【数学建模】清风数模正课1 层次分析法

层次分析法（AHP）

建模比赛中最基础的模型之一，其主要用于解决评价类问题（例如：选择哪种方案最好、哪位运动员或者员工表现得更优秀）。

一、模型介绍

1. 引入

我们以高考后择校为例，摆在面前的选择有华科和武大，那么分别对两个院校的四个方面进行打分评价，最终就可以确定志愿。

使用打分法解决评价问题，只需要我们补充完成下面这张表格即可：

表格中，同颜色的单元格的和为1，它们表示的是针对某一因素所占的权重（或得分）。

2. 例题

填好志愿后，我们就可以出去旅游了。在查阅了网上的攻略后，我们初步选择苏杭、北戴河和桂林三地之一作为目标景点。

请你确定评价指标、形成目标体系来选择最佳的出行方案。

1. 确定评价指标

由题目可以看出，这属于评价类问题。

解决评价类问题，我们首先需要想好以下三个问题：

1. 我们评价的目标是什么？

为了选择最佳的旅游景点。

2. 我们为了达到这个目标有哪几种可选的方案？

三种，分别是去苏杭、北戴河和桂林。

3. 评价的准则或者说指标是什么？

题目没有提供相关数据，需要我们确定。

一般来说，前两个问题的答案是很显然的，而第三个问题的答案才需要我们根据题目中的背景材料、常识以及网上搜集到的参考资料进行结合，从中筛选出最合适的指标。

优先选择知网（或者万方、百度学术、谷歌学术等平台）搜索相关的文献。如果搜不到文献，则可以和小组成员进行头脑风暴或者在网上搜索别人或专家的看法。

优先级：谷歌搜索>>微信搜索>>知乎搜索

推荐网站：虫部落-快搜

经过搜索和筛选后，我们确定了五个评价的指标：景色、花费、居住、饮食、交通。

现在就需要确定每种指标的权重完成表格的第一列了。

确定权重时，我们不能按照自己的主观想法随便填表，这样往往比较片面，考虑得不周全。

一次性考虑这五个指标之间的关系不太周全，我们就可以使用分而治之的思想，将指标两两进行比较，最终根据两两比较的结果来推算出权重。这就是层次分析法的一部分。

2. 确定指标权重

方法：根据重要程度标度表，确定判断矩阵，就可以得到各个指标的权重。

表中的第一行第二列表示，景色比花费略微重要，处于同样重要和稍微重要之间。

实际上，上面这个矩阵就是层次分析法中的判断矩阵。得到它，就可以计算出权重了，计算方法稍后再总结。

3. 确定各个方案在某一指标上所占的权重

同样需要使用重要程度标度表，填写判断矩阵：

在填写标度的时候，常常会出现矛盾之处：A>B B>C A=C ，这样的矛盾又称为不一致现象，出现这种现象的矩阵是不一致的。但是，我们需要的是一致矩阵，所以在使用判断矩阵求权重之前，必须对其进行一致性检验。

4. 一致性检验的步骤

注释：特征值可用matlab软件进行计算，如果特征值中有虚数，则比价的是特征值的模长。

5. 判断矩阵计算权重

法一：算术平均法求权重

法二：几何平均法求权重

法三：特征值法求权重

注意：每次求权重，都只能得到各个方案在某一个指标下的权重。

最后汇总所有求得的权重值，得到权重矩阵，根据此矩阵，我们可以计算出每个旅游景点的得分：

3. 层次分析法

第一步

分析系统中各因素之间的关系，建立系统的递阶层次结构。

第二步

对于同一层次的各元素关于上一层次中某一准则的重要性进行两两比较，构造两两比较的判断矩阵。

第三步

由判断矩阵计算被比较元素对于该准则的相对权重，并进行一致性检验（检验通过，权重才能用）。

建议比赛时三种计算方法都使用。

第四步

根据权重计算得分，并进行排序。

二、代码实现

%%%这段代码可以对经分析填写得到的一个准则层关于目标层的判断矩阵以及五个方案层关于准则层的矩阵这六个判断矩阵进行一致性检验。

%% 首先输入判断矩阵
clear;clc
disp('请输入判断矩阵A： ') % 注意中英文切换好，否则会报错
% A = input('判断矩阵A=')
A =[1 1 4 1/3 3;
 1 1 4 1/3 3;
 1/4 1/4 1 1/3 1/2;
 3 3 3 1 3;
 1/3 1/3 2 1/3 1]
% matlab矩阵有两种写法，可以直接写到一行:
% [1 1 4 1/3 3;1 1 4 1/3 3;1/4 1/4 1 1/3 1/2;3 3 3 1 3;1/3 1/3 2 1/3 1]
% 也可以写成多行:
[1 1 4 1/3 3;
 1 1 4 1/3 3;
 1/4 1/4 1 1/3 1/2;
 3 3 3 1 3;
 1/3 1/3 2 1/3 1]
% 两行之间以分号结尾（最后一行的分号可加可不加），同行元素之间以空格（或者逗号）分开。

%% 方法1：算术平均法求权重
% 第一步：将判断矩阵按照列归一化（每一个元素除以其所在列的和得到总和为一的权重）
Sum_A = sum(A)
[n,n] = size(A)  
% 也可以写成n = size(A,1)

% size函数用法：
% 1) [行数，列数]=size(矩阵名)
% 2)行数=size(矩阵名,1)
% 3)列数=size(矩阵名,2)

% 因为我们的判断矩阵A是方阵，行数和列数相同，我们可以就用同一个字母n表示
SUM_A = repmat(Sum_A,n,1)   
%repmat是repeat matrix的缩写

%repmat函数用法：
%B=repmat(A,m,n)
%将矩阵A复制m*n块，按m行n列排序成矩阵B

% 另外一种替代的方法如下：
    SUM_A = [];
    for i = 1:n   % 循环，这一行后面不能加冒号（和Python不同），这里表示循环n次
        SUM_A = [SUM_A; Sum_A]
    end
clc;A
SUM_A
Stand_A = A ./ SUM_A
% 这里我们直接将两个矩阵对应的元素相除即可
% MATLAB里对矩阵的各个元素进行对应计算都要在运算符号前加一个点，比如 .* ./ .^

% 第二步：将归一化的各列相加(按行求和)
sum(Stand_A,2)

% 第三步：将相加后得到的向量中每个元素除以n即可得到权重向量
disp('算术平均法求权重的结果为：');
disp(sum(Stand_A,2) / n)
% 首先对标准化后的矩阵按照行求和，得到一个列向量
% 然后再将这个列向量的每个元素同时除以n即可（注意这里也可以用./）

%% 方法2：几何平均法求权重
% 第一步：将A的元素按照行相乘得到一个新的列向量
clc;A
Prduct_A = prod(A,2)
% prod函数和sum函数类似，一个用于乘，一个用于加；这里表示将每行元素分别累乘得到一个列向量

% 第二步：将新的向量的每个分量开n次方
Prduct_n_A = Prduct_A .^ (1/n)
% 这里对每个元素进行乘方，这里是开n次方，所以我们等价求1/n次方

% 第三步：对该列向量进行归一化即可得到权重向量
% 将这个列向量中的每一个元素除以这一个向量的和即可
disp('几何平均法求权重的结果为：');
disp(Prduct_n_A ./ sum(Prduct_n_A))

%% 方法3：特征值法求权重
% 第一步：求出矩阵A的最大特征值以及其对应的特征向量
clc
[V,D] = eig(A)    % V是特征向量, D是由特征值构成的对角矩阵（除了对角线元素外，其余位置元素全为0）
% eig函数用法：
% 1)
% E=eig(A)
% 求矩阵A的所有特征值，组成向量E
% 2)
% [V,D]=eig(A)
% 求A的所有特征向量，组成列向量V；求A的全部特征值，组成对角阵D

Max_eig = max(max(D)) %也可以写成max(D(:))哦~
% 那么怎么找到最大特征值所在的位置了？ 需要用到find函数，它可以用来返回向量或者矩阵中不为0的元素的位置索引。
% 那么问题来了，我们要得到最大特征值的位置，就需要将包含所有特征值的这个对角矩阵D中，不等于最大特征值的位置全变为0
% 这时候可以用到矩阵与常数的大小判断运算
D == Max_eig
[r,c] = find(D == Max_eig , 1)
% 找到D中第一个与最大特征值相等的元素的位置，记录它的行和列。

% 第二步：对求出的特征向量进行归一化即可得到我们的权重
V(:,c)
disp('特征值法求权重的结果为：');
disp( V(:,c) ./ sum(V(:,c)) )
% 我们先根据上面找到的最大特征值的列数c找到对应的特征向量，然后再进行标准化。

%% 计算一致性比例CR
clc
CI = (Max_eig - n) / (n-1);
RI=[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];  %注意哦，这里的RI最多支持 n = 15
CR=CI/RI(n);
disp('一致性指标CI=');disp(CI);
disp('一致性比例CR=');disp(CR);
if CR<0.10
    disp('因为CR < 0.10，所以该判断矩阵A的一致性可以接受!');
else
    disp('注意：CR >= 0.10，因此该判断矩阵A需要进行修改!');
end