基于topsis和熵权法

 1 % % X    数据矩阵
 2 % % n    数据矩阵行数即评价对象数目
 3 % % m    数据矩阵列数即经济指标数目
 4 % % B    乘以熵权的数据矩阵
 5 % % Dist_max    D+ 与最大值的距离向量
 6 % % Dist_min    D- 与最小值的距离向量
 7 % % e    熵值列表
 8 % % d    信息熵冗余度
 9 % % w    权值表
10 % % stand_S    归一化矩阵
11 % % sorted_S    按照降序排列的数据矩阵
12 
13 %%  第一步：把数据复制到工作区，并将这个矩阵命名为X
14 clear;clc
15 load jingjizhibiao.mat;
16 
17 [n,m] = size(X);
18 disp([‘共有‘ num2str(n) ‘个地区, ‘ num2str(m) ‘个经济指标‘]) ;
19 
20 
21 %% 第二步：熵权法赋权
22 %%计算第j个指标下，第i个样本占该指标的比重p(i,j)
23 for i=1:n
24     for j=1:m
25         p(i,j)=X(i,j)/sum(X(:,j));
26     end
27 end
28 %%计算第j个指标的熵值e(j)
29 k=1/log(n);
30 for j=1:m
31     e(j)=-k*sum(p(:,j).*log(p(:,j)));
32 end
33 d=ones(1,m)-e; %计算信息熵冗余度
34 w=d./sum(d); %求权值w
35 disp(‘最后的权重为 ； w =‘)
36 w
37 B=X.* repmat(w,n,1);%%每个元数据乘以对应指标的熵权值，
38 
39 disp(‘加入熵权的矩阵 B = ‘);
40 disp(B);
41 
42 clear i j;%%释放无关变量
43 % % Z = B ./ repmat(sum(B.*B) .^ 0.5, n, 1);
44 % % disp(‘标准化矩阵 Z = ‘)
45 % % disp(Z)
46 
47 %% 第三步 计算与最大值的距离和最小值的距离，并算出得分,（topsis分析）
48 
49 Dist_max = sum([(B - repmat(max(B),n,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量
50 Dist_min = sum([(B - repmat(min(B),n,1)) .^ 2 ],2) .^ 0.5;   % D- 与最小值的距离向量
51 disp(‘D + 为‘)
52 Dist_max
53 
54 disp(‘D - 为‘)
55 Dist_min
56 
57 S = Dist_min ./ (Dist_max+Dist_min);    % 未归一化的得分
58 disp(‘最后的得分为：‘)
59 stand_S = S / sum(S)
60 [sorted_S,index] = sort(stand_S ,‘descend‘)