d <- matrix(rpois(12, 5), nrow = 4)
w <- c(1, 1, 2)
i <- c("+", "-", "+")
topsis(d, w, i)
这是在R中为Ahp topsis提供的功能，我很担心如何分配＆＃34; +＆＃34;和＆＃34; - ＆＃34;在这里签署＆＃34;影响＆＃34;论点。在这个例子中如何完成
答案 0 :(得分：0)
首先，我没有TOPSIS的任何经验，但该功能的代码解释了正在发生的事情，并与TOPSIS的描述相符。您可以通过输入topsis来查看代码。
矩阵d是一个4x3矩阵。每行代表一种替代方案（例如，市场上可用的汽车模型），而每列代表判断这些替代方案的标准（例如，您可以使用成本，效率，扭矩和离地间隙来选择车）
+和 - 只显示特定标准（列）如何影响结果。例如，汽车的成本可能是-ve而扭矩将是+ ve。
该算法使用这些影响符号来获得正理想解决方案和负（最差）理想解决方案。
正理想解是通过使用+ ve列的最大值和-ve列的最小值得出的。这是代码中的相关行。
u <- as.integer(impacts == "+") * apply(V, 2, max) + as.integer(impacts ==
"-") * apply(V, 2, min)
负面理想恰恰相反。
从此开始，代码会根据这些最佳和最差结果查找每个替代方案的距离并对其进行排名。
答案 1 :(得分：0)
好问题。
'c("+", "-", "+")'指示需要最大化的标准和最小化的标准。
因此，TOPSIS由Hwang和Yoon [1]在1981年开发，是用于MCDC（多准则决策）问题的通用算法。 TOPSIS的前提是，一组备选方案中的“最佳”解决方案是与理想解决方案之间的几何距离最近，而与反理想解决方案之间的几何距离最远的解决方案。
每种替代品都有不同的标准。标准可以是有益的或不利的。如果这是有益的，那么您想最大化，但是如果您想降低成本，则希望最小化。
因此，假设您要从一系列替代汽车中选择“最佳”汽车。
价格是一个成本标准，您希望将其最小化。但是，“速度限制”也许是您想要最大化的东西。
如前所述，那些'+'，'-'表示哪些是成本属性，哪些是收益，因此您可以计算出理想和反理想的解决方案。
资源：
参考：