主题
层次分析法(AHP)
方法速览
- 主要用途 将两两偏好转换为层级权重,也可对候选方案综合评分。
- 必要输入 目标层级、同一上级下的比较对象和有依据的两两判断。
- 适用条件 层级清晰,同组要素可比,判断者了解实际取舍。
- 典型不适用情况 准则严重重叠或相互依赖,判断者无法说明偏好依据。
- 最低限度的验证方式 核对互反项和权重和,计算一致性比率并测试偏好变化对结果的影响。
AHP 适用于什么任务
AHP 用于多指标决策中的偏好建模。先写出总目标,再划分可比较的准则,必要时设子准则和候选方案。在同一个上级准则下,两两比较下级要素。它适用于决策者能给出有根据的相对判断、层级关系清楚的问题。准则重叠、相互依赖很强或判断人数和依据不足时,先整理目标和指标。
从两两比较求权重
设
完全一致时
用三项准则做一次假设算例
假设选择设备时,可靠性、维护便利和外观的重要程度是
令
与熵权法、等权或 TOPSIS 怎么搭配
AHP 可评估专家重视什么,即使某项在当前方案中很接近。熵权法根据样本差异给权重,两者可各做一版比较。若没有足够依据区分重要性,可以从等权开始。如只用 AHP 计算准则权重,还能将其输入 TOPSIS 以计算排序。若每个准则下都对候选方案两两比较,大量候选会导致比较数量迅速增长,可考虑固定评分规则。
什么会让一致性结果失去意义
互反性仅保证一对比较的两个方向互为倒数,不能保证传递一致。例如甲是乙的两倍,乙是丙的三倍,完全一致时甲需为丙的六倍。
第一次应用怎样检查
在每个节点核对矩阵标签、对角线和互反项,再计算局部权重及一致性。若有多位判断者,可保存各自版本,比较分歧是否集中在个别准则。依据合理偏好变化重算权重和结果,记录领先方案何时换位。若权重分歧决定名次,给出各情形下的结论。
判断出现冲突时,可同时查看哪一组比较的依据最弱。把容易核实的性能事实与需要讨论的偏好分开记录,后续新增方案时也能说明旧权重能否沿用。
双语言实验
把一致性变成可以定位的判断冲突
沿用上面设备选择的模拟评分。先用三个相同的权重各
向量稳定后,
如果把“可靠性比外观重要 6 倍”改成 2 倍,保留“可靠性比维护便利重要 2 倍”和“维护便利比外观重要 3 倍”,三项判断就互相冲突。图中第一组柱形显示权重被重新分配,新的
独立运行
Python 在终端安装依赖 python -m pip install numpy matplotlib,下载文件后运行 python mmf_ahp.py。MATLAB 将 mmf_ahp.m 放入当前文件夹,在命令窗口运行 result = mmf_ahp(),基础实验无需额外工具箱。两种脚本均输出数值并绘制图形。
判断矩阵来自比例 4∶2∶1,逐列归一化后取行均值得到权重 4/7、2/7、1/7,再检查一致性指标为零。真实判断矩阵还要报告 CR。
最简版依赖 Python:NumPy。MATLAB:基础功能,无需额外工具箱。
在源码所在目录运行 python mmf_min_ahp.py
py
下载当前源码import json
import numpy as np
# 精确一致的互反矩阵,元素 A[i,j] 表示指标 i 相对于 j 的重要性。
matrix = np.array([[1, 2, 4], [.5, 1, 2], [.25, .5, 1]])
normalized = matrix / matrix.sum(axis=0)
weights = normalized.mean(axis=1)
# 一致矩阵满足 A·w = n·w;取对应分量比率估计主特征值。
lambda_max = float((matrix @ weights / weights).mean())
ci = (lambda_max - len(weights)) / (len(weights) - 1)
assert np.allclose(weights, np.array([4, 2, 1]) / 7) and abs(ci) < 1e-12
result = {"weights": weights.tolist(), "lambda_max": lambda_max, "consistency_index": ci}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))脚本先实现幂迭代,再用 np.linalg.eig 或 MATLAB 基础函数 eig 复算最大的特征对。NumPy 返回一维特征值数组,MATLAB 的双输出 [V,D] 中,特征值位于 D 对角线。特征向量可整体乘以非零常数,两边都以分量和归一化。检查 weights≈[0.6,0.3,0.1]、scores≈[0.69,0.31]、lambda_max≈3 以及 changed_cr≈0.116906。常用三阶
参数练习与参考结论
把修改版本的