### 实现熵权法和TOPSIS方法的Python代码 熵权法是一种客观赋权方法，通过计算各指标的信息熵来确定其权重，信息熵越小，说明该指标在决策中提供的信息量越大，因此其权重也应该越高。而TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）是一种多属性决策方法，通过计算每个方案与理想解和负理想解的距离来对其进行排序。 以下是使用Python实现熵权法和TOPSIS方法的完整代码示例： ```python import numpy as np import pandas as pd # 数据标准化 def data_standardization(data): """ 对数据进行标准化处理 """ data_normalized = data / np.sqrt((data ** 2).sum(axis=0)) return data_normalized # 计算信息熵 def calculate_entropy(data_normalized): """ 计算每个指标的信息熵 """ m, n = data_normalized.shape p = data_normalized / data_normalized.sum(axis=0) entropy = -1 / np.log(m) * (p * np.log(p)).sum(axis=0) return entropy # 计算权重 def calculate_weights(entropy): """ 根据信息熵计算权重 """ weights = (1 - entropy) / (1 - entropy).sum() return weights # 计算加权后的决策矩阵 def weighted_decision_matrix(data_normalized, weights): """ 根据权重计算加权后的决策矩阵 """ weighted_data = data_normalized * weights return weighted_data # 计算距离并排序 def topsis_ranking(weighted_data): """ 使用TOPSIS方法计算每个方案与正理想解和负理想解的距离，并进行排序 """ ideal_solution = np.max(weighted_data, axis=0) # 正理想解 negative_ideal_solution = np.min(weighted_data, axis=0) # 负理想解 distance_to_ideal = np.sqrt(((weighted_data - ideal_solution) ** 2).sum(axis=1)) # 到正理想解的距离 distance_to_negative_ideal = np.sqrt(((weighted_data - negative_ideal_solution) ** 2).sum(axis=1)) # 到负理想解的距离 closeness = distance_to_negative_ideal / (distance_to_ideal + distance_to_negative_ideal) # 相对接近度 ranking = closeness.argsort()[::-1] + 1 # 排名 return closeness, ranking # 主函数 def main(): # 示例数据 data = np.array([ [120, 80, 90], [150, 70, 85], [130, 85, 95] ]) # 假设有3个方案，3个指标 # 数据标准化 data_normalized = data_standardization(data) # 计算信息熵 entropy = calculate_entropy(data_normalized) # 计算权重 weights = calculate_weights(entropy) # 加权后的决策矩阵 weighted_data = weighted_decision_matrix(data_normalized, weights) # 使用TOPSIS进行排名 closeness, ranking = topsis_ranking(weighted_data) # 输出结果 print("各方案的相对接近度：", closeness) print("各方案的排名：", ranking) if __name__ == "__main__": main() ``` ### 代码解释 1. **数据标准化**：使用向量归一化方法对原始数据进行标准化处理，使得不同量纲的指标具有可比性。 2. **信息熵计算**：通过计算每个指标的信息熵来衡量其不确定性，信息熵越小，说明该指标越重要。 3. **权重计算**：根据信息熵计算出的权重反映了各指标在决策中的重要程度。 4. **加权决策矩阵**：将标准化后的数据乘以相应的权重，得到加权后的决策矩阵。 5. **TOPSIS排名**：通过计算每个方案与正理想解和负理想解的距离，得出相对接近度，并据此进行排名。 ###