层次分析法(AHP)——算数平均值法、几何平均值法、特征值法(Python实现,超详细注释)


关于Python数据分析在数学建模中的更多相关应用: Python数据分析在数学建模中的应用汇总(持续更新中!)

(1)、算数平均值法求权重

步骤:

  1. 判断矩阵按列求和,得到新矩阵a_axis_0_sum
  2. 把判断矩阵中的每一个数都除以列和,得到新的矩阵b
  3. 计算新矩阵b行和,得到新矩阵b_axis_1_sum
  4. 将b_axis_1_sum每一个值除以总和,获得权重W
  5. 求解最大特征值
  6. 计算C_R判断矩阵的一致性,如果检验通过就输出结果
# -*- coding: utf-8 -*-
"""
Created on Thu Jul 25 21:01:54 2019

@author: lenovo
"""

import numpy as np

#  建立平均随机一致性指标R.I
RI_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49}

def get_w(array):
    # 1、计算出阶数 看这个数组是几维的 也就是后面对应字典查询!
    row = array.shape[0]  
    # 2、按列求和
    a_axis_0_sum = array.sum(axis=0) 
    # 3、得到新的矩阵b 就是把每一个数都除以列和 
    b = array / a_axis_0_sum  
    # 4、计算新矩阵b行和
    b_axis_1_sum = b.sum(axis=1)  
    # 5、将b_axis_1_sum每一个值除以总和
    W = b_axis_1_sum / sum(b_axis_1_sum)
    # 6、将原始矩阵乘以W
    a_W = np.dot(array, W)
    # 7、求解最大特征值 
    lambda_max = 0
    for i in range(len(a_W)):
        lambda_max += (a_W[i] / W[i])
    lambda_max = lambda_max / len(a_W)      #求最大特征值
    # 8、检验判断矩阵的一致性
    C_I = (lambda_max - row) / (row - 1)
    R_I = RI_dict[row] 
    C_R = C_I / R_I 
    if C_R < 0.1:
        print('矩阵 %s 一致性检验通过' % (array))
        print('判断矩阵对应的指标的权重为:%s' % W)
        print('判断矩阵对应的最大特征值为 %.2f' % lambda_max)
        print('大功告成!!!')
        return W
    else:
        print('矩阵 %s 一致性检验未通过,需要重新进行调整判断矩阵' % (array))
    
def main(array):
    if type(array) is np.ndarray:
        return get_w(array)
    else:
        print('请输入正确的numpy对象')


if __name__ == '__main__':
    a = np.array([[1, 1 / 3, 1 / 8], [3, 1, 1 / 3], [8, 3, 1]])
#    b = np.array([[1, 3, 6], [1 / 3, 1, 4], [1 / 5, 1 / 2, 1]])
#    c = np.array([[1, 1, 3], [1, 1, 3], [1 / 3, 1 / 3, 1]])
#    d = np.array([[1, 3, 4], [1 / 3, 1, 1], [1 / 4, 1, 1]])
#    e = np.array([[1, 2, 7, 5, 5], [1 / 2, 1, 4, 3, 3], [1 / 7, 1 / 4, 1, 1 / 2, 1 / 3], [1 / 5, 1 / 3, 2, 1, 1], [1 / 5, 1 / 3, 3, 1, 1]])
#    f = np.array([[1, 4, 1 / 2], [1 / 4, 1, 1 / 4], [2, 4, 1]])
    
    main(a)
#    main(b)
#    main(c)
#    main(d)
#    main(e)
#    main(f)

(2)、几何平均值法求权重

步骤:

  1. 将判断矩阵array的元素按照行相乘得到一个新的列向量
  2. 将新的向量的每个分量开n次方
  3. 对列向量求和
  4. 归一化处理,得到权重
  5. 求解最大特征值
  6. 计算C_R判断矩阵的一致性,如果检验通过就输出结果
# -*- coding: utf-8 -*-
"""
Created on Thu Jul 25 21:01:54 2019

@author: lenovo
"""

import numpy as np

#  建立平均随机一致性指标R.I
RI_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49}

def get_w(array):
    row = array.shape[0]    #计算个数
    x_list = np.prod(array,axis = 1)        #axis=1,将array的元素按照行相乘得到一个新的列向量
    y_list = np.power(x_list, 1/np.size(array,1))   #将新的向量的每个分量开n次方
    y_sum = y_list.sum(axis=0)      #对列向量求和
    answer_sum = y_list/y_sum       #归一化处理,得到权重
    a,b=np.linalg.eig(array)        #a是特征值数组,b是特征值向量
    lambda_max=np.max(a)            #求最大特征值
    # 8、检验判断矩阵的一致性
    C_I = (lambda_max - row) / (row - 1)
    R_I = RI_dict[row]
    C_R = C_I / R_I 
    if C_R < 0.1:
        print('矩阵 %s 一致性检验通过' % (array))
        print('判断矩阵对应的指标的权重为:%s' % answer_sum)
        print('判断矩阵对应的最大特征值为 %.2f' % lambda_max)
        print('大功告成!!!')
        return answer_sum
    else:
        print('矩阵 %s 一致性检验未通过,需要重新进行调整判断矩阵' % (array))
    
def main(array):
    if type(array) is np.ndarray:
        return get_w(array)
    else:
        print('请输入正确的numpy对象')


if __name__ == '__main__':
    # 由于地方问题,矩阵我就写成一行了
    # 检验以下判断矩阵的一致性并输出权重
    a = np.array([[1,2,5], [1/2,1,2], [1/5,1/2,1]])
    b = np.array([[1, 3, 6], [1 / 3, 1, 4], [1 / 5, 1 / 2, 1]])
    c = np.array([[1, 1, 3], [1, 1, 3], [1 / 3, 1 / 3, 1]])
    d = np.array([[1, 3, 4], [1 / 3, 1, 1], [1 / 4, 1, 1]])
    e = np.array([[1, 2, 7, 5, 5], [1 / 2, 1, 4, 3, 3], [1 / 7, 1 / 4, 1, 1 / 2, 1 / 3], [1 / 5, 1 / 3, 2, 1, 1], [1 / 5, 1 / 3, 3, 1, 1]])
    f = np.array([[1, 4, 1 / 2], [1 / 4, 1, 1 / 4], [2, 4, 1]])
    
    main(a)
#    main(b)
#    main(c)
#    main(d)
#    main(e)
#    main(f)


(2)、特征值法

步骤:

  1. 求出判断矩阵array的最大特征值以及特征向量
  2. 求解最大特征值
  3. 计算C_R判断矩阵的一致性,如果检验通过就继续下一步
  4. 对求出的特征向量进行归一化处理,即可得到权重
# -*- coding: utf-8 -*-
"""
Created on Thu Jul 25 20:42:58 2019

@author: lenovo
"""

import numpy as np

#  建立平均随机一致性指标R.I
RI_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49}

def get_w(array):
    row = array.shape[0]    #计算个数
    a,b=np.linalg.eig(array)        #a是特征值数组,b是特征值矩阵
    lambda_max=np.max(a)            #求最大特征值
     #8、检验判断矩阵的一致性
    C_I = (lambda_max - row) / (row - 1)
    R_I = RI_dict[row]
    C_R = C_I / R_I 
    if C_R < 0.1:
        x = b[:,0].sum(axis=0)      #对列向量求和,对于第一列求和
        y = b[:,0]/x			#第一列进行归一化处理
        print('矩阵 %s 一致性检验通过' % (array))
        print('判断矩阵对应的指标的权重为:%s' % y)
        print('判断矩阵对应的最大特征值为 %.2f' % lambda_max)
        print('大功告成!!!')
        return y
    else:
        print('矩阵 %s 一致性检验未通过,需要重新进行调整判断矩阵' % (array))
    
def main(array):
    if type(array) is np.ndarray:
        return get_w(array)
    else:
        print('请输入正确的numpy对象')


if __name__ == '__main__':
    # 由于地方问题,矩阵我就写成一行了
    # 检验以下判断矩阵的一致性并输出权重
    a = np.array([[1,2,5], [1/2,1,2], [1/5,1/2,1]])
#    b = np.array([[1, 3, 6], [1 / 3, 1, 4], [1 / 5, 1 / 2, 1]])
#    c = np.array([[1, 1, 3], [1, 1, 3], [1 / 3, 1 / 3, 1]])
#    d = np.array([[1, 3, 4], [1 / 3, 1, 1], [1 / 4, 1, 1]])
#    e = np.array([[1, 2, 7, 5, 5], [1 / 2, 1, 4, 3, 3], [1 / 7, 1 / 4, 1, 1 / 2, 1 / 3], [1 / 5, 1 / 3, 2, 1, 1], [1 / 5, 1 / 3, 3, 1, 1]])
#    f = np.array([[1, 4, 1 / 2], [1 / 4, 1, 1 / 4], [2, 4, 1]])
    
    main(a)
#    main(b)
#    main(c)
#    main(d)
#    main(e)
#    main(f)


  • 22
    点赞
  • 136
    收藏
    觉得还不错? 一键收藏
  • 5
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值