TOPSIS
TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) 由 Hwang & Yoon (1981) 提出,是应用最广泛的多属性决策方法之一。其核心思想非常直观:好的方案应该离"最好的可能"最近,离"最坏的可能"最远。
核心思想
TOPSIS 定义两个虚拟的参考方案:
- 正理想解 (PIS):每个属性上都取最优值的虚拟方案
- 负理想解 (NIS):每个属性上都取最差值的虚拟方案
然后计算每个方案到 PIS 和 NIS 的距离,通过相对贴近度进行排序。距离 PIS 越近且距离 NIS 越远的方案越优。
算法步骤
构建决策矩阵
设有 个方案、 个属性,决策矩阵为 。
标准化
消除不同属性间的量纲差异。常用向量标准化:
加权标准化
将权重向量 乘以标准化矩阵:
确定正理想解和负理想解
对于效益型属性(越大越好):,
对于成本型属性(越小越好):,
计算距离
方案 与正理想解的 Euclidean 距离:
与负理想解的距离 同理。
计算相对贴近度
越大,方案越优。当 时,方案恰好等于正理想解。
排序
按 从大到小排列,得到方案的最终排序。
优缺点
| 优点 | 缺点 |
|---|---|
| 逻辑直观、易于理解 | 对属性权重敏感 |
| 计算简单、适用性广 | 假设属性间线性独立 |
| 可处理多种数据类型 | 标准化方法的选择影响结果 |
| 在学术界和工业界广泛接受 | 无法处理属性间的非补偿关系 |
模糊 TOPSIS
将评价信息从精确数值替换为模糊数(如直觉模糊数、q 阶序对模糊数),是 TOPSIS 在模糊环境下的自然扩展。典型的"模糊 TOPSIS"论文流程为:
- 选择一种模糊集类型表达评价信息
- 用模糊距离公式计算方案与正/负理想解的距离
- 计算相对贴近度并排序
- 用敏感性分析和方法对比验证结果
“直觉模糊 TOPSIS"“q 阶序对模糊 TOPSIS"等是实验室高频出现的论文类型。
与其他方法的关系
TOPSIS 属于"距离型"方法——核心操作是计算距离。VIKOR 也考虑理想解,但侧重妥协解。PROMETHEE 基于成对比较而非理想解距离。理解 TOPSIS 之后,学习其他方法的门槛会大大降低。