main.py
#层次分析法实现代码(O-C-P单层次)
import numpy as np
import pandas as pd
import JudgeMatrix as JM
#确定评价指标
indexes=int(input('输入评价指标数量:'))
Indexes=[None,]
for i in range(indexes):
index=input(f'输入第{i+1}个评价指标')
Indexes.append(index)
#确定评价方案
plans=int(input('输入评价方案数量:'))
Plans=[None,]
for i in range(plans):
plan=input(f'输入第{i+1}个评价方案')
Plans.append(plan)
#构建判断矩阵
#构建O-C判断矩阵
while True:
print('正在构建O-C判断矩阵')
Judge_OC=np.eye(indexes,indexes)
for i in range(1,indexes+1):
for j in range(i+1,indexes+1):
rec=input(f'输入指标{Indexes[i]}对指标{Indexes[j]}的重要性分值:[输入格式:score,flag flag=0,表示前面指标对后面指标的重要性;flag=1'
f'表示后面指标对前面指标的重要性]')
x=rec.split(',')
flag=int(x[-1].strip())
x=int(x[0].strip())
if flag==0:
Judge_OC[i-1,j-1]=x
Judge_OC[j-1,i-1]=1/x
else:
Judge_OC[i - 1, j - 1] = 1/x
Judge_OC[j - 1, i - 1] = x
print('O-C判断矩阵如下:')
print(Judge_OC)
result=JM.Judge_Matrix_Check(Judge_OC)
if result==True:
print('各指标权重如下:')
W_OC=JM.Weight(Judge_OC)
print(W_OC)
break
#构建C-P判断矩阵
CP_Array=np.empty(shape=(indexes,plans))
for k in range(1,indexes+1):
while True:
print(f'正在构建C[{Indexes[k]}]-P判断矩阵')
Judge_CP=np.eye(plans,plans)
for i in range(1,plans+1):
for j in range(i+1,plans+1):
rec=(input(f'对于{Indexes[k]}指标,输入方案{Plans[i]}对方案{Plans[j]}的重要性分值:[输入格式:score,flag flag=0,表示前面指标对后面指标的重要性;flag=1'
f'表示后面指标对前面指标的重要性]'))
x = rec.split(',')
flag = int(x[-1].strip())
x = int(x[0].strip())
if flag == 0:
Judge_CP[i - 1, j - 1] = x
Judge_CP[j - 1, i - 1] = 1 / x
else:
Judge_CP[i - 1, j - 1] = 1 / x
Judge_CP[j - 1, i - 1] = x
print('C[{Indexes[k]}]-P判断矩阵如下:')
print(Judge_CP)
result=JM.Judge_Matrix_Check(Judge_CP)
if result==True:
print('对于{Indexes[k]}指标,各方案权重如下:')
W_CP=JM.Weight(Judge_CP)
print(W_CP)
CP_Array[k-1]=W_CP
break
score_list=[None,]
#计算各方案综合得分
for i in range(1,plans+1):
score=np.sum(W_OC*CP_Array[:,i-1])
score_list.append(score)
print(f'方案{Plans[i]}的得分为:{score}')
Final_Result=pd.Series(index=Plans[1:],data=score_list[1:])
print(Final_Result.sort_values(ascending=True))
JudgeMatrix.py
import numpy as np
class Constant:
RI_dict=[None,0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54,1.56,1.58,1.59]
#判断矩阵一致性检验,M:判断矩阵
def Judge_Matrix_Check(M:np.array) ->bool:
#计算矩阵阶数
n=M.shape[0]
# 第一步:计算一致性指标CI
values,vectors=np.linalg.eig(M)
max_value=max(values)
CI=(max_value-n)/(n-1)
#第二步: 查表获知平均随机一致性指标RI
RI=Constant.RI_dict[n]
#第三步: 计算一致性比例CR
CR=CI/RI
#第四步: 判断CR是否小于0.1
print(f'一致性比例={CR}')
if CR<0.1:
print('通过一致性检验!')
return True
else:
print('不通过一致性检验,请修改判断矩阵!')
return False
#根据判断矩阵计算权重(三种方法)
#法一:算术平均数
def Weight_By_A(M:np.array):
#按列归一化
M1=M/M.sum(axis=0)
#按行计算算术平均数
M2=M1.mean(axis=1)
return M2
#法二:几何平均数
def Weight_By_G(M:np.array):
n=M.shape[0]
#按行相乘
M1=np.prod(M,axis=1)
#开n次方
M2=M1**(1/n)
#归一化
M3=M2/M2.sum()
return M3
#法三:特征向量法
def Weight_By_E(M:np.array):
values,vectors=np.linalg.eig(M)
pos=np.argmax(values)
vector=vectors[:,pos].real
V=vector/vector.sum()
return V #取特征向量实部
def Weight(M:np.array):
V1=Weight_By_A(M)
V2=Weight_By_G(M)
V3=Weight_By_E(M)
print(f'算术平均法计算权重:{V1}')
print(f'几何平均法计算权重:{V2}')
print(f'特征向量法计算权重:{V3}')
return V3