数学建模-层次分析法Java实现

最新推荐文章于 2025-02-20 08:27:47 发布
最新推荐文章于 2025-02-20 08:27:47 发布
阅读量1.4k 收藏 20
点赞数 28
文章标签： 数学建模 java 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wxl302947229/article/details/142098986
版权

1. 层次分析法介绍

1.1. 概述

层次分析法(Analytic Hierarchy Process，以下简称AHP)是一种对于定性的决策问题进行定量化分析的方法，常用于解决决策（评价类）问题。例如，高考志愿填报、旅游地点选择等等。

AHP是一种运筹学理论。特点是在对复杂决策问题的本质、影响因素及其内在关系等进行深入研究的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。是对难以完全定量的复杂系统做出决策的模型和方法。

1.2. 发展趋势

经过多年的研究与发展，AHP已经成为决策者广泛使用的一种多准则方法。

其应用涉及经济与计划，能源政策与资源分配、政治问题及冲突、人力资源管理、预测、项目评价、教育发展、环境工程、企业管理与生产经营决策、会计、卫生保健、军事指挥、武器评价、法律等众多领域。

AHP主要作为一种辅助决策工具，常与其他方法有机结合。常见的其他方法有模糊集理论、模糊逻辑、数字规划、成本收益分析、人工神经网络、证据推理、数据包络分析、仿真、数据挖掘等。

1.3. 优缺点

1.3.1. 优点
  1. 系统性：将对象视为系统，按照分解、比较、判断、综合的思维方式进行决策。清楚地呈现各层、各准则与各要素的关系。
  2. 实用性：定性与定量结合，能处理许多用传统的最优化技术无法着手的实际问题，应用范围很广。
  3. 简洁性：计算简便，结果明确，便于决策者直接了解和掌握。
1.3.2. 缺点
  1. 局限：只能从固有的方案中优选一个，无法产生新方案。
  2. 粗略：判断及结果的计算过程是粗糙的，不适用精度高的问题。
  3. 主观：成对比较矩阵中，人的主观因素对整个过程影响很大，可通过组织专家群体判断，克服该缺点。

2. 层次分析法应用步骤

2.1. 建立层次结构模型

将决策的目标、考虑的因素和决策对象按相互关系分成最高层、中间层和最低层。

最高层为目标层，通常只有一个因素，最低层为方案层或对象层，中间层可以有一个或多个层次，为准则层或指标层，当准则过多时（大于9个）应进一步分解出子准则层。

2.2. 构造成对比较矩阵

含义

为了量化两两比较的结果，使用成对比较矩阵进行相应的评价。

数学概念

成对比较矩阵

表示该层所有因素对于上层某个因素的相对重要性的比较。

若一个矩阵中，n个元素彼此两两比较，满足以下性质，则称该矩阵为成对比较矩阵。
在这里插入图片描述

一致性成对比较矩阵

若一个成对比较矩阵，满足以下性质，则称为一致性矩阵，简称一致阵。
在这里插入图片描述

权向量

成对比较矩阵的最大特征根λ_max对应的特征向量w ⃗=(w_1,w_2,⋯,w_n )^T为权向量，即满足以下性质：
在这里插入图片描述

权重计算法

  • 算数平均法

Step1：列归一化，即将列中每个元素除以该列所有元素之和。
Step2：行平均值，即将列归一化后的结果统计每行的平均值。

  • 几何平均法

Step1：行相乘，开n方，即将每行的元素相乘然后开n次方。
Step2：归一化，即将开方后的结果进行归一化。

  • 特征值法

实际场景中应用最多的方法。
Step1：特征向量，即求最大特征值对应的特征向量。
Step2：归一化，即将特征向量进行归一化处理。

一致性指标CI

成对比较矩阵的不一致程度，可以用λ_max-n的大小来衡量，对应的一致性指标计算方式为：
在这里插入图片描述
若为一致阵，则一致性指标CI等于零。

Saaty标度法

标度含义
1表示两个因素相比，具有相同重要性
3表示两个因素相比，前者比后者稍重要
5表示两个因素相比，前者比后者明显重要
7表示两个因素相比，前者比后者强烈重要
9表示两个因素相比，前者比后者极端重要
2,4,6,8表示上述相邻判断的中间值
倒数若因素i与因素j的重要性之比为在这里插入图片描述，那么因素j与因素i重要性之比为在这里插入图片描述

2.3. 层次单排序及其一致性检验

含义

该层因素对于上层某个因素的相对重要性的排序权重，这一过程称为层次单排序。

数学概念

平均随机一致性指标

通过随机构建1000个正互反矩阵，计算一致性指标的平均值得出。
在这里插入图片描述

对于n阶成对比较矩阵，其平均随机一致性指标参考下表：

n1234567891011
RI000.520.891.121.261.361.411.461.491.51

一致性检验

一致性指标与平均随机一致性指标的比值称为一致性比率CR，当一致性比率CR小于0.1时，通过一致性检验，否则，不通过。
在这里插入图片描述

2.4. 层次总排序及其一致性检验

方案层对于目标层的相对重要性的权值，称为层次总排序。

2.5. 实例分析

选择旅游地，有北京、上海、南京三个目的地可供选择，根据景色、费用、住宿、饮食、交通五个准则进行判断。利用AHP进行分析，如下：

建立层次结构模型

在这里插入图片描述

构造成对比较矩阵
选择旅游地景色费用住宿饮食交通
景色11/2433
费用21755
住宿1/41/711/21/3
饮食1/31/5211
交通1/31/5311
景色北京上海南京
北京135
上海1/312
南京1/51/21
费用北京上海南京
北京11/31/8
上海311/3
南京831
住宿北京上海南京
北京124
上海1/213
南京1/41/31
饮食北京上海南京
北京135
上海1/313
南京1/51/31
交通北京上海南京
北京121/4
上海1/211/6
南京461
层次单排序及其一致性检验

采用特征值法，求得各矩阵的各参数值如下：
在这里插入图片描述
从上述数据得出，所有的一致性比率均小于0.1，所以通过一致性检验。

层次总排序及其一致性检验

计算层次总排序：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

层次总排序一致性比率小于0.1，一致性检验通过，通过方案层权重比较，得出南京权重最大，所以最终选择南京。

3. 程序实现思路

3.1. 层次结构模型及成对比较矩阵

由用户构建，后端根据用户构建信息，采用JSON数据结构方式记录。

{
    "target": "选择旅游地", // 目标层
    "criterions": [ // 准则层
        [
            "景色",
            "费用",
            "居住",
            "饮食",
            "交通"
        ]
    ],
    "measures": [
        "北京",
        "上海",
        "南京"
    ], // 方案层
    "选择旅游地": [
        [
            1,
            0.5,
            4,
            3,
            3
        ],
        [
            2,
            1,
            7,
            5,
            5
        ],
        [
            0.25,
            0.1428571428571429,
            1,
            0.5,
            0.3333333333333333
        ],
        [
            0.3333333333333333,
            0.2,
            2,
            1,
            1
        ],
        [
            0.3333333333333333,
            0.2,
            3,
            1,
            1
        ]
    ],
    "景色": [
        [
            1,
            3,
            5
        ],
        [
            0.3333333333333333,
            1,
            2
        ],
        [
            0.2,
            0.5,
            1
        ]
    ],
    "费用": [
        [
            1,
            0.3333333333333333,
            0.125
        ],
        [
            3,
            1,
            0.3333333333333333
        ],
        [
            8,
            3,
            1
        ]
    ],
    "居住": [
        [
            1,
            2,
            4
        ],
        [
            0.5,
            1,
            3
        ],
        [
            0.25,
            0.3333333333333333,
            1
        ]
    ],
    "饮食": [
        [
            1,
            3,
            5
        ],
        [
            0.3333333333333333,
            1,
            2
        ],
        [
            0.2,
            0.5,
            1
        ]
    ],
    "交通": [
        [
            1,
            2,
            0.25
        ],
        [
            0.5,
            1,
            0.1666666666666667
        ],
        [
            4,
            6,
            1
        ]
    ]
}

读取JSON中的成对比较矩阵信息，计算矩阵中各要素的值，因为涉及到数学算法，所以采用开源扩展组件ujmp。

ujmp是一个提供各种矩阵运算的Java类库。这个工具包提供了诸如稀疏矩阵和稠密矩阵的实现，以及矩阵的分解、求逆、加法、乘法，均值，方差和相关系数等运算功能。此外还提供一些常用的线性代数运算功能，矩阵可视化功能和矩阵数据导入与导出的功能。

public static AHPAnalysisResult calculateMatrix(Matrix matrix) {  
    AHPAnalysisResult result = new AHPAnalysisResult();  
    // 矩阵的特征向量与特征值 0为特征向量，1为特征值  
    Matrix[] eig = matrix.eig();  
    // 矩阵的最大特征值  
    Matrix eigenvalue = eig[1];  
    Double eigMax = eigenvalue.abs(Calculation.Ret.NEW).getMaxValue();  
    result.setMaxEigenvalue(eigMax);  
    long maxIndex;  
    long columnCount = eigenvalue.getColumnCount();  
    for (maxIndex = 0; maxIndex < columnCount; maxIndex++) {  
        Matrix colMatrix = eigenvalue.selectColumns(Calculation.Ret.LINK, maxIndex);  
        if (colMatrix.containsDouble(eigMax)) {  
            break;  
        }  
    }  
    // 矩阵的特征向量  
    Matrix eigenvector = eig[0];  
    // 最大特征值的特征向量归一化  
    Matrix colMatrix = eigenvector.selectColumns(Calculation.Ret.NEW, maxIndex);  
    result.setEigenvector(colMatrix.toColumnVector(Calculation.Ret.LINK).toDoubleArray()[0]);  
    Matrix normalizedColumn = AHPUtil.normalizedColumn(colMatrix);  
    result.setWeight(normalizedColumn.toColumnVector(Calculation.Ret.LINK).abs(Calculation.Ret.NEW).toDoubleArray()[0]);  
    // CI  
    double ci = (eigMax - columnCount) / (columnCount - 1);  
    ci = ci <= 0 ? 0 : ci;  
    result.setCi(new BigDecimal(ci + "").doubleValue());  
    // RI  
    double ri = RI_STANDARD[(int) (columnCount - 1)];  
    result.setRi(ri);  
    // CR  
    double cr = ri != 0 ? ci / ri : 0;  
    result.setCr(new BigDecimal(cr + "").doubleValue());  
    if (cr > CR_CRITICAL_VALUE) {  
        throw new RuntimeException("层次单排序一致性检验未通过");  
    }  
    return result;  
}

3.2. 层次单排序及其一致性检验

当进行成对比较矩阵运算时，同步进行层次单排序的允许及其一致性检验，当一致性检验未通过时，程序抛出异常。

3.3. 层次总排序及其一致性检验

层次单排序一致性检验通过后，从最上层准则层开始，向下依次计算每一层次各因素对目标层的权重，直到计算至方案层，得出方案层各因素对目标层的权重，并在过程中，依次累计计算各层次的一致性比率，最终在方案层的计算中，累加得到层次总排序的一致性比率，并判断是否通过一致性检验。

若通过一致性检验，则根据方案层各因素对目标层的权重，取其最大值对应的因素为最优解。

public static Map<String, Object> calcTotalOrdering(String[] measure, LevelCalcResult calcResult, MatrixMetaData metaData) {  
    Map<String, Object> map = MapUtil.newHashMap();  
    double[][] measureWeight = transpositionWeight(metaData.getWeight());  
    double[] calcWeight = calcResult.getWeight();  
    double max = 0;  
    String maxTitle = "";  
    for (int i = 0; i < measureWeight.length; i++) {  
        double[] colWeight = measureWeight[i];  
        double calcMeasureWeight = 0;  
        for (int j = 0; j < colWeight.length; j++) {  
            calcMeasureWeight += colWeight[j] * calcWeight[j];  
        }  
        max = Math.max(max, calcMeasureWeight);  
        maxTitle = calcMeasureWeight == max ? measure[i] : maxTitle;  
        map.put(measure[i], calcMeasureWeight);  
    }  
    map.put(OPTIMAL_SOLUTION, maxTitle);  
    double ci = 0;  
    double ri = 0;  
    double[] measureCi = metaData.getCi();  
    double[] measureRi = metaData.getRi();  
    for (int i = 0; i < measureCi.length; i++) {  
        ci += calcResult.getCi() * measureCi[i];  
        ri += calcResult.getRi() * measureRi[i];  
    }  
    double cr = (ri != 0 ? ci / ri : 0) + calcResult.getCr();  
    if (cr > CR_CRITICAL_VALUE) {  
        throw new RuntimeException("层次总排序一致性检验未通过");  
    }  
    map.put(CR, cr);  
    return map;  
}

4. 程序测试验证

市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，试运用层次分析法建模解决。

建立层次结构模型

在这里插入图片描述

构造成对比较矩阵

合理建设市政工程，使综合效益最高经济效益社会效益环境效益
经济效益11/31/3
社会效益311
环境效益311
经济效益直接经济效益间接带动效益
经济效益11
社会效益11
社会效益方便日常出行方便假日出行
方便日常出行13
方便假日出行1/31
环境效益减少环境污染改善城市面貌
减少环境污染13
改善城市面貌1/31
直接经济效益建高速路建地铁
建高速路15
建地铁1/51
间接带动效益建高速路建地铁
建高速路13
建地铁1/31
方便日常出行建高速路建地铁
建高速路11/5
建地铁51
方便假日出行建高速路建地铁
建高速路17
建地铁1/71
减少环境污染建高速路建地铁
建高速路11/5
建地铁51
改善城市面貌建高速路建地铁
建高速路11/3
建地铁31

生成JSON数据结构

{  
  "target": "合理建设市政工程，使综合效益最高",  
  "criterions": [  
    ["经济效益", "社会效益", "环境效益"],  
    ["直接经济效益", "间接带动效益", "方便日常出行", "方便假日出行", "减少环境污染", "改善城市面貌"]  
  ],  
  "measures": [ "建高速路", "建地铁" ],  
  "合理建设市政工程，使综合效益最高": [  
    [1, 0.3333333333333333, 0.3333333333333333],  
    [3, 1, 1],  
    [3, 1, 1]  
  ],  
  "经济效益": [  
    [1, 1, 0, 0, 0, 0],  
    [1, 1, 0, 0, 0, 0],  
    [0, 0, 1, 0, 0, 0],  
    [0, 0, 0, 1, 0, 0],  
    [0, 0, 0, 0, 1, 0],  
    [0, 0, 0, 0, 0, 1]  
  ],  
  "社会效益": [  
    [1, 0, 0, 0, 0, 0],  
    [0, 1, 0, 0, 0, 0],  
    [0, 0, 1, 3, 0, 0],  
    [0, 0, 0.3333333333333333, 1, 0, 0],  
    [0, 0, 0, 0, 1, 0],  
    [0, 0, 0, 0, 0, 1]  
  ],  
  "环境效益": [  
    [1, 0, 0, 0, 0, 0],  
    [0, 1, 0, 0, 0, 0],  
    [0, 0, 1, 0, 0, 0],  
    [0, 0, 0, 1, 0, 0],  
    [0, 0, 0, 0, 1, 3],  
    [0, 0, 0, 0, 0.3333333333333333, 1]  
  ],  
  "直接经济效益": [  
    [1, 5],  
    [0.2, 1]  
  ],  
  "间接带动效益": [  
    [1, 3],  
    [0.3333333333333333, 1]  
  ],  
  "方便日常出行": [  
    [1, 0.2],  
    [5, 1]  
  ],  
  "方便假日出行": [  
    [1, 7],  
    [0.1428571428571429, 1]  
  ],  
  "减少环境污染":[  
    [1, 0.2],  
    [5, 1]  
  ],  
  "改善城市面貌": [  
    [1, 0.3333333333333333],  
    [3, 1]  
  ]  
}

计算层次单排序、总排序及其一致性检验

执行程序计算，得到相关输出内容。

=====================合理建设市政工程，使综合效益最高===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.58, 检验系数(CR)：0, 最大特征值：3.0, 最大特征值对应特征向量：[0.3685138655950445, 1.105541596785133, 1.1055415967851332], 权向量(特征向量归一化)：[0.1428571428571429, 0.42857142857142855, 0.4285714285714286]]  
=====================经济效益===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：1.24, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.7071067811865475, 0.7071067811865475, 0.0, 0.0, 0.0, 0.0], 权向量(特征向量归一化)：[0.5, 0.5, 0.0, 0.0, 0.0, 0.0]]  
=====================社会效益===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：1.24, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.0, 0.0, 0.9486832980505138, 0.31622776601683794, 0.0, 0.0], 权向量(特征向量归一化)：[0.0, 0.0, 0.75, 0.25, 0.0, 0.0]]  
=====================环境效益===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：1.24, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.0, 0.0, 0.0, 0.0, 0.9486832980505138, 0.31622776601683794], 权向量(特征向量归一化)：[0.0, 0.0, 0.0, 0.0, 0.75, 0.25]]  
=====================直接经济效益===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.0, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.9805806756909202, 0.19611613513818404], 权向量(特征向量归一化)：[0.8333333333333334, 0.16666666666666666]]  
=====================间接带动效益===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.0, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.9486832980505138, 0.31622776601683794], 权向量(特征向量归一化)：[0.75, 0.25]]  
=====================方便日常出行===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.0, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.19611613513818402, 0.9805806756909202], 权向量(特征向量归一化)：[0.16666666666666663, 0.8333333333333334]]  
=====================方便假日出行===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.0, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.9899494936611665, 0.14142135623730953], 权向量(特征向量归一化)：[0.875, 0.12500000000000003]]  
=====================减少环境污染===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.0, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.19611613513818402, 0.9805806756909202], 权向量(特征向量归一化)：[0.16666666666666663, 0.8333333333333334]]  
=====================改善城市面貌===================  
AHPAnalysisResult[一致性指标(CI)：0, 平均随机一致性指标(RI)：0.0, 检验系数(CR)：0, 最大特征值：2.0, 最大特征值对应特征向量：[0.31622776601683794, 0.9486832980505138], 权向量(特征向量归一化)：[0.25, 0.75]]

对输出内容格式化后如下：
在这里插入图片描述
在这里插入图片描述

层次总排序一致性比率CR=0，一致性检验通过。

得出最优解

最终计算输出为：

{建地铁=0.6592261904761906, 最优解=建地铁, 建高速路=0.34077380952380953, CR=0.0}

经层次分析法程序计算，最适合的方案为建地铁。

应用场景

未来项目中若存在需用户决策，或存在评价体系的模块，可以使用层次分析算法，通过一系列的数据计算，帮助用户计算不同方案对总体目标的权重，为用户的最终选择提供理论依据。

例如，用户需采购部分零件，但同时有多家供应商满足要求，这时，可以通过建立物流、价格、售后等等准则，在项目中，通过多途径的数据判断，及逻辑算法生成成对比较矩阵，并进行判断，最终，给出用户最优的选择，并提供数据支撑。

代码下载链接：
https://download.csdn.net/download/wxl302947229/89734109

层次分析法java_层次分析法ｊａｖａ实现
weixin_32394247的博客
02-12 1235
做毕设时因为恐惧层次分析法的计算量，所以通过程序实现了．层次分析法计算过程的程序化实现代码package e_5_28;/** author 曾绍涛* time 2009-5-29* function 层次分析法的程序化计算*/import java.util.HashMap;class Caltest1{static int n;//矩阵的阶数double cal[][];//层次比较矩阵,归一...
层次分析法的JAVA实现
风山渐的专栏
07-24 5833
层次分析法一般多用于难以定量分析的问题中，常常面对的是受众多因素影响的而又缺乏定量数据的系统。但是目前常用于数据挖掘领域中计算各因素的权值，然后再进一步与其他数据相结合进行排序。        这里给出一种使用JAVA实现层次分析法的代码。 public class AHPComputeWeight { /** * @param args
java 层次分析法
04-17
用java做的层次分析实例及程序
[3349]基于JAVA的高层决策支持智慧管理系统的设计与实现
最新发布
muyu2980的专栏
02-20 602
8. 其他模块如营收管理、客户关系管理、知识管理、组织管理、运营管理、品质管理、知识产权管理、供应链管理、创新与研发、环境健康安全管理、知识产业运营、社会责任管理和国际战略等，都需要根据各自的特点和要求，进行详细的需求分析和功能设计。知识产权管理模块可以帮助企业保护自己的知识产权，供应链管理模块可以帮助企业优化供应链流程，创新与研发模块则可以帮助企业开发新的产品和服务。在未来的工作中，我们将继续关注和研究企业管理领域的新技术和发展趋势，不断提升和完善我们的系统，为企业提供更好的决策支持服务。
层次分析法ｊａｖａ实现
zengshaotao的专栏
07-21 2330
做毕设时因为恐惧层次分析法的计算量，所以通过程序实现了． 层次分析法计算过程的程序化实现代码package e_5_28;/* * author 曾绍涛 * time 2009-5-29 * function 层次分析法的程序化计算 */import java.util.HashMap;class Caltest1{ static int n;//矩阵的阶数 double cal[][];/...
基于JAVA WEB的AHP层次分析法实践--概念
仅次于狼的博客
05-28 1918
什么是层次分析法?层次分析法，是应用网络系统理论和多目标综合评价方法的一种层次权重决策分析方法。层次分析法本质是一种决策方法，所谓决策是指在面临多种方案时需要依据一定的标准选择某一种方案，详见《运筹学》。层次分析法可应用于决策、评价、分析、预测。怎么做层次分析法？运用层次分析法构造系统模型时，大体可以分为以下五个步骤：建立层次结构模型构造判断矩阵一致性检验计算各层权重总体一致性检验层次分析法的优点...
AHP层次分析法java实现
weixin_33946605的博客
03-30 2337
层次分析法（AHP） 美国运筹学家A.L.Saaty于本世纪70年代提出的层次分析法（Analytical Hierar-chy Process，简称AHP方法)，是一种定性与定量相结合的决策分析方法。它是一种将决策者对复杂系统的决策思维过程模型化、数量化的过程。 具体的方法介绍在这个ppt上有详细的解释。 PPT：http://files.cnblogs.com/files/ma...
Java实现层次分析法的数学建模指南
资源摘要信息:"数学建模-层次分析法Java实现" 1. 层次分析法（Analytic Hierarchy Process，简称AHP）概述 层次分析法是由美国运筹学家托马斯·L·萨蒂（Thomas L. Saaty）于20世纪70年代初提出的一种多准则决策...
清风数学建模学习笔记——层次分析法
Beetle2001的博客
07-20 1677
学习目标： 提示：这里可以添加学习目标 例如：一周掌握 Java 入门知识 学习内容： 提示：这里可以添加要学的内容 例如： 1、 搭建 Java 开发环境 2、 掌握 Java 基本语法 3、 掌握条件语句 4、 掌握循环语句 学习时间： 提示：这里可以添加计划学习的时间 例如： 1、 周一至周五晚上 7 点—晚上9点 2、 周六上午 9 点-上午 11 点 3、 周日下午 3 点-下午 6 点 学习产出： 提示：这里统计学习计划的总量 例如： 1、 技术笔记 2 遍 2、CSDN 技术博客
AHP层次分析法计算权重、特征值、特征向量
11-08
《AHP层次分析法计算权重、特征值、特征向量》 在数据分析和决策支持领域，层次分析法（Analytic Hierarchy Process，简称AHP）是一种广泛应用的多准则决策分析方法，由萨蒂教授提出。它通过将复杂问题分解为多层次...
层次分析法源代码
12-27
用java实现的层次分析法的源代码，用于判断判断矩阵是否符合要求，计算CR值（研究过层次分析法的懂得哈）
应用微粒群算法 做 数学建模 java
11-24
应用微粒群算法解决数学建模，2010年全国大学生数学建模竞赛二等奖。
层次分析法(AHP)源码
10-24
层次分析法(AHP)源码，新手亲测亲写，写的比较简单，有问题留言回复
Java初学者必备数学建模考试题
09-12
初学者的宝典,1c!cn-c (λμ)np0(c), n=c+1,…（2） 　　当系统达到平衡状态时，每个患者在系统中等待时间W的均值为： 　　E(W)=pn(c)cμ(1-ρ)2=nμn!(nμ-λ)2 (λμ)np0(c)（3） 　　排队逗留的人数Ls=Lq+cρ=1c! (cρ)cρc!(1-ρ)2p0+λμ(4) 　　1.3 排队系统的最优化 　　在排队系统中，患者希望服务台越多、服务效率越高、逗留时间越短越好，使自己的损失达最小，为此医院就要增加医生和设备，而医院也不可能无限投入。为此就需要优化设计，其目的就是使患者损失费用和医院服务成本之和达到最小。假设服务台的个数为c，cs为每个服务台单位时间服务台的成本费，cw为每个患者在系统中逗留单位时间的费用，总成本Z（c）（单位时间总费用的期望值，它是服务台的个数为c的函数），则目标函数minz(c)=Csc+CwLs(c) ，其中Ls为逗留的人数（公式（4）），c只能取整数，设c*是使目标函数c取最小值的点，c*满足 　　z(c*-1)≤z(c*)=csc*+cwLs(c*)≤z(c*+1), Ls=Ls(c) 　　化简得 Ls(c*)-Ls
层次分析法 java_AHP java实现层次分析法，主要算 矩阵求特征向量 Develop 238万源代码下载- www.pudn.com...
weixin_35747299的博客
02-12 430
文件名称: AHP下载 收藏√ [5 4 3 2 1]开发工具: Java文件大小: 691 KB上传时间: 2013-03-06下载次数: 27提 供 者:详细说明：java实现层次分析法，主要算法为矩阵求特征向量-java Analytic Hierarchy Process文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):AHP\.classpath...\....
层次分析法java实现续
zengshaotao的专栏
07-21 599
public static void main(String args[]) {  Caltest1 ct=new  Caltest1();  Caltest1 ct1=new Caltest1();  Caltest1 ct2=new Caltest1();  Caltest1 ct3=new Caltest1();  //目标层比较矩阵  double Cal[][]={{1,4,3},{0....
层次分析法java_AHP层次分析法java实现
weixin_39667041的博客
02-12 867
packagecrawlerTest;public classAhq_test {/****@authorLJ*2016-3-30*/public static voidmain(String[] args) {//TODO Auto-generated method stubDouble[][] matrix=new Double[6][6];for(int i=0;i<6;i++){ma...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

wxl302947229

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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