熵权突变级数法

方法概述

熵权突变级数法是一种将熵权法与突变级数法相结合的多准则决策方法。它首先利用熵权法客观确定指标权重，然后根据权重对同层级指标排序，再运用突变级数法递归计算各层级的突变隶属度，最终得到方案的综合评价结果。该方法无需主观赋权，能有效处理多级指标体系，适用于复杂系统的综合评价问题。

熵权突变级数法的核心思想是：

对每个层级的指标进行熵权法计算，得到客观权重。
根据权重对同层级指标进行排序（权重大的在前）。
使用排序后的指标进行突变级数法计算，自动识别突变类型。
从底层到顶层递归计算，最终得到各方案的突变隶属度及排序。

计算步骤

1. 构建原始决策矩阵与指标层次

设有 \(n\) 个方案，指标体系具有 \(L\) 层，叶子节点（底层指标）个数为 \(m\)。原始数据矩阵为：

\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m} \\ x_{21} & x_{22} & \cdots & x_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]

指标名称需体现层级关系，格式如“一级指标.二级指标.三级指标”。

2. 确定指标类型

指标分为四种类型：

极大型：越大越好
极小型：越小越好
中间型：越接近某最优值越好
区间型：在某区间内最好

用户需为每个底层指标指定类型，并提供相应参数（如最优值、区间上下限）。

3. 熵权法计算权重

3.1 数据标准化

根据指标类型对原始数据进行标准化，使所有指标转化为正向指标（值越大越好），并保证数据非负。

极大型：\[y_{ij} = \frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)}\]
极小型：\[ y_{ij} = \frac{\max(x_j) - x_{ij}}{\max(x_j) - \min(x_j)} \]
中间型：\[ y_{ij} = 1 - \frac{|x_{ij} - x_j^*|}{\max(|x_j - x_j^*|)} \]，其中 \(x_j^*\) 为最优值
区间型：\[ y_{ij} = \begin{cases} 1 - \frac{a - x_{ij}}{M} & x_{ij} < a \\ 1 & a \le x_{ij} \le b \\ 1 - \frac{x_{ij} - b}{M} & x_{ij} > b \end{cases} \]，其中 \(M = \max(a - \min(x_j), \max(x_j) - b)\)

标准化后矩阵记为 \(Y = (y_{ij})_{n \times m}\)，且 \(y_{ij} > 0\)。

3.2 计算比重矩阵

\[ p_{ij} = \frac{y_{ij}}{\sum_{i=1}^{n} y_{ij}} \]

3.3 计算熵值

\[ e_j = -\frac{1}{\ln n} \sum_{i=1}^{n} p_{ij} \ln(p_{ij}) \]

当 \(p_{ij}=0\) 时，用极小常数（如 \(10^{-10}\)）替代。

3.4 计算差异系数与权重

差异系数 \(g_j = 1 - e_j\)，权重

\[ w_j = \frac{g_j}{\sum_{j=1}^{m} g_j} \]

得到叶子节点的绝对权重 \(w_j\)，满足 \(\sum_{j=1}^{m} w_j = 1\)。

3.5 计算权重树

由叶子节点向上逐层汇总，得到各非叶子节点的绝对权重（子节点权重之和）和相对权重（子节点权重在该父节点下的归一化值）。相对权重用于后续突变级数法中的指标排序。

4. 突变级数法递归计算

4.1 突变类型自动识别

根据同层级指标个数 \(k\)，自动识别对应的突变类型及其指数：

\(k=1\)：折叠突变，指数 \(1/2\)
\(k=2\)：尖点突变，指数 \(1/2, 1/3\)
\(k=3\)：燕尾突变，指数 \(1/2, 1/3, 1/4\)
\(k=4\)：蝴蝶突变，指数 \(1/2, 1/3, 1/4, 1/5\)
\(k=5\)：印第安人茅舍突变，指数 \(1/2, 1/3, 1/4, 1/5, 1/6\)
\(k=6\)：星形脐点突变，指数 \(1/2, 1/3, 1/4, 1/5, 1/6, 1/7\)

若 \(k>6\)，取前6个最重要指标，按星形脐点突变处理。

4.2 数据标准化（突变级数专用）

对当前层级的指标数据，再次按指标类型标准化至 [0,1] 区间，方法与熵权法标准化相同。

4.3 指标排序

利用当前层级的相对权重，对指标从大到小排序（权重大的排在前面），得到排序后的数据矩阵 \(Y^{(s)}\)。

4.4 计算突变隶属度

对于每个方案，取排序后的指标值 \(y_1, y_2, \dots, y_k\)，按突变类型指数计算归一化值：

\[ z_1 = y_1^{1/2},\quad z_2 = y_2^{1/3},\quad z_3 = y_3^{1/4},\quad \dots \]

若指标个数少于突变类型所需个数，则只取前 \(k\) 个指数。

4.5 确定计算原则

互补原则：各控制变量相互补充，取均值 \(C = \frac{1}{k}\sum_{j=1}^{k} z_j\)
非互补原则：各控制变量不能相互补偿，取最小值 \(C = \min(z_1, z_2, \dots, z_k)\)

原则可通过智能推荐（根据指标间相关性和变异系数）或用户手动指定。

4.6 递归向上计算

从底层叶子节点开始，每个父节点将其子节点的得分作为输入，按上述步骤计算父节点的突变隶属度，直至顶层。顶层节点的突变隶属度即为该方案的最终得分。

5. 方案排序

根据顶层突变隶属度从大到小排序，得到方案的优劣顺序。

案例分析

案例背景：某区域发展水平评价，指标体系分为两层：经济效益（下含产值、利润）和社会效益（下含就业、民生）。原始数据如下（均为极大型）：

方案	产值	利润	就业	民生
地区A	85	70	60	90
地区B	90	80	55	85
地区C	80	85	70	80

计算过程

1. 熵权法计算底层权重

对四个底层指标进行标准化（极大型）：

\[ Y = \begin{bmatrix} 0.5 & 0 & 0.33 & 1.0 \\ 1.0 & 0.67 & 0 & 0.5 \\ 0 & 1.0 & 1.0 & 0 \end{bmatrix} \]

计算比重矩阵、熵值、差异系数：

产值：\(e_1 = 0.579\)，\(g_1=0.421\)，\(w_1=0.266\)
利润：\(e_2 = 0.637\)，\(g_2=0.363\)，\(w_2=0.229\)
就业：\(e_3 = 0.588\)，\(g_3=0.412\)，\(w_3=0.260\)
民生：\(e_4 = 0.613\)，\(g_4=0.387\)，\(w_4=0.245\)

绝对权重向量 \((0.266,0.229,0.260,0.245)\)。

2. 构建权重树

经济效益（父节点）绝对权重 = 产值+利润 = 0.495
社会效益（父节点）绝对权重 = 就业+民生 = 0.505
相对权重：
- 产值相对权重 = 0.266/0.495 = 0.537
- 利润相对权重 = 0.229/0.495 = 0.463
- 就业相对权重 = 0.260/0.505 = 0.515
- 民生相对权重 = 0.245/0.505 = 0.485

3. 计算底层突变得分（叶子节点）

底层指标得分即为标准化值 \(Y\)。

4. 计算经济效益节点

子指标：产值（相对权重 0.537）、利润（0.463），按权重排序：产值 > 利润。数据：

地区A：产值0.5，利润0 → 排序后 [0.5, 0]
地区B：产值1.0，利润0.67 → [1.0, 0.67]
地区C：产值0，利润1.0 → [0, 1.0]

指标个数2，尖点突变，指数 \(1/2, 1/3\)。互补原则（假设推荐互补）。

计算：

A：\(z_1 = 0.5^{0.5}=0.707\)，\(z_2 = 0^{0.333}=0\)，均值=0.354
B：\(z_1=1^{0.5}=1\)，\(z_2=0.67^{0.333}=0.875\)，均值=0.938
C：\(z_1=0^{0.5}=0\)，\(z_2=1^{0.333}=1\)，均值=0.5

经济效益得分：A=0.354，B=0.938，C=0.5。

5. 计算社会效益节点

子指标：就业（0.515）、民生（0.485），排序：就业 > 民生。数据：

A：就业0.33，民生1.0 → [0.33, 1.0]
B：就业0，民生0.5 → [0, 0.5]
C：就业1.0，民生0 → [1.0, 0]

尖点突变，互补原则：

A：\(0.33^{0.5}=0.574\)，\(1.0^{0.333}=1\)，均值=0.787
B：\(0^{0.5}=0\)，\(0.5^{0.333}=0.794\)，均值=0.397
C：\(1^{0.5}=1\)，\(0^{0.333}=0\)，均值=0.5

社会效益得分：A=0.787，B=0.397，C=0.5。

6. 计算顶层综合得分

顶层两个指标：经济效益、社会效益。需确定它们的相对权重（绝对权重分别为0.495和0.505）。排序：社会效益(0.505) > 经济效益(0.495)。指标个数2，尖点突变。数据：

A：经济效益0.354，社会效益0.787 → 排序后 [0.787, 0.354]
B：经济效益0.938，社会效益0.397 → [0.938, 0.397]（注意：社会效益权重高，但值低，排序后仍为社会效益在前？这里按权重排序，与社会效益具体值无关，因为权重是固定的。正确排序应为社会效益（权重0.505）在前，经济效益（0.495）在后。但A的社会效益值0.787，经济效益0.354，排序后社会效益在前，经济效益在后，这与数据顺序一致；B的社会效益0.397，经济效益0.938，排序后社会效益在前，经济效益在后，即[0.397, 0.938]；C的社会效益0.5，经济效益0.5，两者相等，排序任意，取[0.5,0.5]。）

计算：

A：\(0.787^{0.5}=0.887\)，\(0.354^{0.333}=0.707\)，均值=0.797
B：\(0.397^{0.5}=0.630\)，\(0.938^{0.333}=0.979\)，均值=0.805
C：\(0.5^{0.5}=0.707\)，\(0.5^{0.333}=0.794\)，均值=0.751

最终得分：A=0.797，B=0.805，C=0.751，排序：B > A > C。

结论：地区B发展水平最高。

常见问题

Q1: 熵权法计算时遇到零值或负值怎么办？

A: 标准化后保证数据非负，极小值替换为 \(10^{-10}\) 以避免对数计算问题。

Q2: 突变类型自动识别规则是什么？

A: 根据同层级指标个数自动匹配标准突变类型，若指标数大于6，则取前6个最重要指标按星形脐点突变处理，保证主要指标发挥作用。

Q3: 互补原则与非互补原则如何选择？

A: 平台提供智能推荐功能：计算指标间的平均相关系数和变异系数，若相关性较高且变异系数适中，推荐互补原则；若相关性低且变异系数大，推荐非互补原则。用户也可手动指定。

Q4: 相对权重与绝对权重有何区别？

A: 绝对权重是指标在整个体系中的全局重要性，所有叶子节点绝对权重之和为1。相对权重是指标在其父节点下的局部重要性，同一父节点下所有子节点相对权重之和为1。在突变级数法中，使用相对权重对同层级指标排序。

Q5: 多级指标数据格式要求？

A: 第一行为指标名称，可包含点分隔的层级标识（如“经济效益.产值”）；第一列为方案名称；数据区域为数值。支持Excel多工作表。

平台功能

熵权突变级数法分析平台提供以下核心功能：

数据输入

支持 CSV、Excel、TXT 多种格式，文件大小不超过5MB。
自动识别指标层次结构，解析多级指标。
提供数据模板和算法文档下载链接。

参数设置

指标类型：为每个底层指标指定类型（极大型、极小型、中间型、区间型），并提供相应参数。
标准化方法：可选极差标准化、Z-score、比重法、向量归一化。
突变计算原则：自动推荐或手动选择互补/非互补原则。
小数位数：控制输出精度（默认6位）。
熵值计算小常数：可调（默认 \(10^{-10}\)）。
分析层级深度：自动识别或指定最大层级。

结果展示

多工作表管理：同时分析多个数据集，分别输出结果。
最终结果：各方案突变隶属度及排序。
突变原则信息：显示各层使用的原则及选择原因。
权重分析：展示所有节点的绝对权重、相对权重，验证权重和。
分层结果：查看每一层各指标的得分。
可视化：权重分布图、方案得分排名图、层次结构图。
AI智能分析：基于 DeepSeek API 自动解读结果，提供决策建议（每日限3次）。

结果导出

Excel报告：包含所有工作表、汇总信息、权重表、原始数据等。
HTML报告：生成带格式的网页报告，便于分享和打印。

使用建议

准备数据：按“一级指标.二级指标.三级指标”格式命名指标，确保层级关系清晰。第一列填方案名称。
上传文件：选择文件后，系统自动识别层级结构和数据预览。
设置参数：
- 为每个指标正确选择类型，输入必要参数（中间型的最优值，区间型的上下限）。
- 可根据数据特征调整标准化方法和熵值小常数。
- 如需手动指定突变原则，取消“自动推荐”即可。
执行计算：点击“开始计算”，系统逐层递归分析。
解读结果：
- 查看最终得分排序，确定最优方案。
- 分析权重分布，了解各指标的重要性。
- 检查各层突变原则是否合理。
- 利用AI分析获取针对性的改进建议。

平台界面

官方地址：https://superr.online

平台界面包含：数据上传区、参数设置区、多工作表预览、分层结果展示、可视化图表和 AI 分析模块

参考文献：

基于熵权突变级数法的区域创新能力评价研究[J]. 科技管理研究，2018.
突变级数法在多准则决策中的应用综述[J]. 系统工程理论与实践，2015.
熵权法及其在综合评价中的应用[J]. 统计与决策，2012.