%%第一部分：数据正向化
clear;clc
load matlab.mat;
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标'])
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理，需要请输入1 ，不需要输入0： ']);
if Judge == 1
Position = input('请输入需要正向化处理的指标所在的列，例如第2、3、6三列需要处理，那么你需要输入[2,3,6]： '); %[2,3,4]
disp('请输入需要处理的这些列的指标类型（1：极小型， 2：中间型， 3：区间型） ')
Type = input('例如：第2列是极小型，第3列是区间型，第6列是中间型，就输入[1,3,2]： ');
% 注意，Position和Type是两个同维度的行向量
for i = 1 : size(Position,2) %这里需要对这些列分别处理，因此我们需要知道一共要处理的次数，即循环的次数
X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));
% Positivization是我们自己定义的函数，其作用是进行正向化，其一共接收三个参数
% 第一个参数是要正向化处理的那一列向量 X(:,Position(i)) 回顾上一讲的知识，X(:,n)表示取第n列的全部元素
% 第二个参数是对应的这一列的指标类型（1：极小型， 2：中间型， 3：区间型）
% 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
% 该函数有一个返回值，它返回正向化之后的指标，我们可以将其直接赋值给我们原始要处理的那一列向量
end
disp('正向化后的矩阵 X = ')
disp(X)
end
%%第二部分：标准化
Z=X ./ repmat(sum(X.*X) .^0.5,n,1);
disp('标准化矩阵Z=')
disp(Z)
% function [s,w]=shang(Z)
% 函数shang.m, 实现用熵值法求各指标(列）的权重及各数据行的得分
% x为原始数据矩阵
% s返回各行得分, w返回各列权重
[n,m]=size(Z); %
%% 数据的归一化处理
% % Matlab2010b,2011a,b版本都有bug,需如下处理. 其它版本直接用[X,ps]=mapminmax(x',0,1);即可
% [X,ps]=mapminmax(Z',0,1);
% ps.ymin=0.002; % 归一化后的最小值
% ps.ymax=0.996; % 归一化后的最大值
% ps.yrange=ps.ymax-ps.ymin; % 归一化后的极差,若不调整该值, 则逆运算会出错
X=mapminmax(Z',0.1);
% mapminmax('reverse',xx,ps); % 反归一化, 回到原数据
X=X'; % X为归一化后的数据
%% 计算第j个指标下，第i个记录占该指标的比重p(i,j)
for i=1:n
for j=1: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=1/log(n);
for j=1:m
e(j)=-k*sum(p(:,j).*log(p(:,j)));
end
d=ones(1,m)-e; % 计算信息熵冗余度
w=d./sum(d); % 求权值w
%%第二部分：TOPSIS综合评价
[ma,na]=size(Z); %ma为A矩阵的行数，na为A矩阵的列数
for i=1:na
B(:,i)=Z(:,i)*w(i); %按列循环得到[加权标准化矩阵]
end
D_P=sum([(B-repmat(max(B),n,1)).^2],2).^0.5;
D_N=sum([(B-repmat(min(B),n,1)).^2],2).^0.5;
T=D_N ./(D_P+D_N);
% V1=zeros(1,na); %初始化正理想解和负理想解
% V2=zeros(1,na);
% BMAX=max(B); %取加权标准化矩阵每列的最大值和最小值
% BMIN=min(B); %
% for i=1:na
% %if i<=size(M,2) %循环得到理想解和负理想解，注意判断，不然会超个数
% V1(i)=BMAX(i);
% V2(i)=BMIN(i);
% %end
% %if i<=size(N,2)
% %V1(N(i))=BMIN(N(i));
% %V2(N(i))=BMAX(N(i));
% %end
% end
% for i=1:ma %按行循环求各方案的贴近度
% C1=B(i,:)-V1;
% S1(i)=norm(C1); %S1,S2分别为离正理想点和负理想点的距离，用二阶范数
% C2=B(i,:)-V2;
% S2(i)=norm(C2);
% T(i)=S2(i)/(S1(i)+S2(i)); %T为贴近度
% end
disp('最后得分为: ')
stand_T=T/sum(T);
[sorted_T,index]=sort(stand_T,'descend')
评论0