层次分析法AHP及Python实现

AHP (Analytic Hierarchy Process)层次分析法是一种实用的多方案或多目标的决策方法。

1. 层次分析法是一种主客观结合的多指标综合评价方法；即定性分析与定量分析有机结合，实现定量化决策。

2. 有两次定权过程，即准则层定权和方案层定权。

思路

层次分析法的思路是：
将所要分析的问题层次化，根据问题的性质和要达到的总目标，将问题分解成不同的组成因素，按照因素间的相互关系及隶属关系，将因素按不同层次聚集组合，形成一个多层分析结构模型，最终归结为最低层（方案、措施、指标等）相对于最高层（总目标）相对重要程度的权值或相对优劣次序的问题。

决策者用理论和实践经验去分别判断准则层、目标层内各个指标的相对重要程度，并合理地给出每个决策方案中每个指标的标准化权数，利用权数求出各方案的优劣次序，从而选择最优目标。

步骤

用AHP分析问题大体要经过以下五个步骤：
（1） 建立层次结构模型；
（2）构造判断矩阵；
（3）层次单排序；
（4）一致性检验；
（5）层次总排序。
其中后三个步骤在整个过程中需要逐层地进行。

例如：

（1） 建立层次结构模型

假如现在一位同学在找工作时，同时收到三份offer，三家公司都非常不错，此时他很犹豫，不知道怎么选择。

他想到了层次分析法，他现在的目标是选择最优的工作，考虑的因素有：待遇、晋升制度、进修机会、地理位置、社会声誉。因此，建立如下层次结构模型：

层次分析法的核心在于，如何合理解决各个指标的定权问题

有两次定权过程，即准则层定权和方案层定权。

（2）构造判断矩阵

什么是判断矩阵？判断矩阵是建立指标之间两两比较的影响程度的矩阵。例如上述准则层的五个指标所构成的判断矩阵A：

如何依据决策者的理论和经验来构建判断矩阵呢？在实际评价中，如何对多个指标进行赋权，较为困难。但对两两指标之间的比较影响程度，决策者进行主观正确判断较为容易。

在判断矩阵中，指标之间的比较影响程度赋值需要借助“标度”，标度如下所示：

对于要比较的因子而言，你认为一样重要就是1:1，强烈重要就是9:1，也可以取中间数值6:1等，两两比较，把数值填入，并排列成判断矩阵（判断矩阵是对角线积是1的正反矩阵即可）。

（3）检验判断矩阵的合理性

判断矩阵构造完毕后，需要检验判断矩阵是否满足一致性。什么是矩阵一致性？矩阵一致性的定义为：$a_{ij}\times a_{jk}=a_{ik}$。例如待遇：晋升制度=3：1，晋升制度：进修机会=5：1，在一致性定义下，待遇：进修机会=15：1。显然，在判断矩阵的标度中，并没有设置大于9以上的标度。在检验判断矩阵合理性上，我们不是要矩阵严格满足一致性，而是满足A>B，B>C，那么A必然大于C，这样检验方式称为一致性检验。

一致性检验是通过计算一致性比例CR得来：
$$CR=\frac{CI}{RI}$$

其中CI表示一致性指标，其公式为
$$CI=\frac{{\lambda }_{\max }-1}{n-1}$$

n表示判断矩阵中指标的个数，${\lambda }_{\max }$表示判断矩阵的最大特征值，

RI表示随机一致性指标，可查表获得，如下表所示

当CR<0.1时，则表示一致性检验通过，判断矩阵构造合理，CI 越大，判断矩阵的不一致性程度越严重。
因此，目前唯一未知数是判断矩阵的最大特征值。特征值的计算公式为：
$$AW=\lambda W$$

其中W是最大特征值${\lambda }_{\max }$对应的特征向量。

求解可以通过软件，比如Excel，R语言，python，MATLAB等等

（4）定权

前述已知，AHP定权过程分为两个阶段，第一阶段是关于准则层的定权，第二阶段是关于方案层的定权。

在定权方法上，有最小平方权法、特征值法、方根法、和积法等，常用定权方法为特征值法。

• 对于准则层指标的定权，应用最大特征值所对应的特征向量，即
  $$W={\left(w_1,w_2,w_3,w_4,w_5\right)}^T$$
  进行赋权，权重进行归一化处理，使得权和等于1。

• 对于方案层指标的定权，需要构建每个准则层与三种方案的判断矩阵，检验判断矩阵的合理性，并计算其最大特征值所对应的特征向量。即：
  
  可以看出，方案层所构造的判断矩阵有多个，对于方案层判断矩阵的一致性检验，采用总排序一致性比例，其公式为：
  $$CR=\frac{{\sum }_k^{}{W}_{k}C{I}_k}{{\sum }_k^{}{W}_{k}R{I}_k}$$
  其中k表示准则层的相应指标。

通过对上述五个判断矩阵的计算，可以得到每个方案在每个准则层因素下的权重，即
$$W_1={\left(w_{11},w_{12},w_{13}\right)}^T,W_2={\left(w_{21},w_{22},w_{23}\right)}^T$$
$$W_3={\left(w_{31},w_{32},w_{33}\right)}^T,W_4={\left(w_{41},w_{42},w_3\right)}^T$$
$$W_5={\left(w_{51},w_{52},w_{53}\right)}^T,$$

（5）排序

经过上述计算，已经得到准则层、方案层中各个指标和方案的权重，如下表所示。

通过比较方案总排序权重的高低，即可对三份工作作出选择。

Python实现代码

这里请参见下面博客中代码，讲的很详细
AHP（层次分析法）学习笔记及多层权重Python实践