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, 1);
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=1:n
    for j=1: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=1/log(n);
for j=1:m
    e(j)=-k*sum(p(:,j).*log(p(:,j)));
end
H=ones(1,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,1);%%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, 1);
% % 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,1)) .^ 2 ],2) .^ 0.5;   % D+ 与最大值的距离向量
Dist_min = sum([(Y - repmat(min(Y),n,1)) .^ 2 ],2) .^ 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