MATLAB代码v2.0

 % % V       原始评价指标矩
 % % v_ij    第i个地区第j个指标的初始值
 % % r_ij    第i个地区第j个指标的标准化值
 % % Ｒ       标准化后的评价矩阵
 % % ｍ       统计地区总个数
 % % ｎ       已给指标个数
 % % Y^＋     正理想解
 % % Y^-     负理想解
 % % D_j^+    第i个指标与y_i^+的距离
 % % D_j^-    第i个指标与y_i^-的距离
 % % H_i     信息熵
 % % f_ij    指标的特征比重
 % % w_i     权值表
 % % Y       加权规范化评价矩阵
 % % T_j     第ｊ项经济指标接近最优值的程度
 
 %%  第一步：把数据复制到工作区，并将这个矩阵命名为X
 clear;clc
 load jingjizhibiao.mat;
 
 [n,m] = size(V);
 disp(['共有' num2str(n) '个地区, ' num2str(m) '个经济指标']) ;
 R = V./ repmat(sum(V.*V) .^ 0.5, n, );
 disp('R的值为  R = ')
 R
 
 %% 第二步：熵权法赋权
 %%计算第j个指标下，第i个样本占该指标的比重p(i,j)
 for i=:n
     for j=:m
         p(i,j)=R(i,j)/sum(R(:,j));
     end
 end
 %%计算第j个指标的熵值e(j)
 k=/log(n);
 for j=:m
     e(j)=-k*sum(p(:,j).*log(p(:,j)));
 end
 H=ones(,m)-e; %计算信息熵冗余度
 w=H./sum(H); %求权值w
 disp('最后的权重为 ； w =')
 w
 Y=V.* repmat(w,n,);%%每个元数据乘以对应指标的熵权值，
 
 disp('加入熵权的矩阵 Y = ');
 disp(Y);
 
 clear i j;%%释放无关变量
 % % Z = B ./ repmat(sum(B.*B) .^ 0.5, n, );
 % % disp('标准化矩阵 Z = ')
 % % disp(Z)
 
 %% 第三步 计算与最大值的距离和最小值的距离，并算出得分,（topsis分析）
 
 Dist_max = sum([(Y - repmat(max(Y),n,)) .^  ],) .^ 0.5;   % D+ 与最大值的距离向量
 Dist_min = sum([(Y - repmat(min(Y),n,)) .^  ],) .^ 0.5;   % D- 与最小值的距离向量
 disp('D + 为')
 Dist_max
 
 disp('D - 为')
 Dist_min
 
 T = Dist_min ./ (Dist_max+Dist_min);    % 未归一化的得分
 disp('最后的得分为：')
 stand_S = T / sum(T)
 [sorted_S,index] = sort(stand_S ,'descend')

MATLAB2/02019.12.1   19.26