你想弄懂什么？

通过对多样化程度进行归一化来计算最终客观权重 $w_j$。公式为 $w_j = \frac{1 - e_j}{\sum_{j=1}^n (1 - e_j)}$，即将每个标准的多样化程度除以所有多样化程度的总和。

适用条件：已经计算出所有标准的熵值 $e_j$。；所有多样化程度的总和非零。

通过对多样化程度进行归一化来计算最终客观权重 $w_j$。公式为 $w_j = \frac{1 - e_j}{\sum_{j=1}^n (1 - e_j)}$，即将每个标准的多样化程度除以所有多样化程度的总和。

适用条件：已经计算出所有标准的熵值 $e_j$。；所有多样化程度的总和非零。

四个标准的熵值分别为：价格或成本 $e_1=0.99375$，存储空间 $e_2=0.96296$，相机 $e_3=0.97185$，外观 $e_4=0.97367$。

适用条件：该示例使用 5 个备选方案和 4 个标准。；缩放常数 $h$ 为 0.621335。；计算前矩阵已进行归一化处理。

四个标准的熵值分别为：价格或成本 $e_1=0.99375$，存储空间 $e_2=0.96296$，相机 $e_3=0.97185$，外观 $e_4=0.97367$。

适用条件：该示例使用 5 个备选方案和 4 个标准。；缩放常数 $h$ 为 0.621335。；计算前矩阵已进行归一化处理。

熵公式为 $e_j=-h\sum_{i=1}^{m}r_{ij}\ln r_{ij}$。常数 $h$ 是一个缩放因子，定义为 $1/\ln(m)$，其中 $m$ 是备选方案的数量，确保熵值得到适当缩放。

适用条件：决策矩阵已经过归一化处理以产生 $r_{ij}$。；使用自然对数 $\ln$。；$m$ 代表备选方案（行）的总数。

熵公式为 $e_j=-h\sum_{i=1}^{m}r_{ij}\ln r_{ij}$。常数 $h$ 是一个缩放因子，定义为 $1/\ln(m)$，其中 $m$ 是备选方案的数量，确保熵值得到适当缩放。

适用条件：决策矩阵已经过归一化处理以产生 $r_{ij}$。；使用自然对数 $\ln$。；$m$ 代表备选方案（行）的总数。

多样化程度记为 $d_j$，定义为 $1 - e_j$。它代表了特定标准在备选方案之间提供的有用信息量或区分能力。

适用条件：已经计算出该标准的熵值 $e_j$。；在这种情况下，多样化程度始终为正实数。

多样化程度记为 $d_j$，定义为 $1 - e_j$。它代表了特定标准在备选方案之间提供的有用信息量或区分能力。

适用条件：已经计算出该标准的熵值 $e_j$。；在这种情况下，多样化程度始终为正实数。