最专业的做网站公司哪家好,节能 建材 工程标准,我想在家办个小型加工厂,做个网站要多少钱Topsis优劣解 一种新的评价方法#xff0c;特点就是利用原有数据#xff0c;客观性强。 相较于模糊评价和层次评价 更加客观#xff0c;充分利用原有数据#xff0c;精确反映方案差距 基本原理 离最优解最近#xff0c;离最劣解越远 具体步骤
正向化
代码与原理与熵权…Topsis优劣解 一种新的评价方法特点就是利用原有数据客观性强。 相较于模糊评价和层次评价 更加客观充分利用原有数据精确反映方案差距 基本原理 离最优解最近离最劣解越远 具体步骤
正向化
代码与原理与熵权法类同不多赘述
标准化 标准化的目的是为了消除计量单位不同的影响 标准化的计算方式不是算数平均而是平方数的平均 *优劣解打分
1.优先计算最优解和最劣解作为行向量存在 2.分别计算每一个对象i的j指标相对优劣解的距离 3.按照公式得出对象的得分进行归一化
带权值的优劣解计算
距离之差表现在矩阵乘法上作为矩阵这个权值表现在矩阵乘法上是作为列向量原因很简单线性组合。这点很重要 w向量形式如下图 公式中的距离之差的平方形式如下图 如果你运行不成功可能是变量名不一样matlab支持一步步运行代码。
权重的计算
熵权法/层次分析法 在需要计算时直接跳转熵权法代码运行这一节即可(保持变量名统一)
%% 概率矩阵P、计算信息熵和熵权
PStand_X./repmat(sum(Stand_X),n,1);
for i1:nfor j1:mif P(i,j)0P(i,j)0.000001endend
end
Hsum(-P.*log(P));
eH./log(n);
d1-e;
dd./sum(d);
disp(计算完成,下面是计算得出的权重矩阵);
disp(d);
tempinput(是否需要正向矩阵、标准矩阵输入1表示需要其他表示不需要);
if temp1disp(X);disp(Stand_X);
endTopsis代码如下
%% 读取数据
Xxlsread(工作簿1.xlsx);
XX(:,[2:5]);%注意读取时不要误读可以直接范围所有
disp(成功读取);
%% 正向化
disp(现在进行正向化操作请按照提示操作)
vec_colinput(请输入需要正向化的列数以数组的形式输入\n);
for i1:size(vec_col,2)%1是行数2是列数
flag input([第 num2str(vec_col(i)) 列是哪类数据(【1】:极小型 【2】中间型 【3】区间型)请输入序号\n]);if flag1X(:,vec_col(i))Min2Max(X(:,vec_col(i)));elseif flag2bestinput(请你传入最佳值\n);X(:,vec_col(i))Mid2Max(X(:,vec_col(i)),best);elsearrinput(请你输入区间的左右端点以数组的形式\n);X(:,vec_col(i))Interval2Max(X(:,vec_col(i)),arr(1),arr(2));end
end
disp(正向化完成);
%% 标准化
[n,m]size(X);
Square_XX.*X;
Sum_Xsum(Square_X).^0.5;
Stand_XX./repmat(Sum_X,n,1);
disp(标准化完成)
%% 优劣解打分
min_Xmin(Stand_X,[],1);%[C,index] max(A,[],dim);
max_Xmax(Stand_X,[],1);
disp(正在使用优劣解打分);
tempones(m);
weighttemp(:,1);%默认权值
need_w_flaginput(是否需要手动输入权值如果需要请输入1\n);
if need_w_flag1weightinput(请将权值以列的形式给出);
end
Z_plusrepmat(max_X,n,1);
Z_subrepmat(min_X,n,1);
D_plussum((Z_plus-Stand_X).^2*weight,2).^2;
%根据公式weight一定要右乘
D_subsum((Z_sub-Stand_X).^2*weight,2).^2;
SD_sub./(D_subD_plus);
%归一化
SS./sum(S);
disp(评分如下);
disp(S);
xlswrite(工作簿1.xlsx,S,F2:F26);距离法
基本原理 根据每一个元素与最大值最小值的距离打分比较朴素一般不使用这个方法评 代码如下
%% 读取数据
Xxlsread(工作簿1.xlsx);
XX(:,[2:5]);%注意读取时不要误读可以直接范围所有
disp(成功读取);
%% 正向化
disp(现在进行正向化操作请按照提示操作)
vec_colinput(请输入需要正向化的列数以数组的形式输入\n);
for i1:size(vec_col,2)%1是行数2是列数
flag input([第 num2str(vec_col(i)) 列是哪类数据(【1】:极小型 【2】中间型 【3】区间型)请输入序号\n]);if flag1X(:,vec_col(i))Min2Max(X(:,vec_col(i)));elseif flag2bestinput(请你传入最佳值\n);X(:,vec_col(i))Mid2Max(X(:,vec_col(i)),best);elsearrinput(请你输入区间的左右端点以数组的形式\n);X(:,vec_col(i))Interval2Max(X(:,vec_col(i)),arr(1),arr(2));end
end
disp(正向化完成);
%% 标准化
[n,m]size(X);
Square_XX.*X;
Sum_Xsum(Square_X).^0.5;
Stand_XX./repmat(Sum_X,n,1);
disp(标准化完成)
%% 距离法打分
min_Xmin(Stand_X,[],1);%[C,index] max(A,[],dim);
max_Xmax(Stand_X,[],1);
res1(Stand_X-repmat(min_X,n,1))./(repmat(max_X,n,1)-repmat(min_X,n,1));
disp(res1);
