熵权TOPSIS

方法概述

熵权TOPSIS是将熵权法与TOPSIS方法相结合的一种综合评价技术。它首先利用熵权法根据数据本身的离散程度客观确定各指标的权重，然后运用TOPSIS法通过计算各方案与正理想解和负理想解的欧氏距离，以相对贴近度作为评价标准，对方案进行排序。该方法既克服了主观赋权的随意性，又能充分利用原始数据信息，是目前应用最广泛的组合评价方法之一。

熵权 TOPSIS 的核心思想是：

• 采用熵权法计算各指标的客观权重。
• 使用 TOPSIS 法计算各方案的相对贴近度，并根据贴近度大小排序。

计算步骤

1. 构建原始数据矩阵

设有 \(n\) 个评价对象（方案），\(m\) 个评价指标，原始数据矩阵为：

\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m} \\ x_{21} & x_{22} & \cdots & x_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]

2. 数据正向化

为消除指标类型的影响，需将所有指标转化为极大型（越大越好）。根据指标类型选择相应公式：

（1）极大型指标

保持不变：\(x'_{ij} = x_{ij}\)

（2）极小型指标

\[ x'_{ij} = \max(x_j) - x_{ij} \]

（3）中间型指标（越接近某个固定值越好）

设最优值为 \(a\)，则： \[ x'_{ij} = 1 - \frac{|x_{ij} - a|}{\max|x_j - a|} \]

（4）区间型指标（落在某个区间内最好）

设最佳区间为 \([a,b]\)，则： \[ x'_{ij} = \begin{cases} 1 - \frac{a - x_{ij}}{\max(a - \min(x_j), \max(x_j) - b)}, & x_{ij} < a \\ 1, & a \leq x_{ij} \leq b \\ 1 - \frac{x_{ij} - b}{\max(a - \min(x_j), \max(x_j) - b)}, & x_{ij} > b \end{cases} \]

正向化后矩阵记为 \(X' = (x'_{ij})_{n \times m}\)。

3. 熵权法计算权重

3.1 数据标准化

为消除量纲影响，对正向化后的数据进行标准化。常用方法有：

• 极差法（Min‑Max）： \[ z_{ij} = \frac{x'_{ij} - \min(x'_j)}{\max(x'_j) - \min(x'_j)} \]
• Z‑score 法： \[ z_{ij} = \frac{x'_{ij} - \mu_j}{\sigma_j} \] 可线性变换到 [0.001,1] 区间。
• 比重法： \[ z_{ij} = \frac{x'_{ij}}{\sum_{i=1}^{n} x'_{ij}} \]
• 向量归一化法： \[ z_{ij} = \frac{x'_{ij}}{\sqrt{\sum_{i=1}^{n} (x'_{ij})^2}} \]

标准化后矩阵记为 \(Z = (z_{ij})_{n \times m}\)。

3.2 计算比重矩阵

\[ p_{ij} = \frac{z_{ij}}{\sum_{i=1}^{n} z_{ij}}, \quad j = 1,2,\ldots,m \]

3.3 计算第 \(j\) 项指标的熵值

\[ E_j = -\frac{1}{\ln n} \sum_{i=1}^{n} p_{ij} \ln(p_{ij}), \quad j = 1,2,\ldots,m \] 规定 \(p_{ij}=0\) 时，\(p_{ij}\ln p_{ij}=0\)。

3.4 计算差异系数

\[ g_j = 1 - E_j \]

3.5 计算权重

\[ w_j = \frac{g_j}{\sum_{j=1}^{m} g_j}, \quad j = 1,2,\ldots,m \]

4. TOPSIS 评价

4.1 构建加权标准化矩阵

根据选择的权重使用方式，得到加权标准化矩阵 \(V\)。平台提供三种方式：

• 方式一：标准化后直接加权，即 \(v_{ij} = w_j \cdot z_{ij}\)。
• 方式二：在距离计算中加权，此时 \(v_{ij} = z_{ij}\)。
• 方式三：两步均加权（等效于方式一）。

4.2 确定正理想解和负理想解

正理想解 \(V^+\) 由加权标准化矩阵中各指标的最大值组成，负理想解 \(V^-\) 由最小值组成：

\[ V^+ = (V_1^+, V_2^+, \ldots, V_m^+), \quad V_j^+ = \max_i v_{ij} \] \[ V^- = (V_1^-, V_2^-, \ldots, V_m^-), \quad V_j^- = \min_i v_{ij} \]

4.3 计算欧氏距离

各方案到正理想解的距离 \(D_i^+\) 和到负理想解的距离 \(D_i^-\)：

若使用方式一或方式三（加权矩阵已包含权重）： \[ D_i^+ = \sqrt{\sum_{j=1}^{m} (V_j^+ - v_{ij})^2}, \quad D_i^- = \sqrt{\sum_{j=1}^{m} (V_j^- - v_{ij})^2} \]

若使用方式二（距离中加权）： \[ D_i^+ = \sqrt{\sum_{j=1}^{m} w_j (V_j^+ - v_{ij})^2}, \quad D_i^- = \sqrt{\sum_{j=1}^{m} w_j (V_j^- - v_{ij})^2} \]

4.4 计算相对贴近度并排序

相对贴近度 \(C_i\) 表示方案接近正理想解的程度：

\[ C_i = \frac{D_i^-}{D_i^+ + D_i^-}, \quad 0 \le C_i \le 1 \]

\(C_i\) 越大，方案越优。按 \(C_i\) 降序排列即得最终排序。

案例分析

案例背景：某企业需对四个供应商（A、B、C、D）进行评价，选取三个指标：产品质量（极大型）、价格（极小型）、交货准时率（极大型）。原始数据如下：

供应商	产品质量	价格	交货准时率
A	85	200	0.95
B	90	180	0.90
C	75	210	0.85
D	80	190	0.92

计算过程（采用极差法标准化，方式一加权）

1. 正向化（价格转化为极大型）： \[ \max(\text{价格}) = 210,\ \min(\text{价格}) = 180 \]
   • A: \(210-200 = 10\)
   • B: \(210-180 = 30\)
   • C: \(210-210 = 0\)
   • D: \(210-190 = 20\)
   正向化矩阵：

供应商	产品质量	价格(正)	交货准时率
A	85	10	0.95
B	90	30	0.90
C	75	0	0.85
D	80	20	0.92

2. 熵权法计算权重：

   对正向化后的数据进行极差标准化（以产品质量列为例：min=75, max=90，标准化值为 (x-75)/15），得到标准化矩阵 \(Z\)：

供应商	产品质量	价格(正)	交货准时率
A	0.6667	0.3333	1.0000
B	1.0000	1.0000	0.5000
C	0.0000	0.0000	0.0000
D	0.3333	0.6667	0.7000

计算比重矩阵 \(p_{ij} = z_{ij} / \sum z_{ij}\)（列和分别为 2.0000, 2.0000, 2.2000），然后计算熵值、差异系数和权重：

指标	熵值 \(E_j\)	差异系数 \(g_j\)	权重 \(w_j\)
产品质量	0.7295	0.2705	0.332
价格(正)	0.7272	0.2728	0.334
交货准时率	0.7272	0.2728	0.334

3. 加权标准化矩阵（方式一）： \[ v_{ij} = w_j \times z_{ij} \]

供应商	产品质量	价格(正)	交货准时率
A	0.221	0.111	0.334
B	0.332	0.334	0.167
C	0.000	0.000	0.000
D	0.111	0.222	0.234

4. 正负理想解：
   • 正理想解 \(V^+ = (0.332, 0.334, 0.334)\)
   • 负理想解 \(V^- = (0.000, 0.000, 0.000)\)
5. 欧氏距离：
   • A: \(D^+ = \sqrt{(0.332-0.221)^2 + (0.334-0.111)^2 + (0.334-0.334)^2} = 0.262\)，\(D^- = \sqrt{(0.221)^2 + (0.111)^2 + (0.334)^2} = 0.416\)
   • B: \(D^+ = 0.167\)，\(D^- = 0.503\)
   • C: \(D^+ = 0.580\)，\(D^- = 0.000\)
   • D: \(D^+ = 0.272\)，\(D^- = 0.344\)
6. 相对贴近度：
   • A: \(C = 0.416/(0.262+0.416)=0.614\)
   • B: \(C = 0.503/(0.167+0.503)=0.751\)
   • C: \(C = 0\)
   • D: \(C = 0.344/(0.272+0.344)=0.558\)

排序：B (0.751) > A (0.614) > D (0.558) > C (0)

常见问题

Q1: 熵权 TOPSIS 与单独使用熵权法或 TOPSIS 有何区别？

A: 单独使用熵权法只能得到指标权重，不能对方案排序；单独使用 TOPSIS 需要预先给定权重。熵权 TOPSIS 结合了两者的优点，既实现了客观赋权，又完成了方案排序。

Q2: 标准化方法如何选择？

A: 极差法（Min‑Max）简单直观，将数据压缩到 [0,1]；Z‑score 法适用于数据分布近似正态；比重法和向量归一化常用于需要保持比例关系的场景。建议根据数据特点选择，平台提供四种方法供用户尝试。

Q3: 三种权重使用方法有何区别？

A: - 方式一（标准化后加权）：权重直接影响加权矩阵，正负理想解也相应加权，这是最常用的方式。 - 方式二（距离中加权）：权重仅用于距离计算，正负理想解基于标准化值，此时加权矩阵实际上是原标准化矩阵。 - 方式三（两步均加权）：权重既用于矩阵加权，又用于距离加权，等效于方式一（因为距离中加权会重复权重）。实际应用中通常避免重复。

平台提供三种方式，用户可根据论文要求或习惯选择。

Q4: 如果某指标的熵值非常接近 1，权重会怎样？

A: 熵值越接近 1，说明数据差异越小，该指标提供的信息量越少，权重会趋近于 0。这是熵权法的特点，也是合理的。

Q5: 支持多工作表吗？

A: 支持。平台允许上传包含多个工作表的 Excel 文件，每个工作表对应不同的数据集（如不同年份、不同专家），系统会分别计算并输出各表的熵权 TOPSIS 结果。

平台功能

熵权 TOPSIS 分析平台提供以下核心功能：

数据输入

• 支持 CSV、Excel、TXT 多种格式。
• Excel 文件支持多工作表，自动识别工作表名称。
• 数据格式要求：第一行为指标名称，第一列为方案名称，数据区域为数值型。

参数设置

• 指标类型：为每个指标指定类型（极大型、极小型、中间型、区间型），并设置相应的参数（最优值、区间上下限）。
• 标准化方法：极差法、Z‑score、比重法、向量归一化。
• 权重使用方法：标准化后加权、距离计算中加权、两步均加权。
• 熵值小常数：用于处理零值的微小正数（默认 \(10^{-10}\)）。
• 小数位数：控制输出精度（默认 6 位）。
• 显示中间结果：可选是否展示正向化矩阵、标准化矩阵、比重矩阵、加权矩阵等中间步骤。

结果展示

• 详细分析报告：包含每个工作表的 TOPSIS 最终结果（距离、贴近度、排序）、熵权法权重、熵值、差异系数，以及正向化矩阵、标准化矩阵、比重矩阵、加权矩阵、正负理想解。
• 可视化图表：方案相对贴近度排名图、指标权重分布图。
• AI 智能分析：基于 DeepSeek API 自动解读结果，提供决策建议（每日限 3 次）。
• 多格式导出：支持 Excel 和 HTML 报告下载。

工作表管理

• 多工作表自动识别，支持批量分析。
• 实时显示每个工作表的验证状态。
• 支持对比不同工作表的排序结果和权重分布。

使用建议

1. 准备阶段：明确评价对象和指标体系，确定各指标的类型。若需要自定义权重，可先使用熵权法计算后再用于其他方法。

2. 数据收集：使用模板文件填写，每个工作表可代表不同的数据集。确保数据完整、无缺失。

3. 参数设置：

   • 正确设置每个指标的类型和参数。
   • 根据数据特点选择标准化方法（推荐极差法）。
   • 根据研究目的选择权重使用方法（推荐方式一）。

4. 结果解读：

   • 首先查看熵权法得到的权重，了解各指标的信息量大小。
   • 分析 TOPSIS 排序结果，确定最优方案。
   • 结合 AI 分析建议，综合决策。

5. 迭代优化：

   • 若结果与预期不符，可检查指标类型或数据。
   • 尝试不同的标准化方法，进行敏感性分析。

平台界面

官方地址：https://superr.online

熵权 TOPSIS 工具界面预览

平台界面包含：数据上传区、参数设置区、多工作表预览、分析结果展示和 AI 分析模块

---

参考文献：

1. Hwang, C.L., Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer‑Verlag.
2. 信息熵及其在综合评价中的应用[J]. 系统工程理论与实践，2002.
3. 基于熵权 TOPSIS 的供应商评价方法研究[J]. 控制与决策，2010.