseleave="MouseFun(d)">//1.图片显示盒子<div class=&qu…

F5《企业DNS建设白皮书》中的DNS解析服务器最佳实践

在这个数字化转型加速的时代&#xff0c;DNS&#xff08;域名系统&#xff09;的重要性不言而喻。每一次重大事件都凸显了DNS的可靠性和安全性问题。对企业而言&#xff0c;它不仅关系到业务连续性&#xff0c;更是提供永续数字服务的关键。本文根据F5公司发布的《企业DNS建设白…

一款强大的上位机模拟通讯工具----HslCommunicationDemo

目录 引言 工具概述 官网下载链接 安装步骤 使用教程 引言 在工业自动化和机器人控制领域&#xff0c;上位机模拟通讯工具是工程师和开发者日常工作中不可或缺的一部分。这些工具不仅能帮助我们验证设备间的通信状态&#xff0c;还能在设备调试和集成过程中提供极大的便利。…

Jenkins+K8s实现持续集成(三)

接上面一篇JenkinsK8s实现持续集成&#xff08;二&#xff09;&#xff0c;K8s创建秘钥。 看secret kubectl get secret 删除secret kubectl delete secret hello-secret -n train 创建secret kubectl create secret docker-registry hello-secret --docker-server镜像仓库…