数学建模导论之层次分析法（Datawhale开源学习）

moon(ight

已于 2024-07-27 22:10:31 修改

阅读量1k

点赞数 35

文章标签：数学建模 python github 开源学习

于 2024-07-27 14:18:49 首次发布

本文链接：https://blog.csdn.net/2301_77942698/article/details/140730973

版权

【教程地址】：

数学建模导论

https://datawhalechina.github.io/intro-mathmodel/#/

搭配以下内容食用效果更佳：

Python科学计算
https://datawhalechina.github.io/scientific-computing/#/

7.1 层次分析法

7.1.1 层次分析法原理

基本步骤：

1.选择指标，建立递阶层次结构模型

选择指标。在面对评价类问题，选择指标往往需要依据文献研究或社会调查来确定。若缺少明确指标，可通过发放问卷、运用德尔菲法等手段，结合专家意见来构建评价准则。

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。目标层是评价目标，准则层是评价指标体系，方案层是多个对比方案。

2.对目标层到准则层之间和准则层到方案层之间构造判断矩阵

对指标重要性重要性进行两两比较，构造判断矩阵。两个相邻的层次之间是需要构建成对比较矩阵的。矩阵元素 aij 意义：第 i 个指标对第 j 个指标的重要程度。

表中描述的重要性是因素 i 比因素 j 重要的情况下描述的。如果是因素 j 比因素 i 重要，由表中得到的“相对不重要程度”那就用 1～9 的倒数描述即可。

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

在目标层和准则层之间就需要构建第一层比较矩阵。除了准则层外，方案层也需要构建成对比较矩阵。但不同的是，假如有 m 个准则 n 个样本，需要构建的矩阵数量为 m，矩阵大小为（n，n）。每个成对比较矩阵是需要我们自己手动确定的。

3.层次单排序和一致性检验

在层次分析法中构建的判断矩阵是正互反矩阵，方阵中每个元系满足：

$a_{ij}>0$ $a_{ij} *a_{ji}=1$

若同时，正互反矩阵也满足：

$a_{ik} *a_{kj}=a_{ij}$

则称其为一致矩阵。

目的：确定构建的判断矩阵是否存在逻辑问题。

原理：检验构子的判断矩阵和一致矩阵是否有太大差别。

步骤：

4.计算权重向量

进行权重计算之前要先对判断矩阵进行一致性检验。

权重的计算有三种方法：

①算数平均法求权重

②几何平均法求权重

③特征值法求权重

求出矩阵A的最大特征值以及其对应的特征向量，对求出的特征向量进行归一化即可得到权重。

5.层次总排序和一致性检验

计算某一层次所有因素对于最高层（目标层）相对重要性的权值，称为层次总排序。该过程是从最高层次向最低层次依次进行的。

设上一层次（A层）包含A1，...，Am共m个因素，它们的层次总排序权重分别为 a1，...，am。又设其后的下一层次（B层）包含n个因素B1，...，Bn，它们关于Aj的层次单排序权重分别为b1j，...，bnj。

对层次总排序也需作一致性检验，检验仍像层次总排序那样由高层到低层逐层进行。这是因为当综合考察时，各层次的非一致性仍有可能积累起来，引起最终分析结果较严重的非一致性。

6.求权重后进行评价

根据权重和方案的评分进行综合评价。

7.1.2 层次分析法案例

为了更好地理解层次分析法的应用，我们来看一个具体的案例——水质评价。

例 7.1 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。请根据提供数据对三条河流的水质进行评价。其中，DO 代表水中溶解氧含量，越大越好；CODMn 表示水中高锰酸盐指数，NH3-N 表示氨氮含量，这两项指标越小越好；pH 值没有量纲，在 6～9 区间内较为合适。

例 7.1数据

地点名称	pH*	DO	CODMn	NH3-N
四川攀枝花龙洞	7.94	9.47	1.63	0.077
重庆朱沱	8.15	9	1.4	0.417
湖北宜昌南津关	8.06	8.45	2.83	0.203

首先，构建一个层次结构模型。该评价问题一共有三个样本，四个评价指标，根据所给评价指标，构建层次模型图：

接下来，需对准则层的各因素进行成对比较，构建成对比较矩阵。对目标层到准则层构建一个大小为 4 的方阵，准则层到方案层构建 4 个大小为 3 的方阵。例如：

变量	pH*	DO	CODMn	NH3-N
pH*	1.00	1/5	1/3	1
DO	5.00	1	3	5
CODMn	3.00	1/3	1	3
NH3-N	1.00	1/5	1/3	1

通过特征值分解的方法，计算出成对比较矩阵的最大特征值和对应的特征向量，进而得到权重向量，代码如下：

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]])#获得指标个数
m=len(A)
n=len(A[0])
RI=[0,0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45,1.49,1.51]#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
V,D=np.linalg.eig(A)
list1=list(V)#求矩阵的最大特征值
B=np.max(list1)
index=list1.index(B)
C=D[:,index]

计算一致性指标（CI）和一致性比率（CR），检验成对比较矩阵的一致性。

CI=(B-n)/(n-1)
CR=CI/RI[n]
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")

结果输出如下：

CI= (0.014497820535966117+0j)
CR= (0.0161086894844068+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]

分解出来的权重向量为什么是个复数?python 进行矩阵分解的时候是在复数域内进行分解，所得到的向量也是复数向量。虚部为 0 的情况下想要单独分析实部，通过 Q.real 即可达成取实部的效果。

计算出目标层到准则层的 1 个权重向量和 4 个准则层到方案层的权重向量以后，可以列出下表将权重向量进行排布。

例 7.1 中 4 个权重向量的排布

地点名称	pH*	DO	CODMn	NH3-N	得分
	0.0955	0.5596	0.2495	0.0955
四川攀枝花龙洞	0.4166	0.5396	0.297	0.637	0.4767
重庆朱沱	0.3275	0.297	0.5396	0.1047	0.3421
湖北宜昌南津关	0.2599	0.1634	0.1634	0.2583	0.1817

将准则层到方案层得到的 7 个成对比较矩阵对应的权重向量排列为一个矩阵，矩阵的每一行表示对应的方案，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。最终得到的一个结论是：在评价过程中水中溶解氧含量与钴金属含量占评价体系比重最大，而四川攀枝花龙洞的水质虽然含钴元素比另外两个更高，但由于溶解氧更多，NH3-N 的含量更小，水体不显富营养化。就整体而言，四川攀枝花龙洞得分高于重庆朱沱和湖北宜昌南津关。

将一个成对比较矩阵的 AHP 过程封装为函数，完整函数如下。

def AHP(A):
    m = len(A)  # 获取指标个数
    n = len(A[0])
    RI = [0,0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]
    R = np.linalg.matrix_rank(A)  # 求判断矩阵的秩
    V, D = np.linalg.eig(A)  # 求判断矩阵的特征值和特征向量，V特征值，D特征向量；
    list1 = list(V)
    B = np.max(list1)  # 最大特征值
    index = list1.index(B)
    C = D[:, index]  # 对应特征向量
    CI = (B - n) / (n - 1)  # 计算一致性检验指标CI
    CR = CI / RI[n]
    if CR < 0.10:
        print("CI=", CI.real)
        print("CR=", CR.real)
        print('对比矩阵A通过一致性检验，各向量权重向量Q为：')
        sum = np.sum(C)
        Q = C / sum  # 特征向量标准化
        print(Q.real)  # 输出权重向量
        return Q.real
    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 0

7.1.3层次分析法代码

例7.1

import numpy as np

# 准则层和方案层的成对比较矩阵
criteria_matrix = np.array([
    [1, 1/5, 1/3, 1],
    [5, 1, 3, 5],
    [3, 1/3, 1, 3],
    [1, 1/5, 1/3, 1]
])

# 方案层的原始数据
data = np.array([
    [7.94, 9.47, 1.63, 0.077],  # 四川攀枝花龙洞
    [8.15, 9.00, 1.40, 0.417],  # 重庆朱沱
    [8.06, 8.45, 2.83, 0.203]   # 湖北宜昌南津关
])

# 计算权重的函数
def calculate_weights(matrix):
    eigenvalues, eigenvectors = np.linalg.eig(matrix)
    max_index = np.argmax(eigenvalues)
    eigenvector = eigenvectors[:, max_index] / np.sum(eigenvectors[:, max_index])
    return eigenvector

# 一致性检验的函数
def consistency_check(matrix):
    eigenvalues, _ = np.linalg.eig(matrix)
    max_eigenvalue = np.max(eigenvalues)
    CI = (max_eigenvalue - matrix.shape[0]) / (matrix.shape[0] - 1)
    RI_values = [0,0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51]  # 根据矩阵阶数选择
    RI = RI_values[matrix.shape[0]]
    CR = CI / RI
    return CI, CR

# 标准化处理数据的函数
def normalize_data(data):
    max_values = np.max(data, axis=0)
    min_values = np.min(data, axis=0)
    normalized_data = (data - min_values) / (max_values - min_values)
    # 对CODMn和NH3-N进行逆极差标准化
    normalized_data[:, 2] = 1 - normalized_data[:, 2]
    normalized_data[:, 3] = 1 - normalized_data[:, 3]
    return normalized_data

# 计算方案得分的函数（修正后）
def calculate_scores(normalized_data, weights):
    return np.dot(normalized_data, weights)

# 主程序
def main():
    # 计算准则层权重
    criteria_weights = calculate_weights(criteria_matrix)
    print("准则层权重:", criteria_weights.real)

    # 进行一致性检验
    CI, CR = consistency_check(criteria_matrix)
    print("一致性指标CI:", CI.real)
    print("一致性比率CR:", CR.real)

    # 标准化处理数据
    normalized_data = normalize_data(data)

    # 计算方案的综合得分
    scores = calculate_scores(normalized_data, criteria_weights)
    print("各方案的综合得分:")
    for i, score in enumerate(scores):
        print(f"方案 {i+1}: {score.real}")  # Ensure to print real part of complex numbers

    # 根据得分对方案进行排序
    sorted_indices = scores.argsort()[::-1]
    print("方案排序（水质从好到差）:", sorted_indices + 1)  # 将索引转换为实际方案编号

if __name__ == "__main__":
    main()

输出结果：

准则层权重: [0.09546368 0.55958606 0.24948658 0.09546368]
一致性指标CI: 0.014497820535966117
一致性比率CR: 0.0161086894844068
各方案的综合得分:
方案 1: 0.8644091087319299
方案 2: 0.6466878399762959
方案 3: 0.1146366370978105
方案排序（水质从好到差）: [1 2 3]