【前后端实现】AHP权重计算

最新推荐文章于 2024-07-08 00:01:13 发布

GISer_Jinger

最新推荐文章于 2024-07-08 00:01:13 发布

阅读量900

点赞数 15

分类专栏： GIS模型与应用项目文章标签： python 数据分析

本文链接：https://blog.csdn.net/m0_55049655/article/details/139969995

版权

项目同时被 2 个专栏收录

29 篇文章 0 订阅

订阅专栏

GIS模型与应用

16 篇文章 2 订阅

订阅专栏

AHP权重计算：

需求：前端记录矩阵维度、上三角值，后端构建比较矩阵、计算权重值并将结果返回给前端

比较矩阵构建

如果你想要根据上三角（不包括对角线）的值来构建对称矩阵，那么你可以稍作修改上述的generate_symmetric_matrix函数。在这个情况下，你将从矩阵的左上角开始填充上三角的值，然后利用对称性填充下三角的值。

def generate_symmetric_matrix_from_upper(i, upper_triangle_values):  
    """  
    根据上三角（不包括对角线）的值和矩阵维度生成对称矩阵  
      
    :param i: 矩阵的维度（i x i）  
    :param upper_triangle_values: 上三角（不包括对角线）的值列表  
    :return: 生成的对称矩阵  
    """  
    if len(upper_triangle_values) > i * (i - 1) // 2:  
        raise ValueError("提供的上三角值数量超过了上三角（不包括对角线）的元素总数。")  
      
    # 初始化矩阵  
    matrix = [[1] * i for _ in range(i)]  # 对角线初始化为1  
      
    # 填充上三角（不包括对角线）的值  
    index = 0  
    for row in range(i):  
        for col in range(row + 1, i):  # 从当前行的下一个元素开始（跳过对角线）  
            matrix[row][col] = upper_triangle_values[index]  
            index += 1  
      
    # 填充下三角的值（利用对称性）  
    for row in range(i):  
        for col in range(row):  # 只遍历到当前行的前一个元素（不包括对角线）  
            matrix[row][col] = 1/matrix[col][row]  # 下三角的值等于上三角的值  
      
    return matrix  
  
# 示例使用  
i = 3  # 矩阵维度  
upper_triangle_values = [0.6, 3, 5]  # 上三角（不包括对角线）的值  
matrix = generate_symmetric_matrix_from_upper(i, upper_triangle_values)  
  
# 打印矩阵  
for row in matrix:  
    print(row)

在这个函数中，我们首先检查提供的上三角值的数量是否超过了实际需要的数量。然后，我们初始化一个所有对角线元素都为1的矩阵。接着，我们遍历上三角（不包括对角线）并填充提供的值。最后，我们利用对称性来填充下三角的值。
当你运行这个示例时，它将输出一个3x3的对称矩阵，其中上三角的值由upper_triangle_values列表提供，而下三角的值则通过对称性从上三角复制而来。对角线上的值保持为1。

AHP权重计算

层次分析法（Analytic Hierarchy Process, AHP）是一种常用的多属性决策方法，它允许决策者将复杂的决策问题分解为多个子问题或属性，并通过两两比较的方式来确定这些子问题或属性的相对重要性。以下是一个简化的Python示例，展示了如何使用层次分析法求解权重值：

构造判断矩阵（通过专家打分等方式）
一致性检验
求解权重值
import numpy as np  
  
def calculate_consistency_ratio(ci, n):  
    # 一致性指标RI的值与n（判断矩阵的阶数）有关  
    ri_values = {  
        1: 0.0, 2: 0.0, 3: 0.58, 4: 0.9, 5: 1.12,  
        6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49  
    }  
    ri = ri_values[n]  
    cr = ci / ri  
    return cr  
  
def calculate_ci(matrix):  
    # 计算一致性指标CI  
    n = matrix.shape[0]  
    eigenvalues, _ = np.linalg.eig(matrix)  
    max_eigenvalue = np.max(eigenvalues)  
    ci = (max_eigenvalue - n) / (n - 1)  
    return ci  
  
def calculate_weights(matrix):  
    # 计算权重值  
    eigenvalues, eigenvectors = np.linalg.eig(matrix)  
    max_eigenvalue = np.max(eigenvalues)  
    max_eigenvector = eigenvectors[:, eigenvalues == max_eigenvalue]  
    weights = max_eigenvector.flatten().real / np.sum(max_eigenvector.flatten().real)  
    return weights  
  
def ahp_analysis(matrix):  
    # AHP分析主函数  
    n = matrix.shape[0]  
    ci = calculate_ci(matrix)  
    cr = calculate_consistency_ratio(ci, n)  
      
    if cr < 0.1:  # 一般情况下，当CR<0.1时，认为判断矩阵的一致性是可以接受的  
        weights = calculate_weights(matrix)  
        print("一致性检验通过，权重值为：", weights)  
    else:  
        print("一致性检验未通过，需要重新调整判断矩阵")  
  
# 示例判断矩阵（假设）  
# 注意：这里的判断矩阵应该是通过专家打分或其他方式构造的，并且应该满足互反性  
A = np.array([  
    [1, 3, 5],  
    [1/3, 1, 3],  
    [1/5, 1/3, 1]  
])  
  
ahp_analysis(A)
注意：

上述代码中的判断矩阵A是假设的，实际应用中需要根据实际情况构造。
一致性检验的阈值通常是0.1，但也可以根据具体需求进行调整。
判断矩阵的构造应该遵循AHP方法的规则，即对角线元素为1，且满足互反性（即A[i][j] = 1 / A[j][i]）。
权重值是通过求解判断矩阵的最大特征值对应的特征向量得到的，并且需要对该特征向量进行归一化处理。

前后端设计

在前后端通信中，当前端需要传递两个参数给后端，其中一个参数是数组，另一个是int类型时，你需要在前端正确地构造请求，并在后端Flask应用中设计相应的路由和请求处理函数来接收这些参数。

前端（JavaScript 使用 `fetch` API）

假设你正在使用JavaScript的fetch API来发送POST请求，你可以将数组和int值作为JSON对象的一部分发送。这里是一个例子：

// 假设你的后端API的URL是'http://example.com/api/data'  
const arrayParam = [1, 2, 3]; // 数组参数  
const intParam = 42; // int类型参数  
  
// 将参数包装在一个对象中  
const dataToSend = {  
    arrayParam: arrayParam,  
    intParam: intParam  
};  
  
// 将对象转换为JSON字符串  
const jsonData = JSON.stringify(dataToSend);  
  
fetch('http://example.com/api/data', {  
    method: 'POST',  
    headers: {  
        'Content-Type': 'application/json'  
    },  
    body: jsonData  
})  
.then(response => response.json())  
.then(data => console.log(data))  
.catch((error) => {  
    console.error('Error:', error);  
});

后端（Flask）

在后端，你需要在Flask应用中创建一个路由，并使用request.json来获取前端发送的JSON数据。这里是一个例子：

from flask import Flask, request, jsonify  
  
app = Flask(__name__)  
  
@app.route('/api/data', methods=['POST'])  
def receive_data():  
    if request.method == 'POST':  
        # 从JSON中解析参数  
        array_param = request.json.get('arrayParam', [])  # 默认值为空数组  
        int_param = request.json.get('intParam', None)  # 默认值为None，你可以根据需要设置默认值  
  
        # 检查int_param是否为int类型  
        if int_param is not None and not isinstance(int_param, int):  
            return jsonify({'error': 'intParam must be an integer'}), 400  
  
        # 在这里处理你的数据...  
        # 例如，你可以返回接收到的参数作为确认  
        return jsonify({'message': 'Data received!', 'arrayParam': array_param, 'intParam': int_param}), 200  
    else:  
        return jsonify({'error': 'Invalid request method'}), 405  
  
if __name__ == '__main__':  
    app.run(debug=True)

在这个例子中，receive_data函数首先检查请求方法是否为POST。然后，它从request.json中获取arrayParam和intParam。注意，我使用了get方法来安全地获取这些值，并为它们提供了默认值（对于arrayParam是一个空数组，对于intParam是None）。然后，它检查intParam是否是一个整数，如果不是，则返回一个错误响应。最后，它返回一个包含接收到的参数的JSON响应。

postman测试：

后端模块与接口：

AHP.py
import json

import numpy as np


def calculate_consistency_ratio(ci, n):
    # 一致性指标RI的值与n（判断矩阵的阶数）有关
    ri_values = {
        1: 0.0, 2: 0.0, 3: 0.58, 4: 0.9, 5: 1.12,
        6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49
    }
    ri = ri_values[n]
    cr = ci / ri
    return cr


def calculate_ci(matrix):
    # 计算一致性指标CI
    n = matrix.shape[0]
    eigenvalues, _ = np.linalg.eig(matrix)
    max_eigenvalue = np.max(eigenvalues)
    ci = (max_eigenvalue - n) / (n - 1)
    return ci


def calculate_weights(matrix):
    # 计算权重值
    eigenvalues, eigenvectors = np.linalg.eig(matrix)
    max_eigenvalue = np.max(eigenvalues)
    max_eigenvector = eigenvectors[:, eigenvalues == max_eigenvalue]
    weights = max_eigenvector.flatten().real / np.sum(max_eigenvector.flatten().real)
    return weights


def ahp_analysis(matrix):
    # AHP分析主函数
    n = matrix.shape[0]
    ci = calculate_ci(matrix)
    cr = calculate_consistency_ratio(ci, n)

    if cr < 0.1:  # 一般情况下，当CR<0.1时，认为判断矩阵的一致性是可以接受的
        weights = calculate_weights(matrix)
        print("一致性检验通过，权重值为：", weights)
    else:
        print("一致性检验未通过，需要重新调整判断矩阵")

    return weights


def generate_symmetric_matrix_from_upper(i, upper_triangle_values):
    """
    根据上三角（不包括对角线）的值和矩阵维度生成对称矩阵

    :param i: 矩阵的维度（i x i）
    :param upper_triangle_values: 上三角（不包括对角线）的值列表
    :return: 生成的对称矩阵
    """
    if len(upper_triangle_values) != i * (i - 1) / 2:
        raise ValueError("提供的上三角值数量不匹配。")

        # 初始化矩阵
    matrix = [[1] * i for _ in range(i)]  # 对角线初始化为1

    # 填充上三角（不包括对角线）的值
    index = 0
    for row in range(i):
        for col in range(row + 1, i):  # 从当前行的下一个元素开始（跳过对角线）
            matrix[row][col] = upper_triangle_values[index]
            index += 1

            # 填充下三角的值（利用对称性）
    for row in range(i):
        for col in range(row):  # 只遍历到当前行的前一个元素（不包括对角线）
            matrix[row][col] = 1/matrix[col][row]  # 下三角的值等于上三角的值

    return matrix


# 方法，前端传来矩阵维数+上三角值【row1Value1,row1Value2,row2Value2】数组，自动生成矩阵并返回AHP分析结果值
def cal_AHP_res(matrixDimension,upper_triangle_values):

        matrix = generate_symmetric_matrix_from_upper(matrixDimension,upper_triangle_values)
        A = np.array(matrix)
        matrix_res=json.dumps(matrix)

        arr= ahp_analysis(A)
        # 将其转换为 Python 列表
        list_arr = arr.tolist()

        # 将列表转换为 JSON 字符串
        res = json.dumps(list_arr)

        return matrix_res,res


if __name__ == '__main__':
    # 生成矩阵示例
    i = 3  # 矩阵维度
    upper_triangle_values = [3, 0.75, 0.5]  # 上三角（不包括对角线）的值
    matrix_res, res=cal_AHP_res(i,upper_triangle_values)




//flask接口
@app.route('/ahp', methods=['POST'])
def getAHPRes():
    matrix_dimension=request.json.get('matrix_dimension')
    value = request.json.get('upper_values',[])  # 获取数值型值 values
    print(len(value))
    matrix,weight= cal_AHP_res(matrix_dimension,value)
    return jsonify({'matrix': matrix,'weight':weight})

GISer_Jinger

关注

15
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
【前后端实现】AHP权重计算

层次分析法（Analytic Hierarchy Process, AHP）是一种常用的多属性决策方法，它允许决策者将复杂的决策问题分解为多个子问题或属性，并通过两两比较的方式来确定这些子问题或属性的相对重要性。以下是一个简化的Python示例，展示了如何使用层次分析法求解权重值
复制链接

扫一扫