python利用熵权TOPSIS法对IEEE30节点系统的度中心性、接近中心性、pagerank算法、失同步扩散时间倒数和临界同步耦合强度建立多指标综合判别方法，对节点重要度排序，详细写明每一步

1. 熵权TOPSIS法简介

熵权TOPSIS法是一种多指标综合评价方法，其基本思想是将各指标的权重计算出来，然后对每个决策对象进行评分，最后采用TOPSIS法进行排序。其中，熵权法是一种计算指标权重的方法，它可以通过计算指标的信息熵和信息熵权重来确定指标的权重。

2. 数据准备

首先，需要收集IEEE30节点系统的度中心性、接近中心性、pagerank算法、失同步扩散时间倒数和临界同步耦合强度等指标数据。这些指标可以通过网络分析工具包（如networkx）计算得出。将这些指标数据整理成一个矩阵，其中每一行表示一个节点的指标数据，每一列表示一个指标。

3. 计算指标权重

使用熵权法计算指标权重，具体步骤如下：

（1）计算每个指标的信息熵。

信息熵的计算公式为：$H=-\sum_{i=1}^np_i\log p_i$，其中，$p_i$为第$i$个指标数据的比重。

（2）计算每个指标的信息熵权重。

信息熵权重的计算公式为：$w_i=\dfrac{1-H_i}{n-\sum_{j=1}^n(1-H_j)}$，其中，$n$为指标的个数。

（3）归一化指标数据。

将每个指标的数据进行归一化处理，将其转化为0到1之间的数值。

（4）计算加权归一化后的指标数据。

将每个指标的数据乘以其对应的权重，得到加权归一化后的指标数据。

4. 计算决策矩阵

将加权归一化后的指标数据组成矩阵$X$，其中每一行表示一个节点的加权归一化指标数据。

5. 计算正负理想解

（1）计算每个指标的最大值和最小值。

（2）计算正理想解。

正理想解的每个指标值为对应指标的最大值。

（3）计算负理想解。

负理想解的每个指标值为对应指标的最小值。

6. 计算每个节点的综合得分

（1）计算每个节点到正理想解和负理想解的距离。

正理想解与负理想解的距离公式为：$d_i^+=\sqrt{\sum_{j=1}^n(w_j(x_{ij}-s_j^+))^2}$，$d_i^-=\sqrt{\sum_{j=1}^n(w_j(x_{ij}-s_j^-))^2}$，其中，$w_j$是指标$j$的权重，$x_{ij}$是节点$i$的指标$j$的归一化值，$s_j^+$和$s_j^-$分别是正理想解和负理想解的指标$j$的值。

（2）计算每个节点的综合得分。

综合得分的计算公式为：$V_i=\dfrac{d_i^-}{d_i^++d_i^-}$。

7. 对节点进行排序

按照综合得分进行排序，得到节点重要度的排名。重要度越高的节点在网络中的作用越大。

综上所述，以上是利用熵权TOPSIS法对IEEE30节点系统的度中心性、接近中心性、pagerank算法、失同步扩散时间倒数和临界同步耦合强度建立多指标综合判别方法，对节点重要度排序的详细步骤。