层次分析法步骤以及实践应用

最新推荐文章于 2025-03-13 14:08:57 发布

养成记录的好习惯

最新推荐文章于 2025-03-13 14:08:57 发布

阅读量2.9k

点赞数 40

分类专栏：评价类研究方法文章标签： python 算法数据分析数据挖掘线性代数

本文链接：https://blog.csdn.net/fff5565665556655/article/details/144214770

版权

评价类研究方法专栏收录该内容

2 篇文章

订阅专栏

1 前言

层次分析法（Analytic Hierarchy Process, AHP）是一种定性与定量相结合的决策分析方法，由美国运筹学家萨蒂（Thomas L. Saaty）在20世纪70年代提出。AHP通过构建层次结构和判断矩阵，系统地分析复杂问题中各因素的重要性，并以量化的方式得出权重和优先级。

在科研领域，AHP因其逻辑严谨、操作简便以及对主观判断的科学量化而受到广泛关注，特别是在评价类研究中发挥了重要作用。它被广泛应用于论文中的多维指标评价，如政策效果评估、模型优劣比较、方案选择等，能够帮助研究者清晰地呈现指标权重分布和综合评价结果。

2 层次分析法的实施步骤

AHP的实施步骤包括以下五个关键阶段，每一阶段都对最终结果至关重要。以下将详细说明每个步骤的原理并结合具体示例展开说明。

(1) 建立层次结构模型

将复杂问题分解为目标、准则和备选方案三个层次的结构模型：

目标层：核心问题或决策目标。
准则层：用于评估备选方案的重要指标。
方案层：需要进行评价或排序的备选方案。

假设我们需要选择一台笔记本电脑，目标是找到性价比最高的型号，需要综合考虑以下因素：性能、便携性、价格、品牌等，具体的评价体系如下：

目标层：选择最合适的笔记本电脑。
准则层：性能、便携性、价格、品牌。
方案层：品牌A笔记本、品牌B笔记本、品牌C笔记本。

(2) 构造判断矩阵

在每个层次内，对同一层次的所有元素两两比较重要性，使用Saaty的1-9标度法生成判断矩阵，其中1-9标度在矩阵中的含义如下表所示：

判断矩阵为正互反矩阵，具有以下性质：

对角线元素为1， $a_{ii}$ =1，即某个元素自己与自己比较重要性；
任意两个元素 $a_{ij}$ 和 $a_{ji}$ 满足 $a_{ij}=\frac{1}{a_{ji}}$ 。

现在对“价格、性能、品牌、售后服务”四个准则的重要性进行两两比较，假设判断标准如下：

品牌比价格较强重要（ $a_{31}=5$ ），售后服务比价格较强重要（ $a_{41}=5$ ）；
品牌比性能稍微重要（ $a_{32}=3$ ），性能比价格稍微重要（ $a_{21}=3$ ）；
售后服务比性能稍微重要（ $a_{42}=3$ ），售后服务与品牌同等重要（ $a_{43}=1$ ）。

构造判断矩阵A如下：

(3) 计算特征向量并进行层次单排序

计算判断矩阵的最大特征值 $\lambda_{max}$ 及其对应特征向量W，特征向量的归一化结果即为各准则的相对权重。注意：判断矩阵A的特征向量W的解法并非按照线代中的方法，在这儿很简单，就先将判断矩阵A按列归一化后，按行求和再取平均值。

现在计算判断矩阵A的以及特征向量W，具体步骤如下：

对判断矩阵 A 的每列进行求和，得到每列的和：[14 7.333 2.533 2.533]
将矩阵归一化（每个元素除以所在列的总和），得到归一化矩阵：

对归一化矩阵的每行求平均值，得到权重向量W：[0.0687 0.1535 0.3889 0.3889]

算出来判断矩阵A的特征向量W后，特征值 $\lambda_{max}$ 的计算就是根据AW= $\lambda_{max}$ W反推出来的：

计算判断矩阵A与权重向量W的乘积，得到一个新向量：
将新向量中每个元素除以对应的权重向量的元素，求和后再取平均得到特征值 $\lambda_{max}$ ：

(4) 一致性检验

在AHP中，判断矩阵的构造基于决策者的主观判断，因此需要通过一致性检验来验证判断矩阵的逻辑合理性，一致性检验的步骤如下：

计算一致性指标 (CI)：一致性指标衡量判断矩阵的一致性偏差，其公式为： $CI = \frac{\lambda_{max}-n}{n-1}$ ，其中， $\lambda_{max}$ 为判断矩阵的最大特征值，n为判断矩阵的阶数。
计算一致性比率 (CR)：一致性比率是判断一致性的最终标准，其公式为： $CR = \frac{CI}{RI}$ ，其中，RI是随机一致性指标，其值由判断矩阵的阶数n决定，RI的值查表即可（Saaty提供的表格），常见的随机一致性指标RI值如下：

一致性判断：
- 若 CR<0.1，判断矩阵具有满意的一致性；
- 若 CR≥0.1，判断矩阵一致性较差，需要重新调整判断矩阵。

对于上面示例中的判断矩阵A，CI、CR均可算得结果，分别为0.0147、0.0163，因为 CR=0.0163<0.1，故判断矩阵A具有满意的一致性，无需调整。

(5) 层次总排序与指标权重计算

通过判断矩阵 A 计算得到W=[0.0687 0.1535 0.3889 0.3889]，分别对应：价格（0.0687）、性能（0.1535）、品牌（0.3889）、售后服务（0.3889），剩余的准则层这四个指标分别对品牌A、品牌B、品牌C笔记本的评价指标权重再分别构造判断矩阵，按上述流程计算即可。

3 Python代码实现

下面的程序，实现了本实例中判断矩阵A应用AHP，输出权重向量W、特征值 $\lambda_{max}$ ，以及一致性检验中的CI、RI、CR的数值：

import numpy as np

# Step 1: 定义判断矩阵 A
A = np.array([
    [1, 1/3, 1/5, 1/5],
    [3, 1, 1/3, 1/3],
    [5, 3, 1, 1],
    [5, 3, 1, 1]
])

# Step 2: 按列计算每列的和
column_sums = A.sum(axis=0)

# Step 3: 对矩阵进行按列归一化
normalized_matrix = A / column_sums

# Step 4: 计算权重向量 W（归一化矩阵每行的平均值）
weight_vector = normalized_matrix.mean(axis=1)

# Step 5: 计算最大特征值 λ_max
Aw = np.dot(A, weight_vector)  # 计算 A·W
lambda_max = np.mean(Aw / weight_vector)  # 用 λ = (A·W)/W 求 λ_max 的近似值

# Step 6: 一致性检验
n = A.shape[0]  # 判断矩阵的阶数
CI = (lambda_max - n) / (n - 1)  # 一致性指标 CI
RI_list = [0, 0, 0.58, 0.9, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49]  # RI 标准值表
RI = RI_list[n-1]  # 查表得到 RI 的值
CR = CI / RI  # 一致性比率 CR

# 输出结果
print("判断矩阵 A：")
print(A)
print("\n权重向量 W：", weight_vector)
print("最大特征值 λ_max：", lambda_max)
print("一致性指标 CI：", CI)
print("随机一致性指标 RI：", RI)
print("一致性比率 CR：", CR)

# 判断一致性
if CR < 0.1:
    print("\n判断矩阵一致性通过，无需调整。")
else:
    print("\n判断矩阵一致性较差，需要调整判断矩阵。")