TOPSIS优劣解距离法：从原理到MATLAB实现的多属性决策指南-开发者社区

1. 从“拍脑袋”到“算距离”：为什么我们需要TOPSIS？

在数学建模竞赛，或者任何需要做决策的场景里，我们常常会面对一个让人头疼的问题：手头有好几个方案，每个方案又有一大堆评价指标，有的指标越大越好（比如利润、效率），有的指标越小越好（比如成本、污染）。这时候，怎么才能科学、客观地选出一个“最好”的方案？

很多新手，甚至是有经验的团队，第一反应可能是“拍脑袋”或者“加权平均”。拍脑袋自然不靠谱，而加权平均听起来科学，但实际操作起来问题一大堆：权重怎么定？是专家打分还是拍脑袋？不同指标的量纲（单位）不一样，比如一个指标是“万元”，另一个是“秒”，直接加起来平均有意义吗？一个90分（满分100）和一个9分（满分10）的指标，能直接等同看待吗？

TOPSIS模型，全称“优劣解距离法”，就是为了系统性地解决这些问题而生的。它的核心思想非常直观，甚至可以说有点“优雅”：我们不直接比较方案本身，而是去比较每个方案与“理想中最好方案”和“理想中最差方案”的距离。一个方案，如果离“最好”最近，同时离“最差”最远，那它自然就是相对最优的选择。

我第一次在国赛中用TOPSIS处理一个城市发展水平综合评价问题时，就被它的简洁和有效打动了。它把主观的权重赋值和客观的数据标准化过程分离开，让决策过程变得透明、可重复、可解释。评委一看你的论文，就知道你不是胡乱凑的结果，而是有严谨的数学工具作为支撑。这篇文章，我就结合多年备赛和指导的经验，把TOPSIS模型从原理到代码实现的每一个细节掰开揉碎讲清楚，让你不仅能“套用”，更能“吃透”。

2. TOPSIS的核心原理：与理想共舞的距离度量

要理解TOPSIS，关键在于理解它定义的两个虚拟方案：“正理想解”和“负理想解”，以及如何计算距离。

2.1 构建决策矩阵：一切分析的起点

假设我们有m个待评价的方案（或对象），比如5个城市、3种投资策略。对于每个方案，我们用n个指标来评价它，比如GDP、人均收入、绿化率、PM2.5浓度等。

首先，我们会得到一个原始的决策矩阵X：

X = [ x_ij ] (m行 n列)

其中，x_ij 表示第i个方案在第j个评价指标上的原始数值。

这里第一个坑就来了：指标的类型不统一。

效益型指标：数值越大越好，如利润、增长率。
成本型指标：数值越小越好，如成本、故障率。
区间型指标：数值落在某个特定区间内最好，如人体体温（36-37℃）、PH值（6.5-7.5）。TOPSIS标准模型通常不直接处理区间型指标，需要先将其转化为效益型或成本型，这是一个容易忽略的预处理步骤。

2.2 数据标准化：消除量纲的“公平秤”

直接使用原始数据计算距离是荒谬的。一个指标动辄几百万（如GDP），另一个指标只是零点几（如失业率），大数值的指标会完全“淹没”小数值指标的影响，无论你怎么加权。

因此，必须进行数据标准化（归一化）。最常用的是向量归一化法，也叫作“欧几里得归一化”。它对每个指标下的所有数据做如下处理：

对于决策矩阵X中的第j列（即第j个指标的所有数据），计算其标准化值r_ij：

r_ij = x_ij / sqrt( sum_{i=1}^{m} (x_ij)^2 )

简单说，就是把每个原始值除以该列所有数据平方和的平方根。

经过这个操作，每个指标下所有数据的平方和都等于1。这彻底消除了量纲的影响，并且保持了数据间的相对大小关系。标准化后的矩阵记为R。

注意：还有一种常见的标准化方法是“极差归一化”（(x-min)/(max-min)）。但在TOPSIS的经典论文和多数应用中，更推荐使用上述的向量归一化法，因为它能保持数据间的比例关系，且在处理距离计算时数学性质更好。很多同学在这里混淆，导致结果出现偏差。

2.3 构造加权规范矩阵：融入决策者偏好

标准化解决了“公平”问题，但不同指标的重要性显然不同。我们需要引入权重w_j (j=1,2,...,n)，且满足 sum(w_j) = 1。

权重如何得来？这是一个子课题。常见方法有：

主观赋权法：如AHP层次分析法、专家打分法。这依赖于决策者的知识和经验。
客观赋权法：如熵权法、CRITIC法。这类方法根据数据本身的波动性和关联性来计算权重，完全排除主观性。“熵权TOPSIS”正是将熵权法与TOPSIS结合，先用熵权法算出客观权重，再代入TOPSIS计算，这在近年建模竞赛中非常流行。

得到权重向量W = [w1, w2, ..., wn]后，我们计算加权规范矩阵V：

V = R * diag(W)

即，将标准化矩阵R的每一列（第j列）乘以对应的权重w_j。矩阵V中的元素v_ij = w_j * r_ij。

2.4 确定正负理想解：找到“灯塔”与“深渊”

这是TOPSIS最核心的一步。我们在加权规范矩阵V所张成的n维空间中，定义两个虚拟点：

正理想解 A+：它由每个指标在所有方案中的最优值构成。
- 对于效益型指标，最优值是V中该列的最大值。
- 对于成本型指标，最优值是V中该列的最小值。
```
A+ = ( max(v_i1), max(v_i2), ..., max(v_in) ) // 对效益型指标 ( min(v_i1), min(v_i2), ..., min(v_in) ) // 对成本型指标
```
你可以把它想象成“乌托邦方案”，它在所有指标上都达到了理论最佳状态。
负理想解 A-：它由每个指标在所有方案中的最劣值构成。
- 对于效益型指标，最劣值是V中该列的最小值。
- 对于成本型指标，最劣值是V中该列的最大值。
```
A- = ( min(v_i1), min(v_i2), ..., min(v_in) ) // 对效益型指标 ( max(v_i1), max(v_i2), ..., max(v_in) ) // 对成本型指标
```
这就是“地狱方案”，所有指标都处在最糟糕的水平。

2.5 计算距离与相对贴近度：最后的裁决

现在，对于每一个真实的方案i（对应矩阵V的第i行向量V_i），我们计算它到正理想解A+的距离D_i+，以及到负理想解A-的距离D_i-。距离通常采用欧氏距离：

D_i+ = sqrt( sum_{j=1}^{n} (v_ij - A+_j)^2 ) D_i- = sqrt( sum_{j=1}^{n} (v_ij - A-_j)^2 )

最后，计算每个方案的相对贴近度C_i：

C_i = D_i- / (D_i+ + D_i-)

对这个公式的理解至关重要：

分子是到“最差”的距离，我们希望它越大越好（离“差”远点）。
分母是到“最好”和到“最差”的距离之和，是一个归一化因子。
因此，C_i的值域在[0, 1]之间。
C_i越大，说明该方案离理想解越近，离负理想解越远，方案就越优。

对所有方案的C_i值进行排序，降序排列，排名第一的就是最优方案。

3. 从理论到实践：一个完整的MATLAB实现案例

光说不练假把式。我们用一个虚构但很典型的例子，手把手实现一遍TOPSIS。假设我们要评价4个城市（A, B, C, D）的综合发展水平，选用4个指标：

GDP（亿元，效益型）
人均可支配收入（万元，效益型）
城镇失业率（%，成本型）
PM2.5年均浓度（微克/立方米，成本型）

原始数据如下表：

城市	GDP (亿元)	人均收入 (万元)	失业率 (%)	PM2.5 (μg/m³)
A	12000	6.5	3.8	45
B	8500	5.8	4.2	38
C	9600	4.9	5.1	65
D	11000	7.1	3.5	50

假设我们通过熵权法（后续会讲）计算出的权重为：W = [0.35, 0.25, 0.20, 0.20]。

下面我们分步用MATLAB实现。

3.1 数据准备与指标类型标识

clc; clear; close all; % 1. 输入原始数据 (每行一个方案，每列一个指标) X = [12000, 6.5, 3.8, 45; 8500, 5.8, 4.2, 38; 9600, 4.9, 5.1, 65; 11000, 7.1, 3.5, 50]; % 2. 定义指标类型 (1表示效益型，0表示成本型) IndicatorType = [1, 1, 0, 0]; % GDP(效)，收入(效)，失业率(成)，PM2.5(成) % 3. 定义权重 W = [0.35, 0.25, 0.20, 0.20]; [m, n] = size(X); % m=4个城市，n=4个指标

3.2 数据标准化处理

这里我们采用经典的向量归一化法。

% 4. 数据标准化 (向量归一化) X_squared = X .^ 2; norm_col = sqrt(sum(X_squared, 1)); % 计算每一列的范数 R = X ./ norm_col; % 标准化矩阵 disp('标准化矩阵 R:'); disp(R);

运行后，R矩阵大致如下。你会发现，每个指标的数值被“压缩”到较小的范围内，且消除了量纲。

R = 0.6455 0.5727 0.4824 0.4779 0.4576 0.5110 0.5333 0.4037 0.5168 0.4318 0.6471 0.6905 0.5918 0.6256 0.4444 0.5310

关键检查点：计算sum(R(:,1).^2)，结果应为1（存在浮点数误差，接近1）。这验证了标准化是正确的。

3.3 构建加权规范矩阵

% 5. 构建加权规范矩阵 V V = R .* W; % 利用MATLAB的广播机制，每列乘对应权重 % 等价于： V = zeros(m, n); for j=1:n, V(:,j) = R(:,j) * W(j); end disp('加权规范矩阵 V:'); disp(V);

结果中，数值的大小已经反映了权重的影响。

3.4 确定正负理想解

根据指标类型，分别找出每列的最大值或最小值。

% 6. 确定正理想解 A_plus 和负理想解 A_minus A_plus = zeros(1, n); A_minus = zeros(1, n); for j = 1:n if IndicatorType(j) == 1 % 效益型 A_plus(j) = max(V(:, j)); A_minus(j) = min(V(:, j)); else % 成本型 A_plus(j) = min(V(:, j)); A_minus(j) = max(V(:, j)); end end disp('正理想解 A+:'); disp(A_plus); disp('负理想解 A-:'); disp(A_minus);

3.5 计算距离与相对贴近度

% 7. 计算各方案到正/负理想解的距离 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 D_plus(i) = sqrt(sum((V(i, :) - A_plus) .^ 2)); D_minus(i) = sqrt(sum((V(i, :) - A_minus) .^ 2)); end % 8. 计算相对贴近度 C C = D_minus ./ (D_plus + D_minus); disp('各方案到正理想解距离 D+:'); disp(D_plus); disp('各方案到负理想解距离 D-:'); disp(D_minus); disp('相对贴近度 C:'); disp(C);

3.6 结果排序与输出

% 9. 根据贴近度排序 [C_sorted, idx] = sort(C, 'descend'); % 降序排列 disp('============ TOPSIS 综合评价结果 ============'); fprintf('排名\t城市\t相对贴近度C\t\tD+\t\t\tD-\n'); for i = 1:m rank = i; city_idx = idx(i); fprintf('%d\t\t%s\t\t%.4f\t\t%.4f\t\t%.4f\n', ... rank, char('A'+city_idx-1), C(city_idx), D_plus(city_idx), D_minus(city_idx)); end disp('============================================');

运行整个程序，你会得到类似下面的结果：

============ TOPSIS 综合评价结果 ============ 排名 城市 相对贴近度C D+ D- 1 D 0.6273 0.0451 0.0776 2 A 0.5498 0.0582 0.0710 3 B 0.3647 0.0803 0.0461 4 C 0.1835 0.0991 0.0223 ============================================

结论解读：城市D的相对贴近度最高（0.6273），是综合发展水平最优的城市。虽然它的GDP不是最高（次于A），PM2.5也不是最低（次于B），但它在人均收入（最高）和失业率（最低）这两个权重不低的指标上表现突出，且其他指标没有明显短板，因此综合得分第一。城市C则因为失业率最高、PM2.5浓度也最高，在两个成本型指标上均表现最差，因此排名垫底。这个结果符合直观判断，也体现了多指标综合权衡的思想。

4. 进阶与避坑：熵权法、区间型指标与MATLAB实战技巧

掌握了基础TOPSIS，我们来看看实际建模中更复杂的情况和容易踩的坑。

4.1 如何科学确定权重？熵权法详解

主观赋权在缺乏专家或存在争议时很麻烦。熵权法是一种完全基于数据“信息量”的客观赋权法。指标数据波动越大（方差越大），说明该指标在不同方案间区分度越强，携带的信息越多，权重就应该越大。

熵权法计算步骤：

数据标准化：通常采用“比重变换法”而非向量归一化。对于效益型指标：p_ij = x_ij / sum(x_ij)；对于成本型指标，需先正向化（如用倒数1/x_ij），再进行比重变换。确保所有p_ij ∈ [0,1]且sum(p_ij)=1。
计算信息熵：第j个指标的信息熵e_j = -k * sum(p_ij * ln(p_ij))，其中k = 1/ln(m)，保证e_j ∈ [0,1]。当某个指标下所有数据完全相同时，p_ij均等，熵值最大(e_j=1)，该指标无用。
计算差异系数：d_j = 1 - e_j。差异系数越大，指标越重要。
确定权重：w_j = d_j / sum(d_j)。

MATLAB实现熵权法：

function weights = entropy_weight(X, IndicatorType) [m, n] = size(X); P = zeros(m, n); % 比重矩阵 for j = 1:n col = X(:, j); if IndicatorType(j) == 0 % 成本型指标，先正向化（取倒数，越小越好变越大越好） % 注意：如果数据有0或负数，不能直接取倒数！需要其他正向化方法。 col = max(col) - col + 1; % 另一种常用正向化方法：平移倒数或线性变换 % col = 1 ./ col; % 简单倒数法，需确保无零值 end % 比重变换 P(:, j) = col / sum(col); end % 处理P中可能存在的0值，因为ln(0)为负无穷 P(P == 0) = 1e-10; k = 1 / log(m); e = -k * sum(P .* log(P), 1); % 按列求和，得到每个指标的熵 d = 1 - e; % 差异系数 weights = d / sum(d); % 归一化得到权重 end

使用注意：熵权法对原始数据分布敏感，且成本型指标的正向化方式会影响结果。如果某指标数据方差极小（几乎所有方案取值相同），其熵权会接近0，这有时是合理的（该指标无区分度），但有时也需要结合主观判断进行微调。因此，“熵权TOPSIS”是客观赋权与TOPSIS模型的完美结合。

4.2 如何处理区间型指标？

比如，某指标最佳值在[a, b]区间内，过高或过低都不好（如体温、PH值）。处理方法是将其转化为效益型指标。常用公式如下：

设最佳区间为[a, b]，容忍下限为c，容忍上限为d (c ≤ a ≤ b ≤ d)。则转换函数为：

M = max(a - min(x), max(x) - b) % 一个足够大的数 if x_i < a y_i = 1 - (a - x_i) / M elseif x_i > b y_i = 1 - (x_i - b) / M else y_i = 1 end

这样，越接近理想区间的值，y_i越接近1（效益最大），离得越远，值越小。将转换后的y_i作为新的效益型指标数据，代入后续TOPSIS流程。

4.3 MATLAB实现中的常见错误与调试技巧

维度错误：.^和.*是元素运算，*是矩阵乘法。计算距离时sum((V(i,:) - A_plus).^2)用的是元素运算和向量减法，务必注意维度匹配。调试时多用size()函数检查变量维度。
权重和不为1：无论是主观赋权还是熵权法，最后一定要检查sum(W)是否等于1（允许1e-5的浮点误差）。如果不是，用W = W / sum(W)进行归一化。
成本型指标忘记处理：这是最高频的错误！在确定正负理想解时，必须根据IndicatorType正确选择max或min。一个快速检查方法：手动算一个简单案例（比如2个方案，2个指标），与程序结果对比。
数据标准化方法混淆：TOPSIS用向量归一化，熵权法用比重变换。两者目的不同，不要混用。在熵权TOPSIS中，先对原始数据X用比重法变换计算权重，再用向量归一化法处理X进行TOPSIS计算。

可视化结果：在论文中，将最终贴近度C用条形图展示非常直观。

figure; bar(C); set(gca, 'XTickLabel', {'A','B','C','D'}); xlabel('城市'); ylabel('相对贴近度 C'); title('TOPSIS综合评价结果'); grid on;

代码封装与复用：建议将TOPSIS核心算法写成一个函数。

function [C, rank] = topsis(X, W, IndicatorType) % 输入: X原始矩阵, W权重向量, IndicatorType指标类型向量 % 输出: C相对贴近度, rank排序索引(降序) % ... 此处嵌入前面所述的步骤代码 ... [~, rank] = sort(C, 'descend'); end

这样主程序会非常简洁，便于修改和调试。

5. TOPSIS在数学建模中的实战策略与论文写作要点

掌握了算法和代码，如何在紧张的建模比赛中用好它，并在论文中清晰地呈现，是取胜的关键。

5.1 适用场景判断：什么时候该用TOPSIS？

TOPSIS不是万能的。它适用于：

多属性决策问题：方案有限且明确，评价指标清晰。
指标类型混合：效益型、成本型指标共存。
需要完全排序：不仅选出第一，还要给出所有方案的优劣顺序。

如果问题更侧重于指标间的层次关系（如选择供应商时，质量比价格更重要），可能需要结合AHP（层次分析法）先求权重，再用TOPSIS排序。如果数据有很强的模糊性，可能需要模糊TOPSIS。对于本届亚太杯A题这类可能涉及复杂评价的问题，TOPSIS是基础工具箱里的利器。

5.2 建模流程梳理：从问题到结果的完整链条

在论文的“模型建立”部分，你需要清晰地呈现以下逻辑链条：

问题分析：明确评价目标、待选方案、评价指标。
数据预处理：
- 数据清洗：处理缺失值、异常值。对于缺失值，常用均值填充、插值法或删除。
- 指标正向化：将所有指标统一为效益型或成本型。通常统一为效益型更方便。对于成本型，采用倒数法、减法（max - x）等；对于区间型，采用前述转换函数。
- 数据标准化：说明采用向量归一化法的原因（消除量纲，保持数据相对结构）。
权重确定：
- 说明权重的来源。如果采用熵权法，需要写出熵权法的计算步骤和公式。
- 如果是主客观结合（如AHP+熵权），需要说明结合的方式（如乘法合成、线性加权）。
TOPSIS模型构建：
- 列出正负理想解的定义公式。
- 列出欧氏距离公式。
- 列出相对贴近度公式。
- 给出排序规则。
模型求解：可以放上MATLAB的核心代码截图或伪代码，并展示计算结果（如贴近度表格、排序条形图）。
结果分析：
- 横向分析：为什么排名第一的方案最优？结合权重，分析它在哪些重要指标上占优，在哪些指标上虽有不足但不致命。
- 纵向分析：改变权重（进行灵敏度分析），观察排序是否稳定。如果权重微小变动导致排名剧烈变化，说明结果鲁棒性不强，需要在结论中说明。
- 对比分析：可以与其他评价方法（如简单加权平均、灰色关联分析）的结果进行对比，说明TOPSIS结果的合理性。

5.3 论文写作中的“加分项”与“雷区”

加分项：

流程图：用Visio或PPT绘制清晰的“TOPSIS模型建模流程图”，放在模型建立部分开头，非常直观。
灵敏度分析：单独一小节，分析权重变化对排序结果的影响。例如，将某个重要指标的权重上下浮动10%，看排名是否变化。这能极大提升模型的深度和说服力。
模型评价：讨论TOPSIS模型的优点（概念清晰、计算简单、充分利用原始数据）和局限性（对权重敏感、距离度量方式单一等）。
代码附录：将完整、整洁、带有注释的MATLAB代码放在附录中。

雷区：

直接套公式，不讲原因：论文不是代码说明书。对于每一步变换，尤其是数据标准化和权重确定，一定要解释为什么这么做。评委想看到的是你的思考过程。
忽略指标类型：在正文中不提指标正向化处理，直接当作效益型算，这是致命错误。
结果分析空洞：只说“城市D排名第一”，而不结合具体数据解释为什么。好的分析应该是：“城市D在权重最高的‘人均收入’（0.25）指标上位列第一，在权重次高的‘失业率’（0.20）指标上也位列第一，尽管其PM2.5略高，但在该指标（权重0.20）上并非最差，因此综合优势明显。”
混淆标准化方法：在正文中写的是极差归一化，代码里用的是向量归一化，或者反过来。