Метод TOPSIS

Метод TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) — это метод решения задач многокритериального принятия решений (MCDM), основанный на концепции, что наилучшая альтернатива должна иметь наименьшее расстояние до идеального положительного решения и наибольшее расстояние до идеального отрицательного решения. Метод был разработан в 1981 году китайско-американским математиком Хуаном Чин-Лаем (Hwang Ching-Lai) и южнокорейским исследователем Юн Кюн-Су (Yoon Kyung-Soo). TOPSIS относится к классу компенсаторных методов, где ухудшение одного критерия может быть компенсировано улучшением другого, и широко применяется в экономике, логистике, инженерии, управлении проектами и других областях, где требуется ранжирование альтернатив по нескольким противоречивым критериям.

Основные принципы

TOPSIS базируется на геометрической интерпретации многомерного пространства решений. Каждая альтернатива представляется как точка в пространстве, координаты которой соответствуют значениям критериев. Идеальное положительное решение (PIS) — это гипотетическая альтернатива, имеющая наилучшие значения по всем критериям (максимум для выгодных критериев, минимум для затратных). Идеальное отрицательное решение (NIS) — гипотетическая альтернатива с наихудшими значениями (минимум для выгодных, максимум для затратных). Ранжирование альтернатив производится по относительной близости к PIS, вычисляемой как отношение расстояния до NIS к сумме расстояний до PIS и NIS. Чем ближе значение к единице, тем предпочтительнее альтернатива.

Допущения метода

• Критерии должны быть монотонными (увеличение значения для выгодного критерия улучшает качество, для затратного — ухудшает).
• Критерии независимы друг от друга.
• Возможна количественная оценка всех критериев в числовой шкале.
• Все альтернативы сравнимы между собой.

Математическая формулировка

Пусть имеется \(m\) альтернатив \(A_1, A_2, \dots, A_m\) и \(n\) критериев \(C_1, C_2, \dots, C_n\). Значение \(i\)-й альтернативы по \(j\)-му критерию обозначается \(x_{ij}\). Матрица решений \(\mathbf{X} = (x_{ij})_{m \times n}\) является исходными данными.

Этапы алгоритма

1. Нормализация матрицы решений. Для приведения критериев к единому масштабу используется векторная нормализация:

\[ r_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^{m} x_{ij}^2}}, \quad i = 1,\dots,m,\; j = 1,\dots,n. \] Альтернативно применяется линейная нормализация (min-max), но векторная сохраняет относительные расстояния.

1. Взвешивание нормализованной матрицы. Каждому критерию присваивается вес \(w_j\) (обычно \(\sum_{j=1}^n w_j = 1\)), отражающий его относительную важность. Взвешенная нормализованная матрица:

\[ v_{ij} = w_j \cdot r_{ij}. \]

1. Определение идеальных решений:

• Идеальное положительное решение \(A^+\):

\[ A^+ = \{v_1^+, v_2^+, \dots, v_n^+\}, \quad v_j^+ = \begin{cases} \max_i v_{ij}, & \text{если критерий выгодный} \\ \min_i v_{ij}, & \text{если критерий затратный} \end{cases} \]

• Идеальное отрицательное решение \(A^-\):

\[ A^- = \{v_1^-, v_2^-, \dots, v_n^-\}, \quad v_j^- = \begin{cases} \min_i v_{ij}, & \text{если критерий выгодный} \\ \max_i v_{ij}, & \text{если критерий затратный} \end{cases} \]

1. Вычисление расстояний до идеальных решений. Обычно используется евклидово расстояние:

\[ S_i^+ = \sqrt{\sum_{j=1}^n (v_{ij} - v_j^+)^2}, \quad S_i^- = \sqrt{\sum_{j=1}^n (v_{ij} - v_j^-)^2}. \]

1. Расчёт относительной близости:

\[ C_i = \frac{S_i^-}{S_i^+ + S_i^-}, \quad 0 \le C_i \le 1. \] Альтернативы ранжируются по убыванию \(C_i\): чем ближе значение к 1, тем альтернатива ближе к идеальному положительному решению.

Пример применения

Рассмотрим задачу выбора поставщика по трём критериям: цена (тыс. руб./ед., затратный), качество (баллы от 1 до 10, выгодный), срок поставки (дни, затратный). Имеются три альтернативы: \(A_1\), \(A_2\), \(A_3\). Матрица решений:

Веса критериев: \(w_1 = 0.4\), \(w_2 = 0.35\), \(w_3 = 0.25\).

1. Нормализация (векторная):

• \(r_{11} = 5 / \sqrt{5^2+7^2+4^2} = 5 / \sqrt{90} \approx 0.527\)
• \(r_{21} = 7 / \sqrt{90} \approx 0.738\)
• \(r_{31} = 4 / \sqrt{90} \approx 0.422\)
• Аналогично для C2: \(r_{12}=8/\sqrt{8^2+6^2+9^2}=8/\sqrt{181}\approx0.594\), \(r_{22}\approx0.446\), \(r_{32}\approx0.669\)
• Для C3: \(r_{13}=10/\sqrt{10^2+7^2+12^2}=10/\sqrt{293}\approx0.584\), \(r_{23}\approx0.409\), \(r_{33}\approx0.701\)

1. Взвешивание:

• \(v_{11}=0.4\cdot0.527=0.211\), \(v_{21}=0.295\), \(v_{31}=0.169\)
• \(v_{12}=0.35\cdot0.594=0.208\), \(v_{22}=0.156\), \(v_{32}=0.234\)
• \(v_{13}=0.25\cdot0.584=0.146\), \(v_{23}=0.102\), \(v_{33}=0.175\)

1. Идеальные решения:

• \(A^+\): по цене (затратный) — min = 0.169; по качеству (выгодный) — max = 0.234; по сроку (затратный) — min = 0.102. Итого: \(v^+ = (0.169, 0.234, 0.102)\).
• \(A^-\): по цене — max = 0.295; по качеству — min = 0.156; по сроку — max = 0.175. Итого: \(v^- = (0.295, 0.156, 0.175)\).

1. Расстояния:

• \(S_1^+ = \sqrt{(0.211-0.169)^2 + (0.208-0.234)^2 + (0.146-0.102)^2} \approx \sqrt{0.00176+0.00068+0.00194} \approx 0.066\)
• \(S_1^- = \sqrt{(0.211-0.295)^2 + (0.208-0.156)^2 + (0.146-0.175)^2} \approx \sqrt{0.00706+0.00270+0.00084} \approx 0.103\)
• \(C_1 = 0.103/(0.066+0.103) \approx 0.609\)
• Аналогично для \(A_2\): \(S_2^+ \approx 0.131\), \(S_2^- \approx 0.029\), \(C_2 \approx 0.181\)
• Для \(A_3\): \(S_3^+ \approx 0.077\), \(S_3^- \approx 0.130\), \(C_3 \approx 0.628\)

1. Ранжирование: \(A_3\) (0.628) > \(A_1\) (0.609) > \(A_2\) (0.181). Лучшей альтернативой является \(A_3\).

Модификации и расширения

TOPSIS имеет множество модификаций, адаптированных к различным условиям:

• Fuzzy TOPSIS — использует нечёткие числа для оценки критериев и весов, когда точные числовые данные недоступны. Применяется в условиях неопределённости.
• Interval TOPSIS — оперирует интервальными значениями вместо точечных.
• Group TOPSIS — учитывает мнения нескольких экспертов, агрегируя их оценки.
• Weighted TOPSIS — вариация с различными способами задания весов (например, метод анализа иерархий, энтропийный метод).
• TOPSIS с альтернативными метриками — вместо евклидова расстояния могут использоваться манхэттенское расстояние, расстояние Чебышёва или махаланобисово расстояние.

Преимущества и недостатки

Преимущества

• Простота реализации и интерпретации результатов.
• Низкая вычислительная сложность (\(O(mn)\)), что позволяет обрабатывать большие наборы данных.
• Учёт как положительных, так и отрицательных идеалов, что даёт более полную картину.
• Возможность комбинирования с другими методами (например, с AHP для определения весов).

Недостатки

• Чувствительность к выбору метода нормализации (векторная, min-max, суммарная) — разные нормализации могут дать разные ранжирования.
• Предположение о независимости критериев, что не всегда выполняется на практике.
• Неявная компенсаторность: ухудшение по одному критерию может быть компенсировано улучшением по другому, что не всегда желательно.
• Трудности при работе с качественными критериями без их предварительной квантификации.
• При большом количестве альтернатив и критериев результаты могут быть нестабильными из-за эффекта «проклятия размерности».

Области применения

TOPSIS активно используется в различных отраслях:

• Логистика и управление цепями поставок — выбор поставщиков, транспортных маршрутов, складских помещений.
• Энергетика — оценка и ранжирование источников возобновляемой энергии, выбор технологий.
• Инженерия — выбор материалов, конструкций, производственных процессов.
• Медицина — выбор методов лечения, лекарственных препаратов, медицинского оборудования.
• Финансы — оценка инвестиционных проектов, портфелей ценных бумаг.
• Управление проектами — выбор проектов, подрядчиков, распределение ресурсов.
• Экология — оценка воздействия на окружающую среду, выбор природоохранных мероприятий.

Сравнение с другими методами MCDM

TOPSIS часто сравнивают с другими популярными методами многокритериального принятия решений:

• AHP (Analytic Hierarchy Process) — основан на парных сравнениях и иерархической структуре; TOPSIS проще и быстрее, но AHP лучше подходит для задач с качественными критериями.
• VIKOR — также использует идеальные решения, но фокусируется на компромиссном решении, минимизируя максимальное сожаление; TOPSIS даёт полное ранжирование, VIKOR — только одну лучшую альтернативу.
• PROMETHEE — основан на попарном сравнении альтернатив с использованием функций предпочтения; TOPSIS менее чувствителен к выбору порогов.
• ELECTRE — использует отношения превосходства и пороговые значения; TOPSIS проще в вычислительном плане.

Критика

Основные критические замечания к TOPSIS касаются проблем нормализации. Векторная нормализация, предложенная авторами, не сохраняет порядок альтернатив при изменении шкалы критериев, что может приводить к нелогичным результатам. Некоторые исследователи предлагают использовать линейную нормализацию (min-max) или суммарную нормализацию для устранения этого недостатка. Кроме того, метод не учитывает корреляции между критериями, что может быть существенным в реальных задачах.

Источники

• Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications. Springer-Verlag.
• Behzadian, M., Otaghsara, S. K., Yazdani, M., & Ignatius, J. (2012). A state-of-the-art survey of TOPSIS applications. Expert Systems with Applications, 39(17), 13051–13069.
• Opricovic, S., & Tzeng, G. H. (2004). Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS. European Journal of Operational Research, 156(2), 445–455.
• Zavadskas, E. K., Turskis, Z., & Kildienė, S. (2014). State of art surveys of overviews on MCDM/MADM methods. Technological and Economic Development of Economy, 20(1), 165–179.