（1）確定指標型別並正向化
不同與上一講的層次分析法，這個模型中的資料必須是具體的，而不是人為給出的；
指標有常見的四種型別：
無論是哪種指標，首先都需要進行正向化；
①極小型指標正向化：對所有元素執行\(max-x\)；
②中間型指標正向化：\(x_\)為理想的中間值，計算\(m = max\lbrace|x_i-x_|\rbrace\)，對每個\(x_i\)，計算\(\tilde x=1-\frac|}\)，\(\tilde x\)即為正向化後的值；
③區間型指標正向化：假設最佳的區間為\([a,b]\)，計算：
\[m=max\lbrace a-min\lbrace x_i \rbrace,max\lbrace x_i\rbrace -b \rbrace
\]\[\tilde x = \begin 1-\frac&,xb \end
\]\(\tilde x\)即為正向化後的值；
（2）正向化矩陣標準化
（3）計算得分並歸一化
注意，根據以上方法確定的最終得分，是預設所有因素的權重相等，顯然這不現實，可利用之前的層次分析法確定權重；但是層次分析法的硬傷在於主觀性太強，熵權法是更客觀的方法；
（1）確定指標型別與標準化
步驟與一般topsis型別類似，指標的正向化就不再提了；唯一不同的是，如果輸進行正向化後存在負數，需要將所有值對映到\([0,1]\)區間：
\[\tilde z_ = \frac -min\lbrace x_,x_,\cdot\cdot\cdot,x_\rbrace},x_,\cdot\cdot\cdot,x_}\rbrace-min\lbrace x_,x_,\cdots,x_\rbrace}
\]（2）計算概率
將\(\tilde z_\)矩陣中的每個元素除以每一列的和，得到\(p_\)矩陣；
（3）計算資訊熵與資訊效用性
對於第\(j\)個指標而言，計算資訊熵:
\[e_j = -\frac}\sum_^p_\ln(})\quad(j=1,2,\cdots,m)
\]計算資訊效用值：
\[d_j = 1-e_j
\]最終得到每個指標的熵權：
\[w_j = \frac^d_j}\quad (j=1,2,\cdots,m)
\]但實際上，這個方法僅限於數學建模比賽，真正的科學意義或許並不大，首先這個概率是用頻率的計算方式算出來的，如果樣本不大的話，根本沒有說服力；其次這個方法得到的權重是基於方差大小的（相當不科學），方差越大，說明能提供的資訊越多，資訊效用值越大，計算出來的權重也就越大，反之亦然；所以這是乙個為比賽而服務的模型罷了。
本文演算法思想參考源於清風建模，特此註明
從零開始的數學建模 （五）插值演算法
插值指的是運用一些數學的方法，模擬產生 一些新的但又比較可靠的資料，補足題目中的空缺資料 插值也可以用來做 問題，而且比灰色 可靠得多，數學背景也更豐富 埃爾公尺特 hermite 插值不但要求在節點上的函式值相等，而且還要求對應的導數值也相等，甚至高階導數也相等 但一般不直接用hermite插值，...
jQuery從零開始 二
1.css類的操作 addclass 向被選元素新增乙個或者多個類 removeclass 刪除被選元素的類 toggleclass 取反 css 獲取或者設定被選元素的css樣式 使用這個方法的時候不需要使用小駝峰，當通過這個方法設定樣式的時候，可以通過傳入乙個物件的形式來設定css樣式 widt...
Git從零開始（二）
前面提交了乙個test1.txt檔案，接下來看看這個檔案接下來的命運。一 繼續修改並提交 在test1.txt中修改後，git status檢視git的狀態，會提示我們檔案test1.txt被修改了，但還沒有提交。但到底修改了什麼呢？接著往下看，git diff test1.txt檢視剛剛修改的內容...