熵權(quán)TOPSIS 法是將熵權(quán)法的客觀賦權(quán)與TOPSIS 法的多屬性決策排序相結(jié)合，在TOPSIS 法構(gòu)造加權(quán)規(guī)范化矩陣的過程中，利用熵權(quán)法得到的權(quán)重加以運算，如此一來，將客觀的賦權(quán)方法與嚴謹?shù)亩嗑S排序巧妙聯(lián)系，幫助決策者進行科學(xué)評價。

QLab目前新增了這個熵權(quán)-topsis模塊，使用者依然只需要準備好數(shù)據(jù)就可以得到評價結(jié)果及排序，方便快捷。

熵權(quán)-Topsis的計算步驟主要分為兩大步，首先是用熵權(quán)法得到指標權(quán)重，然后是用Topsis計算相對貼近度。

熵權(quán)法部分可以參考之前的推文，這里介紹Topsis部分：

1、對原始矩陣進行處理

如果有負向指標，取倒數(shù)，做趨同化處理，得到新的決策矩陣，然后使用如下公式得到規(guī)范化決策矩陣。

2、構(gòu)造加權(quán)規(guī)范化矩陣，傳統(tǒng)的topsis是利用人為給定的權(quán)重加以計算，主觀因素會影響最后的排序結(jié)果，這里采用的是熵權(quán)法得到的權(quán)重，避免主觀因素。具體操作是將規(guī)范化決策矩陣中的每一個向量與該向量對應(yīng)的指標權(quán)重相乘，從而得到加權(quán)規(guī)范化矩陣。

3、確定正負理想解

其中，正理想解為正向指標的最大值和負向指標的最小值組成的集合；負理想解為正向指標的最小值和負向指標的最大值組成的集合。

4、計算歐氏距離

分別計算待評價對象到這兩個標桿的歐氏距離，便可以進行評價排序。

公式如下：

5、最后計算相對貼近度

根據(jù)相對貼進度Cj的大小，就可以對待評價對象進行排序。Cj值越大，表明該待估對象距負理想解越遠，距正理想解越近，待估對象越好；Cj值越小，表明待估對象距負理想解越近，距正理想解越遠，待估對象越差