topsis算法2017版本matlab代码

您好！以下是Topsis算法的MATLAB代码示例，希望能对您有所帮助：

clc;
clear all;
close all;

%输入数据
x=[1,1,0,0;0,0,1,1;1,0,0,0;0,0,1,0;0,1,0,1];
w=[0.25,0.25,0.25,0.25]; %权重

%标准化
[m,n]=size(x);
for j=1:n
s=sum(x(:,j).^2);
for i=1:m
x(i,j)=x(i,j)/sqrt(s);
end
end

%加权
for j=1:n
x(:,j)=x(:,j)*w(j);
end

%最佳和最劣方案
for j=1:n
s1(j)=max(x(:,j));
s2(j)=min(x(:,j));
end

%距离
for i=1:m
D1(i)=sqrt(sum((x(i,:)-s1).^2));
D2(i)=sqrt(sum((x(i,:)-s2).^2));
end

%排序
for i=1:m
R(i)=D2(i)/(D1(i)+D2(i));
end

%输出排序结果
[~,rank]=sort(R,'descend');
for i=1:m
fprintf('第%d个方案排序位次：%d\n',i,rank(i));
end

谁是世界上最聪明的人？

相关问题

使用matlab用topsis算法评价幅度失真代码

以下是使用MATLAB实现TOPSIS算法评价幅度失真的示例代码：

假设有5个样本数据，每个样本数据有5个属性，分别为A1、A2、A3、A4、A5。首先需要将数据标准化，然后计算每个样本数据的正负理想解距离，并根据距离计算每个样本数据的综合得分。

% 原始数据矩阵
X = [1 2 3 4 5; 2 3 4 5 6; 3 4 5 6 7; 4 5 6 7 8; 5 6 7 8 9];

% 权重向量
w = [0.2 0.2 0.2 0.2 0.2];

% 标准化数据
[m, n] = size(X);
X_std = zeros(m, n);
for i = 1:n
    X_std(:, i) = X(:, i) ./ norm(X(:, i));
end

% 正理想解和负理想解
z = max(X_std);
f = min(X_std);

% 计算正负理想解距离
d_plus = zeros(m, 1);
d_minus = zeros(m, 1);
for i = 1:m
    d_plus(i) = norm(X_std(i, :) - z);
    d_minus(i) = norm(X_std(i, :) - f);
end

% 计算综合得分
s = d_minus ./ (d_plus + d_minus);

% 输出结果
disp(s);

运行以上代码，即可得到每个样本数据的综合得分。根据得分可以进行排序，以得到最优的样本数据。

topsis综合评价法matlab代码

Topsis（Technique for Order of Preference by Similarity to Ideal Solution）是一种决策分析方法，它通过比较每个备选方案与理想解和最差解之间的相对优势来进行排序。在MATLAB中，你可以编写脚本来实现Topsis算法，以下是基本步骤：

1. **导入数据**：首先需要读取包含指标权重、方案得分和理想解（最小值）、最大值的数据矩阵。

% 读取数据
data = readtable('your_data.csv'); % 替换为你的文件名

2. **计算正向化和负向化得分**：对于每一个方案和指标，如果该指标是目标，则正向化，反之则负向化。

weights = data.Weight; % 权重向量
scores = data.Score;
pos_scores = scores + (weights - max(weights)) ./ abs(weights - max(weights)); % 正向化
neg_scores = scores - (weights - min(weights)) ./ abs(weights - min(weights)); % 负向化

3. **计算加权和**：对正向化和负向化得分分别进行加权求和。

pos_sum = sum(pos_scores .* weights, 2);
neg_sum = sum(neg_scores .* weights, 2);

4. **计算合成得分**：将正向化和负向化得分转换为合成得分，通常取两者距离理想解的最小者作为总分。

distances_pos = pos_sum - min(pos_sum, [], 'all');
distances_neg = neg_sum - min(neg_sum, [], 'all');

% 合成得分
total_score = distances_pos + distances_neg;

5. **确定最优和最劣方案**：找出总分最低的（最优）和最高的（最劣）方案。

[~, best_idx] = min(total_score, 'first');
worst_idx = find(total_score == max(total_score));

6. **输出结果**：最后显示排名顺序及相应的评分。

best_solution = data(best_idx,:);
worst_solution = data(worst_idx,:);
disp(['Best solution: ', char(best_solution)]);
disp(['Worst solution: ', char(worst_solution)]);