你想弄懂什么？

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。

通过将每个条目除以其所在列的总和来对决策矩阵进行归一化。这种按列操作确保了每个标准列中的归一化值之和等于 1。

适用条件：矩阵包含非负数值属性值。；每一列的总和必须非零。；归一化独立应用于每个标准列。

通过将每个条目除以其所在列的总和来对决策矩阵进行归一化。这种按列操作确保了每个标准列中的归一化值之和等于 1。

适用条件：矩阵包含非负数值属性值。；每一列的总和必须非零。；归一化独立应用于每个标准列。