层次分析法（AHP）步骤介绍及代码分析

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：

1. 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。
2. 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。
3. 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。
4. 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。