层次分析APH

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
$\lambda$	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$a_{ij}$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$a_{ij}$，则因素j与i比较的判断$\frac{1}{a_{ij}}$

    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
  ​
  $A=\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{1j}\\ a_{21}& \cdots & a_{2j}\\ ⋮& \ddots & ⋮\\ a_{i1}& \cdots & a_{ij}\end{array}\right)$

  （2）方案比较矩阵：

  $B_1=\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{1j}\\ a_{21}& \cdots & a_{2j}\\ ⋮& \ddots & ⋮\\ a_{i1}& \cdots & a_{ij}\end{array}\right)$ $B_2=\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{1j}\\ a_{21}& \cdots & a_{2j}\\ ⋮& \ddots & ⋮\\ a_{i1}& \cdots & a_{ij}\end{array}\right)$ $B_3=\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{1j}\\ a_{21}& \cdots & a_{2j}\\ ⋮& \ddots & ⋮\\ a_{i1}& \cdots & a_{ij}\end{array}\right)$

• 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${\lambda }_{max}$的特征向量，经过归一化后记为$W$。$W$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

  ​ $CI=\frac{\lambda -n}{n-1}$

  CI	一致性
  $CI=0$	有完全一致性
  $CI$接近于$0$	有满意的一致性
  $CI$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$RI$。

    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：

  ​ $CR=\frac{CI}{RI}$

    一般认为，一致性比率$CI<0.1$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$C_1,C_2,\cdots ,C_n$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$\lambda =n$,则用特征根n对应的归一化特征向量w最为因素$C_1,C_2,\cdots ,C_n$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${\lambda }_{max}$对应的归一化特征向量作为权重向量，即满足：$Aw={\lambda }_{max}w$的特征向量w归一化后作为$C_1,C_2,\cdots ,C_n$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$\tilde{A}=({\tilde{a}}_{ij}{)}_{n\times n}$，其中${\tilde{a}}_{ij}=\frac{a_{ij}}{\sum _{i=1}^n{a}_{ij}}$

  第二步：对$\tilde{A}$按行求和得向量$\tilde{w}=({\tilde{w}}_1,{\tilde{w}}_2,\cdots ,{\tilde{w}}_n{)}^T$，其中${\tilde{w}}_i=\sum _{j=1}^n{a}_{ij}$

  第三步：将$\tilde{w}=({\tilde{w}}_1,{\tilde{w}}_2,\cdots ,{\tilde{w}}_n{)}^T$归一化得近似特征向量$w=({\tilde{w}}_1,{\tilde{w}}_2,\cdots ,{\tilde{w}}_n{)}^T$即为权重向量。

  第四步：计算$\lambda =\frac{1}{n}\sum _{i=1}^n\frac{(Aw{)}_i}{w_i}$得最大特征根的近似值，即${\lambda }_{max}=\lambda$.其中$(Aw{)}_i$表示$Aw$的第i个分量。

  根法：

  第一步：将矩阵A的每一列向量归一化$\tilde{A}=({\tilde{a}}_{ij}{)}_{n\times n}$，其中${\tilde{a}}_{ij}=\frac{a_{ij}}{\sum _{i=1}^n{a}_{ij}}$

  第二步：对$\tilde{A}$按行求积，求其n次根，得向量$\tilde{w}=({\tilde{w}}_1,{\tilde{w}}_2,\cdots ,{\tilde{w}}_n{)}^T$，其中${\tilde{w}}_i=(\prod _{j=1}^n{a}_{ij}{)}^{\frac{1}{n}}$

  第三步：将$\tilde{w}=({\tilde{w}}_1,{\tilde{w}}_2,\cdots ,{\tilde{w}}_n{)}^T$归一化得近似特征向量$w=({\tilde{w}}_1,{\tilde{w}}_2,\cdots ,{\tilde{w}}_n{)}^T$即为权重向量。

  第四步：计算$\lambda =\frac{1}{n}\sum _{i=1}^n\frac{(Aw{)}_i}{w_i}$得最大特征根的近似值，即${\lambda }_{max}=\lambda$.其中$(Aw{)}_i$表示$Aw$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$w(a_1,a_2,\cdots ,a_n)$

    方案层对准则层的权重$w(b_1,b_2,\cdots ,b_n)$

    总层次排序（方案层第i个因素对总目标的权值为：$\sum _{j=1}^m{a}_j{b}_{ij}$）

  即：$P_1:a_1{b}_{11}+a_2{b}_{12}+\cdots +a_m{b}_{1m}$

  ​ $P_2:a_1{b}_{21}+a_2{b}_{22}+\cdots +a_m{b}_{2m}$

  ​ $\cdots$

  ​ $P_n:a_1{b}_{n1}+a_2{b}_{n2}+\cdots +a_m{b}_{nm}$

  总排序的一致性比率：

  ​ $CR=\frac{a_{1}C{I}_1+a_{2}C{I}_2+\cdots +a_{m}C{I}_m}{a_{1}R{I}_1+a_{2}R{I}_2+\cdots +a_{m}R{I}_m}$

    当CR<0.1时认为层次总排序通过一致性检验。

    $a$为准则层A对目标层Z的权重；

    $C{I}_k$为B层对A层的一致性指标;

    $R{I}_k$为随机一致性指标;

四、模型代码

五、模型优缺点

优点：

1. 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。

2. 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:

1. 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。

2. 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。

3. 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。