1 % % V 原始评价指标矩
2 % % v_ij 第i个地区第j个指标的初始值
3 % % r_ij 第i个地区第j个指标的标准化值
4 % % Ｒ 标准化后的评价矩阵
5 % % ｍ 统计地区总个数
6 % % ｎ 已给指标个数
7 % % Y^＋ 正理想解
8 % % Y^- 负理想解
9 % % D_j^+ 第i个指标与y_i^+的距离
10 % % D_j^- 第i个指标与y_i^-的距离
11 % % H_i 信息熵
12 % % f_ij 指标的特征比重
13 % % w_i 权值表
14 % % Y 加权规范化评价矩阵
15 % % T_j 第ｊ项经济指标接近最优值的程度
16
17
18 %% 第一步：把数据复制到工作区，并将这个矩阵命名为X
19 clear;clc
20 load jingjizhibiao.mat;
21
22 [n,m] = size(V);
23 disp(['共有' num2str(n) '个地区, ' num2str(m) '个经济指标']) ;
24 R = V./ repmat(sum(V.*V) .^ 0.5, n, 1);
25 disp('R的值为 R = ')
26 R
27
28 %% 第二步：熵权法赋权
29 %%计算第j个指标下，第i个样本占该指标的比重p(i,j)
30 for i=1:n
31 for j=1:m
32 p(i,j)=R(i,j)/sum(R(:,j));
33 end
34 end
35 %%计算第j个指标的熵值e(j)
36 k=1/log(n);
37 for j=1:m
38 e(j)=-k*sum(p(:,j).*log(p(:,j)));
39 end
40 H=ones(1,m)-e; %计算信息熵冗余度
41 w=H./sum(H); %求权值w
42 disp('最后的权重为 ； w =')
43 w
44 Y=V.* repmat(w,n,1);%%每个元数据乘以对应指标的熵权值，
45
46 disp('加入熵权的矩阵 Y = ');
47 disp(Y);
48
49 clear i j;%%释放无关变量
50 % % Z = B ./ repmat(sum(B.*B) .^ 0.5, n, 1);
51 % % disp('标准化矩阵 Z = ')
52 % % disp(Z)
53
54 %% 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）
55
56 Dist_max = sum([(Y - repmat(max(Y),n,1)) .^ 2 ],2) .^ 0.5; % D+ 与最大值的距离向量
57 Dist_min = sum([(Y - repmat(min(Y),n,1)) .^ 2 ],2) .^ 0.5; % D- 与最小值的距离向量
58 disp('D + 为')
59 Dist_max
60
61 disp('D - 为')
62 Dist_min
63
64 T = Dist_min ./ (Dist_max+Dist_min); % 未归一化的得分
65 disp('最后的得分为：')
66 stand_S = T / sum(T)
67 [sorted_S,index] = sort(stand_S ,'descend')
MATLAB2/02019.12.1 19.26