数学建模【基于熵权法对TOPSIS模型的修正】

最新推荐文章于 2024-10-19 13:10:52 发布
最新推荐文章于 2024-10-19 13:10:52 发布
阅读量846 收藏 9
点赞数 14
文章标签： 数学建模
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/W_O_Z/article/details/136442613
版权
本文讨论了TOPSIS法中权重设定的问题，指出熵权法虽然基于数据客观性，但存在方差决定权重的争议。举例说明了在某些情况下其不适用。同时，标准ization的选择可能导致结果差异，作者建议论文发表时慎用熵权法，而在竞赛等非严格场合可作为相对较好的选择。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、修正原因

在前面有关于TOPSIS法和熵权法的介绍，我们可以知道TOPSIS有一个和层次分析法共有的问题，就是各个指标的权重是由我们主观或根据专家的主观评价估计的。层次分析法这个问题还更甚之。而恰好熵权法中的权重是由数据确定的，绝对客观。故可以用熵权法得出权重放入TOPSIS法中运用。

由于前面已经有关于TOPSIS法和熵权法详细的讲解，故这里不再赘述。

二、关于熵权法的讨论

其实熵权法是有争议或者说不妥的地方。因为熵权法可以理解为方差越大指标权重就越大，样本数据自己的分布决定了权重，这个的科学性有待考究。

举一个比较极端的例子。X和Y两个指标用来评定班上谁是三好学生，X表示违纪上档案的次数，Y表示逃课的次数，毫无疑问X对评定的影响程度大，但几乎所有的人的X都是0，所以X的权重就会很小，这时候万一有人违纪了但是没有迟到，不可能把三好学生给他吧。

但其实，不管什么评价指标，实际上都不客观，因为模型的参数是自己定的。

熵权法的另一个问题是，因为概率p是位于0-1之间，因此需要对原始数据进行标准化，我们应该选择哪种方式进行标准化呢？查看知网的文献会发现，并没有约定俗成的标准，每个人的选取可能都不一样。但是不同方式标准化得到的结果可能有很大差异，所以说熵权法也是存在着一定的问题的。

都这样说了，那到底用不用呢？

如果大家的论文要发表，别用熵权法；如果大家只是用这个方法进行比赛那么可以随便用，因为这个方法总比你自己随意定义好。

                                                                                                                          ------参考回答：清风

基于熵权法对Topsis模型的修正
m0_46152035的博客
09-08 929
目录解决问题原理信息熵定义信息熵的计算步骤原理解释运行代码运行结果 解决问题 修正Topsis模型 。对其赋予权值 原理 信息熵定义 信息熵的计算步骤 原理解释 运行代码 运行结果
数学建模-基于熵权法对Topsis模型的修正
qq_60678226的博客
06-15 2494
topsis模型赋予权重有层次分析法，但层次分析法也有其弊端。层次分析法最大的缺点：判断矩阵的确定依赖于专家，如果专家的判断存在主观性的话，会对结果产生很大的影响。（主观性太强）针对层次分析法主观性太强的弊端，我们可以采用熵权法给topsis评价模型的各个指标赋权。...
数模学习day07-基于熵权法对Topsis模型的修正
WenJGo的博客
01-04 1967
基于熵权法对Topsis模型的修正
基于熵权法对TOPSIS模型的修正
yanyanwenmeng的博客
04-17 9219
IMMC2020：熵权TOPSIS 笔记整理来自清风老师的数学建模课程：TOPSIS教程 目录 1. 熵权法的原理（客观赋权的方法） 2. 如何度量信息量的大小 3. 信息熵的定义 4. 熵权法的计算步骤 4.1 将输入矩阵中的负数变为正数（指标标准化） 4.2 计算概率 4.3计算信息熵 5. 熵权法背后的原理 6. 熵权法代码实现 7. 熵权TOPSIS代码实...
评价类模型-基于熵权法的Topsis模型★★★★
huahua121_的博客
07-15 2288
基于熵权法的Topsis模型是对Topsis模型的补充，因为层次分析法具有较大的主观色彩，对于最终得分来说，缺乏客观性，而熵权法是基于数据本身进行分析，所以更加推荐使用熵权法。使用步骤与Topsis模型差不多，但是引入新的指标——信息效用值来评价问题，将信息效用值归一化后，再计算对于的权重。熵权法只是一个确定权重的方法，一般和别的方法（如TOPSIS法）一起使用。
MATLAB实现基于熵权法对Topsis模型的修正【数学建模、科学计算算法】.zip
04-14
在这个名为“MATLAB实现基于熵权法对Topsis模型的修正”的项目中，我们深入探讨了如何使用MATLAB来改进Topsis（Technique for Order of Preference by Similarity to Ideal Solution）决策分析模型，并利用熵权法来...
评价类_基于熵权法对Topsis模型的修正 （清风数学建模）
ysjy13的博客
06-24 1158
disp(max(Z)) ===》 每列的最大值 0.3216 0.3342 0.4009 0.3065。disp(repmat(max(Z),n,2) ===> n的位置是 往下复制 且往右多复制一份。disp( max( max(Z) ) ) ===》 整个矩阵的最大值 0.4009。disp(repmat(max(Z),n,1)) ===> n的位置是 往下复制。方便理解的matlab 代码。sum(S) 这是求和。
数学建模笔记2-TOPSIS&熵权法
AsukaCsj的博客
08-12 4403
C.L.Hwang 和 K.Yoon 于1981年首次提出 TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution)，可翻译为逼近理想解排序法。TOPSIS 法是一种常用的综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。
MATLAB熵权法修正Topsis模型算法实现
资源摘要信息:"MATLAB实现基于熵权法对Topsis模型的修正【数学建模、科学计算算法】.zip" 在当前的技术背景下，数据处理和算法应用已经成为科学计算和数学建模领域的重要组成部分。MATLAB作为一种强大的数值计算与...
评价类模型---TOPSIS法
qq_51408826的博客
07-25 1万+
TOPSIS法 统一指标类型 标准化处理 我们根据例子让大家更好的知道应该如何计算 总结 第一步：将原始矩阵正向化 第二步：正向化矩阵标准化 第三步：计算得分并归一化 练习题 模型的扩展 代码运行的几个问题 基于熵权法对TOPSIS模型的修正 熵权法的步骤...
熵权法的运用
qq_46721967的博客
08-22 3024
熵权法与层次分析法都是确定指标权重的方法。 熵权法主要是依据指标的变异程度，进行客观的给指标赋权重。 层次分析法主要是依据专家（个人）主观的进行两两比较，最后给指标赋权重。 我们可以用指标的标准差来衡量样本的变异程度，指标的标准差越大，其信息熵越小。 建议：比较适合运用于有数据的评价问题，熵权法与Topsis方法联合使用。 该方法一般与Topsis方法联合使用，以下是计算熵权部分的代码： [n,m] = size(Z); D = zeros(1,m); % 初始化保存信息效.
（1）评价算法—熵权法
xdg15294969271的博客
09-06 2万+
1、什么是熵权法 一种客观赋值法，确定样本每个指标的权重。涉及到信息量信息熵的个概念可以去这里查看 1.1 优点 熵权法能深刻反应指标的区分能力，确定较好的权重 赋权更加客观，有理论依据，可信度也更加高 算法简单，实践，不需要其他软件分析 1.2 缺点 无法考虑到指标与指标之间的横向影响 对样本依赖性大，随建模样本变化，权重也会发生变化 可能导致权重失真，最终结果无效。 1.3 适用范围 单单使用熵值法权重失真是经常发生的，要结合一定专家打分法才能发挥熵值法的优势。上层可能需要结合专家经验来构建，而
熵权法、熵值法、熵权TOPSIS三种方法的实用场景及优劣比较
lyxathena的博客
07-05 5498
熵权法是一种基于信息熵的客观赋权方法，主要用于确定各评价指标的权重。它广泛应用于需要客观赋权的各类评价场景，如企业绩效考核、产品质量评估、项目评价等。在这些场景中，熵权法能够根据数据的变异程度自动分配权重，减少主观因素的影响，提高评价结果的客观性。
熵权法（EWM)
25届计算机保研er。竞赛数模方面获得美赛国一，东三省省一；算法方面获得百度之星省二，蓝桥杯省三
10-19 3391
熵值法是根据各项指标指标值的变异程度来确定指标权数的，这是一种客观赋权法，避免了人为因素带来的偏差。相对那些主观赋值法，精度较高客观性更强，能够更好的解释所得到的结果。主观赋值法：层次分析法，功效系数法，模糊综合评价法，综合指数法。
基于熵权法对TOPSIS法模型的修正
qq_52100895的博客
08-04 6838
TOPSIS法（优劣解距离法）是一种常用的综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。同时TOPSIS法也可以结合熵权法使用确定各指标所占的权重。
数学建模 ：基于熵权法对Topsis模型的修正
CSDN 精品推荐
11-24 4822
文章目录前言一、熵权法二、熵权法步骤二、总结 前言 一、熵权法 1.缘由 当Topsis方法考虑权值时，需要用到层次分析法进行确定不同指标的权重，而判断矩阵都为由自己填写，所以主观性太强，对结果影响较大。 2.原理： 指标的变异程度越小，所反映的信息量也越少，其对应的权值也应该越低，例如不同学生的数学成绩都为100分，所以只根据数学的分并不能看出谁的能力较强，所以他的权重为0，即数学这个指标对我们的评价起不到任何作用。 3.那么如何去判断每个指标提供的信息量大小呢？ 利用对数性质，如果概率越大.
数学建模之综合评价模型（层次分析法+Topsis法+熵权法）
热门推荐
qq_53133234的博客
04-24 7万+
以下内容均听自清风老师的建模教程 （老师讲的很好哦，大家可以去听听，结合实例不枯燥！） 以例题进行分析： 小明同学想出去旅游，在查阅了网上的攻略后，他初步选择了苏杭，北戴河，桂林三个地方 请你确定评价指标，形成评价体系为小明同学选择最佳的方案。 第一步：确定模型 当题中出现“确定评价指标，形成评价体系”这类词眼，这就是一道层次分析题。 第二步：建立递接层次结构模型 我们从三个问题入手： 1.我们评价的目标是什么？ 答：为...
基于熵权法的topsis分析（包含matlab源码以及实例）
m0_62558103的博客
08-18 3万+
基于熵权法的topsis分析（包含matlab源码以及实例）
基于熵权法对topsis模型修正
最新发布
01-14
### 使用熵权法改进TOPSIS模型的方法 #### 方法概述 传统的TOPSIS方法依赖于主观赋予权重来衡量不同指标的重要性。然而，这种方法可能导致结果偏差，因为人为设定的权重可能无法完全反映实际情况。为了克服这一局限性，可以引入熵权法自动计算各个指标的客观权重。 熵权法通过分析数据本身的离散程度来确定各指标的重要度。具体来说，如果某个指标的数据差异较大，则该指标对于区分备选方案更为重要；反之则不那么重要。因此，利用熵权法能够更科学合理地分配权重给不同的评估标准[^2]。 #### 改进后的流程说明 1. **数据预处理** - 对原始数据进行必要的清洗和转换操作； - 将所有效益型指标转化为成本型指标或相反（视具体情况而定），使得后续计算统一方向上的最优解。 2. **标准化处理** - 鉴于不同量纲之间可能存在数量级差异，在比较之前需先做无量纲化变换。 3. **构建概率矩阵并求取信息熵** - 根据标准化后的数值建立相应的概率分布表； - 应用公式\[E_j=-k\sum_{i=1}^{m}(p_{ij}\ln p_{ij})\]计算第\(j\)项特征的信息熵值，其中\(k=\frac{1}{\ln m}\)，\(m\)表示样本总数。\(^4] 4. **获取信息效用值与权重向量** - 利用\[g_j=(1-E_j)\]得到各项属性的信息效用值； - 权重定义为:\[\omega_j=\frac{g_j}{\sum g_i}, i \in [1,n]\],这里n代表总的属性数目. 5. **计算加权规范化决策矩阵中的理想点坐标** - 正理想解(A+)\[A^+=max(\omega_iz_{ij}), j \in J_B; min(\omega_iz_{ij}), j \in J_C\] - 负理想解(A-)\[A^-=min(\omega_iz_{ij}), j \in J_B; max(\omega_iz_{ij}), j \in J_C\] 这里,\(J_B,J_C\)分别指代收益类, 成本类指标集合.\(^1] 6. **测量相对接近度** - 分别求得每个待评对象到正负理想点的距离D+, D-, 并据此得出贴近度C*. 7. **排序输出最终结果** ```python import numpy as np from math import log def entropy_weight(data): """Calculate the weight vector using Entropy Method""" # Step 0: Data Preprocessing & Normalization norm_data = data / np.sum(data, axis=0) # Step 1: Construct Probability Matrix P and Calculate Information Entropy E prob_matrix = norm_data / np.tile(np.sum(norm_data, axis=0), (data.shape[0], 1)) epsilon = 1e-6 # Avoid division by zero error when calculating ln(p_ij) info_entropy = -np.sum(prob_matrix * np.log(prob_matrix + epsilon), axis=0) / log(len(data)) # Step 2: Get Utility Value G And Weight Vector Omega utility_value = 1 - info_entropy omega_vector = utility_value / sum(utility_value) return omega_vector if __name__ == "__main__": # Example dataset with three attributes for five alternatives example_dataset = np.array([[0.8, 0.6, 0.9], [0.7, 0.8, 0.7], [0.6, 0.9, 0.6], [0.9, 0.7, 0.8], [0.7, 0.7, 0.7]]) weights = entropy_weight(example_dataset) print(f"Weights calculated via Entropy Method are {weights}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

还有糕手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值