基于topsis和熵权法

 % % X    数据矩阵

 % % n    数据矩阵行数即评价对象数目

 % % m    数据矩阵列数即经济指标数目

 % % B    乘以熵权的数据矩阵

 % % Dist_max    D+ 与最大值的距离向量

 % % Dist_min    D- 与最小值的距离向量

 % % e    熵值列表

 % % d    信息熵冗余度

 % % w    权值表

 % % stand_S    归一化矩阵

 % % sorted_S    按照降序排列的数据矩阵

 %%  第一步：把数据复制到工作区，并将这个矩阵命名为X

 clear;clc

 load jingjizhibiao.mat;

 [n,m] = size(X);

 disp(['共有' num2str(n) '个地区, ' num2str(m) '个经济指标']) ;

 %% 第二步：熵权法赋权

 %%计算第j个指标下，第i个样本占该指标的比重p(i,j)

 for i=:n

     for j=:m

         p(i,j)=X(i,j)/sum(X(:,j));

     end

 end

 %%计算第j个指标的熵值e(j)

 k=/log(n);

 for j=:m

     e(j)=-k*sum(p(:,j).*log(p(:,j)));

 end

 d=ones(,m)-e; %计算信息熵冗余度

 w=d./sum(d); %求权值w

 disp('最后的权重为 ； w =')

 w

 B=X.* repmat(w,n,);%%每个元数据乘以对应指标的熵权值，

 disp('加入熵权的矩阵 B = ');

 disp(B);

 clear i j;%%释放无关变量

 % % Z = B ./ repmat(sum(B.*B) .^ 0.5, n, );

 % % disp('标准化矩阵 Z = ')

 % % disp(Z)

 %% 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）

 Dist_max = sum([(B - repmat(max(B),n,)) .^  ],) .^ 0.5;   % D+ 与最大值的距离向量

 Dist_min = sum([(B - repmat(min(B),n,)) .^  ],) .^ 0.5;   % D- 与最小值的距离向量

 disp('D + 为')

 Dist_max

 disp('D - 为')

 Dist_min

 S = Dist_min ./ (Dist_max+Dist_min);    % 未归一化的得分

 disp('最后的得分为：')

 stand_S = S / sum(S)

 [sorted_S,index] = sort(stand_S ,'descend')

matlab