% 熵权法赋权的TOPSIS优劣解距离法
%% 初始化
clear;clc
load A.mat % 输入数据集
[n,m] = size(A);

%% 正向化（有非正向指标时使用）
T = A(:,6);
T1 = max(T) - T; % 极小型
A(:,6)=T1;

%% 标准化/归一化 
%%% 欧式距离法(指标无负值时使用)
%Z = A ./ repmat(sum(A.*A) .^ 0.5, n, 1);

%%% 极差归一化(最常用)
Z = (mapminmax(A',0,1))';

%% 熵权法求权重
D = zeros(1,m);  
for i = 1:m
    x = Z(:,i);  
    p = x / sum(x);
    l = length(p);  
    lnp = zeros(n,1);   
    for j = 1 : l  
        if p(j) == 0  
            lnp(j) = 0;  % 0值的特殊处理
        else
            lnp(j) = log(p(j));  
        end
    end
    e = -sum(p .* lnp) / log(n); % 信息熵
    D(i) = 1- e; %信息效用值
end
W = D ./ sum(D);  % 权重    

%% 计算得分
distance_max = sum(((Z - repmat(max(Z),n,1)) .^ 2 ) .* repmat(W,n,1) ,2) .^ 0.5;% 与最大值的距离向量
distance_min = sum(((Z - repmat(min(Z),n,1)) .^ 2 ) .* repmat(W,n,1) ,2) .^ 0.5;% 与最小值的距离向量
score = distance_min ./ (distance_max + distance_min); % 未归一化的得分
score_gy = (mapminmax(score',0,1))'; % 归一化后的得分

流程图如下图所示：