TOPSIS 法(Technique for Order Preference by Similarity to Ideal Solution)，简称优劣解距离法，该方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。前面文章中提到的层次分析法存在一些局限性：

(1) 评价的决策层不能太多，即n不能太大，否则判断矩阵和一致矩阵差异会很大,平均随机一致性指标RI的表格中n最多为15

(2) 层次分析法不适用于决策层中指标的数据已知的情况

TOPSIS 法的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。

总结下来，TOPSIS 法可以分为 3 步，

1. 原始矩阵正向化

2. 正向矩阵标准化

3. 计算得分并归一化

1. 原始矩阵正向化

首先要知晓常见的四种指标，如下图所示，将原始矩阵正向化，就是要将所有指 标类型统一转化为极大型指标。

1) 极小型指标转化为极大型指标 极小型指标转换为极大型指标的公式：max-x

(2) 中间型指标转化为极大型指标 {xi}是一组中间型指标序列，且最佳的数值为 xbest，正向化的公式为

(3) 区间型指标转化为极大型指标 {xi}是一组中间型指标序列，且最佳的区间为[a,b]，那么正向化的公式如下

2. 正向化矩阵标准化

标准化的目的是消除不同指标量纲的影响，标准化的方法有很多种，下面介绍一种常用的情况：

假设有 n 个要评价的对象，m 个评价指标构成的正向化矩阵如下：

那么，对其标准化的矩阵记为 Z，Z 中的每个元素=X 中的每个元素/该元素所在 列的元素的平方和的开方：

3. 计算得分并归一化

假设有 n 个要评价的对象，m 个评价指标的标准化矩阵：

定义最大值为

定义最小值为

定义第 i(i=1,2,…,n)个评价对象与最大值的距离，w 为该评价对象的权重

定义第 i(i=1,2,…,n)个评价对象与最小值的距离

那么，我们可以计算得出第 i(i=1,2,…,n)个评价对象未归一化的得分：

2023年MCM/ICM美国大学生数学建模竞赛正在报名中

保研加分、综测评奖

由于报名参加美赛的同学不具备Visa或国际支付方式，以及缺乏一定的参赛经验，为了更好的提升参赛者的获奖率，数模乐园继续推出2023年美赛辅助报名及证书打印并邮寄的服务。 2022年 通过数模乐园辅助报名中， 4支 队伍斩获2021 Outstanding Winner奖（其中一支获得SIAM Award冠名奖；另外3支获得Outstanding Winner奖），O奖获奖率同比增长 50% ，整体参赛获奖率达99.3%， 2021年 助力1支队伍获得 1万美元 奖学金。数模乐园已累计为 8.5万 多人以上同学完成了美赛辅助报名服务！已成为 国内最大的美赛辅助报名平台！

竞赛报名

或复制下方报名官网进行报名：http://www.nmmcm.org.cn/match_detail/23

进群领取历年美赛真题及培训资料，进群备注：学校+专业

通过数模乐园报名完成后，数模乐园会在工作时间内将报名成功的邮件发送至参赛队伍的队长邮箱里，（和你报名时间顺序有关系，报名日期越早，收到的邮件就越早，所以很多同学一开始没有很强的备赛意识，表示不是很急，结果报名的比较晚，但是还特别想快速的收到报名成功的邮件，这里要告诫一下这类同学，越到最后，报名的队伍就越多，所以为了避免造成报名拥堵及邮件接收延迟问题，强烈建议同学们需要提前完成报名工作，每年这类问题经常会有发生）邮件中包含2023年美赛参赛指南、数模乐园赠送的备赛大礼包以及518密训课程等内容。