一、 模型背景
20世纪70年代初,美国运筹学界出提出了一种全新的多目标综合评价方法——层次分析法。
层次分析模型是一种系统性的、层次化的分析方法,该方法用个人的主观经验的判断各个因素对于目标的重要程度,并合理地给出每个决策方案的各因素的权数,利用权数将各方案进行排序,以确定最佳方案。对那些难以用定量方法解决的课题卓有成效,但该方法主观性较强。将半定性、半定量问题转化为定量问题的行之有效的一种方法。
##二、符号说明
符号 | 说明 |
---|---|
λ \lambda λ | 最大特征根 |
n | 成对比较矩阵的阶数 |
w | 最大特征根对应的特征向量(权向量) |
CI | 一致性指标 |
RI | 随机一致性指标 |
CR | 一致性比率 |
三、模型原理
3.1模型思路
层次分析法的基本思路将需要达成的目标层次化,将达成目标的因素进行分解,然后建立各因素之间重要程度关系的权重矩阵,从而得出各方案的优劣,选出最佳方案。
3.2层次分析模型步骤
-
1 建立层次结构模型
将决策的总目标定为最高层、考虑的因素(决策准则)为中间层和决策方案为最底层,再按照他们之间的相互关系分为目标层、准则层和关方案层依次排列,绘出层次结构图:
目标层: 决策的目标、要解决的问题
准则层:决策时考虑的因素和准则
方案层:完成目标层的预选方案
-
2 构造判断矩阵
层次分析法构造判断矩阵的方法被称为一致矩阵法,即:不把所有因素放在一起比较,而是两两相互比较;采用统一的比较尺度,以减少性质不同的因素相互比较的困难,来提高比较的可靠性。
判断矩阵元素 a i j a_{ij} aij的标度方法:
标度 含义 1 表示两个因素相比,具有同样重要性 3 表示两个因素相比,一个因素比另一个因素稍微重要 5 表示两个因素相比,一个因素比另一个因素明显重要 7 表示两个因素相比,一个因素比另一个因素强烈重要 9 表示两个因素相比,一个因素比另一个因素极端重要 2、4、6、8 上述两相邻判断的中值 倒数 因素i与j比较的判断 a i j a_{ij} aij,则因素j与i比较的判断 1 a i j \frac{1}{a_{ij}} aij1 按照此方法得到两两比较矩阵:
(1)准则因素之间的比较矩阵
A = ( a 11 ⋯ a 1 j a 21 ⋯ a 2 j ⋮ ⋱ ⋮ a i 1 ⋯ a i j ) A=\begin{pmatrix} a_{11} & \cdots & a_{1j}\\ a_{21} & \cdots & a_{2j}\\ \vdots & \ddots & \vdots\\ a_{i1} & \cdots & a_{ij} \end{pmatrix} A=⎝⎜⎜⎜⎛a11a21⋮ai1⋯⋯⋱⋯a1ja2j⋮aij⎠⎟⎟⎟⎞(2)方案比较矩阵:
B 1 = ( a 11 ⋯ a 1 j a 21 ⋯ a 2 j ⋮ ⋱ ⋮ a i 1 ⋯ a i j ) B_{1}=\begin{pmatrix} a_{11} & \cdots & a_{1j}\\ a_{21} & \cdots & a_{2j}\\ \vdots & \ddots & \vdots\\ a_{i1} & \cdots & a_{ij} \end{pmatrix} B1=⎝⎜⎜⎜⎛a11a21⋮ai1⋯⋯⋱⋯a1ja2j⋮aij⎠⎟⎟⎟⎞ B 2 = ( a 11 ⋯ a 1 j a 21 ⋯ a 2 j ⋮ ⋱ ⋮ a i 1 ⋯ a i j ) B_{2}=\begin{pmatrix} a_{11} & \cdots & a_{1j}\\ a_{21} & \cdots & a_{2j}\\ \vdots & \ddots & \vdots\\ a_{i1} & \cdots & a_{ij} \end{pmatrix} B2=⎝⎜⎜⎜⎛a11a21⋮ai1⋯⋯⋱⋯a1ja2j⋮aij⎠⎟⎟⎟⎞ B 3 = ( a 11 ⋯ a 1 j a 21 ⋯ a 2 j ⋮ ⋱ ⋮ a i 1 ⋯ a i j ) B_{3}=\begin{pmatrix} a_{11} & \cdots & a_{1j}\\ a_{21} & \cdots & a_{2j}\\ \vdots & \ddots & \vdots\\ a_{i1} & \cdots & a_{ij} \end{pmatrix} B3=⎝⎜⎜⎜⎛a11a21⋮ai1⋯⋯⋱⋯a1ja2j⋮aij⎠⎟⎟⎟⎞
-
3 计算层次单排序的权向量和一致性检验
对于判断矩阵最大特征根 λ m a x \lambda _{max} λmax的特征向量,经过归一化后记为 W W W。 W W W的元素为同一层次元素对于上一层某因素的相对重要性的排序权值,这一过程称为层次单排序。
(1)一致性检验
C I = λ − n n − 1 CI=\frac{\lambda-n}{n-1} CI=n−1λ−n
CI 一致性 C I = 0 CI=0 CI=0 有完全一致性 C I CI CI接近于 0 0 0 有满意的一致性 C I CI CI越大 不一致越严重 为衡量比较结果是否能被接受,构造了最不一致的情况,几对不同的矩阵的n的比较矩阵,采取选用随机取数的方法,并对不同的n用100-500的子样本,计算其一致性指标,再求得其平均值,记为 R I RI RI。
参考随机一致性指标:
n 1 2 3 4 5 6 7 8 9 10 11 RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 定义一致性比率:
C R = C I R I CR=\frac{CI}{RI} CR=RICI
一般认为,一致性比率 C I < 0.1 CI<0.1 CI<0.1时,认为矩阵的不一致程度在允许的范围内,通过一致性检验。可用其归一化特征向量作为权向量;否则不通过一致性检验需要重新对比较矩阵进行构造或调整。
(2)权重向量计算
特征根法:
A是因素 C 1 , C 2 , ⋯ , C n C_{1},C_{2},\cdots,C_{n} C1,C2,⋯,Cn对目标A的两两比较矩阵,如果A是一致矩阵,则A有唯一非零特征根 λ = n \lambda=n λ=n,则用特征根n对应的归一化特征向量w最为因素 C 1 , C 2 , ⋯ , C n C_{1},C_{2},\cdots,C_{n} C1,C2,⋯,Cn对目标A的权重向量;如果A是不一致矩阵,但在不一致允许的范围内,Saaty提出用A的最大特征根 λ m a x \lambda_{max} λmax对应的归一化特征向量作为权重向量,即满足: A w = λ m a x w Aw=\lambda_{max}w Aw=λmaxw的特征向量w归一化后作为 C 1 , C 2 , ⋯ , C n C_{1},C_{2},\cdots,C_{n} C1,C2,⋯,Cn对目标A的权重向量。
和法:
第一步:将矩阵A的每一列向量归一化 A ~ = ( a ~ i j ) n × n \widetilde{A}=(\widetilde{a}_{ij})_{n\times n} A =(a ij)n×n,其中 a ~ i j = a i j ∑ i = 1 n a i j \widetilde{a}_{ij}=\frac{a_{ij}}{\sum\limits_{i=1}^{n}a_{ij}} a ij=i=1∑naijaij
第二步:对 A ~ \widetilde{A} A 按行求和得向量 w ~ = ( w ~ 1 , w ~ 2 , ⋯ , w ~ n ) T \widetilde{w}=(\widetilde{w}_{1},\widetilde{w}_{2},\cdots,\widetilde{w}_{n})^{T} w =(w 1,w 2,⋯,w n)T,其中 w ~ i = ∑ j = 1 n a i j \widetilde{w}_{i}={\sum\limits_{j=1}^{n}a_{ij}} w i=j=1∑naij
第三步:将 w ~ = ( w ~ 1 , w ~ 2 , ⋯ , w ~ n ) T \widetilde{w}=(\widetilde{w}_{1},\widetilde{w}_{2},\cdots,\widetilde{w}_{n})^{T} w =(w 1,w 2,⋯,w n)T归一化得近似特征向量 w = ( w ~ 1 , w ~ 2 , ⋯ , w ~ n ) T w=(\widetilde{w}_{1},\widetilde{w}_{2},\cdots,\widetilde{w}_{n})^{T} w=(w 1,w 2,⋯,w n)T即为权重向量。
第四步:计算 λ = 1 n ∑ i = 1 n ( A w ) i w i \lambda=\frac{1}{n}\sum\limits_{i=1}^{n}\frac{(Aw)_{i}}{w_{i}} λ=n1i=1∑nwi(Aw)i得最大特征根的近似值,即 λ m a x = λ \lambda_{max}=\lambda λmax=λ.其中 ( A w ) i (Aw)_{i} (Aw)i表示 A w Aw Aw的第i个分量。
根法:
第一步:将矩阵A的每一列向量归一化 A ~ = ( a ~ i j ) n × n \widetilde{A}=(\widetilde{a}_{ij})_{n\times n} A =(a ij)n×n,其中 a ~ i j = a i j ∑ i = 1 n a i j \widetilde{a}_{ij}=\frac{a_{ij}}{\sum\limits_{i=1}^{n}a_{ij}} a ij=i=1∑naijaij
第二步:对 A ~ \widetilde{A} A 按行求积,求其n次根,得向量 w ~ = ( w ~ 1 , w ~ 2 , ⋯ , w ~ n ) T \widetilde{w}=(\widetilde{w}_{1},\widetilde{w}_{2},\cdots,\widetilde{w}_{n})^{T} w =(w 1,w 2,⋯,w n)T,其中 w ~ i = ( ∏ j = 1 n a i j ) 1 n \widetilde{w}_{i}=({\prod\limits_{j=1}^{n}a_{ij}})^{\frac{1}{n}} w i=(j=1∏naij)n1
第三步:将 w ~ = ( w ~ 1 , w ~ 2 , ⋯ , w ~ n ) T \widetilde{w}=(\widetilde{w}_{1},\widetilde{w}_{2},\cdots,\widetilde{w}_{n})^{T} w =(w 1,w 2,⋯,w n)T归一化得近似特征向量 w = ( w ~ 1 , w ~ 2 , ⋯ , w ~ n ) T w=(\widetilde{w}_{1},\widetilde{w}_{2},\cdots,\widetilde{w}_{n})^{T} w=(w 1,w 2,⋯,w n)T即为权重向量。
第四步:计算 λ = 1 n ∑ i = 1 n ( A w ) i w i \lambda=\frac{1}{n}\sum\limits_{i=1}^{n}\frac{(Aw)_{i}}{w_{i}} λ=n1i=1∑nwi(Aw)i得最大特征根的近似值,即 λ m a x = λ \lambda_{max}=\lambda λmax=λ.其中 ( A w ) i (Aw)_{i} (Aw)i表示 A w Aw Aw的第i个分量。
-
4 计算层次总排序权值和一致性检验
计算某一层次所有因素对于最高层(总目标)相对重要性的权值,称为层次总排序。这一过程是从最高层次到最低层次依次进行的。
总排序的权值计算方法为:
准则层对目标层的权重 w ( a 1 , a 2 , ⋯ , a n ) w(a_{1},a_{2},\cdots,a_{n}) w(a1,a2,⋯,an)
方案层对准则层的权重 w ( b 1 , b 2 , ⋯ , b n ) w(b_{1},b_{2},\cdots,b_{n}) w(b1,b2,⋯,bn)
总层次排序(方案层第i个因素对总目标的权值为: ∑ j = 1 m a j b i j \sum\limits_{j=1}^{m}a_{j}b_{ij} j=1∑majbij)
即: P 1 : a 1 b 11 + a 2 b 12 + ⋯ + a m b 1 m P_{1}:a_{1}b_{11}+a_{2}b_{12}+\cdots+a_{m}b_{1m} P1:a1b11+a2b12+⋯+amb1m
P 2 : a 1 b 21 + a 2 b 22 + ⋯ + a m b 2 m P_{2}:a_{1}b_{21}+a_{2}b_{22}+\cdots+a_{m}b_{2m} P2:a1b21+a2b22+⋯+amb2m
⋯ \cdots ⋯
P n : a 1 b n 1 + a 2 b n 2 + ⋯ + a m b n m P_{n}:a_{1}b_{n1}+a_{2}b_{n2}+\cdots+a_{m}b_{nm} Pn:a1bn1+a2bn2+⋯+ambnm
总排序的一致性比率:
C R = a 1 C I 1 + a 2 C I 2 + ⋯ + a m C I m a 1 R I 1 + a 2 R I 2 + ⋯ + a m R I m CR=\frac{a_{1}CI_{1}+a_{2}CI_{2}+\cdots+a_{m}CI_{m}}{a_{1}RI_{1}+a_{2}RI_{2}+\cdots+a_{m}RI_{m}} CR=a1RI1+a2RI2+⋯+amRIma1CI1+a2CI2+⋯+amCIm
当CR<0.1时认为层次总排序通过一致性检验。
a a a为准则层A对目标层Z的权重;
C I k CI_{k} CIk为B层对A层的一致性指标;
R I k RI_{k} RIk为随机一致性指标;
四、模型代码
五、模型优缺点
优点:
-
分析具有系统性、简洁性
层次分析法将主观的判断系统化、合理化。将总目标分解为多个层次逐步分析,使定性和定量二者有机的结合,每个层次中的每个因素都被量化成对结果的影响权重。使原本无结构的评价系统变得清晰、明了,使个人的主观判断变得更系统。类似于将复杂问题分解简单化,再对每一给简单的步骤做出判断。
-
需要的数据信息较少
层次分析把重要的决策中重要的步骤留给了大脑来判断,模型中不需要太多的数据提供支撑,大部分数据均来自个人的主观判断,从而模型得到的结果往往最能符合决策个人的主观意愿。
缺点:
- 无法提出新方案
层次分析模型只是在原有的方案中做出抉择,找出原有方案中最理想的方案,但是在实际问题中,最佳方案往往并不是在已经提出的方案中,所以该模型存在局限性。
- 定量数据使用较少,主观定性成分多,结果不能使人信服
数据支撑性不强,模型在很大程度上依赖于决策者的主观意愿。不同的决策者可能得到的决策方案不尽相同,所以结论往缺乏说服性。
- 指标过多时数据统计量大,且权重难以确定
当问题的影响因素较多,决策方案较多时,会使模型的结构变得复杂,模型层次更深。从而增加求解难度。在低阶矩阵的时候,求解权重矩阵相对简便,但随着模型层次加深较多,决策方案的加多,模型也随之升阶,在计算上的复杂度也逐步显现。