1 内容介绍
TOPSIS法用于研究评价对象与‘理想解’的距离情况,结合‘理想解’(正理想解和负理想解),计算得到最终接近程度C值。熵权TOPSIS法核心在于TOPSIS,但在计算数据时,首先会利用熵值(熵权法)计算得到各评价指标的权重,并且将评价指标数据与权重相乘,得到新的数据,利用新数据进行TOPSIS法研究。
通俗地讲,熵权TOPSIS法是先使用熵权法得到新数据newdata(数据成熵权法计算得到的权重),然后利用新数据newdata进行TOPSIS法研究。
例如:当前有一个项目进行招标,共有4个承包商,分别是A,B,C,D厂。由于招标需要考虑多个因素,各个方案指标的优劣程度也并不统一。为了保证评价过程中的客观、公正性。因此,考虑通过熵权TOPSIS法,对各个方案进行综合评价,从而选出最优方案。
2 完整代码
clearvars
clc
format short
format compact
X = 0.5*log(abs(100*(rand(300,4))))+sqrt(abs(100*(rand(300,4)))); % 基于仿真梅森算法生成300*9的随机数矩阵。300行为样本容量,可以是时间、截面及面板数据。
Variable = {'X1','X2','X3','X4','权重之和'}'; % 划重点:'权重之和'不能少;转置!!!
[Wj2,T1,T2_sort] = ShangTopsis(X,Variable)
function [Wj2,T1,T2_sort,Ej] = ShangTopsis(X,Variable)
[m,n] = size(X);
X_PO = (X-min(X))./range(X); % 正向化数据
X_NE = (max(X)-X)./range(X); % 负向化数据
Pij = X_PO./sum(X_PO); % 计算m省份n指标的特征比重
logPij = log(Pij);
logPij(logPij==-inf) = 0;
Ej = (-1/log(m))*sum(Pij.*logPij); % 计算j项指标的熵值Ej
Dj = 1-Ej; % 计算j项指标的差异系数Dj
Wj = (Dj/sum(Dj))'; % 根据差异系数确定第j项指标的权重
Wj2 = [Wj;sum(Wj)];
disp("各变量权重并检验和是否为1: ")
T1 = table(Variable,Wj2);
for i = 1:n
V(:,i) = Wj(i)*X_PO(:,i); % 此处有两个方向,第一个方向为继续使用正向化数据(我个人倾向于这种,有始有终贯穿全文嘛),第二个方向为将原始数据标准化
end
PO_Ideal = max(V); % 计算正理想解
NE_Ideal = min(V); % 计算负理想解
PO_D = sqrt(sum((V-PO_Ideal).^2,2)); % 计算正理想解距离
NE_D = sqrt(sum((V-NE_Ideal).^2,2)); % 计算负理想解距离
C = NE_D./(PO_D+NE_D); % 计算贴近度
City_ID = [1:m]';
disp('排名结果(城市序号、正理想解距离、负理想解距离、贴近度): ')
T2 = table(City_ID,PO_D,NE_D,C);
T2_sort = sortrows(T2,4,'descend');
end
3 运行结果
4 参考文献
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。