熵值TOPSIS

最近闲来无事，想起之前发了熵值法和TOPSIS法的python代码，但是熵值法和TOPSIS法结合又是怎样的呢？小编接下来将为大家讲述熵值TOPSIS的步骤，具体代码大家自行编制吧。哈哈哈。

其中 ，

表示第 i 个样本第 j 项评价指标的数值。

对于某项指标，Xj 样本的离散程度越大，则该指标在综合评价中所起的作用就越大。如果该指标的标志值全部相等，则表示该指标在综合评价中不起作用。

第一步，采用熵值法确定权重。

（一）数据归一化处理

为消除因量纲不同对评价结果的影响，需要对各指标进行归一化或者标准化处理。

Pij 第 j 个指标中第 i 个样本标志值的比重

（二）计算信息熵

（三）计算效用价值

（四）计算熵权

第二步，结合TOPSIS进行综合加权。

（一）指标同质化

若所用指标的值越大越好（正向指标）：

若所用指标的值越小越好（负向指标） :

其中，maxxj ​为第 j 项指标的最大值；minxj 为第 j 项指标的最小值。

（二）规范化矩阵

​

（三）最优、最劣列值

（四）最优、最劣距离

（五）综合得分

Ci 取值为(0,1)，越接近1，评价对象越接近最优水平，综合得分越高