一种综合评价及决策方法:层次分析法AHP

大家好,层次分析法(Analytic Hierarchy Process,AHP)是一种多准则决策方法,它帮助决策者处理复杂的决策问题,将其分解成层次结构,然后通过两两比较来确定各个层次的因素之间的相对重要性。这种分析方式允许决策者对问题进行系统化的、结构化的处理,从而更清晰地理解各因素之间的相互关系和作用。

AHP的核心思想是通过对各个因素的两两比较,得出一个比较矩阵,然后利用特定的数学方法(如特征值分解)计算出每个因素的权重,最终将这些权重综合起来,确定备选方案的总排序。在这个过程中,决策者需要结合专业知识和主观判断来进行比较和权衡,从而达到对问题的全面分析和综合评价的目的。

层次分析法(AHP)体现了分解问题、判断因素重要性和综合评价的思维特征,使得决策者能够更系统、更科学地进行决策分析,提高了决策的准确性和可信度。

1.层次分析法评价决策

运用层次分析法进行评价或决策的流程如下:

  • 建立递阶层次结构: 首先,需要将复杂的评价系统或决策问题分解成一系列逐层细化的要素。这些要素从总体到细节依次排列,形成一个递阶结构,以反映问题的层次性质和要素之间的关系。

  • 两两比较及一致性检验: 对于同一层次中的各元素,进行两两比较,评价它们对上一层次中某一准则的重要性。这些比较通常通过专家判断或者调查问卷来完成。比较的结果构成了一个判断矩阵。然后,进行一致性检验,以确保专家的判断具有一定的稳定性和逻辑性。

  • 计算相对权重: 通过对判断矩阵进行数学处理,可以计算出每个要素对于所考虑准则的相对权重。这通常涉及特征值分解等数学方法,从而得出各要素的权重,以便后续的综合分析。

  • 合成权重与排序: 最后,将各层要素对系统目的的相对权重进行合成,得出各备选方案的综合权重,并据此进行排序。这样就能够确定最优的决策方案或者评价结论。

通过这四个流程操作,层次分析法能够帮助决策者系统地分析复杂的问题,综合考虑各要素的重要性,从而做出更加科学和合理的决策。

2.层次分析法分析步骤

层次结构由以下几部分构成:

图片

  • 目标:通过提前制定SMART目标(具体的-可衡量的-可实现的-相关的-时限的),组织中的每个人都知道他们想要实现什么。

  • 标准:通过确定实现目标所重要的标准,建立了一个框架。每个目标都有一定程度上重要的标准来实现它。通过设置标准,每个人在做出决策时都知道了要求。

  • 候选方案:通过考虑候选方案及其优缺点、及评分,组织被引导到最佳的最终决策。

接下来,需要对标准层的各个方面进行主观经验打分,以确定评价尺度。例如,对标准层的C1到C5的重要性进行主观打分,根据以下原则进行评分:

  • 1:两个要素相比具有同等重要性

  • 3:两个要素相比,前者略微重要于后者

  • 5:两个要素相比,前者明显重要于后者

  • 7:两个要素相比,前者强烈重要于后者

  • 9:两个要素相比,前者极端重要于后者

  • 2、4、6、8:上述相邻判断的中间值

  • 倒数:两个要素相比,后者重要性优于前者

C1到C5的重要性进行主观打分矩阵(模拟)及计算权重和归一化的权重:

图片

下面分别评价三个方案A1/A2/A3在不通同标准(C1/C2/C3)的评价矩阵和评分,算法同标准层:

图片

图片

图片

上面三张图是三个方案在各个标准上的评分,整个体系的评分如下图:

图片

三个标准权重:C=[0.230,0.648,0.122]

A1的评分:A1=[0.105,0.592,0.149]

A2的评分:A1=[0.258,0.333,0.066]

A3的评分:A1=[0.637,0.075,0.785]

计算各个方案总评分并对方案进行排序:A1、A3、A2

方案A1:A1*C=[0.230,0.648,0.122]*[0.105,0.592,0.149]=0.426

方案A2:A2*C=[0.230,0.648,0.122]*[0.258,0.333,0.066]=0.283

方案A3:A3*C=[0.230,0.648,0.122]*[0.637,0.075,0.785]=0.291

import numpy as np
import pandas as pd
C=np.array([0.230,0.648,0.122])

A1=np.array([0.105,0.592,0.149]).T
A2=np.array([0.258,0.333,0.066]).T
A3=np.array([0.637,0.075,0.785]).T

print(f'方案A1 得分:%.3f' % C.dot(A1))  #矩阵相乘
print(f'方案A2 得分:%.3f' % C.dot(A2))  
print(f'方案A3 得分:%.3f' % C.dot(A3))

3.智慧决策的利器

层次分析法(AHP)是组织进行决策的工具,允许在做出决定之前考虑某些因素(标准)。每个因素(标准)都可以根据其重要性来衡量。通过将数学值赋予相关人员的愿望,可以进行充分的比较。数值在决策过程的每个环节都发挥着重要作用。设定这些数值有助于所有相关人员基于数学证据做出选择。每个候选方案都会根据标准获得分数。这些因素在一个表格中进行权衡,其中也包括负面因素。运用数学逻辑,可以更轻松地做出明智的决策。

层次分析法(AHP)是组织进行决策的利器,通过考虑各种因素的重要性,帮助决策者做出明智的选择。通过数学化的方法,将愿望量化为数值,并结合权重计算,实现全面的评估。每个候选方案都经过标准的评分和权衡,以便更好地指导决策。AHP的运用使得复杂问题的分析和决策变得更加系统化和科学化,提高了决策的准确性和可信度。

  • 32
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
决策树和AHP层次分析法是两种不同的决策方法,我可以为你介绍它们的代码实现。 首先是决策树的代码实现。决策树是一种基于树结构的分类和回归算法,常用于解决分类和回归问题。以下是一个简单的决策树分类的Python代码示例: ```python from sklearn import datasets from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建决策树分类器 clf = DecisionTreeClassifier() # 训练模型 clf.fit(X_train, y_train) # 预测 y_pred = clf.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print("准确率:", accuracy) ``` 接下来是AHP层次分析法的代码实现。AHP层次分析法一种用于多准则决策方法,它将问题分解为多个层次,通过对比不同层次的准则权重来进行决策。以下是一个简单的AHP层次分析法Python代码示例: ```python import numpy as np # 构建判断矩阵 judgment_matrix = np.array([[1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1]]) # 计算权重 eigenvalues, eigenvectors = np.linalg.eig(judgment_matrix) weights = eigenvectors[:, np.argmax(eigenvalues)] # 归一化权重 weights /= np.sum(weights) # 输出权重 for i, weight in enumerate(weights): print("准则{}的权重:{}".format(i+1, weight)) ``` 以上是决策树和AHP层次分析法的简单代码实现示例。如果你有更具体的问题或者需要更复杂的实现,可以提供更多详细的要求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

python慕遥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值