MATLAB基本语法之优劣解距离法

Posted 2021-09-03 衾许°

优劣解距离法实践部分

1.判断是否需要正向化

• [n,m] = size(X);
• disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
• Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理，需要请输入1 ，不需要输入0：  ']);

• if Judge == 1
•     Position = input('请输入需要正向化处理的指标所在的列，例如第2、3、6三列需要处理，那么你需要输入[2,3,6]： '); 
•     disp('请输入需要处理的这些列的指标类型（1：极小型， 2：中间型， 3：区间型） ')
•     Type = input('例如：第2列是极小型，第3列是区间型，第6列是中间型，就输入[1,3,2]：  '); 

    % 注意，Position和Type是两个同维度的行向量

•     for i = 1 : size(Position,2)  

%这里需要对这些列分别处理，因此我们需要知道一共要处理的次数，即循环的次数

•         X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));

    % Positivization是我们自己定义的函数，其作用是进行正向化，其一共接收三个参数
    % 第一个参数是要正向化处理的那一列向量 X(:,Position(i)) ，其中X(:,n)表示取第n列的全部元素
    % 第二个参数是对应的这一列的指标类型（1：极小型， 2：中间型， 3：区间型）
    % 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
    % 该函数有一个返回值，它返回正向化之后的指标，我们可以将其直接赋值给我们原始要处理的那一列向量

•     end
•     disp('正向化后的矩阵 X =  ')
•     disp(X)
• end

2.对正向化后的矩阵进行标准化

• Z = X ./ repmat(sum(X.*X) .^ 0.5, n, 1);
• disp('标准化矩阵 Z = ')
• disp(Z)

3.计算与最大值的距离和最小值的距离，并算出得分

• D_P = sum([(Z - repmat(max(Z),n,1)) .^ 2 ],2) .^ 0.5;  

% D+ 与最大值的距离向量

• D_N = sum([(Z - repmat(min(Z),n,1)) .^ 2 ],2) .^ 0.5;  

% D- 与最小值的距离向量

• S = D_N ./ (D_P+D_N);    

% 未归一化的得分

• disp('最后的得分为：')
• stand_S = S / sum(S)
• [sorted_S,index] = sort(stand_S ,'descend')

% A = magic(5)  % 幻方矩阵
% M = magic(n)返回由1到n^2的整数构成并且总行数和总列数相等的n×n矩阵。阶次n必须为大于或等于3的标量。
% sort(A)若A是向量不管是列还是行向量，默认都是对A进行升序排列。sort(A)是默认的升序，而sort(A,'descend')是降序排序。
% sort(A)若A是矩阵，默认对A的各列进行升序排列
% sort(A,dim)
% dim=1时等效sort(A)
% dim=2时表示对A中的各行元素升序排列
% A = [2,1,3,8]
% Matlab中给一维向量排序是使用sort函数：sort（A），排序是按升序进行的，其中A为待排序的向量；
% 若欲保留排列前的索引，则可用 [sA,index] = sort(A,'descend') ，排序后，sA是排序好的向量，index是向量sA中对A的索引。
% sA  =  8     3     2     1
% index =  4     3     1     2