TOPSIS：选一台笔记本

第三课 · 离理想解近，离负理想解远

← Back to Home

一个购物难题

要买一台笔记本，候选四台，关心八件事：重量、续航、能不能玩英雄联盟（国服客户端只支持 Windows， 所以 MacBook 计"否"）、内存、CPU 性能、独立显存、外观、价格。参数如下：

规格与价格为 2025 款公开资料的约数，课堂演示用。CPU 分数为 Geekbench 6 多核约数；续航为轻度办公口径； 外观分是主观打分的样例（1–10，课堂上可以让学生自己打）。 加粗蓝色 = 该项全场最优，红色 = 该项全场最差。

看一眼就会发现麻烦所在：没有一台电脑在所有项目上赢。轻的玩不了游戏，能打游戏的重得像砖头， 续航最长的显存是零。四台电脑各是某种人的最优解——那"综合最好"到底怎么定义？

梦中情本与地狱本

TOPSIS 的想法很直接。把每一项的全场最优值拼在一起，得到一台"梦中情本"： 0.98 kg、15 小时续航、能玩 LOL、32G 内存、最强 CPU、8G 显存、颜值 9 分、只卖 ¥7999。 这台电脑不存在——它是从四台机器上各拆一个零件拼出来的怪物。 同样把每项的最差值拼起来，得到一台"地狱本"。

然后 TOPSIS 只做一件事：买离梦中情本最近、离地狱本最远的那台真实电脑。 "近"和"远"用距离来度量——这就是它全部的思想，剩下的六个步骤都只是把"距离"算得严谨。

理想解与负理想解

梦中情本的学名叫理想解 $A^+$，地狱本叫负理想解 $A^-$。 每个候选算两个距离：到 $A^+$ 的距离 $D^+$（越小越好）、到 $A^-$ 的距离 $D^-$（越大越好）， 最后合成一个分数 $C = \dfrac{D^-}{D^+ + D^-} \in [0,1]$：$C=1$ 就是理想解本身，$C=0$ 就是负理想解本身。

先看几何，再看步骤

八个指标是八维空间，画不出来，但一次看两个指标就是平面。下面每台电脑是一个点 （坐标已各自归一到 0–1，右上角永远更好），右上角 ★ 是这两项拼出的理想解，左下角是负理想解。 点一台电脑，看它的 $D^+$、$D^-$ 和 $C$。

横轴 纵轴

点一个点试试。

这个小视图本身就是一个只有两个指标的完整 TOPSIS。换不同的轴组合可以看到： 每换一对指标，"谁离理想角最近"就可能换人——这就是权重问题的几何预告。

六步算出来

第 1 步：正向化——先把方向统一成"越大越好"

八个指标里六个天然"越大越好"，重量和价格是成本型（越小越好）。 转换方法：用全场最大值去减，$x' = \max(x) - x$，最重（最贵）的变成 0，最轻（最便宜）的得分最高。 "能玩 LOL"是 0/1 指标，方向已经正确。

第 2 步：向量归一化——消掉量纲

CPU 分数动辄上万，外观分只有个位数，直接算距离的话 CPU 一列说了算。 每列除以自己的模长：

$$r_{ij} = \frac{x_{ij}}{\sqrt{\sum_i x_{ij}^2}}$$

第 3 步：加权——把"你多在乎"乘进去

归一化之后每列的地位是平等的，但你对八件事的在乎程度显然不同。加权分两小步：

（3a）先把在乎程度归一化成权重。你在下面权重面板里拖出来的滑杆值 $a_j$（0~3）只有相对大小有意义—— "续航 2、价格 1"和"续航 3、价格 1.5"是同一种立场。所以先除以总和，变成加起来等于 1 的权重：

$$w_j = \frac{a_j}{\sum_{k} a_k}\qquad \textstyle\sum_j w_j = 1$$

当前滑杆对应的权重（随下面的面板实时变化）：

（3b）再把权重乘到归一化矩阵上： $v_{ij} = w_j \, r_{ij}$。

算例：MacBook 的"续航"这一格

续航列是 $(15, 5, 8, 9)$，模长 $\sqrt{15^2+5^2+8^2+9^2} = \sqrt{395} \approx 19.87$， 所以第 2 步得到 $r = 15 / 19.87 \approx 0.755$。

等权时 $w = 1/8 = 0.125$，于是 $v = 0.125 \times 0.755 \approx 0.094$； 换成游戏党（续航滑杆 0.3，滑杆总和 12.4），$w = 0.3/12.4 \approx 0.024$， 同一格缩水成 $v \approx 0.018$——只有原来的五分之一。 数据没变，变的是这一项在总分里的话语权。

几何上看，乘权重等于把你在乎的坐标轴拉长、不在乎的压扁： 在拉长的方向上，同样的差距贡献更大的距离。后面算"离理想解多远"时， 距离自然就偏向你在乎的那几个方向。这也是 TOPSIS 的诚实之处—— 它自己不产生权重，权重来自你的偏好（或者下节课的 AHP、熵权法），它只负责把你的偏好如实地变成几何。

第 4 步：拼出 $A^+$ 和 $A^-$（各列的最大 / 最小）

第 5、6 步：算距离，合成 $C$，排序

$$D_i^{\pm} = \sqrt{\textstyle\sum_j \left(v_{ij} - A^{\pm}_j\right)^2} \qquad C_i = \frac{D_i^-}{D_i^+ + D_i^-}$$

权重即立场

同一批电脑、同一套算法，只改权重。点预设或拖滑杆，看第一名怎么换人。

五组预设，三台电脑轮流当第一

等权重时前三名咬到只差 0.017（Mac 0.548、幻 14 0.534、拯救者 0.531）——"等权"并不是一个中立的立场， 它也是一种选择，而且在这里选出的冠军极不稳固。游戏党的第一名是拯救者；全能党的第一名是幻 14—— 它几乎没有单项冠军，却离全能党的梦中情本最近；出差党和学生党的第一名都是 MacBook， 尽管它玩不了 LOL。排名从来不是数据单方面决定的，是数据 × 权重共同决定的。 HiMCM 2016 年过山车题的最后一问"设计一个让用户自选偏好的排名 App"，说的就是这件事： 模型的产物不是一个排名，而是这个可以调权重的框架本身。

还剩一个悬念：MateBook X Pro 在五组预设里从来没赢过，但也几乎从不垫底。 动手试试——能不能拖出一组权重，让它当一次第一？（提示：它有一项全场最优。）

实践：TOPSIS 比加权求和多了什么？

一个合理的质疑：不学 TOPSIS 的话，"min-max 归一化 + 加权求和"也能给出排名——两条流水线前四步一模一样， 只有最后一环不同（求和 vs 距离比）。那 TOPSIS 到底多买到了什么？

下表是等权重下三种组合的结果。橙色描边 = 这台电脑在三种方法下名次不一致。

这是一道留给你的灵敏度分析题。用上面的权重面板做实验，然后试着从公式上解释：

  1. 找一组权重让三列完全一致；再找一组让分歧尽可能大。
  2. 前两列（同样的 min-max，只换聚合）出现分歧时，被翻转的总是什么样的机器？在什么条件下求和与距离才会给出不同的顺序？
  3. 对比第一、三列：换归一化的影响和换聚合的影响，哪个更大？什么样的列最容易被归一化的选择改变话语权？ （提示：回想第二课里 min-max 和 z-score 什么时候分家。）

二维散点图里的两个开关是第 2 问的图形提示：加权求和的"等分线"是一族平行直线（线上任何两点得分相同——短板长板精确互换）； TOPSIS 的"等 C 线"是绕着理想点弯曲的弧（阿波罗尼斯圆）。

三个值得多想一步的地方