Skip to content

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 i 个方案第 j 项为 xij。以下先把指标处理为越大越好,处理后的值记为 uij。向量归一化后乘以非负权重 wj,通常令 ∑jwj=1。

rij=uij∑iuij2,vij=wjrij,vj+=maxivij,vj−=minivij.

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 Di± 算贴近度并从大到小排。

Di±=∑j(vij−vj±)2,Ci=Di−Di++Di−.

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 (3,4),B 为 (4,3),权重为 (0.6,0.4)。两列向量范数都是 5,加权后 A 是 (0.36,0.32),B 是 (0.48,0.24)。理想点为 (0.48,0.32) 和 (0.36,0.24)。A 的 (D+,D−)=(0.12,0.08),贴近度 0.4。B 的两项距离互换,贴近度 0.6,于是 B 排在前面。两权相等时本例并列,说明这个选择取决于业务对两项效益的重视程度。

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。

TOPSIS 计算步骤演示

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
原始矩阵
方案指标 1指标 2
方案 12.00006.0000
方案 23.00005.0000
方案 34.00004.0000
方案 45.00003.0000

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
上方动画按「归一化 → 加权 → 理想解 → 距离 → 贴近度 → 排序」顺序播放四方案主例 A = [[2,6],[3,5],[4,4],[5,3]]、w = (0.5,0.5) 的每一步数值,贴近度 C = [0.4421, 0.4656, 0.5344, 0.5579],排序 4 > 3 > 2 > 1。

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)0.50001—
甲指标 2 得分高(5)0.50002—
丙指标 1 得分高(5)0.50003—

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 A=[[2,6],[3,5],[4,4],[5,3]],两个效益型指标,权重 w=(0.5,0.5)。两列向量范数为 54 与 86;加权后的正负理想解为 v+=(2.5/54, 3/86)、v−=(1/54, 1.5/86)(均匀权重下贴近度 C 与未加权理想点 (5/54,6/86)、(2/54,3/86) 的结果一致)。

贴近度与排序(与 examples/topsis_demo.py 输出一致):

方案原始值 (ai1,ai2)D+D−贴近度 Ci名次
1(2, 6)0.20410.16170.44214
2(3, 5)0.14640.12750.46563
3(4, 4)0.12750.14640.53442
4(5, 3)0.16170.20410.55791

其中 C1=54/(54+86)≈0.4421、C4=1−C1≈0.5579。按加权坐标计算,方案 2 的距离满足 (D2−)2=0.25/54+1/86、(D2+)2=1/54+0.25/86。方案 3 与之对称,C3=1−C2。精确到 6 位小数的贴近度为 [0.442091, 0.465552, 0.534448, 0.557909]。

权重敏感:把 w 改为 (0.9,0.1) 后贴近度变为 [0.080920, 0.336519, 0.663481, 0.919080],方案 4 的领先优势被放大、方案 1 进一步落后。权重实验器用「甲 (1,5)、乙 (3,3)、丙 (5,1)」三方案展示更直观的名次翻转:等权时三者贴近度均为 0.5 并列,提高指标 1 权重则丙上升、甲下降。

退化情况:若某列方差为零(如 A=[[1,2],[1,4]] 的第一列),该列 v+=v− 对距离零贡献,被记入退化列 degenerateColumns=[0],排序由第二列主导,贴近度为 [0,1]。若所有列都零方差,则所有方案贴近度均为 0.5 并列、状态记为 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 10−9),并生成权重变化条形图 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 (1.5/54,2.5/86),它到正理想点的横纵差为 −1/54,−0.5/86。把两项差分别平方再相加,开方得 D2+≈0.1464。同理 D2−≈0.1275,于是 C2=0.1275/(0.1464+0.1275)≈0.4656。

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。

下载 Python 源码 · 下载 MATLAB 源码

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
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))
下载当前源码

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 p,第二项为 1−p。试着逐步提高 p,并预测哪个值使所有方案并列。本例原始点沿同一条斜线等距排开。若加权后每移动一个位置时两个坐标的改变量相等,即 p/54=(1−p)/86,每个点到正负理想解的距离都相等。故临界权重约为 p=0.442091。若把数据换成一般四点,翻转可能发生在不同的临界权重上。

关联文章 ​

MathModel FAQ · 数学建模知识库