TOPSIS多属性决策法：从原理到Python实战，量化选择最优方案

1. 项目概述：从“选哪个好”到“量化决策”

做项目、搞研究、甚至生活中选手机、挑学校，我们总会遇到一个经典难题：面对一堆各有优劣的选项，到底哪个才是“最好”的？比如，公司要采购一批服务器，A型号性能强但价格贵，B型号性价比高但售后一般，C型号品牌响但能耗大。光靠拍脑袋或者简单加权平均，总觉得不够客观，说服力也不强。这时候，你就需要一个系统化的多属性决策工具，而TOPSIS法，正是解决这类问题的“瑞士军刀”。

TOPSIS，全称Technique for Order Preference by Similarity to Ideal Solution，翻译过来叫“逼近理想解排序法”。这个名字听起来有点学术，但它的核心思想非常直观：在一堆备选方案里，找出那个“离最好的理想方案最近，同时离最差的理想方案最远”的那个。这里的“理想方案”和“负理想方案”是我们虚拟出来的两个极端点。理想方案在每个评价指标上都取最优值（比如成本最低、性能最高、评分最好），而负理想方案则在每个指标上都取最差值。TOPSIS通过计算每个真实方案与这两个虚拟极端的距离，来给所有方案排个座次，距离理想越近、距离负理想越远的方案，排名就越高。

这个方法在数学建模竞赛、工程技术评估、经济管理决策等领域应用极广。它不挑食，无论是成本型指标（越小越好）还是效益型指标（越大越好），都能统一处理；它客观，基于数据计算距离，减少了主观臆断；它结果清晰，最终给出一个0到1之间的相对贴近度，一眼就能看出优劣。接下来，我们就把它从理论公式拆解成一步步可实操的“流水线”，让你不仅能看懂，更能亲手用起来。

2. 核心原理与数学模型拆解

TOPSIS的整个流程，可以看作一个数据“标准化 -> 加权 -> 测距 -> 排序”的加工厂。理解每一步背后的数学意义，是灵活运用和排查问题的关键。

2.1 构建原始决策矩阵

这是所有分析的起点。假设我们有m个待评价的方案（比如5款手机），n个评价指标（比如价格、续航、摄像头分数、内存）。我们就可以构建一个m行×n列的矩阵，记作X。

[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1n} \ x_{21} & x_{22} & \cdots & x_{2n} \ \vdots & \vdots & \ddots & \vdots \ x_{m1} & x_{m2} & \cdots & x_{mn} \end{bmatrix} ]

其中，( x_{ij} ) 表示第i个方案在第j个指标上的原始数值。这里第一个坑就来了：量纲不统一。价格是几千元，续航是几十小时，摄像头评分是百分制，直接比较就是“关公战秦琼”。所以，我们必须进行下一步：标准化。

2.2 指标标准化处理

标准化的目的是消除量纲影响，让所有指标站在同一起跑线上。TOPSIS最常用的是向量归一化法。它对原始矩阵X的每一列（即每一个指标）进行操作。

对于第j列指标，计算其归一化值 ( z_{ij} ) 的公式为：

[ z_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{m} x_{ij}^2}} ]

这个公式做了两件事：

1. 分母：计算该指标所有方案原始值的平方和的平方根。这相当于该指标向量的“长度”。
2. 分子：每个原始值除以这个“长度”。结果就是，新的指标值 ( z_{ij} ) 被“压缩”到一定的范围内，且所有方案在该指标上的归一化值的平方和为1。

经过这一步，我们得到了标准化决策矩阵Z。

注意：这里容易混淆“标准化”和“归一化”。在TOPSIS语境下，我们常说的“归一化”就是指这种向量归一化。它不同于(x-min)/(max-min)那种映射到[0,1]区间的方法。向量归一化能保留各方案指标值之间的相对差异关系。

2.3 确定指标权重

标准化后，所有指标“平等”了，但它们的“重要性”可能不同。比如买手机，摄像头分数可能比收音机功能重要得多。这就需要赋予每个指标一个权重 ( w_j )，且满足 ( \sum_{j=1}^{n} w_j = 1 )。

权重的确定是TOPSIS中最具主观性但也最关键的环节之一。常见方法有：

• 主观赋权法：如德尔菲法、层次分析法(AHP)。依赖专家经验，适用于指标重要性差异明显且能达成共识的场景。
• 客观赋权法：如熵权法。完全基于数据本身的离散程度来计算权重。某个指标的数据差异越大（即信息熵越小），说明该指标在区分各方案时作用越大，赋予的权重就越高。熵权TOPSIS正是将熵权法与TOPSIS结合，能有效减少主观性，在学术论文和建模竞赛中非常受欢迎。
• 组合赋权法：主客观结合，力求更平衡。

确定权重向量 ( W = [w_1, w_2, ..., w_n] ) 后，将其作用到标准化矩阵Z上，得到加权标准化矩阵V： [ v_{ij} = w_j \times z_{ij} ] 矩阵V就是我们进行理想解计算的基准。

2.4 确定理想解与负理想解

这是TOPSIS思想的精髓所在。我们需要从加权标准化矩阵V中，虚拟出两个“极端”方案。

• 理想解（正理想解）( A^+ ): 由每个指标在V中的最优值构成。对于效益型指标（越大越好），取该列最大值；对于成本型指标（越小越好），取该列最小值。 [ A^+ = { v_1^+, v_2^+, ..., v_n^+ } = { (\max v_{ij} | j \in J_1), (\min v_{ij} | j \in J_2) } ] 其中 ( J_1 ) 是效益型指标集，( J_2 ) 是成本型指标集。

• 负理想解（劣理想解）( A^- ): 由每个指标在V中的最劣值构成。对于效益型指标，取该列最小值；对于成本型指标，取该列最大值。 [ A^- = { v_1^-, v_2^-, ..., v_n^- } = { (\min v_{ij} | j \in J_1), (\max v_{ij} | j \in J_2) } ]

这里有个关键点：理想解和负理想解是虚拟的，现实中可能没有任何一个方案能达到这两个点。它们只是为我们衡量所有真实方案提供了一个绝对的“标尺”。

2.5 计算距离与相对贴近度

现在，我们来衡量每个真实方案（矩阵V的每一行）与这两个“标尺”的远近。距离通常采用欧氏距离。

• **方案 ( i ) 到理想解 ( A^+ ) 的距离 ( D_i^+ ) **: [ D_i^+ = \sqrt{\sum_{j=1}^{n} (v_{ij} - v_j^+)^2} ] 这个距离越小，说明该方案越接近“完美”。

• **方案 ( i ) 到负理想解 ( A^- ) 的距离 ( D_i^- ) **: [ D_i^- = \sqrt{\sum_{j=1}^{n} (v_{ij} - v_j^-)^2} ] 这个距离越大，说明该方案离“最差”越远。

最后，计算每个方案的相对贴近度 ( C_i )： [ C_i = \frac{D_i^-}{D_i^+ + D_i^-} ]

这是理解TOPSIS结果的核心公式：

• ( C_i ) 的取值范围在 [0, 1] 之间。
• 当 ( D_i^- = 0 )（即方案就是负理想解本身）时，( C_i = 0 )。
• 当 ( D_i^+ = 0 )（即方案就是理想解本身）时，( C_i = 1 )。
• 因此，( C_i ) 越大，表示该方案越接近理想解，同时越远离负理想解，排名就应该越靠前。

2.6 方案排序

根据计算出的相对贴近度 ( C_i ) 从大到小对方案进行排序。( C_i ) 值最大的方案，就是综合最优方案。

3. 完整实操流程与案例解析

理论讲完了，我们用一个具体的例子，手把手走一遍TOPSIS的全流程。假设我们要为一个小团队选购一款办公笔记本，初步筛选出4款机型（方案），从4个维度（指标）评价。

3.1 案例背景与数据准备

评价指标：

1. 价格（元）：成本型指标，越小越好。
2. CPU性能跑分：效益型指标，越大越好。
3. 续航（小时）：效益型指标，越大越好。
4. 重量（kg）：成本型指标，越小越好。

原始数据矩阵X：

用矩阵表示： [ X = \begin{bmatrix} 5500 & 8500 & 8 & 1.5 \ 6200 & 9200 & 6 & 1.8 \ 4800 & 7800 & 10 & 1.5 \ 7100 & 9500 & 5 & 1.2 \end{bmatrix} ]

3.2 逐步计算过程

第一步：指标标准化（向量归一化）

以“价格”这一列为例：

1. 计算平方和：( 5500^2 + 6200^2 + 4800^2 + 7100^2 = 30,250,000 + 38,440,000 + 23,040,000 + 50,410,000 = 142,140,000 )
2. 计算平方根：( \sqrt{142,140,000} \approx 11922.25 )
3. 归一化每个值：
   • A: ( 5500 / 11922.25 \approx 0.4613 )
   • B: ( 6200 / 11922.25 \approx 0.5200 )
   • C: ( 4800 / 11922.25 \approx 0.4026 )
   • D: ( 7100 / 11922.25 \approx 0.5956 )

同理，计算其他列，得到标准化矩阵Z（保留四位小数）：

[ Z = \begin{bmatrix} 0.4613 & 0.4504 & 0.5121 & 0.5025 \ 0.5200 & 0.4873 & 0.3841 & 0.4355 \ 0.4026 & 0.4132 & 0.6401 & 0.5025 \ 0.5956 & 0.5032 & 0.3201 & 0.4020 \end{bmatrix} ]

第二步：确定指标权重

这里我们采用主观赋权法，根据团队需求设定权重。假设团队最看重性价比和便携性，给出权重：价格(0.3)， CPU性能(0.3)， 续航(0.2)， 重量(0.2)。验证：0.3+0.3+0.2+0.2=1。 权重向量 ( W = [0.3, 0.3, 0.2, 0.2] )。

第三步：构造加权标准化矩阵V

将Z的每一列乘以对应权重。 例如，第一列（价格）每个元素乘以0.3： A: 0.4613 * 0.3 = 0.1384 B: 0.5200 * 0.3 = 0.1560 C: 0.4026 * 0.3 = 0.1208 D: 0.5956 * 0.3 = 0.1787

得到加权矩阵V：

[ V = \begin{bmatrix} 0.1384 & 0.1351 & 0.1024 & 0.1005 \ 0.1560 & 0.1462 & 0.0768 & 0.0871 \ 0.1208 & 0.1240 & 0.1280 & 0.1005 \ 0.1787 & 0.1510 & 0.0640 & 0.0804 \end{bmatrix} ]

第四步：确定理想解 ( A^+ ) 与负理想解 ( A^- )

识别指标类型：价格（成本型）、CPU（效益型）、续航（效益型）、重量（成本型）。

• 理想解 ( A^+ ): 取成本型指标最小值，效益型指标最大值。

  • 价格列最小值：0.1208 (C)
  • CPU列最大值：0.1510 (D)
  • 续航列最大值：0.1280 (C)
  • 重量列最小值：0.0804 (D)
  • 所以，( A^+ = [0.1208, 0.1510, 0.1280, 0.0804] )

• 负理想解 ( A^- ): 取成本型指标最大值，效益型指标最小值。

  • 价格列最大值：0.1787 (D)
  • CPU列最小值：0.1240 (C)
  • 续航列最小值：0.0640 (D)
  • 重量列最大值：0.1005 (A和C)
  • 所以，( A^- = [0.1787, 0.1240, 0.0640, 0.1005] )

第五步：计算各方案到理想解/负理想解的距离

以方案A为例：

• 到 ( A^+ ) 的距离 ( D_A^+ )： ( \sqrt{(0.1384-0.1208)^2 + (0.1351-0.1510)^2 + (0.1024-0.1280)^2 + (0.1005-0.0804)^2} ) ( = \sqrt{(0.0176)^2 + (-0.0159)^2 + (-0.0256)^2 + (0.0201)^2} ) ( = \sqrt{0.000310 + 0.000253 + 0.000655 + 0.000404} ) ( = \sqrt{0.001622} \approx 0.0403 )

• 到 ( A^- ) 的距离 ( D_A^- )： ( \sqrt{(0.1384-0.1787)^2 + (0.1351-0.1240)^2 + (0.1024-0.0640)^2 + (0.1005-0.1005)^2} ) ( = \sqrt{(-0.0403)^2 + (0.0111)^2 + (0.0384)^2 + (0)^2} ) ( = \sqrt{0.001624 + 0.000123 + 0.001475 + 0} ) ( = \sqrt{0.003222} \approx 0.0568 )

同理，计算所有方案：

第六步：计算相对贴近度 ( C_i ) 并排序

• 方案A: ( C_A = 0.0568 / (0.0403 + 0.0568) \approx 0.585 )
• 方案B: ( C_B = 0.0357 / (0.0619 + 0.0357) \approx 0.366 )
• 方案C: ( C_C = 0.0649 / (0.0270 + 0.0649) \approx 0.706 )
• 方案D: ( C_D = 0.0270 / (0.0649 + 0.0270) \approx 0.294 )

最终排序（按 ( C_i ) 降序）：

1. 方案C (( C \approx 0.706 ))- 最优选择
2. 方案A (( C \approx 0.585 ))
3. 方案B (( C \approx 0.366 ))
4. 方案D (( C \approx 0.294 ))

3.3 结果解读与决策分析

根据TOPSIS分析，笔记本C是综合最优选择。我们来解读一下：

• C的优势：价格最低（4800元），续航最长（10小时），这两项在加权后对其贴近度贡献极大。虽然它的CPU性能是四款中最弱的（7800分），重量也不是最轻（1.5kg），但在这个权重设定下（价格和续航权重共0.5），其极高的性价比和续航能力弥补了性能上的不足。
• A的表现：位居第二，各项指标均衡，没有明显短板。
• B和D的劣势：B价格偏高且续航短；D虽然性能最强、重量最轻，但价格过高且续航太差，在给定的权重下劣势明显。

这个案例清晰地展示了TOPSIS如何将多维度的、量纲不同的数据，综合成一个可比较的单一分数，从而辅助决策。决策者可以根据这个排序结果，再结合实际情况（如品牌偏好、售后等定性因素）做最终裁定。

4. 熵权法：让数据自己“说话”确定权重

在上面的案例中，我们主观赋予了权重。但在很多场景下，比如处理大量客观数据、缺乏先验经验，或者希望完全排除主观干扰时，熵权法就是一种非常有效的客观赋权方法。它与TOPSIS的结合（熵权TOPSIS）在学术研究中极为常见。

4.1 熵权法原理简述

“熵”源于热力学，在信息论中代表信息的混乱程度或不确定性。信息熵越大，说明信息的无序程度越高，其提供有效信息的能力就越低，在评价中应赋予较小的权重；反之，信息熵越小，说明该指标数据的差异越大，提供的信息量越多，对方案区分度的贡献越大，应赋予较大的权重。

4.2 熵权法计算步骤（接续标准化矩阵Z）

假设我们已经有了标准化矩阵Z（来自3.2节第一步）。

步骤1：计算第j项指标下，第i个方案的贡献度 ( p_{ij} )[ p_{ij} = \frac{z_{ij}}{\sum_{i=1}^{m} z_{ij}}, \quad (i=1,...,m; j=1,...,n) ] 这实际上是将标准化后的值转化为比重。确保 ( \sum_{i=1}^{m} p_{ij} = 1 )。

步骤2：计算第j项指标的熵值 ( e_j )[ e_j = -k \sum_{i=1}^{m} p_{ij} \ln(p_{ij}) ] 其中，( k = 1/\ln(m) > 0 )，用于保证 ( 0 \le e_j \le 1 )。当某个 ( p_{ij} = 0 ) 时，规定 ( p_{ij} \ln(p_{ij}) = 0 )。

步骤3：计算第j项指标的差异系数 ( g_j )[ g_j = 1 - e_j ] 熵值 ( e_j ) 越小，差异系数 ( g_j ) 越大，说明该指标越重要。

步骤4：计算权重 ( w_j )[ w_j = \frac{g_j}{\sum_{j=1}^{n} g_j} ] 最终得到的就是基于数据本身客观计算出的权重向量。

实操心得：熵权法完全依赖数据分布。如果某个指标在所有方案上的数值几乎一样（差异极小），其熵值会接近1，差异系数接近0，权重就会非常小。这符合逻辑，因为一个无法区分方案的指标，自然不应该在决策中占重要地位。但这也带来一个风险：如果数据收集不全或不准，可能导致权重失真。因此，在实际应用中，常将熵权法得出的客观权重与专家给出的主观权重相结合（例如加权平均），形成组合权重，效果往往更稳健。

5. 编程实现与工具推荐

手动计算只适用于教学和小样本。实际应用中，我们肯定要借助工具。这里提供两种最主流的实现路径。

5.1 利用Excel实现

对于数据量不大、追求直观可视化的场景，Excel完全可以胜任。

1. 数据录入：将原始矩阵录入Excel。
2. 标准化：利用SUMSQ函数计算每列平方和，再用SQRT开方，最后每个单元格除以该列的开方结果。可以使用公式拖动快速完成。
3. 权重输入：在单独区域输入主观权重或通过其他方法计算出的权重。
4. 加权：标准化后的单元格乘以对应权重。
5. 找极值：用MAX和MIN函数找出加权后每列的最大最小值，确定理想解和负理想解。
6. 计算距离：利用SUMPRODUCT配合数组计算（如(B2-$B$10)^2）求平方差之和，再用SQRT开方。需要分别计算到理想解和负理想解的距离。
7. 计算贴近度与排序：用公式计算 ( C_i )，再用RANK函数排序。

优点：过程透明，每一步都可追溯，适合学习和汇报展示。缺点：步骤繁琐，容易出错，数据量大时效率低。

5.2 利用Python实现（推荐）

对于数据分析、建模竞赛或批量处理，编程是唯一选择。Python的numpy和pandas库让TOPSIS的实现变得异常简洁。

import numpy as np import pandas as pd def topsis(data, weights, impacts): """ TOPSIS 算法实现 :param data: 原始数据矩阵，二维numpy数组或DataFrame，每行一个方案，每列一个指标 :param weights: 权重数组，一维，长度等于指标数 :param impacts: 影响方向数组，一维，'+'表示效益型，'-'表示成本型 :return: 包含相对贴近度和排名的DataFrame """ # 1. 向量归一化 norm_data = data / np.sqrt((data**2).sum(axis=0)) # 2. 加权标准化 weighted_norm = norm_data * weights # 3. 确定理想解和负理想解 ideal_best = [] ideal_worst = [] for i, impact in enumerate(impacts): col = weighted_norm[:, i] if impact == '+': ideal_best.append(col.max()) ideal_worst.append(col.min()) else: # '-' ideal_best.append(col.min()) ideal_worst.append(col.max()) ideal_best = np.array(ideal_best) ideal_worst = np.array(ideal_worst) # 4. 计算距离 dist_best = np.sqrt(((weighted_norm - ideal_best) ** 2).sum(axis=1)) dist_worst = np.sqrt(((weighted_norm - ideal_worst) ** 2).sum(axis=1)) # 5. 计算相对贴近度 closeness = dist_worst / (dist_best + dist_worst) # 6. 排序 rank = closeness.argsort()[::-1] + 1 # 降序排列，排名从1开始 result_df = pd.DataFrame({ '方案': [f'方案{i+1}' for i in range(data.shape[0])], '相对贴近度': closeness, '排名': rank }) return result_df.sort_values('排名') # 使用示例 (接3.1节案例数据) data = np.array([ [5500, 8500, 8, 1.5], [6200, 9200, 6, 1.8], [4800, 7800, 10, 1.5], [7100, 9500, 5, 1.2] ]) weights = np.array([0.3, 0.3, 0.2, 0.2]) impacts = ['-', '+', '+', '-'] # 价格成本型，CPU效益型，续航效益型，重量成本型 result = topsis(data, weights, impacts) print(result)

这段代码定义了一个通用的topsis函数，你只需要输入原始数据矩阵、权重数组和每个指标的类型（效益型‘+’或成本型‘-’），它就能直接输出每个方案的相对贴近度和排名。将熵权法计算权重的步骤集成进去，就可以实现完整的熵权TOPSIS模型。

6. 常见陷阱、问题排查与进阶技巧

TOPSIS看似步骤固定，但在实际应用中，稍不注意就会掉进坑里。下面是我在多次使用中总结出的“避坑指南”。

6.1 指标类型与方向一致性检查

问题：这是最常见的错误。忘记区分成本型和效益型指标，或者定义错误，会导致理想解和负理想解完全颠倒，排名结果与常识相反。排查：在计算理想解前，务必反复核对impacts数组。一个简单的检查方法是：对于一个你明确知道应该排在前列的优秀方案，看看它在成本型指标上是否数值较小，在效益型指标上是否数值较大。

6.2 数据标准化方法的选择

问题：我们使用的是向量归一化，但有些人会用极差标准化（Min-Max Normalization）。这两种方法有区别。对比：

• 向量归一化：( z_{ij} = x_{ij} / \sqrt{\sum x_{ij}^2} )。保留了方案间相对比例关系，但标准化后的值没有固定范围（通常在0-1之间，但可能大于1）。
• 极差标准化：对于效益型 ( z_{ij} = (x_{ij} - \min x_j) / (\max x_j - \min x_j) )，对于成本型 ( z_{ij} = (\max x_j - x_{ij}) / (\max x_j - \min x_j) )。结果严格在[0,1]内，且最差为0，最优为1。建议：TOPSIS原始论文推荐向量归一化，因为它基于欧氏距离，与向量归一化的几何意义更契合。除非有特殊要求，否则建议坚持使用向量归一化。

6.3 权重和结果的敏感性分析

问题：权重轻微变动导致排名剧烈变化，这说明决策不稳定，结果不可靠。解决方法：进行敏感性分析。在给定权重附近进行微调（例如，将最重要的权重±0.05），重新运行TOPSIS，观察排名是否变化。如果排名对权重变化非常敏感，那么你需要：

1. 重新审视权重设定的合理性，可能需要更严谨的方法（如AHP）来确定权重。
2. 在报告结论时，必须说明这种敏感性，决策需谨慎。
3. 考虑是否存在高度相关的指标？如果两个指标反映的信息几乎相同（如“员工数”和“工资总额”），它们会无形中放大该方面的影响力，应考虑删除或合并。

6.4 如何处理定性指标

问题：评价指标中不仅有价格、性能等定量数据，还有“外观设计”、“售后服务”等定性指标。解决方法：将定性指标量化。常用方法有：

• 等级评分法：请专家或用户按1-5分或1-10分打分。
• 语义差异量表：将“很差、较差、一般、较好、很好”分别对应为1, 2, 3, 4, 5分。
• 模糊数学法：使用三角模糊数等处理不确定性，但这属于更高级的模糊TOPSIS范畴。 量化后，即可将其视为普通定量指标参与计算。

6.5 结果解读的局限性

TOPSIS给出的是一个相对优劣排序，而不是绝对评分。贴近度0.7的方案不一定比0.6的方案好“10%”，它只表示在本次评价体系下，前者比后者更接近理想解。不要过度解读贴近度的具体数值差异，重点关注排序。

一个进阶技巧：可视化分析除了给出排名，可以绘制雷达图或条形图来直观展示每个方案在各个指标上的表现（使用加权标准化后的值v_{ij}）。这能帮助决策者理解为什么方案A排名高（可能是所有指标均衡），而方案B排名低（可能是有某项指标存在致命短板）。这种“为什么”的解释，往往比单纯的排名更有价值。

TOPSIS是一个强大而直观的工具，它的价值在于将复杂的多属性决策问题结构化、量化。掌握其核心原理、熟练运用计算工具、并深刻理解其应用前提和局限性，你就能在面临“选择困难症”时，多一份数据驱动的底气和清晰理性的判断。