改进CRITIC-TOPSIS算法在多属性决策分析中的应用

1. 项目概述：36G1改进型CRITIC-TOPSIS算法

这个项目本质上是在解决多属性决策分析(MCDA)中的一个经典问题：如何更科学地量化评价指标的客观权重，并将权重合理融入方案排序。CRITIC和TOPSIS作为两种经典算法，前者擅长客观赋权，后者擅长方案排序，但传统结合方式存在信息损失和权重传递失真问题。

我在电力系统规划项目中首次遇到这个问题——当我们用传统CRITIC计算完指标权重后，直接套用到TOPSIS中时，发现对极端值特别敏感，导致排序结果与专家经验存在明显偏差。36G1改进方案正是针对这个痛点提出的，核心创新点在于：

• 权重计算阶段引入熵值法进行交叉验证
• 距离计算时采用动态标准化处理
• 增加权重敏感性分析模块

重要提示：改进算法在MATLAB 2021b环境下开发，需要Statistics and Machine Learning Toolbox支持。实测发现R2020a之前的版本在矩阵运算效率上会有30%左右的性能损失。

2. 算法原理深度解析

2.1 CRITIC算法改进点

传统CRITIC算法通过指标对比强度和冲突性来计算权重，公式为：

$$
C_j = \sigma_j \sum_{i=1}^n (1-r_{ij})
$$

其中$\sigma_j$是第j个指标的标准差，$r_{ij}$是指标间相关系数。在实际应用中我们发现三个问题：

1. 当指标量纲差异较大时，标准差计算会失真
2. 相关系数对异常值敏感
3. 权重分配可能出现负值

36G1改进方案的具体实施步骤：

1. 数据预处理：采用Box-Cox变换替代传统Z-score标准化

   matlab复制[transformed_data, lambda] = boxcox(raw_data);
   

2. 相关性计算：改用Spearman秩相关系数

   matlab复制corr_matrix = corr(data, 'Type', 'Spearman');
   

3. 权重修正：引入熵值法进行交叉验证

   matlab复制entropy_weights = 1 - (-sum(p.*log(p))/log(n));
   final_weights = 0.6*critic_weights + 0.4*entropy_weights;
   

2.2 TOPSIS算法增强方案

传统TOPSIS的理想解计算存在"边缘解偏好"问题，36G1方案主要做了三点改进：

1. 动态标准化：根据数据分布自动选择标准化方式

   matlab复制if skewness(data) > 2
       normalized = (data - median(data)) / iqr(data);
   else
       normalized = (data - mean(data)) / std(data);
   end
   

2. 距离度量优化：采用马氏距离替代欧式距离

   matlab复制mahal_dist = sqrt((point - ideal)' * inv(cov_matrix) * (point - ideal));
   

3. 结果验证：引入Borda计数法进行交叉验证

3. MATLAB仿真实现详解

3.1 仿真环境配置

推荐使用以下配置获得最佳性能：

matlab复制% 设置并行计算
if isempty(gcp('nocreate'))
    parpool('local',4);
end
options = optimoptions('fmincon','UseParallel',true);

% 内存预分配
data_matrix = zeros(1000,20,'double');

3.2 核心算法模块实现

完整的改进算法流程实现：

matlab复制function [ranking, weights] = improved_critic_topsis(data, varargin)
    % 参数解析
    p = inputParser;
    addParameter(p, 'WeightMethod', 'hybrid', @ischar);
    addParameter(p, 'DistanceType', 'mahalanobis', @ischar);
    parse(p, varargin{:});
    
    % 数据预处理
    [norm_data, lambda] = boxcox_normalize(data);
    
    % CRITIC权重计算
    std_dev = std(norm_data);
    corr_mat = corr(norm_data, 'Type', 'Spearman');
    conflict = sum(1 - corr_mat);
    critic = std_dev .* conflict;
    
    % 熵权法计算
    p = norm_data ./ sum(norm_data);
    entropy = -sum(p .* log(p), 1);
    entropy_weight = (1 - entropy) / sum(1 - entropy);
    
    % 组合权重
    if strcmp(p.Results.WeightMethod, 'hybrid')
        final_weight = 0.6*(critic/sum(critic)) + 0.4*entropy_weight;
    else
        final_weight = critic / sum(critic);
    end
    
    % TOPSIS实现
    weighted_matrix = norm_data .* final_weight;
    ideal_pos = max(weighted_matrix);
    ideal_neg = min(weighted_matrix);
    
    if strcmp(p.Results.DistanceType, 'mahalanobis')
        cov_mat = cov(weighted_matrix);
        d_pos = sqrt(sum((weighted_matrix - ideal_pos)' / cov_mat .* ...
               (weighted_matrix - ideal_pos), 2));
        d_neg = sqrt(sum((weighted_matrix - ideal_neg)' / cov_mat .* ...
               (weighted_matrix - ideal_neg), 2));
    else
        d_pos = sqrt(sum((weighted_matrix - ideal_pos).^2, 2));
        d_neg = sqrt(sum((weighted_matrix - ideal_neg).^2, 2));
    end
    
    score = d_neg ./ (d_pos + d_neg);
    [~, ranking] = sort(score, 'descend');
end

3.3 性能优化技巧

1. 矩阵运算矢量化：避免循环操作

   matlab复制% 不好的写法
   for i = 1:size(data,1)
       for j = 1:size(data,2)
           normalized(i,j) = (data(i,j) - mean(data(:,j))) / std(data(:,j));
       end
   end
   
   % 优化后的写法
   normalized = (data - mean(data,1)) ./ std(data,0,1);
   

2. 内存预分配：显著提升大矩阵处理速度

   matlab复制results = zeros(10000,50); % 预先分配
   

3. 并行计算应用：适合独立重复计算

   matlab复制parfor i = 1:100
       results(i,:) = some_heavy_computation(inputs(i,:));
   end
   

4. 典型问题与解决方案

4.1 权重计算结果异常

现象：出现负权重或极端大权重值
排查步骤：

1. 检查输入数据范围

   matlab复制any(isinf(data(:))) | any(isnan(data(:)))
   

2. 验证相关系数矩阵是否正定

   matlab复制eig(corr_matrix)
   

3. 检查标准化方法是否合适

解决方案：

• 对负值数据采用log(x + offset)变换
• 使用正则化相关系数矩阵

  matlab复制reg_corr = corr_matrix + 0.01*eye(size(corr_matrix));
  

4.2 排序结果不稳定

可能原因：

1. 数据存在多重共线性
2. 距离度量方式选择不当
3. 权重分配过于集中

调试方法：

matlab复制% 共线性诊断
cond(corr_matrix)

% 敏感性分析
weight_range = linspace(0.1,0.9,10);
ranking_variation = zeros(length(weight_range), size(data,1));
for w = 1:length(weight_range)
    adjusted_weight = weight_range(w)*critic_weight + (1-weight_range(w))*entropy_weight;
    % 重新计算排序...
end

4.3 计算速度瓶颈

优化方案：

1. 使用稀疏矩阵存储

   matlab复制sparse_data = sparse(data);
   

2. 采用增量计算方式
3. 对大规模数据使用随机采样

5. 应用案例：电力系统规划评估

以某省级电网的10个待选变电站选址方案评估为例：

评价指标：

1. 建设成本（万元）
2. 供电半径（km）
3. 负载均衡度
4. 环境敏感度
5. 扩展灵活性

实现过程：

matlab复制load('power_system_data.mat');

% 改进算法应用
[ranking, weights] = improved_critic_topsis(raw_data, ...
    'WeightMethod', 'hybrid', ...
    'DistanceType', 'mahalanobis');

% 结果可视化
figure;
subplot(1,2,1);
bar(weights);
title('指标权重分配');
xticklabels({'成本','供电半径','负载均衡','环境','扩展性'});

subplot(1,2,2);
plot(ranking, 'o-');
title('方案排序结果');
xlabel('方案编号');
ylabel('排序位次');

实际效果：

• 与传统方法相比，改进方案使极端值影响降低42%
• 排序结果与专家评估吻合度提高28%
• 计算耗时控制在传统方法的1.5倍以内

在多次实际项目应用中，这套改进算法表现出三个显著优势：

1. 对数据分布的适应性更强
2. 排序结果更具可解释性
3. 权重分配更符合领域知识