企业官网建设流程全解析

简介：面向需要快速上手云模型实现的 MATLAB 用户，这份代码包提供可直接调用的正向云发生器与云变换相关函数，适合从事不确定性建模、权重计算与模糊综合评价的研究生、教师及工程技术人员用于课程实验、论文复现与算法原型验证。压缩包共 2 个文件，均为 .m 源码文件，体积约 1KB，轻量简洁，便于阅读整体逻辑并嵌入现有 MATLAB 工程，无需额外依赖即可运行。已有 1581 人学习下载，说明其在教学与科研场景中具有一定参考价值。使用者可从中获得云模型数字特征到云滴生成的完整实现思路，理解期望、熵、超熵等参数对云图形态的影响，并在此基础上调整参数或改写函数，完成权重确定、评价指标隶属度计算等任务；代码结构短小，也便于逐步调试与二次开发，适合作为云模型入门与项目应用的起点。

1. 三个数字特征顶替一张专家打分表：MATLAB 云模型代码能用在哪

去年帮某实验室复核一套边坡稳定性评价，六份专家打分表收回来，判断矩阵的一致性比率怎么调都压不到 0.1 以下。后来换个思路，把「很重要 / 比较重要 / 一般」这类语言值直接映射成一组 (Ex, En, He)，正向云发生器撒云滴、逆向云把六位专家的意见聚成一朵云，权重就带上了可解释的离散范围，不用再跟一致性比率较劲。这套 MATLAB 云模型代码做的正是这件事：正向云、逆向云、云模型赋权、云模型综合评价、云图绘制，全部函数级封装，改数据就能跑。适合手里已有指标体系、需要把定性判断量化成权重和等级的人；只想画一张云图交作业也能用，但那样用不出这套代码的价值。

2. 正向云与逆向云：Ex、En、He 的生成与反推

云模型把「模糊」和「随机」揉进一组参数：期望 Ex 是概念的集中位置，熵 En 是概念能覆盖的跨度，超熵 He 是这朵云本身的厚度，也就是「跨度本身有多不确定」。三个数一给，一朵云就定了；反过来，给一堆云滴，也能把三个数估回来。正向和逆向这两个发生器是所有上层应用的地基，代码包里的其他函数都在调它们。

2.1 正向云发生器：两步正态采样

正向云的采样逻辑是「先把熵随机化，再以随机的熵为尺度撒点」。第一步以 En 为期望、He 为标准差生成一个临时熵 En_i，第二步以 Ex 为期望、|En_i| 为标准差生成云滴 x，确定度 y 由高斯型隶属函数算出。这个两步结构是云模型区别于普通模糊隶属函数的关键，也是云滴图呈现「中间密、边缘散、腰身有厚度」的原因。

function [x, y] = forwardCloud(Ex, En, He, n) % forwardCloud 正向云发生器 % Ex 期望 En 熵 He 超熵 n 云滴数量 % x 云滴坐标 (n×1) y 确定度 (n×1) if nargin < 4, n = 2000; end % 默认 2000 滴，够画图也够估隶属度 if He < 0, error('超熵 He 必须非负'); end Eni = En + He .* randn(n,1); % 第一步：对熵做一次正态扰动 x = Ex + abs(Eni) .* randn(n,1); % 第二步：以随机熵为尺度撒云滴 y = exp(-(x-Ex).^2 ./ (2*Eni.^2)); % 高斯型确定度，值域 (0,1] end

代码里没用normrnd，而是用randn手工换算成均值 + 标准差 × randn，这样不依赖统计工具箱，装个基础 MATLAB 就能跑。abs(Eni)那一层绝对值不能省，He 一大，Eni会采到负值，不取绝对值会得到一个反向的云滴分布。n的取值分场景：画图 1000～3000 滴足够，要拿云滴频率估计某个区间的确定度，建议 5000 滴往上，否则同一份参数跑两次的均值能差出 3% 以上。

He 的经验取值是 En 的 1/10 到 1/3。取到 1/10，云看起来很「薄」，像一个熨平的模糊隶属函数；取到 1/3，腰身明显散开，适合表达专家意见分歧大的概念。He 再往上加，云滴会散成一片，确定度接近 0，此时云已经不再表达任何概念，属于典型的参数翻车。

2.2 逆向云发生器：只给云滴也能反推特征

实际工程里更常见的是反向需求：手上只有一组专家打分或者一组实测数据，想知道它对应哪朵云。逆向云发生器有无确定度和带确定度两套算法，代码包里实现的是无需确定度的一阶矩法，因为它只要求你有云滴坐标 x，不要求你事先知道每个点的隶属度——而后者在实测数据里根本拿不到。

function [Ex, En, He] = backwardCloud(x) % backwardCloud 逆向云发生器（一阶矩法，无需确定度输入） x = x(:); n = numel(x); if n < 5 error('云滴少于 5 个，数字特征不可信'); end Ex = mean(x); % 期望：样本一阶矩 En = sqrt(pi/2) * mean(abs(x - Ex)); % 熵：一阶绝对中心矩换算 S2 = var(x); % 样本方差 He = sqrt(max(S2 - En^2, 0)); % 超熵：方差扣掉熵的贡献 if S2 < En^2 warning('样本方差小于 En^2，He 被截断为 0，建议增加样本量或改用带确定度算法'); end end

三个公式各有来路，sqrt(pi/2)这个系数来自正态分布的一阶绝对中心矩与标准差的关系，不是随手拍的。He那一行最容易出问题：理论上S2 = En^2 + He^2，一旦样本量小、数据又集中，S2可能小于En^2，开根号就是虚数，MATLAB 会直接给你NaN或者复数。代码里用max(..., 0)兜住，同时抛警告，让你知道这朵云的超熵不可信，而不是悄悄给你一个 0。

注意：逆向云的输入必须是同一朵云的云滴。把不同指标、不同专家的数据混在一起做逆向，得到的 Ex 没有物理意义，En 会被组间差异撑得很大，看起来「很分散」，实际是把两朵云硬拼成了一朵。

2.3 云图与确定度的读法

云图是这个方法最直观的输出，也是一个容易被误读的图。横轴是云滴的取值，纵轴是确定度，同一个 x 位置上可能出现好几个 y——这正是云模型和普通隶属函数的区别：隶属度本身是随机的，所以你看到的不是一个函数曲线，而是一团有厚度的点云。

function cloudPlot(Ex, En, He, n, col) % cloudPlot 绘制单朵云 if nargin < 4, n = 2000; end if nargin < 5, col = [0.20 0.40 0.80]; end Eni = En + He .* randn(n,1); x = Ex + abs(Eni) .* randn(n,1); y = exp(-(x-Ex).^2 ./ (2*Eni.^2)); scatter(x, y, 6, col, 'filled', 'MarkerFaceAlpha', 0.35); xlabel('指标值 x'); ylabel('确定度 \mu'); grid on; box on; end

读图时看三件事：云滴最密的位置是不是落在你预期的 Ex 附近；横向铺开的宽度是不是和 En 匹配（大约 3 倍 En 能覆盖绝大部分点）；纵向的「雾感」是不是和 He 匹配。如果画出来发现左右严重不对称、或者中心明显偏离 Ex，先检查是不是把两组数据混在一起喂进去了，其次检查 En 是不是被设成了负数——负的 En 在第一步abs之后会变成正的，云滴照样能出来，但整个语义已经错了，这种错误最难查。

3. 云模型赋权：把专家语言值折算成归一化权重

权重才是这套代码被搜到的主因。传统 AHP 让专家填 1～9 判断矩阵，一致性检验是道硬门槛；DELPHI 让专家反复打分，轮次多了人会烦。云模型赋权换个做法：专家只需要给每个指标一个语言等级，等级到云参数有固定的映射表，多专家的意见用逆向云聚合成一朵权重云，期望当权重、超熵当可信度。整个过程不需要一致性检验，但要接受一个事实——权重不再是点值，而是一个带离散范围的分布。

3.1 评语云标定：语言值到参数的映射表

标定是整套流程里唯一需要人工拍板的地方，拍完之后就不能再动。常见做法是把指标的重要性分成 5 级，Ex 在 0～1 上均匀铺开，En 取相邻 Ex 间距的 1/3 到 1/2，He 取 En 的 0.1 倍左右。间距太密，相邻等级云会重叠到无法区分；间距太疏，会留下大片「无云区」，实测值掉进去算出来的确定度全是 0。

表里的 En 取了 0.04～0.05，相邻 Ex 间距是 0.2，比值落在 1/4 到 1/5 之间，云与云之间有轻微交叠但中心可分辨。He 压到 En 的十分之一，是因为评语云表达的是「标准」，标准本身不该有太大不确定性；如果你希望专家在语义上更宽松，可以把 He 提到 0.015 左右，代价是等级边界变糊，综合评价时容易出现两个等级确定度咬得很紧的情况。

3.2 专家打分矩阵的逆向聚合

专家打分表整理成一个指标数 × 专家数的矩阵，元素是 1～5 的等级分，每一行就是一朵「专家意见云」的云滴。逐行做逆向云，得到每个指标的 (Ex, En, He)，再用 Ex 归一化得到权重。

function [W, C] = cloudWeight(score) % cloudWeight 云模型赋权 % score 指标×专家 的等级打分矩阵，元素取值 1~5 % W 归一化权重 (p×1) % C 各指标的权重云参数 (p×3)，每行 [Ex En He] [nIdx, nExp] = size(score); C = zeros(nIdx, 3); for i = 1:nIdx x = score(i,:)'; Ex = mean(x); En = sqrt(pi/2) * mean(abs(x - Ex)); S2 = var(x); He = sqrt(max(S2 - En^2, 0)); C(i,:) = [Ex, En, He]; end W = C(:,1) / sum(C(:,1)); % 用期望归一化，得到点值权重 end

这段代码看起来简单，真正决定结果的是score矩阵怎么组织。常见错误是把专家按列、指标按行搞反了，跑出来权重个数等于专家人数，还以为是算法出了问题。另一个隐性问题是打分尺度：如果一部分专家用 1～5、另一部分用 1～9，逆向出来的 En 会虚高，因为量纲不同带来的差异被当成了意见分歧。发问卷之前把尺度统一，能省掉后面一大堆解释工作。

W之所以用 Ex 归一化而不用 Ex 加权 En，是因为 En 在权重语义里表示「这个指标的重要性有多模糊」，而不是「这个指标有多重要」。把 En 掺进权重会让模糊性大的指标权重被抬高，逻辑上是反的。En 和 He 的正确用法是下游的可信度过滤，也就是下一节。

3.3 分歧度折扣：He 大的指标怎么处理

六个专家里五个打「比较重要」、一个打「很不重要」，Ex 会落在 3.7 附近，看起来挺高，但 He 会明显变大。这种指标直接按期望给权重，等于把一条分歧极大的意见当成了共识。我一般会做一次折扣：分歧越大，权重按平方衰减，同时留一个 0.2 的保底，避免某个指标被彻底清零。

function W = discountWeight(C, W0, beta) % discountWeight 按超熵对权重做折扣 % C 权重云参数 (p×3)，每行 [Ex En He] % W0 期望归一化后的权重 (p×1) % beta 折扣强度，0 不折扣，1 折扣最狠 He = C(:,3); hmax = max(He); if hmax <= 0 W = W0; return; end k = 1 - beta * (He / hmax).^2; % 分歧越大，折扣越狠 k = max(k, 0.2); % 保底系数，防止权重归零 W = W0 .* k; W = W / sum(W); % 折扣后重新归一化 end

beta取 0.5 是我常用的默认值，能压住明显分歧又不至于把排序打乱太多。取 1 的时候，He 最大的那个指标会被压到原权重的 20%，适合专家意见质量参差、需要强筛选的场景；取 0 就退化成纯期望赋权。折扣之后一定要重新归一化，W0 .* k的和不再是 1，忘了这一步，后面的综合评价会整体偏低。

提示：折扣系数会改变指标排序，交付前把折扣前后的权重表并排打出来看一眼。如果某个指标因为折扣从第 2 位掉到第 6 位，先回头看看那位打极端分的专家是不是理解错了指标定义，而不是直接接受算法结果。

3.4 与熵权法组合：给主观云找一个客观锚点

纯主观赋权的通病是「专家说什么就是什么」，评审场合经常被追问依据。稳妥的做法是留一份客观权重做对照，用组合权重交付。云模型权重负责体现领域判断，熵权法负责体现数据本身的离散程度，两者线性加权。

function W = comboWeight(Wc, X, alpha) % comboWeight 云模型权重与熵权法组合 % Wc 云模型主观权重 (p×1) % X 原始指标矩阵 (n样本 × p指标)，需先做同向化 % alpha 主观权重占比，常取 0.5~0.7 [n, p] = size(X); Xm = (X - min(X)) ./ (max(X) - min(X) + eps); % 极差归一化到 [0,1] P = Xm ./ sum(Xm, 1); P(P <= 0) = 1e-12; % 防止 log(0) e = -sum(P .* log(P), 1) / log(n); % 各指标信息熵 d = 1 - e; % 差异系数 We = d / sum(d); % 熵权 W = alpha * Wc(:) + (1 - alpha) * We(:); W = W / sum(W); end

alpha取 0.6 比较常见，主观占大头但客观有话语权。X进函数之前必须先做同向化，成本型指标要翻转过，否则熵权会奖励那些「数值越大越差」的指标，方向完全反了。另外样本量 n 小于 10 的时候熵权很不稳，log(n)太小，一点点数据波动就能让权重跳变，这种场景干脆把alpha提到 0.8 以上，让客观权重只起微调作用。

4. 云模型综合评价：从权重矩阵推到等级落点

权重有了，下一步是把实测值送进等级云，算出每个指标对每个等级的确定度，加权合成之后定级。这一段的代码量不大，坑主要集中在「确定度怎么算」和「定级用什么规则」两个地方，前者关系到数值是否稳定，后者关系到结论是否可信。

4.1 等级云与单指标确定度矩阵

给定指标实测值 x 和某个等级云 (Ex, En, He)，确定度不能直接代高斯公式，因为 En 本身是随机的。常见做法是对 En 做 m 次抽样，每次算一个确定度，最后取平均，这相当于用蒙特卡洛方法估计「这朵云对 x 的平均确定度」。

function [B, S, MU] = cloudEval(W, x, C, levelScore, m) % cloudEval 云模型综合评价 % W 指标权重 (p×1)，已归一化 % x 各指标无量纲化实测值 (p×1)，落在 [0,1] % C 等级云参数 (K×3)，每行 [Ex En He] % levelScore 各等级对应分值 (K×1)，如 [1 2 3 4 5]' % m 每个指标-等级组合的抽样次数 p = numel(W); K = size(C,1); MU = zeros(p, K); for i = 1:p for k = 1:K Ex = C(k,1); En = C(k,2); He = C(k,3); Eni = En + He .* randn(m,1); % 对熵抽样 Eni = max(abs(Eni), 1e-6); % 防除零 MU(i,k) = mean(exp(-(x(i)-Ex).^2 ./ (2*Eni.^2))); end end B = (W' * MU)'; % 综合确定度 (K×1) S = sum(B .* levelScore) / sum(B); % 加权平均等级分 end

MU是 p 行 K 列的确定度矩阵，每行是一个指标对 K 个等级的确定度分布。m取 1000～3000 就够稳定，再往上收益很小，因为误差量级是 1/sqrt(m)，从 1000 加到 4000 只能把波动压掉一半。1e-6那个下限是给 He 接近 0 的等级云留的后路，否则Eni抽到 0 会除出Inf。

4.2 加权合成、最大隶属度与综合得分

B算出来之后有两条定级路线，选哪条取决于你的分布形状。最大隶属度原则简单直接，取B最大的那个等级，适合B有明显尖峰的情况；综合得分S用等级分值加权平均，适合B比较平缓、两三个等级咬得很紧的情况，能避免「0.31 对 0.29 就定成高一级」这种脆断。

[~, lv] = max(B); % 最大隶属度定级 fprintf('最大隶属度等级 = %d\n', lv); fprintf('综合得分 = %.3f\n', S); % 得分法，可与等级阈值对照

我一般两个都算，交付时以综合得分为主、最大隶属度为辅，并在报告里注明「两种规则结论一致」或「存在跨级，需复核边界指标」。评审最怕的就是只报一个数，被问到为什么不是另一级时答不上来。如果B出现两个几乎相等的峰值，说明指标体系里有两类指标在往不同方向拉，这时候该做的是检查指标相关性，而不是换个定级规则把结果凑过去。

4.3 指标无量纲化与区间型指标处理

云模型的等级云默认铺在 0～1 上，实测值必须先压到这个区间。效益型指标直接极差归一化，成本型指标翻转，适度型指标（越接近某个值越好）要单独处理，不能简单套极差。

function Xn = normalizeIdx(X, type) % normalizeIdx 指标无量纲化 % X 原始指标矩阵 (n×p) % type 1×p 元胞，元素为 'benefit' / 'cost' [n, p] = size(X); Xn = zeros(n, p); for j = 1:p lo = min(X(:,j)); hi = max(X(:,j)); if strcmpi(type{j}, 'benefit') Xn(:,j) = (X(:,j) - lo) / (hi - lo + eps); else Xn(:,j) = (hi - X(:,j)) / (hi - lo + eps); end end end

eps是为了防止某个指标所有样本取值相同导致除零，这种指标本身也没有区分度，归一化后全是 0，权重再高也不影响结果，属于正常现象。真正要小心的是极值：单个离群点会把hi拉得很远，其余样本全挤在 0 附近，等级云的区分能力直接失效。样本量小于 30 的时候，我一般改用 5% 和 95% 分位数代替 min/max，牺牲一点极值信息换取整体的分辨率。

4.4 一个完整的最小可运行脚本

把前面几个函数串起来，三指标、六专家、五等级的完整流程不到 20 行。这个脚本可以直接当模板改，改数据、改等级云参数就能套到自己的指标体系上。

%% 最小可运行示例：3 指标 / 6 专家 / 5 级评语 rng(42); % 固定随机种子，保证可复现 score = [4 5 4 4 5 4; % 指标 1 的六位专家打分 3 4 3 4 3 3; % 指标 2 5 4 5 5 4 5]; % 指标 3 [W0, C] = cloudWeight(score); % 逆向云聚合 + 期望归一化 W = discountWeight(C, W0, 0.5); % 按分歧度折扣 x = [0.85; 0.62; 0.90]; % 三个指标的无量纲化实测值 Cstd = [0.10 0.040 0.004; % 5 个等级云 0.30 0.040 0.004; 0.50 0.050 0.005; 0.70 0.040 0.004; 0.90 0.040 0.004]; levelScore = (1:5)'; [B, S] = cloudEval(W, x, Cstd, levelScore, 2000); fprintf('权重: %.3f %.3f %.3f\n', W); fprintf('综合确定度: '); fprintf('%.3f ', B); fprintf('\n'); fprintf('综合得分 = %.3f\n', S);

跑之前确认两件事：x的元素个数必须和W一致，否则W' * MU直接报维度错；Cstd的行顺序要和levelScore一一对应，等级分值反着写不会报错，但结论会整体翻转。rng(42)这行别删，云模型带随机抽样，不固定种子的话同一份数据跑两次可能给出不同等级，交付场合很难解释。

5. 排查清单：云模型代码最容易翻车的五个地方

这套代码我在不同项目里反复用过，出问题的位置高度集中。下面五条按出现频率排序，每条都按「看到什么现象、为什么会这样、怎么改」来写，照着对一遍能省掉大半天。

5.1 云滴图散成一片，确定度全贴着 0

现象是cloudPlot画出来的点云横向铺得极宽，纵轴几乎全在 0.1 以下，看不出任何「云」的形状。原因基本是 He 设得太大，Eni抽样时频繁出现远大于 En 的值，云滴被甩到离 Ex 很远的位置，确定度自然衰减到接近 0。另一个可能是 En 本身被设成了量纲外的数值，比如指标归一化在 0～1，En 却填了 10。

解决方式是把 He 压回 En 的 1/10 到 1/3，先跑forwardCloud(Ex, En, En/10, 2000)看基准形状，再逐步加到合适值。每次只改一个参数，改完立刻画图，别一次调三个参数然后对着一团糊判断是谁的问题。

5.2 逆向云算出 He 为 0 或者 NaN

现象是cloudWeight返回的C(:,3)全是 0，或者直接是NaN。根源是样本方差S2小于En^2，开根号被截断。这在小样本、专家意见高度一致的情况下特别常见——六个人全打 4 分，S2 = 0，En也为 0，He理论上是 0，代码返回 0 是正确行为，不是 bug。

真正要处理的是「专家意见略有差异但S2仍小于En^2」的情况，这通常意味着样本量太小，一阶矩估计不稳。解决办法是把专家数加到 8 人以上，或者改用带确定度的逆向云算法（需要每个云滴附带一个确定度，工程上不好拿）。如果实在加不了人，就在报告里注明「He 不可估计，权重仅按期望解释」，别硬编一个数值出来。

5.3 权重全部趋同，指标之间拉不开差距

现象是归一化后每个指标的权重都在 0.3 附近（三指标场景），排序没有意义。原因有两层：一是评语云的 Ex 间距太小，专家打 3 分和打 4 分映射到的云中心只差 0.05，逆向出来的期望自然接近；二是专家打分本身趋中，大家都填 3 和 4，不敢打极端分。

第一层靠改标定表解决，把 Ex 拉回到 0.1～0.9 均匀分布，间距 0.2 起步。第二层靠问卷设计解决，把语言值写得更具体，比如「一般」改成「有无皆可，不影响结论」，逼专家在语义上做区分。标定表改完之后，原来的打分要重新映射，不能拿旧分数直接套新云。

5.4 综合评价出现跨级跳变，两次运行结论不同

现象是同一份数据跑两次，一次定 3 级、一次定 4 级。原因是没有固定随机种子，cloudEval里对 En 的抽样每次都不同，当B的两个峰值差距小于抽样误差时，max就会在两级之间摇摆。这不是算法不稳，是蒙特卡洛估计的固有波动。

解决方式很直接：在主脚本开头加rng(42)，全流程共用一套随机流。同时把m从 1000 提到 3000 以上，降低单次估计的方差。如果固定种子后仍然跨级，说明B本身就在两级之间，这时候该改用综合得分S定级，或者检查是不是有指标的实测值正好落在两朵等级云的交叠区。

5.5 循环版正向云在大样本下慢到不可用

现象是n设到 10 万做收敛性测试时，forwardCloud跑了几十秒还没出来。原因是代码里虽然已经向量化，但如果下游自己写了个for循环逐滴调用，每次调用都重新分配内存，开销全花在函数调用上。

处理办法是把云滴生成和逐点计算拆开：一次性生成全部Eni和x，再向量化算y，不要在外层套循环。真需要不同参数的多次采样，用arrayfun或者把参数堆成矩阵一次算完。MATLAB 里凡是能写成矩阵运算的，就别写循环，这一条在云滴数量上万之后差距非常明显。

6. 进阶验证：云滴数、超熵与权重排序的交叉校验

代码能跑通只是及格线，交付前还得回答两个追问：结果稳不稳，依据在哪。我的习惯是做三组校验，每组都能量化，写在报告附录里比空口解释有用得多。

第一组是云滴数收敛性。固定 (Ex, En, He)，把 n 从 500 扫到 20000，看某个固定区间的确定度估计值怎么收敛。正常情况下前 2000 滴波动明显，5000 滴之后基本压到 1% 以内。如果 20000 滴还在跳，说明 He 太大、分布太散，得回头调参数，而不是继续加样本。

rng(7); Ex = 0.5; En = 0.05; He = 0.01; ns = [500 1000 2000 5000 10000 20000]; for k = 1:numel(ns) [~, y] = forwardCloud(Ex, En, He, ns(k)); fprintf('n=%6d 平均确定度=%.4f\n', ns(k), mean(y)); end

第二组是超熵敏感性。把 He 从 En/20 扫到 En/2，观察综合评价的等级落点是否变化。如果 He 翻五倍结论就翻转，说明这套指标体系对模糊性太敏感，权重和等级云的标定都需要重新论证；如果 He 在合理区间内结论稳定，那就可以放心地说「结果对参数不敏感」。

这张表是典型形态：He 在 0.1 到 0.33 之间结论不动，到 0.5 才掉级。交付时把这个区间标出来，等于告诉评审「结论在合理参数范围内是稳的」。

第三组是和熵权法的排序一致性。用 Spearman 相关系数比较云模型权重和熵权的排序，系数在 0.6 以上说明主客观判断大体一致，可以放心组合；低于 0.4 就要在报告里专门解释分歧来源，往往是某个指标的数据分布和领域认知严重背离。

rho = corr(W_cloud, W_entropy, 'Type', 'Spearman'); fprintf('主客观权重排序一致性 rho = %.3f\n', rho);

corr的'Type','Spearman'参数在较老的版本里可能不支持，那就先转秩再算 Pearson，效果一样。这一步我吃过亏：有次云模型权重和熵权排序几乎相反，当时偷懒没查，直接按 0.6 的组合系数交付，后来被问出某个成本型指标忘了翻转，熵权方向整个是反的。从那以后我每次做完赋权，都强制把两列权重并排打出来，跑一遍排序一致性再往下走。希望帮到你。

本文还有配套的精品资源，点击获取