评价模型-AHP层次分析法（偏应用）

一、应用

人员素质评估、 多方案比较、科技成果评比和工作成效评价等。

二、过程概述

1、构成：目标层+准则层（决策指标）+方案层（选择方案）

2、过程概述图

三、具体实现

1、确定模型结构

确认整个决策事件的目标层+准则层（可以有子准则层）+方案层

2、构造判断矩阵

注意：aij是指j相对i的重要程度

3、一致性检验

用于确定构建的判断矩阵是否存在逻辑问题

（1）层次单排序

在判断矩阵基础上求解各个指标的权重Wi

①方根法

m维向量（行乘积的m次方）-->向量标准化-->权重向量

②和法（列向量的算术平均）

列向量归一化（标准化）-->按指标求和-->按指标的求和结果标准化

（2）求解最大特征根

AW：判断矩阵*标准化的权重

（3）求解CI值

（4）判断一致性

C.R<0.1，则一致性检验通过

4、层次总排序与一致性检验

通过类型层次单排序的方法给方案打分，并且全部判断矩阵都要做一致性检验

四、MATLAB代码实现过程

假设我们有一个目标层（选择最好的手机），三个准则层（价格、性能、外观），和三个方案层（手机A，手机B，手机C）。

1、构造判断矩阵

①准则层判断矩阵

% 准则层判断矩阵 (价格, 性能, 外观)
    criteria_matrix = [1, 1/3, 3;
                       3, 1, 5;
                       1/3, 1/5, 1];

②方案层判断矩阵

 % 对价格的判断矩阵
    price_matrix = [1, 2, 1/5;
                    1/2, 1, 1/7;
                    5, 7, 1];
    
    % 对性能的判断矩阵
    performance_matrix = [1, 1/3, 3;
                          3, 1, 5;
                          1/3, 1/5, 1];
    
    % 对外观的判断矩阵
    appearance_matrix = [1, 5, 9;
                         1/5, 1, 4;
                         1/9, 1/4, 1];

2、计算权重向量和一致性检验

% 计算权重向量和一致性检验
    % 准则层权重和一致性检验
    [criteria_weights, criteria_CR] = ahp(criteria_matrix);
    
    % 价格权重和一致性检验
    [price_weights, price_CR] = ahp(price_matrix);
    
    % 性能权重和一致性检验
    [performance_weights, performance_CR] = ahp(performance_matrix);
    
    % 外观权重和一致性检验
    [appearance_weights, appearance_CR] = ahp(appearance_matrix);
    
% 打印结果
    % 打印准则层权重向量和一致性比率
    disp('准则层权重向量:');
    disp(criteria_weights);
    disp(['准则层一致性比率 CR: ', num2str(criteria_CR)]);
    
    % 打印价格权重向量和一致性比率
    disp('价格权重向量:');
    disp(price_weights);
    disp(['价格一致性比率 CR: ', num2str(price_CR)]);
    
    % 打印性能权重向量和一致性比率
    disp('性能权重向量:');
    disp(performance_weights);
    disp(['性能一致性比率 CR: ', num2str(performance_CR)]);
    
    % 打印外观权重向量和一致性比率
    disp('外观权重向量:');
    disp(appearance_weights);
    disp(['外观一致性比率 CR: ', num2str(appearance_CR)]);

3、层次总排序和一致性检验

 % 方案层综合得分
    scores = criteria_weights(1) * price_weights + ...
             criteria_weights(2) * performance_weights + ...
             criteria_weights(3) * appearance_weights;
         
    disp('方案综合得分:');
    disp(scores);

 >>>自定义ahp（）

function [weights, CR] = ahp(matrix)
    % 计算特征向量和特征值
    [V, D] = eig(matrix);
    
    % 找到最大的特征值
    [max_eigenvalue, index] = max(diag(D));
    
    % 对应的特征向量
    max_eigenvector = V(:, index);
    
    % 归一化特征向量
    weights = max_eigenvector / sum(max_eigenvector);
    
    % 一致性指标 (CI)
    CI = (max_eigenvalue - length(matrix)) / (length(matrix) - 1);
    
    % 随机一致性指标 (RI)
    RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45]; % 当 n <= 10 时的 RI 值
    n = length(matrix);
    
    % 计算一致性比率 (CR)
    CR = CI / RI(n);
end

参考资料

用人话讲明白AHP层次分析法（非常详细原理+简单工具实现）_如何用spss做ahp层次分析-CSDN博客