关于综合评价的方法，根据其赋权方式的不同，主要分为两大类。一类是主观赋值法，如指数法、层次分析法、模糊综合评价法等；另一类是客观赋值法，包括因子分析法、TOPSIS法以及人工网络法等。
本文的主要焦点是介绍TOPSIS法，这是一种被称为“理想解法”的技术，由C.L.Hwang和K.Yoon于1981年首次提出。该方法广泛应用于效益评价、决策、管理等多个领域。
TOPSIS法依据各测评对象与理想目标的接近程度来排序，对现有研究对象进行相对优劣评价。它的基本原理是通过度量每个评价对象与最优解和最劣解的距离进行排序。当评价对象最靠近最优解同时又最远离最劣解时，被视为最优。
TOPSIS法的评价步骤（针对极大型指标）如下：根据各对象的接近程度大小进行排序，排序的依据是数值大小，数值越大，表明评价单元越接近理想状态，因此评价结果越佳。
我们还可以根据公式得出，数值越大时，越接近最大值，这同样表明了评价的优越性。
此方法对数据分布及样本含量无特殊限制，计算过程简便易行。
在实施上述步骤时，得到指标矩阵后需进行指标正向化处理以及归一化处理。接下来，我们将详细阐述指标正向化的过程。
1）对于极大型指标，即数值越高（大）越好的指标，我们可以直接使用其原始数据进行分析。
2）对于极小型指标，即数值越低（小）越好的指标，我们通常需要将其转化为极大型指标，即指标正向化。这一过程是评价中的重要环节。
若极小型指标的数据全为整数，可使用特定公式进行转换。
以下是一个实例：将“与人争吵的次数”这一极小型指标转化为极大型指标后的结果展示。
3）对于介于某个特定范围内的中间型指标，我们希望其值既不要过大也不要过小，某个特定值最为理想。这种指标也需要进行正向化处理。
假设有一组中间型指标序列，且最佳数值为某一特定值时，我们使用相应的正向化公式进行处理。
例如：水质量评估中的PH值指标正向化处理，当PH值为7时表示最佳水质。
4）对于落在某个区间内为最佳的区间型指标，我们需根据实际需要对其进行评价。
假设有一组区间型指标序列，其最佳区间为[a,b]，则可采用特定的正向化公式进行处理。
例如：人的体温在36摄氏度~37摄氏度这个区间内被视为正常。
值得注意的是，TOPSIS法常常与熵权法结合使用，以提高评价的准确性和可靠性。
经过上述分析得到的评分结果（部分）、正负理想解及权重如下表所示。