TOPSIS模型具体步骤及代码.zip

%% 加载数据 clear;clc load data.mat %% 第一步：正向化（极小型、中间型、区间型转极大型） [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]： '); %[2,1,3] 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)); end disp('正向化后的矩阵 X = ') disp(X) end %% 第二步：对正向化矩阵标准化 Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1); disp('标准化矩阵 Z = ') disp(Z) %% 第三步：计算与最大值和最小值的距离，并计算得分 D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5; % D+ 与最大值的距离向量 D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5; % D- 与最小值的距离向量 S = D_N ./ (D_P+D_N); % 未归一化的得分 disp('最后的得分为：') stand_S = S / sum(S) [sorted_S,index] = sort(stand_S ,'descend'); disp('标准化后得分为：') disp(sorted_S) disp('对应的下标为:') disp(index)