数学建模（熵权法 python代码例子）

取名真难.

已于 2024-03-23 16:14:42 修改

阅读量1k

点赞数 11

分类专栏：数学建模文章标签：数学建模 python 开发语言算法

于 2024-03-20 21:48:47 首次发布

本文链接：https://blog.csdn.net/qq_74156152/article/details/136888871

版权

熵权法是一种多属性决策方法，通过计算属性熵值确定其重要性。文章介绍了熵权法的基本原理，包括熵的计算公式和权重计算，并提供了将不同类型的指标正向化及标准化处理的步骤。此外，还展示了用Python实现熵权法的代码和最终决策结果。

摘要由CSDN通过智能技术生成

介绍：

熵权法是一种多属性决策方法，用于确定各个属性在决策中的重要程度。该方法的核心思想是通过计算属性的熵值，来评估属性的信息量和不确定性，进而确定属性的权重。

熵是信息论中的概念，表示一个随机变量的不确定性。在决策中，一个属性的熵越大，说明该属性对决策的贡献越大，因为它包含了更多的信息。熵权法通过计算属性的熵，然后将每个属性的熵除以总的熵，得到每个属性的权重。

具体步骤如下：

收集决策所涉及的属性数据。

计算每个属性的熵值，使用熵的计算公式：熵 = -Σ(p*log2(p))，其中p表示属性的概率。

计算所有属性的熵之和，得到总的熵。

计算每个属性的权重，使用该属性的熵除以总的熵。

最后可以根据属性的权重，进行决策或排序。

熵权法在多属性决策中具有一定的优势，能够考虑到不同属性的权重，提高决策的准确性和可靠性。但是，在实际应用中，需要注意属性数据的准确性和合理性，以及熵的计算方法的选择等问题。

模板：

import numpy as np

# 定义计算熵的函数
def entropy(data):
    # 计算每个属性的概率
    prob = np.array(data) / np.sum(data)
    # 计算熵
    entropy = -np.sum(prob * np.log2(prob))
    return entropy

# 定义熵权法函数
def entropy_weight(data):
    # 计算每个属性的熵
    entropies = [entropy(column) for column in data.T]
    # 计算总的熵
    total_entropy = np.sum(entropies)
    # 计算每个属性的权重
    weights = [entropy / total_entropy for entropy in entropies]
    return weights

# 示例数据
data = np.array([[10, 20, 30, 40], [40, 30, 20, 10]])

# 计算权重
weights = entropy_weight(data)
print("属性权重：", weights)

例子：择偶

极小型指标转化为极大型（正向化）：

   # 公式:max-x 
   if ('Negative' in name) == True:
            max0 = data_nor[columns_name[i + 1]].max()#取最大值
            data_nor[columns_name[i + 1]] = (max0 - data_nor[columns_name[i + 1]])  # 正向化
            # print(data_nor[columns_name[i+1]])

中间型指标转为极大型（正向化）：

 # 中间型指标正向化 公式：M=max{|xi-best|}  xi=1-|xi-best|/M
        if ('Moderate' in name) == True:
            print("输入最佳值：")
            max = data_nor[columns_name[i + 1]].max()
            min = data_nor[columns_name[i + 1]].min()
            best=input()
            M=0
            for j in data_nor[columns_name[i + 1]]:
                if(M<abs(j-i