熵权TOPSIS的Python代码

熵权TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）是一种多属性决策分析方法，用于评估多个候选方案的优劣。它结合了熵权法和TOPSIS方法，旨在解决属性权重不确定性和属性间相互影响的问题。以下是描述熵权TOPSIS算法的步骤：准备数据：将所有候选方案的各属性值构成一个决策矩阵。归一化数据：对决策矩阵进行归一化处理，使得每个属性值都处于相同的量纲范围内。常见的归一化方法包括最小-最大归一化、标准化等。计算权重：使用熵权法计算每个属性的权重。首先计算每个属性的熵，然后计算属性的信息增益，并将其转化为权重。构造加权正向理想解和加权负向理想解：根据归一化后的决策矩阵以及属性权重，计算出加权正向理想解和加权负向理想解。加权正向理想解的每个属性值都是该属性在决策矩阵中的最大值，而加权负向理想解的每个属性值都是该属性在决策矩阵中的最小值。计算方案与理想解的接近程度：计算每个候选方案与加权正向理想解的接近程度以及与加权负向理想解的接近程度。常见的计算方法是使用欧几里德距离或曼哈顿距离等。