数学建模【熵权法】

一、熵权法简介

说到熵权法就得先说熵，在信息论中，熵是对不确定性的一种度量，可判断一个事件的随机性及无序程度。用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。

下面举一个例子来直观的看看熵：考试成绩

如果有某一门课“不易拉开差距”，意味着这一门课对最终总成绩排名影响很小。比如如果所有人的化学成绩相同，意味着“整齐划一”，相应混乱程度就低。

在本模型中，混乱程度低对应着熵值接近1，评价总成绩时可给该指标赋予低权重；相对的，如果说数学的分差距较大，如果去掉这门课，总成绩排名可能会出现变化。

二、适用赛题

数据全面、缺少文献或主观题目依据的题目

• 例如评价河流水质，已知河流的含氧量、PH值、细菌密度、生物密度等数据
• 但缺乏水质的文献资料，或者文献内说法不一
• 即文献很难帮助我们确定影响水质最重要的因素是哪一个
• 也很难告诉我们其余指标的重要程度如何衡量
• 此时可使用熵权法，根据数据本身建立评价体系

注意事项

• 熵权法与其他方法（层次分析法、TOPSIS法等）最大的区别就是完全客观
• 追求“公平公正”的情况，可以优先考虑熵权法
• 但有时“完全客观”也是缺点，难以将数据之外的因素考虑进去

三、模型流程

四、流程分析

1.数据标准化

标准化的原因

• 评价体系中，存在数值越大越好的正项指标，和数值越小越好的负向指标
• 不同指标数量级也可能不同；且求熵的公式中用到对数函数，变量不允许有负值

标准化

• 正向指标标准化

• 负向指标标准化

标准化之后，数据所有值在[0, 1]区间内，且都是数值越大、现实意义越好。

2.计算熵值和变异程度

首先得求每个评价对象在各个指标中的比重，可理解为统计意义上某种情况出现的概率

有了比重可以求熵值，对于第j个指标，其熵值ej为

而变异程度与熵值有关

• 第j个指标的变异程度：gj = 1 - ej
• 显然熵值越大、变异程度越小，代表该指标越有序，该指标的信息量也就越小

注：上面的公式与热力学息息相关，这里不对公式作证明。

3.计算权重和综合评分

通过变异程度求权重

• 计算第j个指标的权重

• 指标的变异程度越大、信息量越大，相应指标的权重也越大

通过权重和比重求综合评价值

• 计算第i个评价对象的综合评价值

• 该公式对不同科目加权求和，得到每个评价对象的平均值，评价值越大越好
• pij和wj都是原始数据求得的，完全客观，不掺杂主观成分

将综合评价值由大到小排序，排序完成。