TOPSIS多属性决策算法：从原理到Matlab实战实现

1. 项目概述：从“清风数学建模”到TOPSIS实战

如果你参加过数学建模竞赛，或者在工作中处理过需要从一堆方案里选出“最优解”的决策问题，那你大概率听说过“清风数学建模”这个名字。它不是一个官方机构，而是一位在数学建模圈子里非常有名的老师（或者说，是一个知识分享品牌）的代号。这位“清风”老师以其清晰、接地气的讲解风格，把很多看似高深的数学模型掰开揉碎了讲给学生们听，在备赛圈子里积累了极高的口碑。

而“TOPSIS-matable(清风数学建模)2019b”这个标题，在我看来，就是一段历史的浓缩。它很可能指向2019年“清风”老师围绕TOPSIS法制作的一份Matlab代码文件或教学案例（“2019b”可能指代Matlab的版本，也可能是案例编号）。TOPSIS，中文叫“逼近理想解排序法”，是一种非常经典的多属性决策方法。它的核心思想特别符合人的直觉：我要从一堆备选方案里挑最好的，那这个“最好”的方案，应该离我心中“完美”的方案最近，同时离那个“最差”的方案最远。

想象一下你要买手机，你会看价格、性能、拍照、续航等多个指标。你的“理想手机”可能是性能顶级、拍照无敌、续航超长还免费送的（当然这不存在），这就是“正理想解”；而“最差手机”可能是又贵、又卡、拍照糊、半天就没电的，这就是“负理想解”。TOPSIS做的就是帮你量化每个真实手机与这两个极端之间的距离，然后给出一个综合得分，告诉你哪个手机最接近“理想”，最远离“噩梦”。这个方法在供应商选择、投资评估、项目评审、甚至员工绩效考核里都用得着。

所以，这个项目标题背后，不仅仅是一个算法代码，更是一个连接理论学习和实战应用的桥梁。接下来，我就以一名多次使用TOPSIS解决实际问题的建模者的视角，带你彻底拆解这个方法，并分享如何用Matlab把它从公式变成可用的工具，过程中那些教程里不会细说的“坑”和技巧，才是真正的干货。

2. TOPSIS法的核心思想与数学骨架

TOPSIS的全称是Technique for Order Preference by Similarity to Ideal Solution，即“通过相似性于理想解的技术进行优先排序”。这个名字听起来复杂，但它的数学骨架非常优美且直接。我们不用被公式吓到，一步步来看它到底在干什么。

2.1 解决什么问题：多属性决策的困境

我们日常决策很少只看一个指标。领导让你从三个项目方案里选一个，你得综合考量成本、预期收益、实施周期和风险等级。这四个指标的单位、量级和好坏方向都不一样：成本越低越好（成本型），收益越高越好（效益型），周期越短越好（成本型），风险等级可能是一个1-5的评分，也是越低越好。

直接比较行不通。一个方案成本最低但收益也最低，另一个收益最高但风险爆表，怎么比？TOPSIS要解决的就是这种“苹果和橘子”放在一起比较的标准化和综合量化问题。它的目标不是告诉你绝对的好与坏，而是在给定的这批方案里，给出一个相对优劣的排序。

2.2 核心流程六步走

TOPSIS的标准流程可以精炼为六个步骤，这也是我们后续编写Matlab代码的逻辑框架：

1. 构建原始决策矩阵：把m个备选方案在n个评价指标下的数据，整理成一个m行×n列的矩阵。每一行是一个方案，每一列是一个指标。
2. 指标正向化：将所有指标统一为“效益型”指标，即数值越大越好。对于“成本型”等指标，需要进行数学变换。
3. 矩阵标准化：消除不同指标量纲（单位）和数量级的影响。这是关键一步，让“元”和“百分比”可以放在一起公平地加减乘除。
4. 确定加权标准化矩阵：考虑到不同指标的重要性不同，为每个指标赋予权重，得到加权后的决策矩阵。
5. 计算理想解与负理想解：找出加权矩阵中每个指标的“最优值”构成正理想解，每个指标的“最劣值”构成负理想解。
6. 计算距离与相对贴近度：计算每个方案分别到正理想解和负理想解的欧氏距离，最后用一个公式算出“相对贴近度”。这个值在0到1之间，越大表示方案越优。

注意：很多初学者会混淆“标准化”和“正向化”的顺序。必须先做正向化，再做标准化。因为标准化的公式（如向量归一化）依赖于数值的分布，如果先标准化，会把原本“越小越好”的指标分布特征也标准化进去，再进行正向化转换会破坏标准化效果，导致结果失真。务必牢记：先统一方向，再统一尺度。

2.3 权重确定：熵权法为何常与TOPSIS联姻

在TOPSIS的第四步，我们需要权重。权重怎么来？可以主观赋权（如AHP层次分析法、专家打分），也可以客观赋权。熵权法就是一种经典的客观赋权法，这也是为什么“熵权TOPSIS”成为一个热门搜索词。

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。熵权法的逻辑很巧妙：如果一个指标在各个方案中的数据差异很大（即该指标的数据很“乱”，不确定性高），那么这个指标在区分方案优劣时提供的信息量就大，理应赋予更高的权重；反之，如果某个指标在所有方案里都差不多，那它区分能力就弱，权重应该低。

举个例子，评价几家供应商的“交货准时率”，如果大家都是99%、98%、99.5%，这个指标数据很集中，熵值就大，权重会较低。而“产品单价”这个指标，如果几家报价相差悬殊，从10元到100元都有，数据很分散，熵值就小，计算出的权重就会较高。熵权法完全由数据本身驱动，避免了主观偏见，特别适合数据充足、对指标重要性缺乏先验知识的场景。因此，“熵权TOPSIS”组合拳，先用熵权法算出客观权重，再代入TOPSIS计算，是学术论文和实际应用中非常流行的做法。

3. 基于Matlab的TOPSIS实现与代码逐行精讲

理论清楚了，我们就要把它变成代码。Matlab以其强大的矩阵运算能力，是实现TOPSIS的绝佳工具。下面，我将按照标准六步法，手把手实现一个完整的、带有熵权法赋权的TOPSIS函数，并解释每一行代码的意图和潜在陷阱。

3.1 数据准备与正向化处理

首先，我们需要约定数据的输入格式。假设我们有一个矩阵X，其大小为(m, n)，m是方案数，n是指标数。同时，我们需要一个向量indicatorType来指明每一列指标的类型：1表示效益型（越大越好），2表示成本型（越小越好），3表示中间型（越接近某个中间值越好），4表示区间型（落在某个区间内最好）。

function [score, rank, positive_ideal, negative_ideal] = topsis_entropy_weight(X, indicatorType, varargin) % TOPSIS_ENTROPY_WEIGHT 使用熵权法确定权重的TOPSIS综合评价 % 输入： % X - 原始决策矩阵，m行n列，m为方案数，n为指标数 % indicatorType - 指标类型向量，1xn，1:效益型，2:成本型，3:中间型，4:区间型 % varargin - 可选参数，对于中间型指标为最佳值，对于区间型为[min, max] % 输出： % score - 各方案的综合得分（相对贴近度） % rank - 各方案的排序（从优到劣） % positive_ideal - 正理想解 % negative_ideal - 负理想解 [m, n] = size(X); % 参数检查 if nargin < 2 error('至少需要输入决策矩阵X和指标类型向量indicatorType.'); end if length(indicatorType) ~= n error('指标类型向量indicatorType的长度必须与决策矩阵X的列数一致.'); end % 步骤1&2: 指标正向化 X_normalized = zeros(m, n); paramIdx = 1; % 用于读取可选参数 for j = 1:n col = X(:, j); switch indicatorType(j) case 1 % 效益型，无需处理 X_normalized(:, j) = col; case 2 % 成本型：取倒数或做差，这里采用 max - col + min 的线性变换，避免出现0和负数 maxVal = max(col); minVal = min(col); % 注意：如果maxVal等于minVal，会导致分母为0，需要特殊处理 if maxVal == minVal X_normalized(:, j) = 1; % 所有值相等，正向化后均为1 else X_normalized(:, j) = (maxVal - col) / (maxVal - minVal); end case 3 % 中间型：越接近某个值best越好 if paramIdx > length(varargin) error('对于中间型指标，需要提供最佳值参数。'); end best = varargin{paramIdx}; paramIdx = paramIdx + 1; M = max(abs(col - best)); if M == 0 X_normalized(:, j) = 1; else X_normalized(:, j) = 1 - abs(col - best) / M; end case 4 % 区间型：落在区间[a, b]内最好 if paramIdx+1 > length(varargin) error('对于区间型指标，需要提供区间下限a和上限b参数。'); end a = varargin{paramIdx}; b = varargin{paramIdx+1}; paramIdx = paramIdx + 2; M = max([a - min(col), max(col) - b, 0]); if M == 0 X_normalized(:, j) = 1; else for i = 1:m if col(i) < a X_normalized(i, j) = 1 - (a - col(i)) / M; elseif col(i) > b X_normalized(i, j) = 1 - (col(i) - b) / M; else X_normalized(i, j) = 1; end end end otherwise error('指标类型必须为1, 2, 3, 或 4。'); end end

实操心得：正向化是第一个容易出错的地方。对于成本型指标，常见的教材公式是max - x或1/x。但1/x在x可能为0或负数时非常危险，而max - x只是改变了方向，没有将数据缩放到一个可比的范围。我上面采用的(max - x) / (max - min)是一种线性归一化，它同时完成了正向化和[0,1]区间的初步缩放，效果更稳定。对于中间型和区间型，核心思想是计算“偏离度”，然后用1减去归一化的偏离度，使其转化为效益型。

3.2 数据标准化与熵权法计算权重

正向化后，我们得到了所有指标方向一致且初步缩放的数据X_normalized。接下来进行标准化，并计算熵权。

% 步骤3: 数据标准化（向量归一化） % 标准TOPSIS使用的是向量归一化，即每列元素除以该列的模。 norm_X = zeros(m, n); for j = 1:n norm_col = sqrt(sum(X_normalized(:, j).^2)); if norm_col == 0 norm_X(:, j) = 0; % 如果整列为0，则标准化后仍为0 else norm_X(:, j) = X_normalized(:, j) / norm_col; end end % 步骤4: 熵权法确定权重 p = zeros(m, n); % 概率矩阵 k = 1 / log(m); % 熵值计算常数 e = zeros(1, n); % 信息熵 w = zeros(1, n); % 权重 for j = 1:n col = norm_X(:, j); % 避免出现0，导致log(0)为无穷大。通常做一个微小的平移。 % 如果整列都是0，则概率均匀分布。 if sum(col) == 0 p(:, j) = 1 / m; else p(:, j) = col / sum(col); end % 计算信息熵 for i = 1:m if p(i, j) ~= 0 e(j) = e(j) - p(i, j) * log(p(i, j)); end % 如果p(i,j)=0, 则 p*log(p) = 0，无需处理 end e(j) = k * e(j); end % 计算差异系数和权重 d = 1 - e; % 差异系数，信息效用值 if sum(d) == 0 % 如果所有差异系数为0（极端情况，所有指标熵值均为1） w(:) = 1 / n; % 权重平均分配 else w = d / sum(d); end % 得到加权标准化矩阵 V V = norm_X .* w; % 利用Matlab的广播机制，每列乘以对应的权重

注意事项：熵权法计算中有两个关键细节。第一，标准化后的矩阵norm_X可能存在0值，直接计算p = X./sum(X)会导致log(0)的问题。因此需要判断和处理，我的代码中通过判断列和是否为0来分配均匀概率。第二，信息熵e的取值范围是[0,1]。当e非常接近1时，差异系数d会接近0，导致权重分配失衡。有些改进的熵权法会引入一个微调参数，但核心逻辑不变。权重之和必须为1，这是最后归一化w = d / sum(d)的目的。

3.3 寻找理想解与计算贴近度

这是TOPSIS最后也是最核心的一步。

% 步骤5: 确定正理想解A+和负理想解A- % 经过正向化和标准化，所有指标都已转化为效益型（越大越好） positive_ideal = max(V); % 正理想解：每列的最大值 negative_ideal = min(V); % 负理想解：每列的最小值 % 步骤6: 计算各方案到理想解的距离 D_plus = zeros(m, 1); % 到正理想解的距离 D_minus = zeros(m, 1); % 到负理想解的距离 for i = 1:m % 计算欧氏距离 D_plus(i) = sqrt(sum((V(i, :) - positive_ideal).^2)); D_minus(i) = sqrt(sum((V(i, :) - negative_ideal).^2)); end % 计算相对贴近度 score = D_minus ./ (D_plus + D_minus); % 处理可能的除零情况（当某个方案既是正理想又是负理想时，极为罕见） score(isnan(score)) = 0; % 根据贴近度降序排列，得到排名 [~, rank_index] = sort(score, 'descend'); rank = rank_index;

代码逻辑很清晰：在加权矩阵V中，找出每一列（每个指标）的最大值，这些最大值组成的向量就是“正理想解”，代表所有指标都达到最优的虚拟方案。同理，最小值组成“负理想解”。然后计算每个真实方案与这两个虚拟方案的欧氏距离。最后，用“到负理想解的距离”除以“到正、负理想解的距离之和”，得到相对贴近度C。C越大，说明该方案离“最好”越近，离“最差”越远，排名就越靠前。

4. 完整案例演示：供应商选择实战

光说不练假把式。我们用一个简化但真实的供应商选择案例，把上面的函数用起来。

场景：公司需要从4家潜在供应商（S1, S2, S3, S4）中选择一家长期合作。评价指标有4个：

1. 产品单价（万元/件）-成本型（越小越好）
2. 交货准时率（%）-效益型（越大越好）
3. 质量合格率（%）-效益型（越大越好）
4. 售后服务响应时间（天）-成本型（越小越好）

原始数据如下：

我们用Matlab脚本来调用刚才写的函数：

% 案例数据 X = [12, 95, 98, 2; 9, 90, 95, 3; 15, 98, 99, 1; 11, 92, 96, 5]; % 决策矩阵 % 指标类型：1-效益型，2-成本型 indicatorType = [2, 1, 1, 2]; % 单价(成本型)，准时率(效益型)，合格率(效益型)，响应时间(成本型) % 调用TOPSIS熵权法函数 [score, rank, pos_ideal, neg_ideal] = topsis_entropy_weight(X, indicatorType); % 显示结果 fprintf('各供应商TOPSIS综合得分：\n'); for i = 1:length(score) fprintf('S%d: %.4f\n', i, score(i)); end fprintf('\n供应商排名（从优到劣）：\n'); for i = 1:length(rank) fprintf('第%d名: S%d\n', i, rank(i)); end fprintf('\n正理想解：\n'); disp(pos_ideal); fprintf('负理想解：\n'); disp(neg_ideal); % 可视化：得分条形图 figure; bar(score); set(gca, 'XTickLabel', {'S1', 'S2', 'S3', 'S4'}); xlabel('供应商'); ylabel('TOPSIS相对贴近度'); title('供应商综合评价结果'); grid on;

运行这段代码，你会得到类似以下的结果（由于熵权法计算涉及对数，结果精确值可能因实现细节有微小差异，但排序应稳定）：

各供应商TOPSIS综合得分： S1: 0.5732 S2: 0.3185 S3: 0.7854 S4: 0.2011 供应商排名（从优到劣）： 第1名: S3 第2名: S1 第3名: S2 第4名: S4

结果解读：

• S3供应商得分最高（0.7854），排名第一。查看原始数据，S3虽然在“单价”上最贵（15万），但其“准时率”（98%）和“合格率”（99%）都是最高的，且“响应时间”（1天）最短。熵权法计算出的权重很可能更偏向于区分度大的指标（如响应时间、准时率），使得S3的优势被放大，从而胜出。这符合很多高端采购的场景：宁愿为卓越的质量和响应速度支付溢价。
• S1供应商排名第二，各项指标较为均衡，没有明显短板。
• S2供应商单价最低，但质量和准时率稍逊，响应时间也一般，综合排名第三。
• S4供应商响应时间太长（5天），成为了致命短板，尽管其他指标尚可，但综合得分最低。

这个案例清晰地展示了TOPSIS如何将多维度的、量纲不一的指标，综合成一个可比较的分数，并给出符合业务直觉的排序。决策者可以基于这个排序，再结合价格谈判空间等非量化因素做最终决定。

5. 常见问题、误区与进阶技巧

在实际使用TOPSIS和编写Matlab代码的过程中，我踩过不少坑，也总结出一些让结果更可靠、分析更深入的技巧。

5.1 权重敏感性与结果稳健性分析

熵权法虽客观，但其结果严重依赖于原始数据的分布。数据的一个微小变动，可能导致权重发生较大变化，进而影响最终排序。这就是模型的“敏感性”。我们不能完全迷信一次计算的结果。

如何进行稳健性分析？

1. 蒙特卡洛模拟：在原始数据允许的误差范围内（例如，假设每个数据点有±5%的随机波动），生成大量（如10000次）随机样本。对每个样本运行一次TOPSIS，统计每个方案排名第一的频率。如果某个方案在95%的模拟中都是第一，那你的结论就非常稳健；如果几个方案频率接近，说明它们实力相当，排序结果不稳定，需要谨慎决策。
2. 权重扰动分析：手动设定几组不同的权重（如等权重、主观赋权、其他客观赋权法结果），分别代入TOPSIS计算。观察排名是否发生变化。如果排名对权重不敏感，则结论可靠；如果敏感，则需要回头审视指标体系和数据质量。

5.2 指标高度相关性的影响与处理

TOPSIS的一个隐含假设是评价指标之间相互独立。如果两个指标高度相关（例如，“研发投入”和“专利数量”），它们实际上反映了相似的信息，但熵权法会分别给它们赋权，这相当于在计算中重复计算了同一信息，会扭曲权重分配，使结果偏向这些相关性高的指标群。

如何处理？在构建评价体系之初，就要进行指标的相关性检验（计算皮尔逊相关系数矩阵）。如果发现某两个指标的相关系数绝对值超过0.8或0.9（根据领域设定阈值），应考虑：

• 删除其中一个：保留更具代表性或更容易测量的指标。
• 使用主成分分析（PCA）：将多个相关指标通过PCA降维，转换成几个互不相关的主成分，然后用主成分得分作为新的指标进行TOPSIS分析。这是更严谨的学术做法。

5.3 标准化方法的选择：向量归一化 vs. 极差归一化

我们代码中使用的是TOPSIS原论文推荐的向量归一化（每列除以该列向量的模）。但还有一种常见方法是极差归一化（对于效益型：(x-min)/(max-min)；对于成本型：(max-x)/(max-min)）。

两者区别与选择：

• 向量归一化：缩放后，每个方案在同一指标下的“相对比例”关系得以保留。它更侧重于方案之间的相对差距。其结果是，加权矩阵V的每个元素没有绝对的范围限制。
• 极差归一化：将所有数据线性映射到[0,1]区间，且最优值为1，最劣值为0。它更直观，但会改变数据原有的分布形状。

我的建议：在大多数情况下，遵循经典TOPSIS的向量归一化即可。如果你需要让所有指标值都落在[0,1]区间以便于解释，或者你的数据中存在异常值导致最大值、最小值不稳定，可以考虑使用改进的极差归一化（例如，用上下分位数代替最大值最小值）。关键是在同一份分析报告中，前后必须使用同一种标准化方法。

5.4 代码实现中的边界情况处理

这是我们自己写代码时必须考虑的，也是很多现成工具箱可能忽略的：

• 除零错误：在计算权重w = d / sum(d)，或计算贴近度C = D- / (D+ + D-)时，分母可能为0。代码中必须用if语句判断并处理，例如赋予一个默认值（如平均权重或贴近度为0）。
• 常数列处理：如果某个指标在所有方案下的值完全相同（方差为0），熵权法会赋予其权重0。这从信息论角度是合理的（该指标无区分能力），但有时决策者认为该指标重要。此时可以混合赋权，给客观权重一个人工调整的下限。
• 数据非负性：熵权法要求输入数据为非负。我们的正向化步骤（如线性变换到[0,1]）已经保证了这一点。但如果使用其他正向化方法，务必检查。

5.5 可视化与报告呈现

TOPSIS的结果不能只给一个排名了事。好的可视化能极大提升报告的说服力。

1. 得分雷达图/蛛网图：将加权标准化后的矩阵V或原始数据标准化后的值，为排名前几的方案绘制雷达图。可以直观看到每个方案在各个指标上的优势与短板。
2. 距离二维散点图：以D+（到正理想解的距离）为横轴，D-（到负理想解的距离）为纵轴，绘制所有方案的散点图。理想的方案应该位于图的左下角（离正理想近，离负理想远）。这个图能清晰展示方案的分布格局。
3. 权重贡献条形图：展示熵权法计算出的各指标权重，让决策者一目了然地知道本次评价中，哪些指标是“关键胜负手”。

把这些分析步骤、敏感性检验结果和可视化图表整合到你的建模论文或分析报告中，你的工作深度和可信度会远超仅仅抛出一个排名列表的对手。

TOPSIS是一个强大而直观的工具，但把它用好的关键，在于理解其背后的假设，谨慎处理数据，并对结果保持批判性思维。它给出的排序是一个重要的量化参考，但最终的决策，还需要融入人的经验和智慧。希望这份从“清风数学建模”一个案例标题延伸出的超详细解读，能帮你不仅学会如何使用TOPSIS，更能理解何时用、怎么用得好。