数模评价决策类—熵权法

目录

文章目录

前言

一、熵权法是什么？

二、基本步骤

计算样本权重及熵权

总结

---

前言

前面我们学习了层次分析法和Topsis法，这两个方法都是偏主观的方法，这篇我们将运用较为客观的方法——熵权法，做出决策

---

一、熵权法是什么？

概念：我们用熵值判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大，该指标对综合评价的影响越大

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，如果某项指
标的值全部相等，则该指标在综合评价中不起作用

如：假如我们要选出模特

 这里我们发现模特的身高都差不多，那么身高这个指标明显对我们评价的影响要小，而体重的差异很大，其应该对我们的决策比较重要

二、基本步骤

前面对矩阵进行正向化以及标准化处理（这个地方需要注意的是：正向化后的矩阵元素可能为负数）的步骤与Topsis法是相同的，这里不再过多赘述，不记得大家可以再看下：

Topsis中的正向化和标准化处理http://t.csdnimg.cn/8qwtR

计算样本权重及熵权

步骤：

• 计算第 j 项指标下第 i 个样本所占的比重    (归一化）
• 对于第j个指标，信息熵的计算公式为：

• 

（易知，当P1j=P2j=…=Pnj=1/n时，ej=1,此时信息熵最大，但其信息效用值最小)

• 定义信息效用值dj=1-ej，此时效用值越大，权重越大。
• 将信息效用值进行归一化，得到熵权Wj

%计算熵权
X = zeros(1,m);%初始化保存信息效用值的行向量
for i = 1:m
    C = B(:,i);  %取出第i列的指标
    p = C /sum(C); %矩阵归一化
    %注意，P有可能为0，此时计算ln（p）*p时，Matlab会返回NaN，所以我们自己定义一个函数
    e =-sum(p.* myself_log(p))/log(n);  %计算信息熵
    X(i) = 1-e;  %计算信息效用值
end
Q = X ./sum(X)  ; %将信息效用值归一化，得到权重
disp('权重Q=');
disp(Q);

这里考虑到p可能为0的情况，但是ln函数的底不能为0，则我们自己定义一个mysel_log函数

%重新定义一个myselflog函数，当输入的p中的元素为0时，返回0
function lnp = myselflog(p)
L =length(p); %计算向量的长度
lnp = zeros(L,1);%先对最后的返回结果初始化
    for i = 1:L
        if p(i)==0  %第i个元素为0
        lnp(i)=0;
        else
        lnp(i) = log(p(i));
        end
    end
end 

---

总结

以上代码仅供参考，不可用于数模比赛