% 熵权法赋权的TOPSIS优劣解距离法
%% 初始化
clear;clc
load A.mat % 输入数据集
[n,m] = size(A);
%% 正向化(有非正向指标时使用)
T = A(:,6);
T1 = max(T) - T; % 极小型
A(:,6)=T1;
%% 标准化/归一化
%%% 欧式距离法(指标无负值时使用)
%Z = A ./ repmat(sum(A.*A) .^ 0.5, n, 1);
%%% 极差归一化(最常用)
Z = (mapminmax(A',0,1))';
%% 熵权法求权重
D = zeros(1,m);
for i = 1:m
x = Z(:,i);
p = x / sum(x);
l = length(p);
lnp = zeros(n,1);
for j = 1 : l
if p(j) == 0
lnp(j) = 0; % 0值的特殊处理
else
lnp(j) = log(p(j));
end
end
e = -sum(p .* lnp) / log(n); % 信息熵
D(i) = 1- e; %信息效用值
end
W = D ./ sum(D); % 权重
%% 计算得分
distance_max = sum(((Z - repmat(max(Z),n,1)) .^ 2 ) .* repmat(W,n,1) ,2) .^ 0.5;% 与最大值的距离向量
distance_min = sum(((Z - repmat(min(Z),n,1)) .^ 2 ) .* repmat(W,n,1) ,2) .^ 0.5;% 与最小值的距离向量
score = distance_min ./ (distance_max + distance_min); % 未归一化的得分
score_gy = (mapminmax(score',0,1))'; % 归一化后的得分
流程图如下图所示: