层次分析法：多准则决策分析详解与实践

一一MIO一一

于 2024-09-14 13:24:51 发布

阅读量527

点赞数 3

本文链接：https://blog.csdn.net/weixin_33240461/article/details/142268617

版权

本文还有配套的精品资源，点击获取

简介：层次分析法（AHP）是一种处理复杂决策问题的实用方法，尤其适用于无法完全量化的情况。通过构建多层次结构模型，进行元素两两比较并形成判断矩阵，最终通过一致性检验得出各元素权重，并据此进行决策选择。本文介绍了AHP的基本步骤，并指出了在MATLAB中如何实现该方法，以提高决策的科学性和有效性。层次分析法.rar

1. 多准则决策分析方法介绍

在当今的商业和工程领域，决策通常涉及到多个相互关联且复杂的因素。为了应对这种决策的复杂性，多准则决策分析方法应运而生，其中最著名的当属层次分析法（Analytic Hierarchy Process，简称AHP）。这种方法由Thomas L. Saaty教授于20世纪70年代提出，它通过将复杂的决策问题分解为多个组成部分，利用定性和定量分析相结合的方式来确定各因素的相对重要性。本章将概述多准则决策分析方法的基本概念，并介绍AHP在决策分析中的重要性和应用价值，为后续章节中更详细的AHP分析步骤和MATLAB实现奠定基础。

2. AHP的层次结构构建

2.1 AHP基本原理和特点

2.1.1 AHP方法的起源和概念

层次分析法（Analytic Hierarchy Process，AHP）是一种定性与定量相结合的、系统的、层次化的分析方法。由美国运筹学家托马斯·L·萨蒂（T.L.Saaty）在20世纪70年代初期提出，用于解决复杂的决策问题。AHP方法通过将决策问题分解为不同的组成因素，并将这些因素按支配关系分组形成有序的层次结构，进而进行定性和定量分析的一种决策方式。

2.1.2 AHP方法在决策分析中的应用

AHP方法在项目管理、决策分析、战略规划、资源分配等多个领域得到了广泛的应用。其独特优势在于能够处理复杂决策问题，同时考虑到决策者的主观偏好和经验判断。AHP不仅可以处理定量数据，还能处理定性问题，其在决策过程中的透明度和灵活性，使得决策者能更好地理解决策逻辑和过程，从而作出更为明智的决策。

2.2 构建层次模型的步骤

2.2.1 明确问题和决策目标

在构建AHP层次模型之前，首先需要明确决策的问题和目标。这一过程要求决策者对决策问题有清晰的理解，包括问题的背景、目标和预期结果。明确目标有助于后续确定准则层、子准则层和方案层。

2.2.2 分解目标为准则、子准则和方案层

一旦决策目标得到明确，下一步是将目标分解为若干准则，这些准则通常反映出了目标实现的各个方面。例如，在选择最佳工作地点的问题中，准则可能包括生活成本、职业发展机会、生活质量等因素。进一步，每个准则下又可以细分为子准则，最后根据具体的决策方案来完成整个层次模型的构建。

2.2.3 确定层次间关系和要素

在构建层次模型时，决策者需要明确各层次之间和同一层次内要素之间的关系。层次间关系通常表现为支配关系，即一个层次的元素对下一个层次的元素具有影响。要素间关系的确定是进行元素比较和权重计算的基础。

2.3 层次模型构建的具体操作

层次结构模型的构建是一个逐步细化的过程，通常包括以下步骤：

确定决策目标：明确希望解决的问题和最终要达到的目标。
确定评价准则：根据决策目标，确定影响目标实现的评价准则。
划分子准则：若需要，进一步细化评价准则，确定子准则。
提出备选方案：列举出所有可能的备选方案。
绘制层次结构图：通过图表的方式表达出层次结构模型，包括目标层、准则层、子准则层和方案层。

以上步骤可以用一个简单的表格来辅助描述：

| 步骤 | 操作内容 | 输出结果 | | --- | --- | --- | | 1 | 确定决策目标 | 明确的决策目标描述 | | 2 | 确定评价准则 | 影响目标的评价准则列表 | | 3 | 划分子准则 | 针对每个准则的子准则 | | 4 | 提出备选方案 | 可能的解决方案或选项 | | 5 | 绘制层次结构图 | 反映各层次和关系的结构图 |

层次结构模型的构建是AHP方法的基础，它确保了决策过程的条理性和逻辑性，为后续的判断矩阵构建和权重计算打下了坚实的基础。通过本节的介绍，我们可以了解层次结构模型在AHP中的核心作用，以及如何通过实际步骤构建出适合特定决策问题的层次结构模型。

3. 判断矩阵的形成与元素重要性比较

在多准则决策分析中，AHP方法的判断矩阵扮演了至关重要的角色。通过判断矩阵的构建，我们能够量化专家或者决策者对决策目标中各准则或方案相对重要性的认识。而这一过程涉及到了九分制标度的使用，其目的是将主观判断转化成定量数据，以便进行更精确的分析。

3.1 判断矩阵的概念和作用

3.1.1 判断矩阵的定义

判断矩阵是AHP方法中用来表达决策准则之间、以及准则与方案之间相对重要性或偏好的矩阵。在这个矩阵中，每个元素a_ij表示准则i相对于准则j的重要性或方案i相对于方案j的优劣。通常情况下，判断矩阵的主对角线上的元素总是1，因为一个准则相对于它自身的重要性为一；同时，由于重要性是一个相互的关系，因此矩阵是互反的，即如果a_ij表示的是准则i相对于准则j的重要性，则a_ji为1/a_ij。

3.1.2 判断矩阵在决策分析中的重要性

判断矩阵的建立是决策分析中量化专家知识的关键步骤。它允许决策者在不同准则或方案之间做出直接的、成对的比较，从而确定它们之间相对的权重。这些权重值是后续进行方案排序与最终决策的基石，因此，确保判断矩阵的质量对整个决策分析过程至关重要。

3.2 元素重要性比较的九分制标度

3.2.1 标度方法的原理

标度方法，尤其是九分制标度，是一种将决策者判断的定性表达转化为定量数据的技术。这种方法由Satty提出，其核心思想是决策者能够更加容易地判断事物之间的重要性差异。在九分制标度中，数字1到9及其倒数用来表示不同准则或方案之间相对重要性的等级，其中数字越大，表示前者相对于后者的越重要，而倒数则反之。

3.2.2 如何进行两两比较和赋值

进行两两比较时，决策者需要针对每一对准则或方案，根据九分制标度进行重要性判断。实际操作过程中，决策者会收到一系列成对比较的问题，例如“准则A与准则B相比，哪一个更重要？”根据其实际经验和主观感受，给出相应的标度值。

一个简单的表格可以帮助理解这一过程：

| 重要性程度 | 定义 | 标度值 | | ---------- | ---- | ------ | | 同样重要 | 两者对决策目标的贡献相同 | 1 | | 稍微重要 | 经验稍微偏向于一个准则或方案 | 3 | | 明显重要 | 经验明显偏向于一个准则或方案 | 5 | | 强烈重要 | 一个准则或方案强烈偏向于另一个 | 7 | | 极端重要 | 一个准则或方案的优越性被明显认为是绝对的 | 9 | | 上述值的中间值 | 介于上述两个相邻判断的中值 | 2, 4, 6, 8 |

3.3 构造判断矩阵的方法

3.3.1 方根法的基本步骤

方根法（也称为几何平均法）是计算判断矩阵权重的一种常用方法，它的基本步骤如下：

成对比较 ：在判断矩阵中，利用九分制标度进行成对比较。
计算行方根 ：对于判断矩阵的每一行，计算其元素的几何平均值。
标准化处理 ：将计算得到的行方根进行归一化处理（即每个行方根除以所有行方根之和）。
计算权重 ：标准化处理后得到的向量即为权重向量。

3.3.2 平均随机一致性指数的作用

平均随机一致性指数（Random Index，RI）是AHP方法中用于一致性检验的一个重要参数。它是通过对大量随机生成的判断矩阵进行一致性比率（CR）的平均计算而得来的。RI值随矩阵阶数变化而变化，一般由经验表提供。在计算一致性比率时，将实际判断矩阵的一致性指数（CI）除以对应阶数的RI值，得出的结果即为CR，用来判断判断矩阵是否具有满意的一致性。

一致性指数（CI）是通过最大特征值（λmax）计算得出，公式为：CI = (λmax - n) / (n - 1)，其中n是判断矩阵的阶数。

具体代码实现方根法计算权重的示例如下：

import numpy as np

# 假设这是通过九分制标度获得的判断矩阵
matrix = np.array([
    [1, 3, 1/3],
    [1/3, 1, 1/5],
    [3, 5, 1]
])

# 计算每行的乘积
row_products = np.prod(matrix, axis=1)

# 计算行方根
row_roots = np.power(row_products, 1/3)

# 标准化处理，获得权重
weights = row_roots / np.sum(row_roots)

print("权重向量为：\n", weights)

在上述代码中，我们首先对判断矩阵的每一行进行了乘积运算，然后计算了每行的立方根，以此作为权重向量的初始值。接着通过标准化处理，即将每个元素除以所有元素的和，得到了最终的权重向量。

权重的计算对于决策分析至关重要，因为它直接反映了各准则或方案在决策过程中的重要性。经过一致性检验，我们可以确保所得到的权重值是合理的，能够在实际决策过程中提供有效的参考。

通过以上内容，我们已经了解到构造判断矩阵的基本方法和如何通过方根法计算出权重向量，这些知识为我们在下一章节中继续探讨权重计算的其他方法和进行一致性检验打下了坚实的基础。

4. 权重计算与特征向量的确定

4.1 权重计算方法

4.1.1 特征值法计算权重

特征值法是一种确定权重的数学方法，它是基于判断矩阵的最大特征值及其对应的特征向量进行的。步骤如下：

首先，构造判断矩阵 ( A )。
接着，求解矩阵 ( A ) 的最大特征值 ( \lambda_{\text{max}} )。
然后，找到与 ( \lambda_{\text{max}} ) 对应的特征向量 ( \omega )。
最后，将特征向量 ( \omega ) 归一化处理，得到权重向量。

在 MATLAB 中，可以使用 eig 函数计算特征值和特征向量。以下是一个代码示例：

A = [1 1/5 4; 
     5 1 8; 
     1/4 1/8 1];
[V, D] = eig(A); 
lambda_max = max(diag(D)); % 获取最大特征值
omega = V(:,find(diag(D) == lambda_max)); % 获取最大特征值对应的特征向量
weights = omega / sum(omega); % 归一化处理

在上述代码中，我们首先构造了判断矩阵 A 。然后，使用 eig 函数得到矩阵的特征值和特征向量。通过选取最大特征值对应的特征向量，并进行归一化处理，我们得到了权重向量 weights 。

4.1.2 和法及幂法的应用

和法和幂法是两种常用的迭代方法，用于计算判断矩阵的特征向量和权重。和法的基本步骤为：

将矩阵每一列归一化，即除以其列的和。
计算归一化后矩阵的每一行的和，得到一个临时向量。
将临时向量归一化，得到最终的特征向量和权重。

幂法的基本思路是通过不断乘以矩阵 ( A ) 来迭代计算特征向量。该方法具有收敛速度快的特点，适合计算最大特征值对应的特征向量。

4.2 确定特征向量的步骤和意义

4.2.1 特征向量的数学概念

在数学上，对于一个 ( n \times n ) 的矩阵 ( A )，如果存在一个非零向量 ( v ) 和一个标量 ( \lambda )，使得 ( A \cdot v = \lambda \cdot v )，则 ( v ) 被称为矩阵 ( A ) 的特征向量，对应的 ( \lambda ) 是特征值。

特征向量在决策分析中的意义重大，它表示了一个方向，在这个方向上，矩阵 ( A ) 对向量的伸缩是最大的，其系数即为对应的特征值。在 AHP 中，我们关注的特征向量通常与最大的特征值相关联，因为它反映了判断矩阵中准则或方案之间相对重要性的分布。

4.2.2 特征向量在权重分析中的重要性

特征向量在 AHP 权重分析中的重要性体现在其作为权重向量，能够直观反映出各准则或方案在决策问题中的相对重要性。通过计算特征向量并进行归一化处理，决策者可以得到一组标准化的权重值，进而进行方案排序和决策。

在实际应用中，特征向量的精确性和合理性对于决策分析的可靠性至关重要。通常，在计算出特征向量后，还需对其进行一致性检验，以确保判断矩阵的一致性符合要求。只有通过一致性检验的特征向量才是有效可靠的，才能作为最终决策的依据。

5. 一致性检验的执行与结果评估

在多准则决策分析中，一致性检验是确保判断矩阵合理性和决策结果可靠性的关键步骤。一致性检验主要目的是确保决策者的偏好具有内在的一致性，从而减少决策过程中的逻辑矛盾。

5.1 一致性检验的必要性

5.1.1 一致性指标的定义

一致性指标（Consistency Index, CI）是衡量判断矩阵偏离一致性程度的指标。它通过比较判断矩阵的最大特征值（λmax）与其理论平均随机一致性指标（Random Index, RI）来计算。CI值越高，表示判断矩阵的一致性越差，反之亦然。其计算公式为：

[ CI = \frac{(\lambda_{max} - n)}{(n - 1)} ]

其中，n为判断矩阵的阶数。

5.1.2 一致性比率的计算

为了更加准确地评估一致性，引入一致性比率（Consistency Ratio, CR）。CR结合了CI和RI，当CR < 0.1时，通常认为判断矩阵具有满意的一致性。CR的计算公式如下：

[ CR = \frac{CI}{RI} ]

RI是一个通过实验确定的平均一致性指数，与判断矩阵的阶数相关。下表列出了不同阶数矩阵对应的RI值。

| 矩阵阶数 | RI值 | |----------|------| | 2 | 0.00 | | 3 | 0.58 | | 4 | 0.90 | | 5 | 1.12 | | 6 | 1.24 | | ... | ... |

5.2 执行一致性检验的步骤

5.2.1 计算最大特征值

计算判断矩阵的最大特征值是进行一致性检验的第一步。最大特征值可以通过求解特征方程得到：

[ (A - \lambda I)v = 0 ]

其中A是判断矩阵，λ是特征值，I是单位矩阵，v是对应的特征向量。

5.2.2 进行一致性检验

一致性检验的执行需要以下步骤：

计算判断矩阵的特征值，找到最大特征值λmax。
根据判断矩阵的阶数n，查找对应的RI值。
应用上述公式计算CI和CR。
判断CR的值是否小于0.1，以确定是否接受当前判断矩阵的一致性。

5.3 结果评估与修正

5.3.1 如何解读一致性检验结果

一致性检验结果解读涉及到对CR值的判断。CR小于0.1表示矩阵具有可接受的一致性，若CR大于0.1，则表示矩阵一致性较差，需要对判断矩阵进行调整。调整方法可以是重新评估矩阵中的元素赋值，或者删除某些具有高度不一致性的元素。

5.3.2 一致性调整的策略

调整判断矩阵以提高一致性通常包含以下策略：

重新进行两两比较，修正判断矩阵中的标度值。
应用一致性修正算法，如删除与平均值差异最大的元素。
增加专家的判断次数，综合多份判断结果以减少偏误。

通过上述步骤，能够有效地提高判断矩阵的一致性，进一步确保AHP方法的决策质量。

为了进一步理解本章内容，请参考下表，它展示了具体的判断矩阵及其计算结果。

|         | A   | B   | C   | 权重 | λmax | CI   | RI   | CR   |
|---------|-----|-----|-----|------|------|------|------|------|
| A       | 1   | 1/2 | 3   |      |      |      |      |      |
| B       | 2   | 1   | 4   |      |      |      |      |      |
| C       | 1/3 | 1/4 | 1   |      |      |      |      |      |

请注意，上述表格中的权重、λmax、CI、CR等值需要通过实际计算填写。实际操作时，您可能需要使用MATLAB或相似的软件工具来辅助完成这些复杂的计算。

本文还有配套的精品资源，点击获取

简介：层次分析法（AHP）是一种处理复杂决策问题的实用方法，尤其适用于无法完全量化的情况。通过构建多层次结构模型，进行元素两两比较并形成判断矩阵，最终通过一致性检验得出各元素权重，并据此进行决策选择。本文介绍了AHP的基本步骤，并指出了在MATLAB中如何实现该方法，以提高决策的科学性和有效性。

本文还有配套的精品资源，点击获取