一、问题提出

二、问题分析

1. 第一步：

2. 第二步

3. 第三步

三、进一步分析

总结

一、问题提出

所需数据集见链接：

人因工程熵值法求权重正反向化的分析配套数据-数据集文档类资源-CSDN文库https://download.csdn.net/download/mzy20010420/86774031该文件免费下载，请放心食用！

前面介绍了求权重的方法，本文主要分析熵值法。代码见往期文章：

【人因工程】熵值法与CRITIC法求权重_Rachel MuZy的博客-CSDN博客【人因工程】熵值法与CRITIC法求权重https://blog.csdn.net/mzy20010420/article/details/127327787我对于输入数据，第一个影响因素越大越好、第二个影响因素越小越好。改进代码如下：

import numpy as np
#标准
# feature_name = np.load('D:/site-packages/l2rpn_baselines/DQfD_simple_V2_v0110/feature_name_simple.npy')#读入数据
x1 = np.load('x1.npy')
x_simulate_set1 = np.load('x_simulate_set1.npy')
action_set1 = np.load('action_set1.npy')
x2 = np.load('x2.npy')
x_simulate_set2 = np.load('x_simulate_set2.npy')
action_set2 = np.load('action_set2.npy')#action_set1_number
#动作元素的个数
action_set1_num = np.array([4, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 3])
#todo：action_Set2_num我是乱填的，需要重新弄
action_set2_num = np.array([4, 6, 6, 7, 17, 17, 7, 7, 7, 7, 7, 7, 4, 7, 17, 7, 7, 7, 3])x = x2
x_simulate_set = x_simulate_set2
action_set_num = action_set2_num
action_set = action_set2x_load_rate_list = []
for i in range (x_simulate_set.shape[0]):x_load_rate = []for j in range(x_simulate_set.shape[1]):if x_simulate_set[i,j,1] >= 0.8:x_load = 0.2 * x_simulate_set[i,j,1]x_load_rate.append(x_load)if (0 < x_simulate_set[i,j,1]  < 0.8):x_load = 0.8 * x_simulate_set[i,j,1]x_load_rate.append(x_load)x_load_rate = (np.sum(np.array(x_load_rate)))/np.array(x_load_rate).sizex_load_rate_list.append(x_load_rate)#input data
#线路负载率的情况和元素动作的个数
data = np.array([x_load_rate_list, action_set_num])#weight#求二者权重
#todo；两个数据的权重，第一个是越高越好，第二个是越低越好，需要修改
def cal_weight(x):'''熵值法计算变量的权重'''# 正向化指标x_1 = x[0, :]x_1 = (x_1 - np.min(x_1)) / (np.max(x_1) - np.min(x_1))# 反向化指标x_2 = x[1, :]x_2 = (np.max(x_2) - x_2) / (np.max(x_2) - np.min(x_2))x = [x_1, x_2]x = np.array(x)#计算第i个研究对象某项指标的比重Pij = x / np.sum(x, axis=1).reshape((2, 1))ajs = []#某项指标的熵值efor i in Pij:for j in i:if j != 0:a = j * np.log(j)ajs.append(a)else:a = 0ajs.append(a)ajs = np.array(ajs).reshape((2, x.shape[1]))e = -(1 / np.log(x.shape[1])) * np.sum(ajs, axis=1)#计算差异系数g = 1 - e#给指标赋权，定义权重w = g / np.sum(g, axis=0)return w#带数据
w = cal_weight(data)#选前五
w = np.array(w).reshape((2, 1))
data_weight = w * data
data_wei_sum = np.sum(data_weight, axis=0)#取前五个索引
k = 5  #前k个
lab = data_wei_sum.argsort()[-k:][::-1] #获取前5个索引
actions =[]
for m in range(lab.size):action = action_set[lab[m]]actions.append(action)
print(f'前五动作是：{actions}')#取前五个对应的值
new_datas = []
for l in lab:new_data = data_wei_sum[l]new_datas.append(new_data)
new_datas = np.array(new_datas)
print(f'前五个的值为：{new_datas}')#求前五个的权重
final_wei = new_datas / np.sum(new_datas)
print(f'最终前五个预案的权重为：{final_wei}')

具体而言

第一行进行正向化、第二行进行反向化。

结果为：

两个因素的权重为

最终结果为：

以上是理想的情况。如果不考虑这么多，直接给数据整个来一个反向化：

import numpy as np
#标准
feature_name = np.load('D:/site-packages/l2rpn_baselines/DQfD_simple_V2_v0110/feature_name_simple.npy')#读入数据
x1 = np.load('E:/新加卷/大三暑假/人因工程项目/代码/x2.npy')
x_simulate_set1 = np.load('E:/新加卷/大三暑假/人因工程项目/代码/x_simulate_set2.npy')
action_set1 = np.load('E:/新加卷/大三暑假/人因工程项目/代码/action_set2.npy')#action_set1_number
action_set1_num = np.array([4, 6, 6, 7, 17, 17, 7, 7, 7, 7, 7, 7, 4, 7, 17, 7, 7, 7, 3])#load
load1 = []for i in x_simulate_set1:x1_load = i[:-1, 1]x1_load_operations = []for j in range(176):if x1_load[j] >= 0.8:x1_load_operation = 0.2 * x1_load[j]x1_load_operations.append(x1_load_operation)if (x1_load[j] < 0.8) and (x1_load[j] > 0):x1_load_operation = 0.8 * x1_load[j]x1_load_operations.append(x1_load_operation)load1.append(x1_load_operations)
load1 = np.array(load1)
print(load1.shape)#input data
data = np.array([load1_data, action_set1_num])#weight#求二者权重
def cal_weight(x):'''熵值法计算变量的权重'''x = (np.max(x, axis=1).reshape((2, 1)) - x) / (np.max(x, axis=1).reshape((2, 1)) - np.min(x, axis=1).reshape((2, 1)))#计算第i个研究对象某项指标的比重Pij = x / np.sum(x, axis=1).reshape((2, 1))ajs = []#某项指标的熵值efor i in Pij:for j in i:if j != 0:a = j * np.log(j)ajs.append(a)else:a = 0ajs.append(a)ajs = np.array(ajs).reshape((2, 19))e = -(1 / np.log(19)) * np.sum(ajs, axis=1)#计算差异系数g = 1 - e#给指标赋权，定义权重w = g / np.sum(g, axis=0)return w#带数据
w1 = cal_weight(data)#选前五
w1 = np.array(w1).reshape((2, 1))
data_weight = w1 * data
data_wei_sum = np.sum(data_weight, axis=0)#取前五个索引
k = 5  #前k个
lab = data_wei_sum.argsort()[-k:][::-1] #获取前5个索引
print(f'前五的的索引是：{lab}')#取前五个对应的值
new_datas = []
for l in lab:new_data = data_wei_sum[l]new_datas.append(new_data)
new_datas = np.array(new_datas)
print(f'前五个的值为：{new_datas}')#求前五个的权重
final_wei = new_datas / np.sum(new_datas)
print(f'最终前五个预案的权重为：{final_wei}')

结果：

两个因素的权重为：

最终结果为：

前面发现全进行反向化和一部分进行正向化，一部分进行反向化两种操作输出的权重差异不大。为此特进行分析。此文件为文章每套数据，可免费下载。放心食用！

二、问题分析

1. 第一步：

正向化与不正向化处理前后数据差异不大

正向反向	正反向化后的data1	0.35513	0.14366	0.39859	0.36779	0	1	0.59063	0.35513	0.77749	0.54686	0.52067	0.85801	0.35513	0.53885	0.51057	0.21699	0.31824	0.45479	0.35513
·		0.92857	0.78571	0.78571	0.71429	0	0	0.71429	0.71429	0.71429	0.71429	0.71429	0.71429	0.92857	0.71429	0	0.71429	0.71429	0.71429	1
反向	反向化后的data2	0.64487	0.85634	0.60141	0.63221	1	0	0.40937	0.64487	0.22251	0.45314	0.47933	0.14199	0.64487	0.46115	0.48943	0.78301	0.68176	0.54521	0.64487
		0.92857	0.78571	0.78571	0.71429	0	0	0.71429	0.71429	0.71429	0.71429	0.71429	0.71429	0.92857	0.71429	0	0.71429	0.71429	0.71429	1
数据分析	Data3	-0.63542	-1.56296	-0.4448	-0.57989	-2.19307	2.193069	0.397516	-0.63542	1.217109	0.205534	0.090661	1.570281	-0.63542	0.170401	0.046361	-1.24132	-0.79722	-0.1983	-0.63542
		0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0

即是否正向化前后数据变化并不大

2. 第二步

后续在求所占比重时，会把数据变得更小

下一步是求熵值：

这一步虽然会使数据差异变大（分析见下图）

但由于一方面数据本身在1附近，另一方面还有乘系数k（k＜1），使得数据差异放大得非常有限。

因此是否正向化后ej（熵值）的结果如下表所示：

进行正向化：

熵值	负载率	0.94978
	动作数量	0.93929

不进行正向化：

熵值	负载率	0.9588
	动作数量	0.93929

差异很小。

3. 第三步

最终的差异系数和权重计算如图所示：

进行正向化：

差异系数	负载率	0.05022
	动作数量	0.06071

权重	负载率	0.45271
	动作数量	0.54729

不进行正向化：

差异系数	负载率	0.0412
	动作数量	0.06071

权重	负载率	0.40427
	动作数量	0.59573

求得的权重很接近。

三、进一步分析

从熵值法的定义来看：

熵值法是计算指标权重的经典算法之一，它是指用来判断某个指标的离散程度的数学方法。离散程度越大，即信息量越大，不确定性就越小，熵也就越小，权重越大；信息量越小，不确定性越大，熵也越大，权重越小。

如果所给的数据最大、最小值和平均值差异很接近，那么是否进行正向化对结果的影响就不大。

比如说这两组数据：

x1: 1 2 2 2 2 10

x2:5 5 5 5 4 6

是否正向化对第一组的影响会很大，但是对第二组就完全没有影响。

总结

此问题的出现与输入数据有很大关系，因此无需慌张，尊重事实即可。

【人因工程】熵值法求权重正反向化的分析相关推荐

df满足条件的值修改_如何用python实现熵值法求指标权重(实例)
权重是指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性.而在我们的数据分析过程中,倘若各个 ...
python中是什么意思权重_如何用python实现熵值法求指标权重(实例)
权重是指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性.而在我们的数据分析过程中,倘若各个 ...
excel熵值法计算权重_熵值法的Excel基本步骤
各位亲们,前天从盐城回来,我收拾收拾就开始忙着补上上个星期拖的更了.本期主要内容主要是对盐城滨海湿地野外采样的总结,在论文写作中指标权重的赋予,以及分享几套宁波大学特有的PPT模板. 从7月28日-8 ...
Python实现熵值法确定权重
该文为转载文章,无排版,链接直达 Python实现熵值法确定权重本文从以下四个方面,介绍用Python实现熵值法确定权重: 一. 熵值法介绍二. 熵值法实现三. Python实现熵值法示例1 四 ...
熵值法计算权重有异常值_指标权重确定方法 1-熵值法
在信息论中,熵是对不确定性或随机性的一种度量,不确定性越大,熵值就越大,不确定性越小,熵值就越小.不确定性越大,表明随机性越大,数据越离散,则包含的信息就越大,在确定权重的时候往往就越小. 熵值法确定 ...
matlab 值法确定各指标权重,Matlab学习系列19. 熵值法确定权重
19. 熵值法确定权重一.基本原理在信息论中,熵是对不确定性的一种度量.信息量越大,不确定性就越小,熵也就越小:信息量越小,不确定性越大,熵也越大. 根据熵的特性,可以通过计算熵值来判断一个事件的 ...
手把手教你用熵值法计算权重
由于对数据要求少,且容易计算,熵值法一直是备受欢迎的权重计算方法. 今天的文章,将带大家一起梳理熵值法计算权重的步骤以及如何应用到综合评价研究中. 一.研究背景研究案例是利用熵值法来对各企业的财务状 ...
excel熵值法计算权重_指标权重确定方法 1-熵值法
在信息论中,熵是对不确定性或随机性的一种度量,不确定性越大,熵值就越大,不确定性越小,熵值就越小.不确定性越大,表明随机性越大,数据越离散,则包含的信息就越大,在确定权重的时候往往就越小. 熵值法确定 ...
用熵值法求对战游戏结束后玩家之间的评分
熵是对不确定性的一种度量.信息量越大,不确定性就越小,熵也就越小:信息量越小,不确定性越大,熵也越大.目前已经在工程技术.社会经济等领域得到了非常广泛的应用. 熵权法的基本思路是根据指标变异性的大小来 ...

【人因工程】熵值法求权重正反向化的分析

一、问题提出

二、问题分析

1. 第一步：

2. 第二步

3. 第三步

三、进一步分析

总结

【人因工程】熵值法求权重正反向化的分析相关推荐

最新文章

热门文章