MATLAB代码v2.0

 % % V       原始评价指标矩

 % % v_ij    第i个地区第j个指标的初始值

 % % r_ij    第i个地区第j个指标的标准化值

 % % Ｒ       标准化后的评价矩阵

 % % ｍ       统计地区总个数

 % % ｎ       已给指标个数

 % % Y^＋     正理想解

 % % Y^-     负理想解

 % % D_j^+    第i个指标与y_i^+的距离

 % % D_j^-    第i个指标与y_i^-的距离

 % % H_i     信息熵

 % % f_ij    指标的特征比重

 % % w_i     权值表

 % % Y       加权规范化评价矩阵

 % % T_j     第ｊ项经济指标接近最优值的程度

 %%  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(V);

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

 R = V./ repmat(sum(V.*V) .^ 0.5, n, );

 disp('R的值为  R = ')

 R

 %% 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)=R(i,j)/sum(R(:,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

 H=ones(,m)-e; %计算信息熵冗余度

 w=H./sum(H); %求权值w

 disp('最后的权重为 ； w =')

 w

 Y=V.* 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 Y = ');

 disp(Y);

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

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

 disp('D + 为')

 Dist_max

 disp('D - 为')

 Dist_min

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

 disp('最后的得分为：')

 stand_S = T / sum(T)

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

MATLAB2/02019.12.1   19.26