主题
TOPSIS 综合评价法
方法速览
- 主要用途 用多指标综合比较对已知候选方案排序。
- 必要输入 方案指标矩阵、各指标方向、非负权重和事先定义的硬门槛。
- 适用条件 候选之间可比较,且合格方案的指标允许相互补偿。
- 典型不适用情况 未筛除违反硬门槛的方案,或需要跨候选集使用固定评分标准。
- 最低限度的验证方式 手算两个方案的距离和贴近度,再扰动权重检查名次。
TOPSIS 适合给哪些方案排序
若已知备选项目及各自的成本、效率、服务等指标,可以用 TOPSIS 产生相对排序和贴近度。先定决策目标、每列的偏好方向和可靠数据范围,再给出权重。对于审批、预算或安全底线等硬门槛,先筛掉不合格方案。通过筛选后,较优的一项可以补偿另一项的不足,这一取舍须与使用场景一致。
如何构造正负理想点
记原始矩阵第
归一化分母为零的列没有可用区分信息,可剔除并重归一化。理想点由各指标的最优项组成,它可能并不是任一现有方案。由欧氏距离
若分母为零,方案在加权空间无法区分。也可保留原指标方向,只在取理想值时对成本型列交换最大和最小。统一选一套定义。TOPSIS 的归一化与距离计算示例
用两个方案做一次假设算例
假设 A 的两项效益分为
与简单加权评分怎么选
加权求和更容易向读者逐项解释贡献。TOPSIS 以相对理想点的距离衡量综合表现,距离对应的偏好需结合案例说明。若需要固定判定标准,可以采用固定参照评分,因为以样本极值为基准的贴近度会随备选集改变。AHP 和熵权法常用来产生权重,两者的含义分别来自偏好判断与样本差异,可按场景选其一并保留对照。
最容易错在哪里
成本型变量转换一次即可,既转换又反转理想点会把方向改错。遇到“最接近目标值最好”的指标,先根据偏离程度定义得分。单位不同的原始列直接求距离会让尺度大的列左右排序,重复列也可能放大某类信息。贴近度是对当前数据与设定的相对比较,不能直接解读为百分比收益。
第一次排序如何验算
挑两个方案,从原始值算到距离,检查权重和距离位置,以及更优的单项是否被正向奖励。然后在合理范围内摆动权重,改变归一化方式,检查增加或移除无关候选时前几名是否变化。报告分数差而非只报排序。头部差距若很小,应按实际误差范围检查并列或换位的可能。
动态演示
下面的交互组件按「归一化 → 加权 → 理想解 → 距离 → 贴近度 → 排序」逐步播放一个四方案主例的每一步数值,并用独立的权重实验器演示权重改变时名次如何翻转。本演示为教学分步,TOPSIS 是解析计算流程,不存在迭代逼近——每一步都是直接代入公式的结果,播放只是逐步揭示。
本演示为教学分步,TOPSIS 是解析计算流程,不存在迭代逼近。
原始矩阵向量归一化加权正负理想解欧氏距离贴近度排序
| 方案 | 指标 1 | 指标 2 |
|---|---|---|
| 方案 1 | 2.0000 | 6.0000 |
| 方案 2 | 3.0000 | 5.0000 |
| 方案 3 | 4.0000 | 4.0000 |
| 方案 4 | 5.0000 | 3.0000 |
原始矩阵:原始决策矩阵:每一行是一个方案、每一列是一个指标,数值为原始取值,量纲与尺度尚未统一。
1 / 7
权重实验器:改变权重观察名次翻转
| 方案 | 指标取值 | 贴近度 C | 名次 | 相对等权 |
|---|---|---|---|---|
| 乙 | 两指标均衡(3, 3) | 0.5000 | 1 | — |
| 甲 | 指标 2 得分高(5) | 0.5000 | 2 | — |
| 丙 | 指标 1 得分高(5) | 0.5000 | 3 | — |
两指标权重相等,方案对称并列(贴近度均为 0.5),没有方案因此占优。
示例数据:决策矩阵
贴近度与排序(与 examples/topsis_demo.py 输出一致):
| 方案 | 原始值 | 贴近度 | 名次 | ||
|---|---|---|---|---|---|
| 1 | (2, 6) | 0.2041 | 0.1617 | 0.4421 | 4 |
| 2 | (3, 5) | 0.1464 | 0.1275 | 0.4656 | 3 |
| 3 | (4, 4) | 0.1275 | 0.1464 | 0.5344 | 2 |
| 4 | (5, 3) | 0.1617 | 0.2041 | 0.5579 | 1 |
其中
权重敏感:把
退化情况:若某列方差为零(如 degenerateColumns=[0],排序由第二列主导,贴近度为 degenerate——这提醒我们 TOPSIS 要求指标之间存在可区分的信息。
数值复现:python examples/topsis_demo.py(numpy 手写 + sklearn.preprocessing.normalize 交叉验证,容差 docs/public/examples/topsis-demo.png。
双语言实验
把贴近度画成两条距离
沿用动画的四方案两指标数据,设两列分别为服务能力、响应便捷度的模拟效益分。两者都越大越好。以方案 2 为例,等权时加权后的坐标为
图上的星号和叉号分别代表正、负理想点。沿方案 2 的两条虚线可直接比较它到正、负理想点的距离。理想点的不同坐标可以来自不同方案。评分柱状图并排显示两组权重,同一原始数据因坐标尺度变化而重新排序。
独立运行
Python 在终端安装依赖 python -m pip install numpy matplotlib,下载文件后运行 python mmf_topsis.py。MATLAB 将 mmf_topsis.m 放入当前文件夹,在命令窗口运行 result = mmf_topsis(),基础实验无需额外工具箱。两种脚本均输出数值并绘制图形。
给三个已同向化的方案做列向量归一化,再算正负理想点、两段距离和贴近度。第二个方案居首。完整实践再分析成本型指标与权重敏感性。
最简版依赖 Python:NumPy。MATLAB:基础功能,无需额外工具箱。
在源码所在目录运行 python mmf_min_topsis.py
py
下载当前源码import json
import numpy as np
# 行是方案,列是越大越好的指标。权重之和为 1。
x = np.array([[3, 1], [4, 4], [1, 3]], dtype=float)
weights = np.array([.6, .4])
weighted = x / np.linalg.norm(x, axis=0) * weights
ideal = weighted.max(axis=0)
worst = weighted.min(axis=0)
distance_best = np.linalg.norm(weighted - ideal, axis=1)
distance_worst = np.linalg.norm(weighted - worst, axis=1)
# 理想点得 1,负理想点得 0,其他方案在两者之间。
score = distance_worst / (distance_best + distance_worst)
assert score.argmax() == 1 and score[1] == 1
result = {"ideal": ideal.tolist(), "distance_best": distance_best.tolist(), "score": score.tolist()}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))脚本按列归一化,先直接计算平方和,再用 np.linalg.norm(..., axis=0) 或 MATLAB 基础函数 vecnorm(X,2,1) 核对列范数。MATLAB dim=1 和 NumPy 的 axis=0 在这里都是沿行汇总,得到每列一个结果。向量范数只负责归一化,正负理想点、距离和贴近度仍要依题意计算。若指标为成本型,可直接交换该列在两组理想点中的极值方向,或依据模型定义先完成同向化,要在报告中写清选用的做法。 MATLAB vecnorm 的维度参数
等权输出的 order 应为 [4,3,2,1],改为 [0.2,0.8] 后 changed_order 应为 [1,2,3,4]。交叉核对时比较 scores、d_plus、d_minus 的小数值,遇到贴近度差低于舍入容差的方案应报告并列。
参数练习与参考结论
设第一项权重为