数学建模（层次分析法 python代码 案例）

目录

介绍： 

模板：

例题：从景色、花费、饮食，男女比例四个方面去选取目的地

 准则重要性矩阵：

 每个准则的方案矩阵：​

 一致性检验：

 特征值法求权值：

完整代码：

运行结果：

介绍： 

层次分析法（Analytic Hierarchy Process, AHP）是一种多准则决策分析方法，它将多个准则组织成一个层次结构，通过对各个层次之间的比较和权重的计算，最终得到准则的相对重要性和最优解决方案。

层次分析法的基本思想是将复杂的决策问题分解为一系列层次，从总体目标到具体准则和方案，建立层次结构模型。在层次结构模型中，各层次之间的关系通过比较矩阵来表示，比较矩阵中的元素表示各个准则或方案之间的相对重要性。

在层次分析法中，通过对比较矩阵进行一系列计算，可以得到各个准则和方案的权重，从而评估它们的相对重要性。最终，通过计算各个方案的综合评价值，可以选择最优解决方案。

层次分析法的特点是能够处理多个准则之间的相对重要性，能够量化主观判断，并且易于理解和应用。它广泛应用于决策分析、资源分配、评估和排序等领域。

模板：

#以下是一个使用Python实现层次分析法的简单模板：

```python
import numpy as np

def ahp(criteria_matrix):
    n = len(criteria_matrix)
    weights_matrix = np.zeros((n, n))
    
    # Step 1: 计算准则矩阵的列向量归一化
    column_sums = criteria_matrix.sum(axis=0)
    normalized_matrix = criteria_matrix / column_sums
    
    # Step 2: 计算每个准则的权重
    weights = normalized_matrix.sum(axis=1) / n
    
    # Step 3: 计算每个准则之间的相对重要性
    for i in range(n):
        for j in range(n):
            weights_matrix[i, j] = weights[i] / weights[j]
    
    # Step 4: 计算最终权重
    final_weights = weights_matrix.sum(axis=1) / n
    
    return final_weights

# 测试代码
criteria_matrix = np.array([[1, 1/2, 2], [2, 1, 3], [1/2, 1/3, 1]])
weights = ahp(criteria_matrix)
print("准则的权重:", weights)
```

在这个模板中，我们首先定义了一个名为`ahp`的函数，它接收一个准则矩阵作为参数。准则矩阵是一个n×n的二维数组，表示准则之间的相对重要性。

在函数内部，我们首先计算准则矩阵的列向量归一化，然后计算每个准则的权重。接下来，我们通过两层循环计算每个准则之间的相对重要性，并将结果存储在权重矩阵中。

最后，我们计算权重矩阵每一行的平均值作为最终的权重，并返回结果。

在测试代码中，我们创建了一个准则矩阵`criteria_matrix`，然后调用`ahp`函数计算准则的权重，并打印出结果。

请注意，这只是一个简单的模板，可以根据具体的应用场景进行修改和扩展。

例题：从景色、花费、饮食，男女比例四个方面去选取目的地