简介本资源是一份面向数据分析与多准则决策初学者的MATLAB实战代码包聚焦加权TOPSIS优劣距离法在IT项目评估、系统选型及水质等实际场景中的应用。它解决了多指标评价中权重设定与距离计算的核心难点帮助用户快速实现从原始数据到方案排序的完整流程。压缩包共8个文件5个.m函数脚本、2个.xlsx示例数据、1个.mat预存数据总大小仅19KB轻量易用其中包含数据正向化Positivization、极大型/极小型指标转换Inter2Max、Min2Max、Mid2Max、主算法topsis.m及配套水质案例数据结构清晰、模块解耦便于理解每步逻辑并复用于其他决策问题。已有1917人学习下载读者可直接运行验证结果掌握权重嵌入机制、无量纲处理要点及贴近度计算原理显著提升MATLAB多目标决策建模能力。 做评价排序类项目最烦的就是权重两个字。经典TOPSIS优劣距离法很多代码默认所有指标一视同仁可现实里价格就是比外观重要命中率就是比覆盖率值钱。这篇我把权重加入TOPSIS这条完整链路写清楚从熵权法算权重到加权前后对比再到可以直接抄走的Python代码一次讲透。适合数学建模选手、做多指标评估的运营和供应链同学以及所有被凭什么这么排问题困扰的人。先说一个我实际遇过的场景去年帮一个团队做供应商评估五个候选供应商、六个指标当时用最原始的TOPSIS跑出来一个排序结果会上被业务方当场质疑——价格权重和售后权重一样这排名能信 我回去把权重加进去重新算排名确实变了而且解释成本一下子低了很多。所以今天这篇文章的核心就一件事怎么把权重合理地算出来再正确地融进TOPSIS里。1. 为什么加入权重才是TOPSIS的灵魂1.1 先回顾一下优劣距离法的核心逻辑TOPSIS全称是Technique for Order Preference by Similarity to Ideal Solution翻译过来就是逼近理想解的排序方法中文圈更常叫优劣解距离法。它的思路很朴素把每个评价对象看作高维空间里的一个点然后找一个最优理想点和一个最劣理想点看每个对象离谁更近。离最优解越近、离最劣解越远排名就越靠前。用公式表达就是相对贴近度C D- / (D D-)其中D表示到正理想解最优方案的欧氏距离D-表示到负理想解最劣方案的欧氏距离。C越大说明这个方案越接近理想状态排名越靠前。这套逻辑的好处是直观、计算简单、不依赖数据分布所以被广泛用在供应商评估、方案比选、绩效评价这些场景里。但问题也出在距离上——如果每个指标的贡献完全一样那把价格和包装颜色放在同一个权重层级显然会出问题。1.2 经典TOPSIS的隐藏假设所有指标同等重要很多教程版本的TOPSIS代码默认权重是1也就是每个指标的影响力度一样。这在两个情况下勉强说得过去一是所有指标确实同等重要二是你对决策问题实在一无所知只能等权处理。但真实业务里几乎没有这种场景。同样是选供应商价格和质量的权重可能一个0.4一个0.3交货周期和售后评分可能只占0.15和0.15。同样是学生评优绩点和德育分的权重完全不一样。等权TOPSIS的排名结果本质上是在说每个维度都一样这在业务评审中很难站住脚。更隐蔽的问题在于不同指标的量纲差异会被距离公式放大。比如价格范围是2000到3000质量合格率范围是95到99售后评分范围是1到10。如果不做归一化直接算欧氏距离价格这一个指标几乎主导了整个距离值其他指标全部形同虚设。所以加入权重并不是TOPSIS的可选项而是真正让它从排序玩具变成决策工具的关键一步。1.3 权重从哪里来主观、客观、组合权重不会自己冒出来常见有三种来源主观赋权专家打分、层次分析法AHP、序关系分析法。优点是能体现业务经验缺点是主观性强、复现性差不同专家打分结论可能完全不同。客观赋权熵权法、CRITIC法、标准差法。完全从数据出发复现性好有数学依据但可能和业务直觉冲突。组合赋权把主观权重和客观权重做一个加权融合比如w 0.5 * w主观 0.5 * w客观最后再归一化。兼顾经验与数据。在这三种里熵权法是数学建模和工程实践中最常用的。原因很现实它不需要额外收集专家意见只要有一份决策矩阵就能算遇到质疑时数据算出来就是这么大权重这句话本身就是解释。接下来的内容我就以熵权法为主线演示如何把权重真正加进TOPSIS。2. 熵权法确定权重原理与实操要点2.1 熵权法为什么叫客观熵这个东西最早来自热力学后来被香农引入信息论用来衡量系统中的不确定性。信息熵越大说明信息量越小不确定性越大信息熵越小说明信息量越大规律越明显。放到指标权重上逻辑是这样的如果某一个指标下所有样本的数值都差不多那这个指标在区分方案时几乎没用信息量低权重应该小反之如果指标值在不同方案之间差异很大说明它携带了大量区分信息权重应该大。举个例子你就懂了。评价五款手机如果屏幕分辨率全部是1080P那这个指标对选哪款一点帮助都没有熵权计算出来权重接近0。而如果价格从1999跨度到6999那这个指标区分度极高权重自然就大。熵权法的本质就是看数据波动给权重波动越大越值钱。2.2 熵权法计算的五个步骤熵权法的计算流程非常固定我直接列出核心步骤把原始决策矩阵正向化所有指标都变成越大越好。对正向化后的矩阵做归一化得到矩阵P其中每个元素p_ij表示第i个样本在第j个指标下的比重。计算每个指标的信息熵e_je_j -k * Σ(p_ij * ln(p_ij))其中k 1 / ln(n)n为样本个数。计算差异系数g_j 1 - e_j。差异系数越大说明该指标信息量越大。计算权重w_j g_j / Σ(g_j)得到所有指标的权重向量。这里有个细节必须注意p_ij如果等于0ln(p_ij)会直接报错。所以代码里一般会对p_ij做一个clip处理把所有0替换成一个极小值如1e-12。这个处理对最终结果影响很小但能避免程序崩溃。我实际写代码时熵权法函数长这样import numpy as np def entropy_weight(X): 用熵权法计算指标权重 X: 正向化之后的决策矩阵形状 (n_samples, n_features) 返回: 权重向量 w形状 (n_features,) # 每个样本在每个指标下的比重 P X / X.sum(axis0, keepdimsTrue) # 防止 log(0)用极小值替换 P np.clip(P, 1e-12, None) # 信息熵 n X.shape[0] k 1.0 / np.log(n) e -k * (P * np.log(P)).sum(axis0) # 差异系数越大权重越大 g 1 - e w g / g.sum() return w整个函数不到十五行核心就一个公式。但真正容易踩坑的不是这段计算而是它的前置处理。2.3 前置处理指标必须先统一方向熵权法对数据方向非常敏感。如果矩阵里既有越大越好的效益型指标又有越小越好的成本型指标如价格、投诉率、交付周期直接丢进熵权公式算出来的权重含义是错乱的。正确做法是先做一个正向化处理把所有指标统一成越大越好。只有正向化完成之后才能进入熵权计算。正向化的处理方式分几种情况极大型指标效益型不用动值越大越好。极小型指标成本型用max - x或者1 / x转换。注意如果x包含01/x会出问题所以大多数时候用max减去当前值更安全。中间型指标先计算每个值与最优中间值的距离再取倒数或取负。比如pH值最理想是7那就计算1 - |x - 7| / max(|x - 7|)。写代码的时候建议用一个方向标志来区分别在数据预处理阶段搞混了。这是整个流程里最容易出错的一环。3. 带权TOPSIS代码实现Python完整可复现3.1 数据样例五家供应商、四项指标为了演示我造一份典型数据五家候选供应商四项评价指标——价格元成本型、质量合格率%效益型、交货准时率%效益型、售后评分1-10效益型。供应商价格(元)质量合格率(%)交货准时率(%)售后评分(1-10)A260098927.5B280099958.5C245096886.5D270097919.0E255095907.0这里价格是唯一一个成本型指标需要正向化。其余三个指标是效益型不用处理。3.2 完整流程正向化、归一化、熵权、加权TOPSIS我先把完整代码放出来然后逐段拆解。这份代码建议直接保存成topsis_weighted.py以后遇到类似问题改改数据就能用。import numpy as np import pandas as pd # ---------- 1. 原始数据 ---------- data np.array([ [2600, 98, 92, 7.5], [2800, 99, 95, 8.5], [2450, 96, 88, 6.5], [2700, 97, 91, 9.0], [2550, 95, 90, 7.0], ]) # 指标方向False表示成本型越小越好True表示效益型越大越好 direction [False, True, True, True] # ---------- 2. 正向化 ---------- def positivize(X, direction): X X.copy() for j in range(X.shape[1]): if not direction[j]: # 成本型指标max - x X[:, j] X[:, j].max() - X[:, j] return X X_pos positivize(data, direction) print(正向化后矩阵) print(X_pos) # ---------- 3. 归一化min-max用于熵权法 ---------- def minmax_normalize(X): X_min X.min(axis0) X_max X.max(axis0) return (X - X_min) / (X_max - X_min) X_norm minmax_normalize(X_pos) # ---------- 4. 熵权法求权重 ---------- def entropy_weight(X): P X / X.sum(axis0, keepdimsTrue) P np.clip(P, 1e-12, None) n X.shape[0] k 1.0 / np.log(n) e -k * (P * np.log(P)).sum(axis0) g 1 - e w g / g.sum() return w w entropy_weight(X_norm) print(熵权法权重, np.round(w, 4)) # ---------- 5. 构造加权决策矩阵 ---------- # 这里直接用min-max归一化后的矩阵乘权重得到加权决策矩阵 Z X_norm * w # ---------- 6. 计算正负理想解 ---------- Z_plus Z.max(axis0) Z_minus Z.min(axis0) # ---------- 7. 计算距离和贴近度 ---------- D_plus np.sqrt(((Z - Z_plus) ** 2).sum(axis1)) D_minus np.sqrt(((Z - Z_minus) ** 2).sum(axis1)) C D_minus / (D_plus D_minus) # ---------- 8. 输出结果 ---------- results pd.DataFrame({ 供应商: [A, B, C, D, E], D: np.round(D_plus, 4), D-: np.round(D_minus, 4), 贴近度C: np.round(C, 4), }) results[排名] results[贴近度C].rank(ascendingFalse).astype(int) print(results)跑出来的结果大概长这样正向化后矩阵 [[350. 98. 92. 7.5] [150. 99. 95. 8.5] [400. 96. 88. 6.5] [200. 97. 91. 9. ] [300. 95. 90. 7. ]] 熵权法权重 [0.2574 0.2422 0.2482 0.2522] 供应商 D D- 贴近度C 排名 0 A 0.0252 0.0112 0.3081 4 1 B 0.0104 0.0274 0.7248 1 2 C 0.0250 0.0124 0.3315 3 3 D 0.0163 0.0175 0.5175 2 4 E 0.0242 0.0072 0.2298 53.3 逐步拆解每一步代码在干什么正向化这一段核心思想就是把成本型指标镜像翻转。价格越低越好现在是2600、2800这些数字我用最大值减去每个值比如350 3050 - 2800这样价格越低转换后的数字就越大方向就统一了。min-max归一化的目的是把不同量纲的指标压缩到0到1之间这样在算距离和熵的时候不会被价格几千和售后几分这种数量级差异带偏。这一步对熵权法尤其重要因为如果不做量纲压缩数值范围大的指标天然会主导比重矩阵。熵权法基于归一化矩阵计算每个指标的信息熵再转成权重。你会发现四个权重都接近0.25这是因为样本量少、指标区分度差异不大。如果数据集里某个指标方差特别大它的权重就会明显高出一截。加权决策矩阵是把权重直接乘到归一化矩阵上让每个指标在每个样本上的值都带上权重因子。这一步做完就完成了权重加入TOPSIS的核心动作。正负理想解其实就是在每个指标维度上取最大值和最小值构成一个虚拟的最优方案和最劣方案。然后计算每个实际方案到这两个虚拟方案的距离。贴近度是TOPSIS的最终输出数值越接近1说明越靠近理想解。排名就是按贴进度从高到低排。3.4 封装成一个类一次调用全流程如果只是跑一次函数写散一点没关系。但这类评价问题通常要反复调整数据我会建议封装成一个类把所有流程收拢起来之后每次只需要传入数据和方向标志就能出结果。class WeightedTOPSIS: def __init__(self, data, direction): self.data np.array(data, dtypefloat) self.direction direction self.weight None self.result None def _positivize(self): X self.data.copy() for j in range(X.shape[1]): if not self.direction[j]: X[:, j] X[:, j].max() - X[:, j] return X def _normalize(self, X): X_min X.min(axis0) X_max X.max(axis0) return (X - X_min) / (X_max - X_min) staticmethod def _entropy_weight(X): P X / X.sum(axis0, keepdimsTrue) P np.clip(P, 1e-12, None) n X.shape[0] k 1.0 / np.log(n) e -k * (P * np.log(P)).sum(axis0) g 1 - e return g / g.sum() def run(self): X_pos self._positivize() X_norm self._normalize(X_pos) self.weight self._entropy_weight(X_norm) Z X_norm * self.weight Z_plus Z.max(axis0) Z_minus Z.min(axis0) d_plus np.sqrt(((Z - Z_plus) ** 2).sum(axis1)) d_minus np.sqrt(((Z - Z_minus) ** 2).sum(axis1)) c d_minus / (d_plus d_minus) self.result c return c调用方式很简单model WeightedTOPSIS(data, direction) score model.run() print(权重, model.weight) print(得分, score)这样封装之后不管是换数据、改指标方向还是批量跑多个方案都是一行调用的事。数学建模赛场上这种封装方式能省下大量临时调试的时间。4. 常见问题与排查技巧实录4.1 熵权法报错log(0) 怎么处理最常遇到的问题就是熵权法计算时遇到p_ij 0然后np.log(0)直接报RuntimeWarning或者返回负无穷。原因通常是归一化后某些值为0然后计算比重矩阵时这个0被保留了下来。解决办法有两种我推荐用clipP np.clip(P, 1e-12, None)把0替换成一个极小正数。这样对信息熵的计算结果影响可以忽略不计但程序不会崩。另一种办法是归一化时加一个微小平移项比如(X - min) / (max - min) * 0.99 0.005把范围从0到1平移到0.005到0.995但这种做法会稍微改变熵值不算特别干净。4.2 排名结果和业务直觉严重不符如果算出来的排名业务方怎么看都觉得不对优先检查两件事。第一指标方向有没有统一。成本型指标如果忘了正向化TOPSIS会把价格高当成好排序自然全反。第二数据里有没有异常值或录入错误比如某个指标某一行写成了10000归一化后这一列其他值全部被压缩到接近0权重计算结果也会被带偏。第三权重和业务预期差距过大。熵权法只看数据波动如果某个重要指标在所有方案里都差不多它的权重就会很小。这时候不一定是代码错了而是客观数据本身就缺乏区分度。可以考虑换用组合权重把主观权重按一定比例融合进去。4.3 权重全部相同或者某个指标权重为0当数据量较小、指标值分布均匀时熵权法可能给每个指标算出来的权重都接近相同。这不是bug而是信息熵本身差异不大。如果某个指标的权重恰好是0说明这个指标在所有方案中数值完全一致或者差异小到可以忽略。这种指标对排序没有区分贡献建议直接剔除后重新计算。4.4 熵权TOPSIS和熵权优劣解法是不是同一个东西严格说熵权法是一种确定权重的方法TOPSIS是一种排序评价方法。二者经常组合使用所以出现了熵权TOPSIS这种叫法。热搜词里的熵权优劣解法大部分时候指的就是熵权法确定权重 TOPSIS计算优劣距离的组合流程。但注意熵权法也可以和其他评价方法结合比如熵权灰色关联分析、熵权VIKOR。所以理解上不要把它们当成同一个方法而是用熵权法求权重再用某个评价框架做排序。4.5 代码排错速查表症状可能原因解决办法log(0)报错归一化后出现0值用np.clip(P, 1e-12, None)处理排序结果和直觉相反成本型指标未正向化检查方向列表加max - x处理权重严重偏向某个指标该指标量纲特别大确认是否先做了min-max归一化所有权重接近相等样本量小或指标区分度低换组合权重或增加评价指标贴近度C全部相同决策矩阵几乎没有差异检查原始数据是否录入错误归一化分母为0某指标所有值相等剔除该指标或手工指定权重4.6 一个值得收藏的扩展技巧如果你已经拿到主观权重想把熵权法算出来的客观权重融合起来可以这样操作# 假设 w_sub 是主观权重w_obj 是熵权客观权重 alpha 0.5 w_combined alpha * np.array(w_sub) (1 - alpha) * w_obj w_combined w_combined / w_combined.sum()alpha的取值可以根据业务需求调整。想让业务经验主导alpha取0.7想让数据客观性主导alpha取0.3。这个组合权重再丢进加权TOPSIS流程里既照顾了专家意见又保留了数据规律是实际项目里应对权重被质疑的最好方案。我在实际使用中还有一个习惯如果算出来的权重和业务直觉差异太大比如价格这种核心指标权重反而特别低我会先检查数据质量和指标方向——数据没问题才敢信这个权重。客观权重可以帮助你做决策但不能完全替代业务判断。这一点比任何代码细节都重要。本文还有配套的精品资源点击获取