AHP及EWM的python实现

一、AHP

A为对比矩阵

def AHP(A) -> np.array:
    # 平均随机一致性指标。
    RI_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49}
    n = len(A)
    for i in range(1, n):
        for k in range(i):
            A[i][k] = 1 / A[k][i]
    A = np.array(A)
    w, v = np.linalg.eig(A)
    lambda_max = np.max(abs(w))
    index = list(w).index(abs(w).max())
    CI = (lambda_max - n) / (n - 1)
    RI = RI_dict[n]
    CR = CI / RI
    if CR < 0.1:
        print("随机一致性指标为{}，判断矩阵具有满意的一致性。".format(CR))
        x = v[:, index].sum(axis=0)  # 对列向量求和，对于第一列求和
        y = v[:, index] / x  # 第一列进行归一化处理
        print("最大的特征值为：", lambda_max)
        print("对应的特征向量为：", abs(y).round(3))
        return abs(y)
    else:
        print("随机一致性指标为{}，判断矩阵不具有满意的一致性。".format(CR))
        return None

二、熵权法

A为对比矩阵

def EWM(A):
    n = len(A)
    Xij = df_index
    Pij = Xij / np.sum(Xij, axis=0)
    m, _ = Xij.shape
    Ej = -(1 / np.log(m)) * np.sum(Pij * np.log(Pij), axis=0)
    Ws = (1 - Ej) / (n - np.sum(Ej))
    return Ws.round(6)