熵权法topsis模型代码

熵权法（Entropy Weight-TOPSIS）是一种多属性决策分析方法，用于确定各属性的权重，并根据权重对各个决策方案进行排序。TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）则是根据属性值与理想解的接近程度来评估决策方案的优劣。

以下是一个简单的熵权法TOPSIS模型的代码示例：

import numpy as np

def entropy_weight(data):
    # 计算每个属性的熵值
    entropy = -np.sum(data * np.log2(data), axis=0)
    # 计算每个属性的权重
    weight = (1 - entropy) / np.sum(1 - entropy)
    return weight

def topsis(data, weight, positive=True):
    # 数据归一化
    normalized_data = data / np.sqrt(np.sum(data**2, axis=0))
    # 理想解和负理想解
    ideal_solution = np.max(normalized_data, axis=1) if positive else np.min(normalized_data, axis=1)
    negative_ideal_solution = np.min(normalized_data, axis=1) if positive else np.max(normalized_data, axis=1)
    # 计算每个决策方案与理想解和负理想解的接近程度
    similarity_to_ideal = np.sqrt(np.sum((normalized_data - ideal_solution[:, np.newaxis])**2, axis=1))
    similarity_to_negative_ideal = np.sqrt(np.sum((normalized_data - negative_ideal_solution[:, np.newaxis])**2, axis=1))
    # 计算综合评价指数
    topsis_score = similarity_to_negative_ideal / (similarity_to_ideal + similarity_to_negative_ideal)
    return topsis_score

# 示例数据
data = np.array([[1, 2, 3, 4], [4, 3, 2, 1], [2, 4, 1, 3]])
# 计算权重
weight = entropy_weight(data)
# 计算TOPSIS得分
topsis_score = topsis(data, weight)

print("权重：", weight)
print("TOPSIS得分：", topsis_score)

这段代码实现了熵权法和TOPSIS模型的计算过程。首先，通过`entropy_weight`函数计算每个属性的权重。然后，通过`topsis`函数对决策方案进行排序，其中`data`是输入的决策矩阵，`weight`是属性的权重，`positive`参数表示是否选择正理想解（默认为True）。最后，输出每个属性的权重和决策方案的TOPSIS得分。