TOPSIS距离计算代码

Topsis（Technique for Order of Preference by Similarity to Ideal Solution）中的距离计算通常是通过欧氏距离公式进行的。假设我们有n个评价指标，每个指标有一个得分（si）和一个目标（ai），其中i表示第i个指标，最好的情况分数记为Pi^+，最坏的情况分数记为Pi^-。下面是简单的Python代码示例：

import numpy as np

def calculate_distance(score_matrix, ideal_score, anti_ideal_score):
    # 获取行数（即方案的数量）
    num_solutions = score_matrix.shape[0]
    
    # 计算靠近理想解的距离 (Positive Distance)
    pos_distance = np.linalg.norm((score_matrix - ideal_score), axis=1)

    # 计算远离反理想解的距离 (Negative Distance)
    neg_distance = np.linalg.norm(score_matrix - anti_ideal_score, axis=1)

    # 合并两个距离并取最小作为最终距离
    total_distance = np.min(np.stack([pos_distance, neg_distance], axis=-1), axis=0)
    
    return total_distance

# 示例：
score_matrix = np.array([[4, 3], [3, 4], [5, 2]])  # 方案的得分矩阵
ideal_score = np.array([4, 4])  # 理想得分
anti_ideal_score = np.array([1, 1])  # 反理想得分

distance = calculate_distance(score_matrix, ideal_score, anti_ideal_score)

这个函数会返回每个方案到理想解和反理想解的最小距离，然后根据这些距离计算出优势指数。优势越大，说明方案越接近理想解，因此最后的选择通常是距离最小的那个方案。