Skip to content

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 A=(aij),aij>0 表示在同一准则下 i 相对于 j 的重要程度,满足 aii=1 和 aji=1/aij。常见的 Saaty 标度以 1 表示同样重要,以 3、5、7、9 表示依次更强的偏好,其间偶数表示中间强度。先统一各档含义,再请判断者给出比较。求权重时取正矩阵最大特征值对应的正特征向量,并令权重和为 1。

Aw=λmaxw,∑iwi=1.

完全一致时 aij=wi/wj,λmax=n。当 n≥3,计算 CI=(λmax−n)/(n−1),再除以同阶随机一致性指标 RI 得到 CR。常用 0.10 作初步复核线,阈值与 RI 的来源需交代。两项互反矩阵天然一致,无须除以零 RI。下一级的局部权重可乘上父级权重,得到对总目标的贡献。Saaty 的两两比较、一致性与层级合成

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 6:3:1。由两两比例得到

A=(1261/2131/61/31).

令 w=(0.6,0.3,0.1)⊤,逐行乘得 (1.8,0.9,0.3)⊤=3w,故 CI=0 且 CR=0。若两方案相应的局部偏好分数分别为 (0.8,0.6,0.3) 和 (0.2,0.4,0.7),用全局权重得到综合分 0.69 和 0.31。如果后来核实两台设备的可靠性相当,应重新评估可靠性这一准则下的方案分数。

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。CR 高时先找冲突最大的三项关系,回看判断理由再调整。将数值改到过线但缺少实际依据,即使一致也可能答错问题。层与层之间列重复同一指标时,也容易叠加影响。

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 1/3 作为起点。对于正互反矩阵,幂迭代的一步是

u(k+1)=Aw(k),w(k+1)=u(k+1)1⊤u(k+1).

向量稳定后,Aw 的各项和对应的 wi 成比例,其比例就是主特征值 λmax。原矩阵满足 aij=wi/wj,任意行都有 ∑jaijwj=3wi。因此 λmax=3,CR=0。方案 A 的综合分由三项贡献 0.48+0.18+0.03=0.69 相加,可靠性既有较高权重,也为方案 A 提供了较高分数。

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 CR≈0.1169 超过常用复核线 0.10。回看原判断依据再决定如何修改。真实调查中还应核对样本、评分语义和判断者分歧。 Saaty 的 AHP 一致性说明

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。

下载 Python 源码 · 下载 MATLAB 源码

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
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))
下载当前源码

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 RI=0.58 已固定,使用其他阶数时应更换 RI 并重新核对公式。

参数练习与参考结论

把修改版本的 a13 改成 3,并同步设 a31=1/3。此时循环冲突比 a12a23/a13 从 3 降为 2,CR 降到约 0.0462。判断仍未达到传递一致。阈值只标示是否需要进一步复核,实际偏好应以有依据的判断为准。

关联文章 ​

MathModel FAQ · 数学建模知识库