目录
一、层析分析法介绍
层次分析法(Analytic Hierarchy Process,简称AHP)是一种多目标决策分析方法,由美国运筹学家托马斯·塞蒂(T.L.saaty)在20世纪70年代中期提出。它将复杂的决策问题分解为多个目标或准则,并进一步分解为多个指标的若干层次,通过定性指标模糊量化方法,算出层次单排序(权数)和总排序,以作为多方案优化决策的依据。
二、层次分析法的基本步骤包括:
- 建立层次结构模型:将问题分解为目标层、准则层和方案层,形成层次结构图。
- 构造成对比较矩阵:对同一层的诸因素两两比较,使用1-9比较尺度构造成对比较矩阵。
- 计算权向量并做一致性检验:计算每个成对比较矩阵的最大特征值和对应的特征向量,然后进行一致性检验。若检验通过,则特征向量(归一化后)即为权向量。
- 层次总排序及决策:计算最下层对目标的组合权向量,并进行组合一致性检验,若检验通过,则可按照组合权向量表示的结果进行决策。
三、层次分析法的优点:
- 简单明了,适用于存在不确定性和主观信息的情况。
- 允许以合乎逻辑的方式运用经验、洞察力和直觉。
- 提出层次本身,使得决策者能够认真考虑和衡量指标的相对重要性。
四、层次分析法的应用领域:
层次分析法广泛应用于经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。
五、层次分析法的注意事项:
- 确保所选要素合理,含义清晰,要素间关系正确。
- 分解简化问题时把握主要因素,不漏不多。
- 注意相比较元素之间的强度关系,相差太悬殊的要素不能在同一层次比较。
层次分析法通过其结构化的决策过程,使得决策者能够更加系统和科学地处理复杂的决策问题,尤其适用于那些难以直接用定量方法解决的问题。
六、层次分析法案例分析
1、类定义和初始化
class AHP:
def __init__(self, array):
self.array = array
self.n = array.shape[0]
self.RI_list = [0, 0, 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]
self.eig_val, self.eig_vector = np.linalg.eig(self.array)
self.max_eig_val = np.max(self.eig_val)
self.max_eig_vector = self.eig_vector[:, np.argmax(self.eig_val)].real
self.CI_val = (self.max_eig_val - self.n) / (self.n - 1)
self.CR_val = self.CI_val / (self.RI_list[self.n - 1])
__init__
方法是类的构造函数,用于初始化类实例。self.array
存储传入的判断矩阵。self.n
存储矩阵的大小(即行数或列数)。self.RI_list
存储不同矩阵大小对应的随机一致性指数(Random Index)。self.eig_val
和self.eig_vector
分别存储矩阵的特征值和特征向量。self.max_eig_val
存储矩阵的最大特征值。self.max_eig_vector
存储最大特征值对应的特征向量。self.CI_val
存储一致性指标(Consistency Index),计算公式为 (\text{CI} = \frac{\lambda_{\text{max}} - n}{n - 1})。self.CR_val
存储一致性比率(Consistency Ratio),计算公式为 (\text{CR} = \frac{\text{CI}}{\text{RI}})。
2、一致性判断
def test_consist(self):
print("判断矩阵的CI值为:" + str(self.CI_val))
print("判断矩阵的CR值为:" + str(self.CR_val))
if self.n == 2:
print("仅包含两个子因素,不存在一致性问题")
else:
if self.CR_val < 0.1:
print("判断矩阵的CR值为" + str(self.CR_val) + ",通过一致性检验")
return True
else:
print("判断矩阵的CR值为" + str(self.CR_val) + "未通过一致性检验")
return False
test_consist
方法用于判断矩阵的一致性。- 首先打印出一致性指标 CI 和一致性比率 CR。
- 如果矩阵大小为 2,则认为不存在一致性问题。
- 否则,如果 CR 值小于 0.1,则认为矩阵通过一致性检验,否则不通过。
3、权重计算方法
(1)算术平均法
def cal_weight_by_arithmetic_method(self):
col_sum = np.sum(self.array, axis=0)
array_normed = self.array / col_sum
array_weight = np.sum(array_normed, axis=1) / self.n
print("算术平均法计算得到的权重向量为:\n", array_weight)
return array_weight
cal_weight_by_arithmetic_method
方法使用算术平均法计算权重。- 首先计算矩阵每列的和,然后对矩阵进行归一化处理。
- 计算每行的和并除以矩阵大小,得到权重向量。
(2)几何平均法
def cal_weight__by_geometric_method(self):
col_product = np.product(self.array, axis=0)
array_power = np.power(col_product, 1 / self.n)
array_weight = array_power / np.sum(array_power)
print("几何平均法计算得到的权重向量为:\n", array_weight)
return array_weight
cal_weight__by_geometric_method
方法使用几何平均法计算权重。- 首先计算矩阵每列的乘积,然后对得到的积向量进行开 n 次方。
- 将得到的向量归一化,得到权重向量。
(3)特征值法
def cal_weight__by_eigenvalue_method(self):
array_weight = self.max_eig_vector / np.sum(self.max_eig_vector)
print("特征值法计算得到的权重向量为:\n", array_weight)
return array_weight
cal_weight__by_eigenvalue_method
方法使用特征值法计算权重。- 将最大特征值对应的特征向量进行归一化处理,得到权重向量。
4、主函数
if __name__ == "__main__":
b = np.array([[1, 1 / 3, 1 / 8], [3, 1, 1 / 3], [8, 3, 1]])
weight1 = AHP(b).cal_weight_by_arithmetic_method()
weight2 = AHP(b).cal_weight__by_geometric_method()
weight3 = AHP(b).cal_weight__by_eigenvalue_method()
- 在主函数中,首先定义了一个判断矩阵
b
。 - 然后分别使用算术平均法、几何平均法和特征值法计算权重,并将结果存储在
weight1
、weight2
和weight3
中。