数模1：层析分析法(Analytic Hiearchy Process)_判断矩阵层析分析-CSDN博客

本文链接：https://blog.csdn.net/TOK__/article/details/132248695

1.简介

2.模型

1.简介

解决评价类问题，该方法叫为主观。

2.模型

（1）本质

求解问题：

目标：问题实现的目标（如：19MCM的教育体系）

指标：衡量角度（如：经济，政治等）

方案：实现的方案（如：不同国家的教育体系）

总体模型如下图所示：

画出总的层次模型图，在按照下图求解各方案的得分。

其中相同颜色区域和为1，最后求解出各个方案的得分，选出最佳方案。

（2）步骤

STEP1:判断矩阵

为了避免过于主观，采取两两对比，分别对指标和每项指标下方案进行对比：

判断矩阵中的元素只能是1至9和它们的倒数

正互反矩阵：

对角元素为1，

$a_{ij} > 0,a_{ij} \times a_{ji} =1$

STEP2:一致性检验

根据比较关系的递推性，判断矩yin阵应该满足以下关系：

$a_{ij}=a_{ik} \times a_{kj}$

满足上述关系的矩阵我们称之为一致性矩阵：

一致性矩阵的充要条件：

$a_{ij} >0$
对角线元素为1
$[a_{i1},a_{i2},...,a_{jn}]=k_i [a_{11},a_{12},...,a_{1n}]$ ，即各行成比例

矩阵性质：

$r(A)=1$
特征值为n，其他为0
特征值为n时，特征向量为 $k[\frac{1}{a_{11}},\frac{1}{a_{12}},...,\frac{1}{a_{1n}}]^T,(k \ne0)$

引理：

n阶正互反矩阵A为一致性矩阵，当且仅当特征值 $\lambda_{max}=n$ ，

n阶正互反矩阵A不为一致性矩阵， $\lambda_{max}>n$ 。

计算一致性指标CI

$CI=\frac{\lambda_{\rm max}-n}{n-1}$

查找对应平均随机一致性指标RI

n	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
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：在实际运用中，n很少超过10，如果指标的个数大于10，则可考虑建立二级指标体系，或使用我们以后要学习的模糊综合评价模型。

计算一致性比例CR

$CR=\frac{CI}{RI}$

注：特征值中有虚数，则比较的是特征值的模。

$CR<0.1$ 则判断矩阵一致，反之亦然。

注：二阶正互反矩阵一定是一致矩阵

STEP3:求解权重

首先是求解每个判断矩阵的权重（n个指标，m个方案，共1+n个判断矩阵）：

算术平均法： $\omega_i=\frac{1}{n}\sum_{j=1}^{n}{\frac{a_{ij}}{\sum_{k=1}^{n}{a_{kj}}}}$
几何平均法： $\omega_{i}=\frac{(\prod_{j=1}^{n}a_{ij})^{\frac{1}{n}}}{\sum_{k=1}^{n}(\prod_{j=1}^{n}a_{kj})^{\frac{1}{n}}},(i=1,2,\cdots,n)$
特征值法：归一化特征向量--------- $k[\frac{1}{a_{11}},\frac{1}{a_{12}},...,\frac{1}{a_{1n}}]^T,(k \ne0)$

最后算出每个方案的总的得分，选取方案。

3.代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
INPUT: Judegement Matrix
OUTPUT:Weight Vector,Consistency
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clear;clc
%% INPUT Matrix
disp('INPUT Matrix A： ');
% A = input('Matrix 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];


%% Judege Consistency of CR
[V,D] = eig(A);    %V--eigenvector, D--diagnal matrix consist of eignvalue
Max_eig = max(max(D));    %maximal eigenvalue
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];    %n<=15
CR=CI/RI(n);
disp('CI=');disp(CI);
disp('CR=');disp(CR);
if CR<0.10
    disp('CR < 0.10，consistency of A is agreed!');
else
    disp('CR >= 0.10，consistency of A is rejected!!!');
end

%% Compute weight vector
%%Method1：Arithmetic average method
A_Sum = sum(A)
[n,n] = size(A)
A_Sum = repmat(A_Sum,n,1)   %repeat matrix的缩写
A_Standard = A ./ A_Sum；

weight1 = sum(A_Standard,2)/n;
%disp('Weight Vector:');
%disp(weight1)；


%%Method2：Geometric mean method
Prduct_A = prod(A,2)；
Prduct_n_A = Prduct_A .^ (1/n)；
weight2 = Prduct_n_A ./ sum(Prduct_n_A)；
%disp('Weight Vector:');
%disp(weight2)；

%%Method3：Eigenvalue method
D == Max_eig;
[r,c] = find(D == Max_eig , 1)
weight3 = V(:,c) ./ sum(V(:,c))
%disp('Weight Vector:');
%disp(weight3)；