熵权法TOPSIS matlab代码

以下是一个简单的使用熵权法（Entropy Weight Method）和TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）的MATLAB代码示例：

% 原始数据矩阵
X = [4.5, 5.2, 6.1, 5.8, 6.3; 
     2.8, 3.1, 3.5, 3.3, 3.6;
     9.6, 9.7, 9.5, 9.8, 9.4];

% 数据标准化
X_norm = zscore(X);

% 计算熵值
p = X_norm ./ sum(X_norm);
e = -sum(p .* log(p), 2);

% 计算权重
w = (1 - e) ./ sum(1 - e);

% 归一化处理
X_norm_weighted = X_norm .* w';

% 理想解和负理想解
ideal_solution = [max(X_norm_weighted,[],2), min(X_norm_weighted,[],2)];

% 计算距离
d_pos = sqrt(sum((X_norm_weighted - ideal_solution(:,1)).^2, 2));
d_neg = sqrt(sum((X_norm_weighted - ideal_solution(:,2)).^2, 2));

% 计算接近度
C = d_neg ./ (d_pos + d_neg);

% 输出接近度结果
disp('接近度结果：');
disp(C);

在这个示例中，原始数据矩阵X是一个3行5列的矩阵，每一行代表一个指标的观测值。首先，使用`zscore`函数对原始数据进行标准化处理。然后，根据标准化后的数据计算每个指标的熵值e，并根据熵值计算权重w。接下来，将原始数据与权重相乘得到加权后的数据X_norm_weighted。然后，计算理想解和负理想解，分别为每个指标的最大值和最小值。最后，根据理想解和负理想解计算每个样本到理想解和负理想解之间的欧氏距离d_pos和d_neg，并计算接近度C。代码最后输出了接近度结果。

需要注意的是，这只是一个简单的示例代码，实际应用中可能需要根据具体问题进行调整和改进，比如处理缺失值、选择适当的距离度量等。此外，熵权法和TOPSIS方法有很多变种和扩展，你可以根据具体需求选择适合的方法进行分析。