跳至内容

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 mm 个方案、nn 个属性,决策矩阵为 D=(dij)m×nD = (d_{ij})_{m \times n}

标准化

消除不同属性间的量纲差异。常用向量标准化:

rij=diji=1mdij2 r_{ij} = \frac{d_{ij}}{\sqrt{\sum_{i=1}^{m} d_{ij}^2}}

加权标准化

将权重向量 w=(w1,,wn)w = (w_1, \dots, w_n) 乘以标准化矩阵:

vij=wjrij v_{ij} = w_j \cdot r_{ij}

确定正理想解和负理想解

A+=(v1+,,vn+),A=(v1,,vn) A^+ = (v_1^+, \dots, v_n^+), \quad A^- = (v_1^-, \dots, v_n^-)

对于效益型属性(越大越好):vj+=maxivijv_j^+ = \max_i v_{ij}vj=minivijv_j^- = \min_i v_{ij}

对于成本型属性(越小越好):vj+=minivijv_j^+ = \min_i v_{ij}vj=maxivijv_j^- = \max_i v_{ij}

计算距离

方案 AiA_i 与正理想解的 Euclidean 距离:

Di+=j=1n(vijvj+)2 D_i^+ = \sqrt{\sum_{j=1}^{n} (v_{ij} - v_j^+)^2}

与负理想解的距离 DiD_i^- 同理。

计算相对贴近度

Ci=DiDi++Di,Ci[0,1] C_i = \frac{D_i^-}{D_i^+ + D_i^-}, \quad C_i \in [0, 1]

CiC_i 越大,方案越优。当 Ci=1C_i = 1 时,方案恰好等于正理想解。

排序

CiC_i 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:

  1. 选择一种模糊集类型表达评价信息
  2. 用模糊距离公式计算方案与正/负理想解的距离
  3. 计算相对贴近度并排序
  4. 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。