数学建模(一) 层次分析法(内附matlab程序)

适用条件

适用于那些难于完全定量分析的问题。每一层次中各元素所支配的元素一般不要超过 9 个。

步骤

(i)建立递阶层次结构模型;
(ii)构造出各层次中的所有判断矩阵;
(iii)层次单排序及一致性检验;
(iv)层次总排序及一致性检验。

递阶层次结构

(i) 最高层(目标层):这一层次中只有一个元素,一般它是分析问题的预定目标或理想结果。
(ii) 中间层(准则层):这一层次中包含了为实现目标所涉及的中间环节,它可以由若干个层次组成,包括所需考虑的准则、子准则。
(iii) 最底层(措施层):这一层次包括了为实现目标可供选择的各种措施、决策方案等。

构造判断矩阵

先构建准则层的判断矩阵
再构建方案层的判断矩阵
设现在要比较n 个因子 { x1,… ,xn } 1 n X = x L x 对某因素 Z 的影响大小,怎样比较才能提供可信的数据呢?可以采取对因子进行两两比较建立成对比较矩阵的办法。即每次取两个因子 i x 和 j x ,以 aij 表示 i x 和 j x 对 Z 的影响大小之比,全部比较结果用矩阵 A =(aij)n×n 表示,称 A 为 Z − X 之间的成对比较判断矩阵(简称判断矩阵)。容易看出,若 i x 与 j x 对 Z 的影响之比为aij ,则 j x 与 i x 对 Z 的影响之比应为aji=1/aji。
最后构建层次总排序
层次总排序

disp('Please enter the judgment matrix A (n order)');
A=input('A=');
[n,n]=size(A);
x=ones(n,100);
y=ones(n,100);
m=zeros(1,100);
m(1)=max(x(:,1));
y(:,1)=x(:,1);
x(:,2)=A*y(:,1);
m(2)=max(x(:,2));
y(:,2)=x(:,2)/m(2);
p=0.0001;i=2;k=abs(m(2)-m(1));
while  k>p
  i=i+1;
  x(:,i)=A*y(:,i-1);
  m(i)=max(x(:,i));
  y(:,i)=x(:,i)/m(i);
  k=abs(m(i)-m(i-1));
end
a=sum(y(:,i));
w=y(:,i)/a;
t=m(i);
disp(w);
         %The following is the consistency test
CI=(t-n)/(n-1);RI=[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];
CR=CI/RI(n);
if CR<0.10
    disp('The consistency of this matrix is acceptable!');
    disp('CI=');disp(CI);
    disp('CR=');disp(CR);
end

先用这个程序得到权重,然后再用得到的权重构造层次总排序的判断矩阵,再将第二次得到的矩阵输入。

  • 5
    点赞
  • 40
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
层次分析法是一种常用的决策分析方法,可以用于处理多个因素之间的复杂关系。以下是一个与层次分析法相关的数学建模题,并提供了MATLAB代码来实现。 问题描述: 某公司计划购买新的生产机器,他们需要在4种不同的机器中进行选择,包括机器A、机器B、机器C和机器D。他们希望选出最适合他们需求的一台机器。他们将考虑以下6个因素来进行评估:成本、生产效率、质量、可靠性、维护成本和售后服务。现在需要通过层次分析法进行权重的计算,以选择最佳的机器。 解决方案: 1. 构建层次结构:通过对问题的分析,我们可以建立以下层次结构: 层次1:选择机器 层次2:因素权重 层次3:成本、生产效率、质量、可靠性、维护成本和售后服务 2. 构建判断矩阵:根据专家意见或数据分析,我们可以构建一个3×3的判断矩阵来衡量因素之间的相对重要性。例如,我们可以根据专家意见将生产效率、质量和可靠性相对地评为9、5和7,那么判断矩阵如下: 1 9 7 1/9 1 3/5 1/7 5/3 1 3. 计算权重:根据判断矩阵,我们可以通过计算特征向量和特征值的方法来计算权重。这里可以使用MATLAB中的eig函数来计算判断矩阵的特征向量和特征值,并归一化得到权重向量。 4. 评估选择:根据每个机器的因素权重,可以通过加权求和来评估每个机器的总权重,并选择最高的一台机器作为最佳选择。 MATLAB代码示例: ``` % 构建判断矩阵 A = [1 9 7; 1/9 1 3/5; 1/7 5/3 1]; % 计算特征向量和特征值 [~, eig_vals] = eig(A); % 获取最大特征值 max_eig_val = max(max(eig_vals)); % 获取最大特征值对应的特征向量 max_eig_vec = eig_vals(:, max(eig_vals) == max_eig_val); % 归一化计算权重向量 weights = max_eig_vec ./ sum(max_eig_vec); % 各机器得分 machine_scores = [0.6, 0.7, 0.8, 0.9]; % 假设都是随机得分 % 计算各机器的总权重 weighted_scores = machine_scores * weights; % 找到最高得分机器 [~, max_index] = max(weighted_scores); % 输出结果 disp(['最佳机器是机器', num2str(max_index)]); ``` 以上代码可以帮助解决该问题,根据输入的判断矩阵和各机器的得分,计算出每个机器的总权重,并选出最优机器。请根据具体的需求和数据进行修改和适配。

“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 4
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