数模笔记01---熵权法和TOPSIS

熵值法的主要目的是对指标体系进行赋权，而TOPSIS则是通过逼近理想解的程度来评估各个样本的优劣等级。 一、熵值法 二、TOPSIS法 三、熵值法与TOPSIS法结合 ...

标准化处理：为了消去不同指标量纲的影响，需要对已经正向化的矩阵进行标准化处理。（2）计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率。（3）计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。信息效用值的定义：dj=1-ej 信息效用值越大，其对应的信息就越多。（1）判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间。当然：层次分析法的主观性太强了，更推荐大家使用。TOPSIS法是一种常用的。带权重的TOPSIS：使用。信息熵越大对应的信息量越小。

ing.

数学建模清风课程笔记 topsis和用熵权法改进

在数据科学和工程决策领域，综合评价与预测是核心课题，其原理在于通过构建多维度指标体系，量化分析复杂问题。蒙特卡洛模拟作为一种处理不确定性的关键技术，通过随机抽样模拟参数分布，为资源量估算等场景提供了概率化解决方案。TOPSIS（逼近理想解排序法）则通过计算方案与正负理想解的距离，实现多准则决策下的客观排序，技术价值在于将主观经验与客观数据有效结合，提升决策的科学性与稳健性。这些方法广泛应用于能源开发、投资评估、项目优选等场景。本文以天然气水合物资源评价为例，深入解析了如何融合蒙特卡洛模拟进行资源量概率估算，

数学建模是连接现实问题与量化分析的核心方法论，其本质是通过数学模型对复杂系统进行抽象、模拟与预测。其核心原理在于将实际问题转化为数学语言，并利用算法和计算工具进行求解。这一过程的技术价值在于能够系统性地处理不确定性、优化资源配置并支持科学决策。在工程实践中，数学建模广泛应用于资源评估、时间序列预测、综合评价等场景。例如，在资源评估项目中，常涉及数据处理、特征分析、预测建模和综合评价等关键环节。其中，蒙特卡洛模拟是量化不确定性的重要工具，通过概率分布描述输入参数，运行大量模拟以得到输出结果的概率分布，从而提供

主要介绍了数学建模常见的一些问题类型以及对应的解决方法，并有具体的案例帮助理解！

数学建模与AI学习资源全景整理:从竞赛真题、经典教材到机器学习、深度学习与大模型实战

本文针对机器人竞技策略优化问题，提出基于多属性决策的量化建模方法。首先构建包含攻击强度、范围、速度等指标的评估体系，采用熵权法客观确定权重，通过TOPSIS算法对13种攻击动作进行综合排序。模型重点平衡攻击效果与自身稳定性，推荐直拳等兼具攻击性和稳定性的动作优先使用。同时考虑竞技规则约束，建立层次化决策模型，从单次攻防到多回合资源调度实现全局优化。该方法为机器人竞技策略提供量化支持，契合国家"具身智能"发展战略。

数学建模是将现实世界复杂问题抽象为数学模型，并通过计算求解以辅助决策的核心方法。其原理在于通过定义变量、目标与约束，将问题形式化，进而运用优化、预测或评价等模型进行求解。这一过程的技术价值在于提供了一种结构化的问题分析与解决框架，是培养系统思维和创新能力的关键。在工程实践与学术研究中，数学建模广泛应用于资源调度、路径规划、风险评估等场景。本文聚焦于数学建模竞赛的实战，深入探讨了多目标优化、模拟退火算法等关键技术，并提供了从数据预处理、模型构建到算法实现与论文撰写的完整解决方案，旨在帮助参赛者系统掌握建模竞赛

数学建模是将实际问题转化为数学问题并求解的过程，核心在于"问题抽象-模型构建-求解验证"。作为曾获国赛和华为杯双国一的选手，我认为数学建模入门关键在于掌握基础模型（优化、预测、评价）、数据处理思维（清洗、分析、可视化）以及有效的团队协作模式。这篇笔记结合我的自身经历，分享从【零基础到竞赛获奖】的准备思路。

本文将为大家带来B题的超详细解题思路，妈杯作为上半年难度最难、题量最大的数模竞赛，大家在初步完成选题后，需要对整个问题命题、涉及模型有个整体预知，以便后续求解更能防患于未然。大家可以提前进行相关准备工作。建立攻击-防守的"有效防御率"矩阵，结合运动轨迹几何分析（攻击方向向量与防守覆盖角域的交集），将匹配问题转化为二部图最优匹配（匈牙利算法）。，状态空间包含当前得分差、血量/耐久、时间余量，动作空间为攻防动作集合，奖励函数与得分规则挂钩，用值迭代或Q-learning求最优策略。

距离数模国赛，还有6天。这篇文章主要针对小白，对于国赛侧重点进行梳理，同时对于建模手/数模手/论文手应该掌握的内容进行整理，大家可以看看是否准备好。最后，也对于大家的常见的问题进行汇总~希望对于大家有帮助！

对于指标已经存在一定的客观数值可以作为评价标准时，层次分析法来进行对某一指标的评分就已经不适用了，此时可以使用TOPSIS方法进行评价。

熵权法和熵权TOPSIS是两种在多属性决策分析中常用的方法，它们之间既存在联系又有所区别。

写在前文：懒编是准备参加数学建模，并且负责编程部分（matlab）。因为时间有限，所以目前个人的看法就是以编程学习（因为是小白）为主，模型学习为辅（这里的辅是知道这个模型怎么用，它的代码怎么写）。当然，大家如果有兴趣深入研究数学模型，那也是没问题的。（极力赞同） 今天是来介绍一种确定几个指标各自所占的权重的方法——熵权法。 昨天的模糊综合分析里有提到用熵权法确定了每个指标各自的权重，这里来详细写写...

熵权法是一种基于信息熵的客观赋权方法，主要用于确定各评价指标的权重。它广泛应用于需要客观赋权的各类评价场景，如企业绩效考核、产品质量评估、项目评价等。在这些场景中，熵权法能够根据数据的变异程度自动分配权重，减少主观因素的影响，提高评价结果的客观性。

*