【数模】层次分析法总结（附Matlab代码）

 新人小白课后总结，最近在按照清风学长的课程学习，因为学长的思路比较精炼，部分截图出自学长的ppt，特此声明。

有关该文涉及的Matlab基础知识笔记我会放在文章最后。

 层次分析法是评价类问题，中心思想是“确定评价指标，形成评价体系”。其本质为“将复杂问题分解成多个组成因素，又将这些因素按支配关系分别形成递阶层次结构，通过两两比较的方法确定决策方案相对重要度的总排序“。

  主要思路：

1.确定评价目标--目标层M

2.确定可选路径--准则层C

3.选取评价指标--方案层P

在实际情况中，根据准则层与方案层可能存在的关系，我们可以得到以下几种情况：

 

 发现不同之处了吗？在第一种情况当中，各方案只对应一个准则，各准则的方案不交叉；在第二种情况当中，每个准则都对应全部的方案，准则层与方案层之间是完全交叉的；而第三种情况当中，准则层与方案层部分交叉。

  三种情况的共性与区别：

相同点：

1.各准则层C之间的重要程度是不同的，因此我们需要确定C1、C2、C3的权重关系。由于Ci一般是由多个指标Pi构成，就如上图三种情况一样，较为复杂，无法直接计算Ci之间的权重关系，因此在实际操作中，我们往往是先计算P层各指标的权重关系，再向上计算。

2.各准则层Ci对同一方案层P的重要程度也不同，因此也需要分别确定权重关系。比如上图的第二种情况，P1同时与C1、C2、C3有关联，但这些关联的程度肯定是有强有弱的，因此我们也需要考虑C1、C2、C3对于P1的权重关系。

不同点：

1.分析C-P层时，可以将C1、C2、C3分别与所有的P联系起来，实际没有对应关系的，可以将Ci的权重记为0.（如：在第三种情况中，在列P2的权重时，可以将与P2无关的C3权重记为0）

2.情况1区别于情况23的不同：对于情况1来说，每个C的指标P不交叉，也就是P只与1个C有关，在上文我们得知，无关的可以将权重记为0，也就是对于P1来说，C1权重为1，C2、C3权重为0，此时从P层推C层就失去意义；另外，第一种情况往往P的个数较多，如果先统一计算P层各指标的权重关系，矩阵会过大，在后期的计算中会带来较大误差。

解决方法：对于情况1，可以从上向下推算，先计算C层之间的关系（C层指标不交叉，意味着P层权重关系对C层不会产生影响）再从C到P计算C-P的权重关系（即每个指标P对C层的影响程度强弱）

综上所述，整体解题思路：

打分法确定权重

那么表格中的权重应该如何填写呢？在层次分析法中一般用打分解决：

 （这里以情况2为例，表头为指标，即方案层P）

在进行两两比较之后，可以填出以下权重表：

多次比较之后，可以将该表填写完整。（这张表本来应该由专家填写，但一般都是自己填的，因此如果有数据转化的而来的话，可信度会高一些）

 接下来，我们需要用这个判断矩阵来计算各指标之间的权重，但是这个表格毕竟是由我们自己填写的，我们需要先检验它是否合理，因此在计算权重之前，我们应先进行一致性检验。

一致性检验

判断是否为一致矩阵

一致矩阵：各行（各列）之间成倍数关系

不满足上述关系的矩阵都需要进行一致性检验，比如下图中左下角的矩阵。而我们将（1，3）处的5和（3，1）处的1/5进行修正之后，就得到了右下角的一致矩阵，这是简单的排除不一致矛盾的办法。

 但在实际解题中，我们可以保留一定的不一致，不然就没有办法做一致性检验了，相当于少了一个增强可信度的步骤。

一致性检验：检验我们构造的判断矩阵和一致矩阵是否有太大的差别。

相关理论：

（理论部分不用太纠结，了解即可，感兴趣可以看一下原视频的讲解）

 下面是在论文中会用到的步骤：

首先，从理论部分我们知道，需要先知道最大特征值，才能计算一致性指标和一致性比例。这个最大特征值是在matlab中使用函数eig(A)求得的（A为矩阵）

求解步骤：

 这里的修正就是指像上一步那样微调就可以了，只要还保留一点不一致能计算就行。

注意我们看上图第二步”平均随机一致性指标RI“的表格，n=2处RI为0，也就是说如果你计算一个2x2的矩阵，是一定一致的，而且没有CR的值（因为分母为0），所以如果有需要检验的二阶矩阵，我们可以稍微修改一下Matlab中n=2的值，把它改成接近0的数，比如0.0001，这样我们就可以得到一个CR的值，方便后面做数据。

”整体解题思路“图中的第一步和第二步的所有表格都需要进行一致性检验。

Matlab代码实现：

%% 计算最大特征值，进行一致性检验
[r,c] = size(A);%求一下A的大小，r为列，c为行，这里我们求的矩阵是r = c的
[R, C] = eig (A); %求特征值和特征向量(R的每一列都是一个特征向量，C是用对角矩阵表示的特征值)
Max_eig = max(C(:)); %找出最大特征值
disp(['最大特征值入 = ' num2str(Max_eig)])
CI = (Max_eig - c) / (c - 1);
disp(['一致性指标CI = ' num2str(CI)])
RI=[0 0.0001 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59];%便于二阶矩阵也能通过一致性检验，改写了第二个数，原来应该为0
disp(['一致性指标RI = ' num2str(RI(c))])
CR = CI / RI(c);
if CR < 0.1 
    disp('CR < 0.1成立，该判断矩阵的一致性可以接受')
else
    disp('CR < 0.1不成立，该判断矩阵未通过一致性检验')
end

在我们的矩阵通过一致性检验之后，我们就可以开始计算权重了。

三种方法计算权重：

算术平均法：

 本人代码实现：

%% 算术平均法求权重
%第一步：归一化处理--把每一列权重处理成和为一的形式；
Sum_A = sum(A); %对A的每一列进行求和，得到一个行向量
RepA = repmat(Sum_A, c, 1); %将Sum_A重复拼接c次 使得A1与A大小相同，且元素对应位置为A该列的和
Stand_A = A ./ RepA;  %对应位置元素相除，对A进行归一化处理

%第二步：将各列相加
Sum_Stand_A = sum(Stand_A, 2); %按行求和

%第三步：将上一步所得向量每一个除以指标个数，得到权重向量
w = Sum_Stand_A ./ c;

 几何平均法：

  本人代码实现：

%% 几何平均法求权重

%第一步：按行相乘，得到一个列向量
for i = 1:c
    ComA = 1; %给新向量初始化一下
    temp = A(:,i); %取出每一列的元素
    ComA = ComA .* temp; %注意此处是点乘
end

%第二步：将列向量中每个元素开n次方
SqrA = ComA .^ (1/c);

%第三步：对该向量进行归一化处理，得到权重向量
%Stand_SqrA_1 = normalize(SqrA, 'range') 这个函数的归一化处理与本题的归一化不是一个意思
Sum_SqrA = sum(SqrA); %按列求和
SUM_SqrA = [];        %新建一个空矩阵
for k = 1:c 
    SUM_SqrA = [SUM_SqrA;Sum_SqrA]; %将按列求和的结果重复拼接c次 使得SUM_SqrA与SqrA为相同大小的列向量，且元素对应位置为该列的和
end
Stand_SqrA = SqrA ./ SUM_SqrA; %对应位置元素相除，对SqrA进行归一化处理

特征值法求权重：

%% 特征值法求权重

%第一步：求出矩阵A的最大特征值以及其对应的特征向量

C == Max_eig; %条件判断，最大特征值所处位置元素替换为1，其他位置元素替换为0
[r1, c1] = find(C, 1);%用find函数，找出最大特征值的位置

%第二步：对对应列的特征向量进行归一化处理，得权重向量
Sum_R = sum(R(:,c1));%按列求和
RepR = repmat(Sum_R, c, 1); %将Sum_A重复拼接c次 使得A1与A大小相同，且元素对应位置为A该列的和
Stand_R = R(:,c1) ./ RepR;  %对应位置元素相除，对A进行归一化处理

 到这里我们已经得到了三个权重向量，然后将这三个权重向量平均一下就可以得到最佳结果。

提醒：每个矩阵都要经过这些步骤，可以在论文中详略得当的写，比如我是把部分数据结果并列放置的

 到这里我们已经完成了所有计算步骤，也得到了所有需要的数据，接下来就是把各数据整理好，得到总权重表即可。

以下为本文代码所涉及的Matlab基础知识，是我在听清风学长的课时做的笔记，有看不懂的地方或者是缺漏的地方可以留言告诉我。