跳到主要内容

TOPSIS

一、直观理解：离理想最优尽量近，离最劣尽量远​

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）先在无量纲加权空间里构造：

  • 正理想解：各指标都达到样本中最好；
  • 负理想解：各指标都最差。

每个方案算到正、负理想的距离，贴近度

Ci=Di−Di++Di−C_i=\frac{D_i^-}{D_i^++D_i^-}

越大越好：又靠近“完美”，又远离“糟糕”。

像选手机：列出理想配置与最差配置，看每款在综合坐标里的相对位置。

二、适用场景与优缺点​

类型说明
适用场景多指标排序；权重已得；数值型指标；需要直观几何解释。
核心优点原理清晰；计算简单；结果 Ci∈(0,1)C_i\in(0,1) 好展示；与各种赋权兼容。
局限与缺点理想点依赖样本；指标相关时欧氏距离重复计量；权重敏感；不处理不确定性语言评价（需模糊 TOPSIS 扩展）。

三、核心原理​

  1. 决策矩阵 XX，正向化；
  2. 标准化，常用向量归一：
zij=xij∑ixij2z_{ij}=\frac{x_{ij}}{\sqrt{\sum_i x_{ij}^2}}
  1. 加权 vij=wjzijv_{ij}=w_j z_{ij}；
  2. v+=(max⁡ivij)jv^+=(\max_i v_{ij})_j，v−=(min⁡ivij)jv^-=(\min_i v_{ij})_j（已正向）；
  3. Di+=∥vi−v+∥2D_i^+=\|v_i-v^+\|_2，Di−=∥vi−v−∥2D_i^-=\|v_i-v^-\|_2；
  4. Ci=Di−/(Di++Di−)C_i=D_i^-/(D_i^++D_i^-)，按 CiC_i 降序。

四、关键决策​

决策点建议
标准化向量归一或极差法，全文一致
权重AHP/熵权/组合，做灵敏度
距离默认欧氏；可试曼哈顿作对照
对象增减可能改变理想点与名次（序逆转）
报告CiC_i、D+、D−D^+、D^-、权重

五、MATLAB 示例​

X = [
    0.8 0.7 0.9;
    0.6 0.9 0.7;
    0.9 0.6 0.8;
    0.7 0.8 0.6
];
w = [0.4 0.3 0.3];  % 权重

% 向量标准化
den = sqrt(sum(X.^2, 1));
Z = X ./ den;
V = Z .* w;

vPos = max(V, [], 1);
vNeg = min(V, [], 1);

Dpos = sqrt(sum((V - vPos).^2, 2));
Dneg = sqrt(sum((V - vNeg).^2, 2));
C = Dneg ./ (Dpos + Dneg);

T = table((1:size(X,1))', Dpos, Dneg, C, ...
    "VariableNames", {"方案","D+","D-","贴近度"});
T = sortrows(T, "贴近度", "descend");
disp(T);

% 权重灵敏度：扰动 w
fprintf("原最优方案：%d\n", T.方案(1));

六、如何解释结果​

  1. 正负理想解的业务含义；
  2. 领先方案是更靠近最优还是更远离最劣；
  3. D+D^+ 大但 CC 仍高的情况；
  4. 权重变动名次是否稳；
  5. 与加权和法对照。

七、常见误区​

1. 极小型指标未转换​

理想解会取错方向。

2. 标准化后再错误地“再加权两次”​

流程只加权一次。

3. 把 CiC_i 当绝对满意度​

它是样本内相对贴近度。

4. 忽略序逆转​

增删方案要重算并说明。

5. 权重拍脑袋却精细解释小数点后三位​

本末倒置。

附：建模论文中的写法要点​

  1. 问题对应：用一两句话说明为何该方法匹配题目数据结构与目标（分类/分群/排序/效率）。
  2. 符号与步骤：按“输入 → 预处理 → 核心计算 → 输出指标”列出编号步骤，公式与代码变量名一致。
  3. 参数表：列出全部可调参数、取值、选取依据（CV、信息准则、业务约束或灵敏度）。
  4. 结果呈现：主结果用表格；辅以 1–2 张图（边界、树状图、得分条形图、效率分解等）。
  5. 稳健性：至少做一种扰动——删点、换权重、换距离、换初值或换阈值，观察结论是否保持。
  6. 局限：主动写明假设（球状簇、线性可分、CRS、完全补偿等）及适用边界，避免被质询时被动。

若主方法结论与合理基线（如 K-means 对 GMM、加权和对 TOPSIS、CCR 对 BCC）严重冲突，应回到数据质量与指标方向检查，而不是只报告“更好看”的一种结果。

附：计算检查清单​

在提交结果前，建议按下列清单快速自检：

  1. 输入矩阵：行/列含义是否与正文一致，有无缺失、重复行、单位混用。
  2. 方向与尺度：极小型是否已正向化；聚类/距离类是否已标准化；评价类权重是否归一。
  3. 参数来源：所有阈值、簇数、核宽、理想解定义能否在正文找到依据。
  4. 数值稳定：协方差/相关是否接近奇异；DEA 线性规划是否全部求解成功；对数/除零是否加保护。
  5. 随机性：涉及随机初值的算法是否固定种子并报告多次结果的稳定性。
  6. 验证协议：分类任务是否严格隔离测试集；重采样/SMOTE 是否仅用于训练折。
  7. 图表编号：主结论表与图在正文中被引用，而不是只放附录。
  8. 可复现：给出软件版本（如 MATLAB R20xx）与关键函数名，使读者能重跑最小示例。

不满足清单中任一项时，优先修正流程，再讨论“方法先进性”。对综合评价题，额外检查：更换一种合理权重后，前三名是否大体稳定；若剧烈跳动，应降低对精细名次的措辞强度。

八、小结​

TOPSIS 用到正负理想解的相对距离构造贴近度排序，是多指标评价中最常用的几何方法。

赋权、正向化、标准化三步做对，再配合灵敏度，就能形成扎实的论文主模型。