TOPSIS逼近理想解排序法

方法概述

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）逼近理想解排序法是由 Hwang 和 Yoon 于 1981 年提出的一种多准则决策方法。它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。该方法的核心思想是：最优方案应距离正理想解最近，同时距离负理想解最远。

TOPSIS 的主要特点：

原理简单，计算过程清晰。
能够充分利用原始数据信息，结果直观。
可结合指标权重（主观或客观）进行评价。
支持多种指标类型（极大型、极小型、中间型、区间型）。

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

3. 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：

（1）极差法（Min‑Max）

\[ z_{ij} = \frac{x'_{ij} - \min(x'_j)}{\max(x'_j) - \min(x'_j)} \]

（2）Z‑score 法

\[ z_{ij} = \frac{x'_{ij} - \mu_j}{\sigma_j} \] （可线性变换到 [0.001,1] 区间）

（3）比重法

\[ z_{ij} = \frac{x'_{ij}}{\sum_{i=1}^{n} x'_{ij}} \]

（4）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 \(Z = (z_{ij})_{n \times m}\)。

4. 构建加权标准化矩阵

根据指标权重 \(w_j\)（满足 \(w_j \ge 0, \sum w_j = 1\)），有多种权重使用方式：

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，此时加权标准化矩阵仍为 \(z_{ij}\)，但在计算距离时使用 \(w_j\) 加权。
方式三：两步均加权，即同时采用方式一和方式二（等效于加权标准化矩阵后，距离计算中不再重复加权）。

平台提供三种权重使用方法供用户选择。

5. 确定正理想解和负理想解

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

\[ Z^+ = (Z_1^+, Z_2^+, \ldots, Z_m^+), \quad Z_j^+ = \max_i v_{ij} \] \[ Z^- = (Z_1^-, Z_2^-, \ldots, Z_m^-), \quad Z_j^- = \min_i v_{ij} \]

6. 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 \(D_i^-\)：

\[ D_i^+ = \sqrt{\sum_{j=1}^{m} (Z_j^+ - v_{ij})^2}, \quad D_i^- = \sqrt{\sum_{j=1}^{m} (Z_j^- - v_{ij})^2} \]

若选择在距离计算中加权，则公式为：

\[ D_i^+ = \sqrt{\sum_{j=1}^{m} w_j (Z_j^+ - v_{ij})^2}, \quad D_i^- = \sqrt{\sum_{j=1}^{m} w_j (Z_j^- - v_{ij})^2} \]

7. 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）。假设指标权重分别为 \(w = (0.3, 0.4, 0.3)\)。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）

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(正向) | 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 |
标准化（极差法）：
- 产品质量：\(\max=90,\min=75\)，\(z = (x-75)/15\)
  - A: (85-75)/15=0.6667
  - B: 1.0000
  - C: 0.0000
  - D: 0.3333
- 价格（正向）：\(\max=30,\min=0\)，\(z = x/30\)
  - A: 10/30=0.3333
  - B: 1.0000
  - C: 0.0000
  - D: 20/30=0.6667
- 交货准时率：\(\max=0.95,\min=0.85\)，\(z = (x-0.85)/0.1\)
  - A: 1.0000
  - B: 0.5000
  - C: 0.0000
  - D: 0.7000
标准化矩阵 \(Z\)： \[ Z = \begin{bmatrix} 0.6667 & 0.3333 & 1.0000 \\ 1.0000 & 1.0000 & 0.5000 \\ 0.0000 & 0.0000 & 0.0000 \\ 0.3333 & 0.6667 & 0.7000 \end{bmatrix} \]
加权标准化矩阵（方式一）：权重 \(w = (0.3, 0.4, 0.3)\)，得： \[ V = \begin{bmatrix} 0.6667\times0.3 & 0.3333\times0.4 & 1.0000\times0.3 \\ 1.0000\times0.3 & 1.0000\times0.4 & 0.5000\times0.3 \\ 0.0000\times0.3 & 0.0000\times0.4 & 0.0000\times0.3 \\ 0.3333\times0.3 & 0.6667\times0.4 & 0.7000\times0.3 \end{bmatrix} = \begin{bmatrix} 0.2000 & 0.1333 & 0.3000 \\ 0.3000 & 0.4000 & 0.1500 \\ 0.0000 & 0.0000 & 0.0000 \\ 0.1000 & 0.2667 & 0.2100 \end{bmatrix} \]
正负理想解：
- 正理想解 \(Z^+ = (0.3000, 0.4000, 0.3000)\)
- 负理想解 \(Z^- = (0.0000, 0.0000, 0.0000)\)
欧氏距离： \[ D_A^+ = \sqrt{(0.2000-0.3000)^2 + (0.1333-0.4000)^2 + (0.3000-0.3000)^2} = \sqrt{0.01 + 0.0711 + 0} = 0.285 \] \[ D_A^- = \sqrt{(0.2000-0)^2 + (0.1333-0)^2 + (0.3000-0)^2} = \sqrt{0.04 + 0.0178 + 0.09} = 0.384 \] 同理得其他方案：
- B: \(D^+=0.180,\ D^-=0.528\)
- C: \(D^+=0.510,\ D^-=0.000\)
- D: \(D^+=0.280,\ D^-=0.360\)
相对贴近度： \[ C_A = 0.384/(0.285+0.384)=0.574,\quad C_B = 0.528/(0.180+0.528)=0.746 \] \[ C_C = 0/(0.510+0)=0,\quad C_D = 0.360/(0.280+0.360)=0.563 \]

排序：B (0.746) > A (0.574) > D (0.563) > C (0)

常见问题

Q1: 为什么要进行正向化？

A: TOPSIS 要求所有指标方向一致（均为极大型），否则无法正确比较正负理想解。正向化将不同类型指标统一为极大型，确保距离计算有意义。

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。

Q3: 三种权重使用方法有何区别？

A: - 方式一（标准化后加权）：权重直接影响加权标准化矩阵，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，正负理想解仍基于标准化值，此时加权标准化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: 相对贴近度能直接用于比较吗？

A: 可以。\(C_i\) 越大，方案越优。但当多个方案的 \(C_i\) 接近时，应结合距离值综合判断。

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，每个工作表可对应不同的数据集（如不同年份、不同专家），系统会分别计算并输出各表的 TOPSIS 结果。

平台功能

TOPSIS 逼近理想解排序法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）。
权重设置：可手动输入每个指标的权重，或点击“设为等权重”按钮自动等分。
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。
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、加权矩阵、正负理想解等中间步骤。

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、相对贴近度、排序）、原始数据、正向化矩阵、标准化矩阵、加权矩阵、正负理想解。
可视化图表：方案相对接近度排名图、正负理想解距离分布图。
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。

使用建议

准备阶段：明确评价对象和指标体系，确定各指标的类型。若需使用权重，提前确定权重值（可通过主观或客观赋权法获得）。
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（如不同年份、不同专家）。确保数据完整、无缺失。
参数设置：
- 正确设置每个指标的类型和参数。
- 输入或生成合理的权重（可先等权重试算）。
- 根据研究目的选择标准化方法和权重使用方式（推荐极差法和方式一）。
结果解读：
- 首先查看排序结果，确定最优方案。
- 分析距离值，了解方案优劣的内在原因（如离正理想解远但离负理想解近）。
- 对比不同工作表的排序，观察稳定性。
迭代优化：
- 若结果与预期不符，可检查指标类型或权重设置。
- 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

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：

Hwang, C.L., Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer‑Verlag.
多属性决策中的 TOPSIS 法研究综述[J]. 控制与决策，2010.
基于 TOPSIS 的供应商评价方法研究[J]. 系统工程理论与实践，2015.