适用场景 多个备选方案、多个评价指标。先靠专家经验（AHP）确定指标的重要程度，再用 TOPSIS 算出每个方案距离理想最优解的远近，实现方案排序。
适合：供应商选择 · 装修方案对比 · 平台系统选型 · 项目方案择优 · 设备采购
假设我们要“选购一套智慧办公系统”，一共有 3 套备选方案：方案 A、方案 B、方案 C。
我们设置 4 个评价指标：
1. 采购成本（越低越好，成本型指标）
2. 系统稳定性（越高越好，效益型指标）
3. 功能完备度（越高越好，效益型指标）
4. 后期维护难度（越低越好，成本型指标）
原始数据表
指标说明
效益型：数值越大越好（稳定性、完备度）
成本型：数值越小越好（采购成本、维护难度）
步骤总览
01 构建 AHP 层次结构，构造判断矩阵，算权重并做一致性检验
02 TOPSIS 原始矩阵标准化处理
03 把 AHP 权重乘入标准化矩阵，得到加权标准化矩阵
04 确定正理想解（最优虚拟方案）与负理想解（最差虚拟方案）
05 计算各方案到正、负理想解的距离
06 计算贴近度，从大到小排序，选出最优方案
层次结构
目标层：选择最优智慧办公系统
准则层（4 个指标）：采购成本、系统稳定性、功能完备度、维护难度
1）构造判断矩阵
专家两两对比打分，采用 1-9 标度：
1 = 同等重要 3 = 稍微重要 5 = 明显重要 7 = 强烈重要 9 = 极端重要
2、4、6、8 为上述判断的中间值
本例专家打分判断矩阵（行／列依次为：成本、稳定性、完备度、维护难度）
2）AHP 计算结果
手工可验算，也可用 Python 自动算：
最大特征根 λmax ≈ 4.046
一致性指标 CI = (λmax − n) / (n − 1) = (4.046 − 4) / (4 − 1) = 0.015
随机一致性指标 RI（n = 4 时，RI = 0.89）
一致性比率 CR = CI / RI = 0.017 < 0.1，通过一致性检验，权重有效
得到 4 个指标的权重：
解读：系统稳定性权重最高，说明专家认为“稳不稳”是选系统最重要的因素。
核心逻辑
TOPSIS 的思路是：虚拟一个“理想最优方案（正理想解）”和一个“最差方案（负理想解）”，再计算每个方案分别离它们多远。
贴近度 Ci 越大 → 方案越优，取值在 0~1 之间。
原始决策矩阵
指标类型：cost（成本）、benefit（稳定性）、benefit（完备度）、cost（维护难度）
TOPSIS 计算结果
结论：方案 A 贴近度最高（0.604），为最优方案。
AHP 与 TOPSIS 全流程封装好了，装好 numpy 就能直接跑：
依赖安装：pip install numpy
运行输出预览
==== AHP结果 ====
最大特征根λmax = 4.0458
CI = 0.0153, RI=0.8900, CR=0.0172
CR <0.1，一致性检验通过！
指标权重： [0.1761 0.4553 0.2730 0.0956]
==== TOPSIS 排序结果 ====
方案 D+到正理想距离 D-到负理想距离 贴近度Ci 排名
方案A 0.0968 0.1477 0.6040 1
方案B 0.1320 0.0929 0.4128 2
方案C 0.1518 0.1017 0.4011 3
Excel 版思路，适合不想碰 Python 的读者：
① 确定目标 明确要选什么，列出备选方案
② 确定指标 一般控制在 3~7 个，区分效益型与成本型，不要贪多
③ AHP 打分 指标两两对比填判断矩阵，算权重，CR < 0.1 才算有效
④ 收数据 收集所有方案原始数据，建立方案评价表
⑤ TOPSIS 计算 标准化、乘权重、找正负理想解
⑥ 排序决策 算贴近度，从大到小排，选出最优方案
什么时候适合用
· 多个备选方案、多维度评价，且指标重要程度需要专家经验判断
· 采购选型、供应商挑选、装修方案、项目方案、设备招标优选
三个坑，别踩
1. AHP 打分主观性强专家打分要严谨；一旦 CR ≥ 0.1，矩阵直接作废，必须重新打分。
2. 指标类型搞反TOPSIS 必须区分效益型／成本型，搞反一步，结果直接反向。
3. 指标太多指标别超过 9 个，否则判断矩阵很难通过一致性检验。
AHP 负责确定指标的重要性权重（主观专家经验），TOPSIS 负责方案之间的量化排序。
两者组合，就把“凭感觉选方案”变成一套可复现、可验算的定量决策流程。
不管是企业采购、项目方案对比，还是课题论文里的方案优选，AHP + TOPSIS 都是非常经典好用的组合。
如果不喜代码，后台回复 【TOPSIS】 即可领取Excel模板，内含示例案例与文中一样。
— END —
