本文以应用为主，因此原理并不深究
Step1. 构造初始决策矩阵(D = (d_{ij})_{m \times n})
Step2. 按列（属性）对决策矩阵D归一化
[d_{ij} = \frac{d_{ij}}{\sum\limits_{k=1}^mx_{kj}} ]
记归一化后的矩阵为 (R = (r_{ij})_{m \times n}).
Step3. 用信息熵法计算权重
[\begin{aligned} & E_j = -k\sum\limits_{i=1}^mr_{ij}\ln{r_{ij}}, \quad k = \frac{1}{\ln m}\ & F_j = 1 - E_j\ & w_j = \frac{F_j}{\sum\limits_{j=1}^nF_j} \end{aligned} ]
Step4. 用Topsis法评价
Topsis 法是理解解的排序方法 (technique for order preference by similarity to ideal solution), 它借助于评价问题的正理想解和负理想解，对各评价对象进行排序。所谓正理想解是一个虚拟的最佳对象，其每个指标值都是对所有评价对象中的该指标的最好值；而负理想解是另一个虚拟的最差对象，其每个指标值都是所有评价对象中该指标的最差值。求出各评价对象与正理想解和负理想解的距离，并依次对各评价对象进行优劣排序。
[V = RW ]
其中 (W = diag(w_1,w_2,\cdots,w_n)).