企业官网建设流程全解析

简介：这是一份针对熵权法权重确定与目标函数构建的MATLAB源码资源，面向需要开展多指标综合评价、决策分析或优化建模的研究者与工程人员。压缩包内包含shang.m与guiyi.m两个脚本文件，整体大小仅1KB，其中shang.m负责数据标准化与信息熵计算，guiyi.m侧重熵权计算及归一化处理，可配合使用完成从原始数据到最终权重的完整流程。资源已吸引约619人学习下载，虽体量精简，但函数逻辑清晰，适合作为客观赋权方法的参考实现。通过运行脚本，读者可直接替换评价数据获得各指标权重，进而构建综合目标函数，减少主观偏好对决策结果的影响，提升多准则评估的可靠性与可复现性。

1. 熵权法不是拍脑袋：数据越乱，越该用它定目标函数权重

给一组待评价的方案定目标函数权重，最让人头疼的往往不是打分，而是权重本身怎么定。熵权法这条路线，核心就一句话：不靠专家拍脑袋，靠数据本身的离散程度反推权重。某个指标下各方案的数值差异越大，说明它携带的区分信息越多，权重就该给得越高；数值全都挤在一起，说明它对最终排序没什么贡献，权重自然低。这套思路在综合评价、多目标决策、算法评测里都很常见，适合手头有完整评估矩阵、又不想让主观偏好污染权重确定过程的工程师。它不玄学，但样本和预处理没做好，照样翻车。

2. 熵权法权重确定的三步推导：信息熵、差异系数与权重之间的数学关系

2.1 信息熵和权重的对应关系：熵小权重大的直觉从哪来

熵这个概念最早从热力学来，香农把它借到信息论里，定义了一个系统的混乱程度：事件概率分布越均匀，熵越大；概率分布越集中，熵越小。熵权法把这个逻辑反转过来用。把 n 个评价对象、m 个指标看成一张信息表，对某个指标 j 来说，如果所有对象在这个指标上的取值都差不多，说明这个指标几乎不携带区分信息，它的熵值接近 1，给的权重就该小；如果取值差异很大、有的高有的低，说明这个指标能帮你把对象拉开差距，熵值小，权重就该大。

这套直觉换成公式就是：权重和熵值反向，和差异系数正向。先算每个指标的熵值e_j，算差异系数d_j = 1 - e_j，最后把d_j归一化就得到权重。整个过程没有引入任何主观评分，所以被称为客观赋权法。实际做多目标决策时，经常遇到 5 个甚至 10 个目标函数要合成一个综合指标，AHP 那种两两比较的打分表在目标多的时候很容易自相矛盾，熵权法只认数据，反而能把权重确定这件事从“开会争论”变成“跑一遍脚本”。

2.2 标准计算流程：从原始矩阵到权重只需要五步

熵权法的计算路径是固定的，我一般按下面的顺序走，每一步都对应一个可检查的中间结果。

第一步，构造原始数据矩阵X(n×m)。n 行是评价对象或者候选方案，m 列是指标或者目标函数。第二步，正向化处理。熵权法要求所有指标方向一致，默认越大越好。成本型指标（越小越好）要先转换，常见做法是取倒数，或者用该列最大值减去当前值。第三步，min-max 归一化到 [0,1] 区间，消除量纲影响。第四步，计算每个对象在某个指标下的比重p_ij = x'_ij / Σ x'_ij，本质上就是把该指标下所有对象的值“摊成概率”。第五步，按熵公式计算熵值：

e_j = -1 / ln(n) * Σ p_ij * ln(p_ij)

前面的1/ln(n)是归一化系数，保证e_j落在 0 到 1 之间。随后算差异系数d_j = 1 - e_j，最后权重w_j = d_j / Σ d_j。

这里面最容易出问题的不是公式本身，而是 p_ij 取对数时遇到的零值。归一化后如果某个值恰好是 0，ln(0) 直接报错，所以几乎所有实现里都会加一个极小偏移量。这个偏移量是多少、放在哪个环节，会直接影响权重结果，后面专门讲。

2.3 为什么它适合目标函数权重：和 AHP、均权法的本质差别

目标函数权重确定这件事，本质上是在回答“多个优化目标哪个更重要”。均权法默认所有目标同等重要，适合完全没有先验信息的起步阶段；AHP 靠专家两两比较构造判断矩阵，适合目标数量少、且决策者能给出稳定偏好的场景；熵权法站在中间：不预设偏好，也不完全平均，完全由候选方案之间的差异程度驱动。

三种方法的适用边界差别很大，我常用这张表来向团队解释选型理由。

需要特别说明的是，熵权法算出的权重描述的是“该指标在这个数据集里的区分力度”，不是“该指标在业务上有多重要”。假如某项目标函数的取值在所有候选方案里几乎一样，熵权法会给它接近 0 的权重，但这不代表这个目标业务上不重要，只是它在当前数据集里没有提供足够的排序信息。理解这一点，后面做组合权重时才能知道它在干嘛。

3. 用 Python 实现熵权法：从原始矩阵到目标函数权重的完整代码

3.1 最小可运行代码：输入矩阵，输出权重

先说结论：熵权法的 Python 实现不需要任何第三方库之外的依赖，numpy 就够了。下面这段代码是最小可用版本，我建议直接复制保存成entropy_weight.py，后面的讨论都基于它。

import numpy as np def entropy_weight(X): """ 熵权法计算指标权重 X: numpy array, shape (n_samples, n_features) 行是样本/方案，列是指标/目标函数 返回: weights, shape (n_features,) """ # 1. min-max 归一化到 [0, 1] X_min = X.min(axis=0) X_max = X.max(axis=0) X_norm = (X - X_min) / (X_max - X_min + 1e-10) # 2. 非负平移，避免后续 log(0) X_norm = X_norm + 1e-10 # 3. 计算每个方案在各指标下的比重 sum_col = X_norm.sum(axis=0) P = X_norm / sum_col # 4. 计算熵值 n = X.shape[0] k = 1.0 / np.log(n) entropy = -k * np.sum(P * np.log(P + 1e-10), axis=0) # 5. 差异系数归一化得到权重 d = 1 - entropy weights = d / d.sum() return weights if __name__ == "__main__": # 示例：4 个候选方案，3 个目标函数（都是越大越好） X = np.array([ [0.8, 0.6, 120], [0.9, 0.7, 95], [0.7, 0.8, 80], [0.6, 0.9, 60], ]) print(entropy_weight(X))

这段代码的逻辑对应上一章的五步推导：归一化、加偏移、算比重、算熵、算权重。要注意的三点是行和列的方向、偏移量加在哪里、以及系数k的意义。

X的行是方案，列是目标函数，这个方向千万别搞反。如果习惯把指标放行，axis=0计算的逻辑会全乱。偏移量1e-10加在分母和取对数两个位置，作用是双保险：分母加偏移防止归一化时分子分母同时为 0 的情况，取对数加偏移防止ln(0)报错。系数k用的是1/np.log(n)，n 必须是样本数，不是指标数，写错的话熵值不会落在 [0,1] 区间里。

3.2 归一化与正向化：成本型目标怎么处理

实际拿到的目标函数不全是越大越好。比如多目标优化里常见的“时延”“成本”“能耗”，都是越小越好的成本型指标。这些数据不能直接喂给上面的函数，必须先做正向化。我常用的做法是max - x而不是取倒数。

def preprocess(X, cost_columns=[]): """ 正向化 + min-max 归一化 + 非负平移 cost_columns: 需要反向处理的列索引列表 """ X = X.astype(float).copy() for j in cost_columns: X[:, j] = X[:, j].max() - X[:, j] X_min = X.min(axis=0) X_max = X.max(axis=0) X_norm = (X - X_min) / (X_max - X_min + 1e-10) # 平移确保没有 0 或负值 X_shift = X_norm + 1e-6 return X_shift

为什么不推荐取倒数？因为倒数是非线性变换，会放大数值小的样本之间的差异，压缩数值大的样本之间的差异。一个离群值如果特别小，取倒数后会变成极大的值，直接主导整列的比重计算。max - x是线性变换，能保留原始数据里的比例关系和分布形状，对离群值的容忍度更高。

归一化和平移的先后顺序也要固定：先归一化，再平移。如果先平移再归一化，某些指标原本的范围差异会被平移量覆盖，权重会整体偏向范围大的指标。1e-6这个量级是经验值，足够避免零值又不至于把各样本的真实差异抹平。

3.3 封装成标准函数：适配多目标函数权重的接口设计

上面的函数已经能直接用了，但做目标函数权重时通常还要算加权综合得分，所以我会把预处理和加权得分一起封装。

def objective_weight_and_score(X, cost_columns=[]): """ 熵权法确定目标函数权重，并输出加权综合得分 X: shape (n_solutions, n_objectives) cost_columns: 成本型目标所在的列索引 返回: (weights, scores) """ X_proc = preprocess(X, cost_columns) weights = entropy_weight(X_proc) # 综合得分：归一化后的矩阵与权重做矩阵乘法 scores = X_proc @ weights return weights, scores

这里有一个隐藏的细节：entropy_weight内部对X_proc又做了一遍min-max归一化，而preprocess已经把数据归一化过一次了。重复归一化不会改变列内样本的相对比例吗？如果我们传入的矩阵所有列都已经在 [0,1] 区间，且每列最小值都是 0、最大值都是 1，那么二次归一化后数据不变，结果是对的。如果某列归一化后最小值为 0.1、最大值为 0.9，二次归一化会把它重新拉伸到 [0,1]，相当于改变了列间的相对尺度，这就会影响权重。

所以正确的接口设计是：preprocess只做正向化，把归一化统一交给entropy_weight去做。或者反过来，在objective_weight_and_score里用X_proc直接算得分，把归一化逻辑收敛到一处。我倾向于后者，代码里保持“只归一化一次”的原则，避免这种隐蔽的二次拉伸。

4. 熵权法避坑指南：五个让权重翻车的真实场景

4.1 离群值绑架权重：一个 100 分把其他样本压成零头

现象：原始数据里混进一个异常大的值，min-max 归一化后其他样本的值全部被压到 0.01 以下，比重计算时这个离群值几乎独占整列，熵值极低，权重被它一家撑到离谱的高度。

原因：min-max 对离群值没有抵抗力，最大值和最小值被极端数据控制，整个归一化分布被拉伸。

解决：归一化之前先做分位数缩尾。我一般把超过 1% 和 99% 分位数的值拉回边界，再用缩尾后的数据做熵权法。

def winsorize(X, lower=0.01, upper=0.99): """分位数缩尾，防止离群值主导权重""" X_w = X.copy() for j in range(X.shape[1]): lo = np.percentile(X[:, j], lower * 100) hi = np.percentile(X[:, j], upper * 100) X_w[:, j] = np.clip(X[:, j], lo, hi) return X_w

缩尾不是删除数据，而是把极端值压到边界。它牺牲了离群值的绝对量，换回的是权重对整体样本的代表性。对目标函数权重来说，如果某个候选方案的某个目标值异常突出，这个方案本来就该拿高分，但它不该让其他目标函数的权重集体失真。

4.2 强相关指标重复计权：两个指标其实说的是一件事

现象：指标体系里有“完成数”和“完成率”，两个指标高度相关，熵权法算出来的这两个权重都偏高，加起来几乎占了总量的一半，导致其他指标被边缘化。

原因：熵权法把每个指标当成独立信息源，完全不考虑指标间的相关性。两个强相关指标携带的信息几乎重合，相当于同一份信息被计算了两次。

解决：先算相关系数矩阵，把|r| > 0.8的指标对找出来，删掉其中一个再跑熵权法。这一步在目标函数权重场景下同样适用——如果两个目标函数本质上是一强相关，保留一个就够了。这也是后文要讲的“熵权法+critic”组合思路存在的根本原因：critic 显式考虑了指标间的冲突性，能惩罚这种重复计权。

4.3 样本量太少：三个方案算出来的权重没法信

现象：只有 3 个样本、6 个指标，算出来的权重忽高忽低，换一个样本权重排序就变了。

原因：熵值计算的归一化系数1/ln(n)在 n 很小时对概率分布的敏感度极高。3 个样本的熵值可能只有 0.3~0.7，差异系数被整体放大，权重看起来差异很大，实际上都是噪声驱动的。

解决：熵权法的样本量不建议少于指标数的 3 倍。如果样本量实在不够，可以做自助抽样看权重分布：每次有放回抽 n 个样本，重复 500 次，观察每个指标权重的均值方差。如果方差大到权重排序不稳定，就不要用熵权法作为唯一依据，换 CRITIC 或者主观赋权。

4.4 归一化方法换来换去：同一份数据算出两套权重

现象：同事用 min-max 归一化，你用 z-score 标准化，同一个数据集跑出来的权重完全不一样，开会时各执一词。

原因：z-score 会产生负值，负值没法直接取对数，必须平移。平移量一加，原来的数据分布就被扭曲了，熵值跟 min-max 的结果没有可比性。z-score 适合用于需要保留离群值影响的场景，但它和熵权法天然不搭。

解决：锁定一套流程，不要混用。我固定用正向化 → min-max → 平移 → 比重 → 熵值，并且把预处理参数记录在代码配置里。任何人回跑结果时必须用同一套参数，否则结论不可比。

4.5 熵值接近 1，权重约等于 0：这个指标该不该删

现象：某个指标在所有样本上的取值几乎一致，算出来的熵值 0.9999，差异系数只有 0.0001，归一化后权重接近 0。看起来该删，但业务上这个指标明明很关键。

原因：熵权法度量的是“差异化信息量”，不是“业务重要度”。数据分布越均匀，权重越小是熵权法的正常行为，不是 bug。

解决：不要直接删指标，先确认数据是不是采集出了问题。如果数据确实没问题，就在报告里说明：该指标当前数据集未能提供足够的区分信息，权重低不代表业务不重要。如果希望它参与决策，可以用组合权重方案，把熵权法结果和主观权重或 critic 权重做几何平均，防止它被一票否决。

5. 熵权法与 CRITIC 法怎么选：目标函数权重确定的两个客观方案对比

5.1 CRITIC 法的核心逻辑：对比强度加上冲突性

CRITIC 法做的是另一件事：它用标准差衡量指标的对比强度，标准差越大说明这个指标区分能力越强；再用指标间的相关系数衡量冲突性，相关系数越低说明这个指标和其他指标越不重复。综合成一个信息量指数：

C_j = σ_j * Σ(1 - r_jk)

其中σ_j是指标 j 的标准差，r_jk是指标 j 与指标 k 的相关系数，求和遍历所有其他指标。权重同样是C_j归一化后的结果。

这个公式的价值在于它显式惩罚了强相关指标。如果一个指标和很多指标都高度相关，Σ(1-r)会比较小，就算它自己的标准差大，最终权重也会被压低。这正是熵权法缺失的能力。

5.2 两种方法的适用场景对比

客观赋权领域，熵权法和 CRITIC 是出场率最高的两个名字。它们都解决同一个问题——目标函数权重怎么确定，但适用条件差别不小。

实际项目里，如果指标数量少、业务上能确认它们彼此独立，我直接用熵权法。如果指标之间明显存在关联，比如“时延”和“排队长度”，“能耗”和“运行时长”，我会换成 CRITIC。判断标准很简单：先跑一个相关系数矩阵，如果大部分相关系数的绝对值超过 0.6，熵权法就要打个问号。

5.3 组合权重落地：熵权法+critic 的几何平均方案

热词“熵权法+critic”对应的其实是一个很实际的诉求：两种客观方法各有短板，能不能合起来用。组合权重是我在高风险决策里常用的折中方案。线性加权组合是w = α*w_熵 + (1-α)*w_critic，α 可以调；几何平均组合是w = sqrt(w_熵 * w_critic)。

我更推荐几何平均，原因是它保留了“一票否决”的属性。某个指标在一种方法下权重接近 0 时，组合后也会被压得很低，而线性加权会把它拉回来一部分。具体用哪种取决于业务上需不需要这种保护。下面是几何平均组合的代码。

def critic_weight(X): """CRITIC 法权重：标准差 + 冲突性""" std = X.std(axis=0) corr = np.corrcoef(X.T) conflict = (1 - corr).sum(axis=0) info = std * conflict return info / info.sum() def combined_entropy_critic(X): """熵权法 + CRITIC 组合权重（几何平均）""" w_entropy = entropy_weight(X) w_critic = critic_weight(X) w_comb = np.sqrt(w_entropy * w_critic) return w_comb / w_comb.sum()

注意这里X需要先完成正向化和归一化再传进去。组合权重的哲学是：熵权法捕捉数据分布的离散度，CRITIC 捕捉指标间的冲突性，两者互补。但组合不是免费的，它对数据质量的要求比单独使用更高——相关系数矩阵在样本量不足时本身就有噪声，组合之后会把噪声也带进来。所以我的原则是：样本量够（≥ 3 倍指标数）且指标关系复杂时，才做组合；样本量不足时，宁可只跑熵权法。

6. 拿到熵权法权重后，先做这三项验证再投入使用

6.1 敏感性分析：给数据加一点噪声，看权重稳不稳

权重算出来只是第一步，真正能不能投入决策，要看权重对数据扰动是否敏感。我习惯的做法是对每个指标单独加 5% 的高斯噪声，重新算一遍权重，观察排名变化。

np.random.seed(42) X_noise = X * (1 + 0.05 * np.random.randn(*X.shape)) w_noise = entropy_weight(X_noise) change = np.abs(w_noise - w0) / w0

如果某个指标的权重相对变化超过 20%，说明这个权重被当前数据里的少数样本牵制，需要回到数据清洗环节排查原因。

6.2 与主观排序交叉验证：解释不通的权重先别用

我会把熵权法的权重排序拿给业务方看，问一个问题：排名前二的指标是不是业务上真正关心的。如果业务方认为最重要的指标在熵权法里垫底，先别急着解释“这是客观算法”，大概率是数据里有脏值或者指标放错了方向。用 AHP 或简单的主观打分做个交叉验证，差异过大就回头查数据，这是最便宜的质量检查。

6.3 Bootstrap 稳定性检验：留一法看权重排序是否翻转

去掉一个样本，重新计算权重，重复 n 次。如果某指标的权重排序在多次留一验证里反复翻转，说明它区分信息不足，应该考虑和研究哪些指标真正驱动评价结果。

这套流程走完，我才敢把权重带到决策会上。我的习惯是：权重必须能被业务逻辑解释通，解释不通，先查数据质量，而不是急着调公式参数。希望帮到你。

本文还有配套的精品资源，点击获取