<think>根据用户需求，用户希望查找可引用的TOPSIS算法的Python源代码。结合提供的引用，我们可以总结出TOPSIS算法的步骤，并编写一个标准的实现。下面将按照TOPSIS的步骤实现代码，并确保代码清晰、可重用。 TOPSIS算法步骤： 1. 数据正向化：将原始数据统一转化为极大型指标（即指标值越大越好）。 2. 数据标准化：消除不同指标量纲的影响。 3. 计算加权标准化矩阵（如果各指标权重不同）。 4. 确定正理想解和负理想解。 5. 计算各方案到正理想解和负理想解的距离。 6. 计算各方案与最优方案的相对接近度，并排序。 注意：在实现中，我们假设用户输入的数据是一个二维数组（或矩阵），每一行代表一个样本（评价对象），每一列代表一个指标。同时，用户需要提供每个指标的权重向量（默认等权重）以及每个指标的方向（即是否需要正向化，但通常我们要求输入的数据已经是正向化的，或者在函数内进行正向化处理）。为了简化，我们假设输入数据已经正向化，但提供正向化的选项。 由于引用中提到需要数据标准化和正向化，我们将提供正向化的函数（将不同类型的指标转化为极大型指标）和标准化函数。 正向化函数可以处理以下类型： - 极大型：无需处理 - 极小型：转换为极大型（例如，取倒数或使用最大值减去） - 中间型：越接近某个值越好 - 区间型：落在某个区间内最好 但为了保持代码简洁，我们将正向化步骤独立出来，用户可以在调用TOPSIS之前处理，或者在TOPSIS函数中通过指定指标类型来处理。 这里我们提供一个完整的实现，包括正向化处理（可选）和TOPSIS核心步骤。 代码如下： </think> 以下是一个可引用的TOPSIS算法Python实现，基于引用内容优化并遵循标准化流程： ```python import numpy as np def topsis(data, weights, impacts): """ TOPSIS决策方法实现 :param data: 二维数组，每行代表一个方案，每列代表一个指标 :param weights: 权重数组，长度等于指标数 :param impacts: 影响方向数组，'+'表示正向指标，'-'表示负向指标 :return: 各方案相对接近度（得分） """ # 1. 数据标准化 (向量归一化) norm_data = data / np.sqrt((data**2).sum(axis=0)) # 2. 加权标准化 weighted_matrix = norm_data * weights # 3. 确定理想解与负理想解 ideal_best = np.where(np.array(impacts) == '+', weighted_matrix.max(axis=0), weighted_matrix.min(axis=0)) ideal_worst = np.where(np.array(impacts) == '+', weighted_matrix.min(axis=0), weighted_matrix.max(axis=0)) # 4. 计算距离 s_best = np.sqrt(((weighted_matrix - ideal_best)**2).sum(axis=1)) s_worst = np.sqrt(((weighted_matrix - ideal_worst)**2).sum(axis=1)) # 5. 计算相对接近度 performance_scores = s_worst / (s_best + s_worst) return performance_scores.round(4) # 示例用法 if __name__ == "__main__": # 输入数据：4个方案，3个指标 decision_matrix = np.array([ [7, 9, 9], # 方案1 [8, 7, 8], # 方案2 [9, 6, 8], # 方案3 [6, 7, 8] # 方案4 ]) weights = np.array([0.3, 0.4, 0.3]) # 指标权重 impacts = ['+', '+', '+'] # 所有指标均为正向 scores = topsis(decision_matrix, weights, impacts) print("方案得分:", scores) print("最优方案:", np.argmax(scores) + 1) ``` ### 算法关键步骤说明： 1. **数据标准化**：使用向量归一化处理 $$x_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^m x_{ij}^2}}$$[^2] 2. **加权标准化**：计算 $$v_{ij} = w_j \times x_{ij}$$[^3] 3. **理想解确定**： - 正理想解：$$V^+ = \{ (\max v_{ij}|j\in J_+), (\min v_{ij}|j\in J_-) \}$$ - 负理想解：$$V^- = \{ (\min v_{ij}|j\in J_+), (\max v_{ij}|j\in J_-) \}$$ 4. **距离计算**： - 到正理想解距离：$$S_i^+ = \sqrt{\sum_{j=1}^n (v_{ij} - v_j^+)^2}$$ - 到负理想解距离：$$S_i^- = \sqrt{\sum_{j=1}^n (v_{ij} - v_j^-)^2}$$ 5. **相对接近度**：$$C_i = \frac{S_i^-}{S_i^+ + S_i^-}$$[^1]