在一些问题当中，明确了需要做一个评价类问题，通过查找以往文献得到了一些指标。在层次分析法中一个非常重要的操作就是构造层次模型图。从结构上看，层次分析法将模型大致分为目标层、准则层和方案层。目标层是你的评价目标，准则层是你的评价指标体系，方案层是多个对比方案。注意，方案层是一定要有多个对象进行比较的，因为层次分析法是基于比较的方法。指标按照一定的层级结构组织起来就构成了一个指标体系。

两个相邻的层次之间是需要构建成对比较矩阵的。

成对比较矩阵：

成对比较矩阵是一个方阵，用于表示不同因素之间的相对重要性。它的构造方法如下

- 假设在某一层有 n 个因素（或准则），那么成对比较矩阵的大小为 n×n。
矩阵的元素：
- 矩阵的每个元素 aij 表示因素 i 相对于因素 j 的重要性。通常，aij 是一个正数，表示因素 i 比因素 j 更重要（或更不重要）的程度。
- 如果 aij>1，则因素 i 比因素 j 更重要；
- 如果 aij<1，则因素 i 比因素 j 不重要；
- 如果 aij=1，则因素 i 和因素 j 同样重要。
对角线元素：
- 对角线上的元素 aii 表示因素 i 与自身比较，因此总是等于1。
互反性：
- 成对比较矩阵具有互反）(也称正互反矩阵）即 aij=aji1。这意味着，如果因素 i 比因素 j 更重要，那么因素 j 相对于因素 i 的重要性就是 aij 的倒数。

成对比较矩阵是层次分析法的核心工具之一，用于计算各因素的权重。通过求解矩阵的最大特征值对应的特征向量（归一化后），可以得到各因素的相对权重，从而为决策提供依据。

成对比较矩阵是一种用于量化因素相对重要性的工具，广泛应用于层次分析法中。它通过专家的主观判断，将复杂的决策问题转化为可量化的形式，帮助决策者做出更科学的决策。

不一致现象：

如果矩阵不一致，要用每一列的数据将权重求出再求平均值

几何平均法求权重：

第三种方法：

特征值法求权重

假设我们判断矩阵一致性可以接受，那么我们按照一致矩阵的权重求法

第一步，求出矩阵的最大特征值及其特征向量

第二步：对求出的特征向量进行归一化记得到我们的权重

将计算结果填入特征表中，特征值法在获奖论文中使用最多

对于这样一个给定的表格，用excel快速计算其得分

用f4锁定单元格，看见美元符号即可

只要运用了层次分析法，就要将层次结构图放在论文中。

层次结构图的使用，使用PPT中的Smartart或者专业软件亿图图示

三种方法在计算权重时，为了保证结果的稳健性，本文采用了三种方法求权重。

往一致矩阵上调整

比方说在上图，我们在目标层和准则层之间就需要构建第一层比较矩阵，这个矩阵的大小是行列均为4。矩阵的每一项表示因素i和因素j的相对重要程度。由于对角线上元素都是自己和自己做比较，所以对角线上元素为1。

对重要性的取值都是取奇数，也就是1、3、5、7、9，偶数是当你不太确定，也就是认为介于两个奇数程度之间时再取偶数。

这里的数学基础，矩阵的特征值分解我暂时不会。 $\boxed{A = P \Lambda P^{-1}}$

具体来说，对于一个 n×n 的方阵 A，如果存在一个非零向量 v 和一个标量 λ，使得：

Av=λv

那么 λ 被称为矩阵 A 的特征值，而 v 被称为对应于特

征值 λ 的特征向量。

例如：某日从三条河流的基站处抽检水样，得到了水质的四项检测指标如表5.1所示

假设准则层有n个元素，从目标蹭到准则层构建一个大小为n的方阵，方案层有m个元素，从准则层到方案层构建n个大小为m的方阵

import numpy as np

# 构建矩阵
A = np.array([[1, 1/5, 1/3, 1],
              [5, 1, 3, 5],
              [3, 1/3, 1, 3],
              [1, 1/5, 1/3, 1]])

# 获得矩阵的维度
m, n = A.shape  # 获取矩阵的行数和列数

# 随机一致性指数（RI）表
RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]

# 求判断矩阵的特征值和特征向量
# V为特征值，D为特征向量矩阵
V, D = np.linalg.eig(A)

# 将特征值转换为列表
list1 = list(V)

# 求矩阵的最大特征值
B = np.max(list1)  # 最大特征值
index = list1.index(B)  # 最大特征值的索引

# 提取最大特征值对应的特征向量
C = D[:, index]  # 注意：这里D是特征向量矩阵，D[:, index]表示第index列

# 打印结果
print("最大特征值:", B)
print("最大特征值对应的特征向量:", C)

最大特征值: (4.043493461607898+0j)
最大特征值对应的特征向量: [-0.15216224+0.j -0.89193997+0.j -0.39766367+0.j -0.15216224+0.j]

进而我们计算CI和CR，通过CTR的值判断矩阵是否通过一致性检验。

import numpy as np

# 构建矩阵
A = np.array([[1, 1/5, 1/3, 1],
              [5, 1, 3, 5],
              [3, 1/3, 1, 3],
              [1, 1/5, 1/3, 1]])

# 获得矩阵的维度
m, n = A.shape  # 获取矩阵的行数和列数

# 随机一致性指数（RI）表
RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]

# 求判断矩阵的特征值和特征向量
# V为特征值，D为特征向量矩阵
V, D = np.linalg.eig(A)

# 将特征值转换为列表
list1 = list(V)

# 求矩阵的最大特征值
B = np.max(list1)  # 最大特征值
index = list1.index(B)  # 最大特征值的索引

# 提取最大特征值对应的特征向量
C = D[:, index]  # 注意：这里D是特征向量矩阵，D[:, index]表示第index列

# 打印结果
print("最大特征值:", B)
print("最大特征值对应的特征向量:", C)
import numpy as np

# 构建矩阵
A = np.array([[1, 1/5, 1/3, 1],
              [5, 1, 3, 5],
              [3, 1/3, 1, 3],
              [1, 1/5, 1/3, 1]])

# 获得矩阵的维度
m, n = A.shape

# 随机一致性指数（RI）表
RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]

# 求判断矩阵的特征值和特征向量
V, D = np.linalg.eig(A)

# 将特征值转换为列表
list1 = list(V)

# 求矩阵的最大特征值
B = np.max(list1)
index = list1.index(B)

# 提取最大特征值对应的特征向量
C = D[:, index]

# 计算一致性指数（CI）
CI = (B - n) / (n - 1)

# 计算一致性比率（CR）
CR = CI / RI[n]

# 判断一致性
if CR < 0.10:
    print("CI=", CI)
    print("CR=", CR)
    print("对比矩阵A通过一致性检验，各向量权重向量Q为：")
    C_sum = np.sum(C)
    Q = C / C_sum
    print(Q)
else:
    print("对比矩阵A未通过一致性检验，需对对比矩阵A重新构造")

CI= (0.014497820535966117+0j)
CR= (0.012944482621398318+0j)
对比矩阵A通过一致性检验，各向量权重向量Q为：
[0.09546368-0.j 0.55958606-0.j 0.24948658-0.j 0.09546368-0.j]
Python在矩阵分析时是在复数域内进行分解，得到的向量也是一个附属向量矩阵的每一列代表评价准则。将这一方案权重矩阵与目标层到准则层的权重向量进行数量积，得到的分数就是最终的评分。将一个成对比较矩阵的AHP过程封装为函数，完整函数如下：

import numpy as np

def AHP(A):
    # 获取指标个数，即矩阵的阶数
    n = len(A)
    
    # 随机一致性指数（RI）表
    RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]
    
    # 求判断矩阵的特征值和特征向量，V为特征值数组，D为特征向量矩阵
    V, D = np.linalg.eig(A)
    
    # 将特征值转换为列表，并求矩阵的最大特征值
    list1 = list(V)
    B = np.max(list1)
    
    # 获取最大特征值的索引，并提取对应的特征向量
    index = list1.index(B)
    C = D[:, index]
    
    # 计算一致性检验指标CI
    CI = (B - n) / (n - 1)
    
    # 计算一致性比率CR
    CR = CI / RI[n]
    
    # 判断一致性
    if CR < 0.10:
        print("CI=", CI)
        print("CR=", CR)
        print('对比矩阵A通过一致性检验，各向量权重向量Q为：')
        
        # 特征向量标准化
        C_sum = np.sum(C)
        Q = C / C_sum
        
        # 输出权重向量
        print(Q)
        return Q
    else:
        print("对比矩阵A未通过一致性检验，需对对比矩阵A重新构造")
        return None

# 示例使用
A = np.array([[1, 1/5, 1/3, 1],
              [5, 1, 3, 5],
              [3, 1/3, 1, 3],
              [1, 1/5, 1/3, 1]])
weight_vector = AHP(A)
if weight_vector is not None:
    print("权重向量：", weight_vector)

例7.2 第二个例子是有关于物种入侵的。

import numpy as np


def AHP(A):
    # 获取指标个数，即矩阵的阶数
    n = len(A)

    # 随机一致性指数（RI）表
    RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]

    # 求判断矩阵的特征值和特征向量，V为特征值数组，D为特征向量矩阵
    V, D = np.linalg.eig(A)

    # 将特征值转换为列表，并求矩阵的最大特征值
    list1 = list(V)
    B = np.max(list1)

    # 获取最大特征值的索引，并提取对应的特征向量
    index = list1.index(B)
    C = D[:, index]

    # 计算一致性检验指标CI
    CI = (B - n) / (n - 1)

    # 计算一致性比率CR
    CR = CI / RI[n]

    # 判断一致性
    if CR < 0.10:
        print("CI=", CI)
        print("CR=", CR)
        print('对比矩阵A通过一致性检验，各向量权重向量Q为：')

        # 特征向量标准化
        C_sum = np.sum(C)
        Q = C / C_sum

        # 输出权重向量
        print(Q)
        return Q
    else:
        print("对比矩阵A未通过一致性检验，需对对比矩阵A重新构造")
        return None


# 目标层到第一准则层
A0 = np.array([[1, 3, 5],
               [1 / 3, 1, 3],
               [1 / 5, 1 / 3, 1]])

print('目标到第一准则层')
v0 = AHP(A0)

# 第一准则层到第二准则层
A11 = np.array([[1, 5, 3, 4, 2],
                [1 / 5, 1, 1 / 2, 1, 1 / 3],
                [1 / 3, 2, 1, 2, 1 / 2],
                [1 /

标签

#数学建模 #学习

最低0.47元/天解锁文章