# 数学建模实战：用TOPSIS法打造高精度评价模型（Python完整实现） 第一次参加数学建模竞赛时，面对评价类题目我手足无措——五个评价指标、二十组待评数据，评委到底想看什么？直到导师扔给我一篇TOPSIS法的论文，一切才豁然开朗。这个被NASA用于卫星系统评估的方法，竟能用如此简洁的步骤给出令人信服的排序结果。本文将带你从零实现这个"评价神器"，包括三个实战中必踩的坑和对应的Python解决方案。 ## 1. TOPSIS法的核心思想与适用场景 评价类问题的本质是在多维指标中寻找最优解。想象你要选购笔记本电脑：CPU性能、内存大小、硬盘容量、价格、重量...这些指标往往相互矛盾。TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）的聪明之处在于，它不直接比较各项指标，而是计算每个方案与理想解的"相对接近度"。 **典型应用场景包括**： - 投资决策分析（风险评估、收益预测） - 供应商选择（质量、价格、交货期等多维度评估） - 医疗方案优选（疗效、副作用、成本等权衡） - 人才综合评价（学历、经验、技能等多维度打分） 与传统AHP法相比，TOPSIS有两个显著优势： 1. **客观性强**：完全基于数据本身计算，避免主观判断带来的偏差 2. **可视化直观**：最终结果呈现为0-1之间的相对接近度，便于理解 ```python # 示例：三种笔记本电脑的评估指标（CPU性能、内存GB、价格元、重量kg） import numpy as np raw_data = np.array([ [8, 16, 6999, 1.8], # 方案A [6, 32, 5999, 2.1], # 方案B [9, 8, 7999, 1.5] # 方案C ]) ``` ## 2. 五步实现TOPSIS完整流程 ### 2.1 数据预处理：指标正向化 不同类型的指标需要统一处理方向。例如在笔电选购中： - **效益型指标**（越大越好）：CPU、内存 - **成本型指标**（越小越好）：价格、重量 - **区间型指标**（特定范围最佳）：如屏幕尺寸 ```python def normalize_indicators(data): # 效益型指标不变 benefit_cols = [0, 1] # 成本型指标取倒数 cost_cols = [2, 3] for col in cost_cols: data[:, col] = 1 / data[:, col] return data norm_data = normalize_indicators(raw_data.copy()) ``` ### 2.2 数据标准化：消除量纲影响 不同指标的单位差异会导致计算结果失真。采用向量归一化法： $$ Z_{ij} = \frac{X_{ij}}{\sqrt{\sum_{i=1}^n X_{ij}^2}} $$ ```python def standardize_matrix(matrix): squared = matrix ** 2 sum_squared = np.sum(squared, axis=0) return matrix / np.sqrt(sum_squared) std_data = standardize_matrix(norm_data) ``` ### 2.3 确定权重：熵权法实战 权重分配是评价模型的关键。熵权法通过数据自身波动程度确定权重，比AHP更客观： | 步骤 | 操作 | Python实现 | |------|------|------------| | 1. 计算概率矩阵 | $p_{ij} = \frac{Z_{ij}}{\sum Z_{ij}}$ | `prob = std_data / np.sum(std_data, axis=0)` | | 2. 计算信息熵 | $e_j = -k \sum p_{ij} \ln(p_{ij})$ | `k = 1/np.log(len(std_data))`<br>`entropy = -k * np.sum(prob * np.log(prob), axis=0)` | | 3. 计算权重 | $w_j = \frac{1-e_j}{\sum(1-e_j)}$ | `weights = (1 - entropy) / np.sum(1 - entropy)` | ### 2.4 计算理想解距离 确定正理想解（A+）和负理想解（A-）： ```python def calculate_ideal_solutions(data, weights): weighted = data * weights ideal_best = np.max(weighted, axis=0) ideal_worst = np.min(weighted, axis=0) return ideal_best, ideal_worst best, worst = calculate_ideal_solutions(std_data, weights) ``` ### 2.5 计算相对接近度 $$ C_i = \frac{D_i^-}{D_i^+ + D_i^-} $$ ```python def calculate_closeness(data, best, worst): D_best = np.sqrt(np.sum((data - best) ** 2, axis=1)) D_worst = np.sqrt(np.sum((data - worst) ** 2, axis=1)) return D_worst / (D_best + D_worst) scores = calculate_closeness(std_data * weights, best, worst) ``` ## 3. 实战中的三个关键陷阱与解决方案 ### 3.1 指标相关性处理 当两个指标高度相关时（如CPU主频和跑分），直接计算会导致权重失真。建议： 1. 先进行Pearson相关性检验 2. 对相关系数>0.9的指标合并或删除 ```python corr_matrix = np.corrcoef(std_data.T) ``` ### 3.2 数据异常值影响 极端值会扭曲标准化结果。改进方案： - 使用RobustScaler替代普通标准化 - 对超过3倍标准差的数据进行Winsorize处理 ### 3.3 权重调整技巧 熵权法有时会给出违反常识的权重（如价格权重过低）。可采取： - 设置权重上下限（如10%-40%） - 与AHP法结果加权平均 ## 4. 完整Python实现与可视化 将上述步骤封装成完整类： ```python class TOPSIS: def __init__(self, data): self.raw_data = np.array(data) self.norm_data = None self.weights = None def normalize(self, benefit_cols=None, cost_cols=None): """指标正向化处理""" self.norm_data = self.raw_data.copy() if cost_cols: for col in cost_cols: self.norm_data[:, col] = 1 / self.norm_data[:, col] return self.norm_data def calculate_weights(self): """熵权法计算权重""" # 实现代码见前文 return self.weights def solve(self): """执行完整计算流程""" self.normalize(cost_cols=[2,3]) std_data = standardize_matrix(self.norm_data) self.weights = self.calculate_weights() best, worst = calculate_ideal_solutions(std_data, self.weights) scores = calculate_closeness(std_data * self.weights, best, worst) return scores # 使用示例 topsis = TOPSIS(raw_data) results = topsis.solve() print(f"各方案得分：{results}") ``` 可视化排名结果： ```python import matplotlib.pyplot as plt plt.figure(figsize=(10,4)) plt.bar(['A', 'B', 'C'], results, color=['#3498db','#2ecc71','#e74c3c']) plt.title('TOPSIS Evaluation Results') plt.ylim(0,1) plt.ylabel('Closeness Score') for i, v in enumerate(results): plt.text(i, v+0.02, f"{v:.3f}", ha='center') plt.show() ``` 在最近一次数学建模竞赛中，我们团队用这个方法处理城市空气质量评价问题，当其他组还在争论权重分配时，我们已经通过熵权法得出了客观排名。评委特别肯定了这种"让数据说话"的处理方式，最终帮助我们拿到了赛区一等奖。记住，好的数学模型不需要复杂，而是要能清晰解决问题——这正是TOPSIS的魅力所在。