基于AHP模型指标权重分析python整理

这篇具有很好参考价值的文章主要介绍了基于AHP模型指标权重分析python整理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一 背景介绍

  • 日常会有很多定量分析的场景,然而也会有一些定性分析的场景
  • 针对定性分析的场景,预测者只能通过主观判断分析能力来推断事物的性质和发展趋势
  • 然而针对个人的直觉和虽然能够有一定的协助判断效果,但是很难量化到指标做后期的复用 AHP层次分析法可以将定性分析和定量分析更好地融合

二 AHP简单介绍

AHP(Analytic Hierarchy Process,简称AHP)中文名称为层次分析法,是美国运筹学匹兹堡大学教授萨蒂于20世纪70年代提出,用于将决策相关的因素划分不同层次,做定性和定量分析结合的方法。
其主要的思路为将决策分层三个层次:

  • 最高层:最终决策的目的、要解决的问题,即目标层
  • 中间层:主因素,考虑的因素、决策的准则层
  • 最低层:决策时的备选方案,也可为中间层的子因素,方案层

基于AHP模型指标权重分析python整理,python,python,开发语言

整体决策的思路为:
1.构建层次评价模型:有明确的准则(指标)、可选方案、目标
2.基于AHP确定指标定权重
3.基于指标权重,计算量化后的方案选择
其中指标权重确认的整个步骤为:
1.构建指标判断矩阵(也就是指标两两比较,用数字区分重要程度)
2.进行权重的计算
3.进行一致性校验(保证比较是合理的)
4.进行层次总排序
5.进行方案选择

计算原理详细步骤细节建议可以参考相关书籍内容
基于AHP模型指标权重分析python整理,python,python,开发语言

三 相关代码

说明:

  • 由于做测试数据结果验证,做了特殊的手工入口录入
  • 可以根据实际录入需求做导入对象替换,或者原始数据数组粘贴对象替换

调试代码参考

import numpy as np

# 计算指标权重的判断矩阵
def calculate_weights(comparison_matrix):
    num_indicators = comparison_matrix.shape[0]
    eigenvalues, eigenvectors = np.linalg.eig(comparison_matrix)
    max_eigenvalue_index = np.argmax(eigenvalues)
    max_eigenvector = eigenvectors[:, max_eigenvalue_index]
    weights = max_eigenvector / np.sum(max_eigenvector)
    return weights

# 输入当前指标对应不同方案的打分判断矩阵
def input_comparison_matrix(indicator):
    num_solutions = len(indicator)
    comparison_matrix = np.zeros((num_solutions, num_solutions))
    for i in range(num_solutions):
        for j in range(i+1, num_solutions):
            comparison = float(input("{}相对{}的比较重要性为:".format(indicator[i], indicator[j])))
            comparison_matrix[i][j] = comparison
            comparison_matrix[j][i] = 1 / comparison
    return comparison_matrix

# 进行一致性检验
def consistency_check(comparison_matrix):
    num_criteria = comparison_matrix.shape[0]
    # 计算特征向量
    eigenvalues, eigenvectors = np.linalg.eig(comparison_matrix)
    max_eigenvalue = max(eigenvalues)
    max_eigenvector = eigenvectors[:, np.argmax(eigenvalues)].real
    # 计算一致性指标CI
    consistency_index = (max_eigenvalue - num_criteria) / (num_criteria - 1)
    # 计算随机一致性指标RI
    random_index = {
        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,
        11: 1.51,
        12: 1.48,
        13: 1.56,
        14: 1.57,
        15: 1.59
    }
    random_index_value = random_index.get(num_criteria)
    # 计算一致性比例CR
    consistency_ratio = consistency_index / random_index_value
    return consistency_ratio

#主程序
# 计算指标的权重结果
num_indicators = int(input("请输入指标的数量:"))
indicators = []
for i in range(num_indicators):
    indicator = input("请输入第{}个指标:".format(i+1))
    indicators.append(indicator)
# 进行指标权重的比较,并计算指标的权重结果
indicator_comparison_matrix = input_comparison_matrix(indicators)
indicator_weights = calculate_weights(indicator_comparison_matrix)

#计算录入不同方案的比较矩阵
num_solutions = int(input("请输入方案的数量:"))
solutions = []
for i in range(num_solutions):
    solution = input("请输入第{}个方案:".format(i+1))
    solutions.append(solution)

#计算不同方案在同一指标下评估占比的权重
solution_weight_matrix = np.zeros((num_indicators, num_solutions))
solution_check_list = []
for indicator in range(num_indicators):
    print("请根据{}对不同方案的重要程度进行比较:".format(indicators[indicator]))
    comparison_matrix = input_comparison_matrix(solutions)
    solutions_weight = calculate_weights(comparison_matrix)
    solution_check = consistency_check(comparison_matrix)
    solution_weight_matrix[indicator] = solutions_weight
    solution_check_list.append(solution_check)

# 计算不同方案综合比较结果
scores = np.dot(indicator_weights,solution_weight_matrix)

# 进行一致性检验
indicator_check = consistency_check(indicator_comparison_matrix)


# 输出评估结果
print("指标权重结果为:")
print(indicator_weights)
print("不同指标对应方案的综合打分结果为:")
print(solution_weight_matrix)
print("方案综合评选结果为:")
print(scores)
print("指标检验和方案检验,进行一致性检验结果如下:")
print(indicator_check,solution_check_list)

输出结果参考:文章来源地址https://www.toymoban.com/news/detail-706395.html

请输入指标的数量:3
请输入第1个指标:指标1
请输入第2个指标:指标2
请输入第3个指标:指标3
指标1相对指标2的比较重要性为:3
指标1相对指标3的比较重要性为:2
指标2相对指标3的比较重要性为:2
请输入方案的数量:2
请输入第1个方案:方案1
请输入第2个方案:方案2
请根据指标1对不同方案的重要程度进行比较:
方案1相对方案2的比较重要性为:2
请根据指标2对不同方案的重要程度进行比较:3
请根据指标3对不同方案的重要程度进行比较:
方案1相对方案2的比较重要性为:3
指标权重结果为:
[0.54721643+0.j 0.26307422+0.j 0.18970934+0.j]
不同指标对应方案的综合打分结果为:
[[0.66666667 0.33333333]
 [0.75       0.25      ]
 [0.75       0.25      ]]
方案综合评选结果为:
[0.70439863+0.j 0.29560137+0.j]
指标检验和方案检验,进行一致性检验结果如下:
(-0.7451630649499623+0j) [-inf, -inf, -inf]

到了这里,关于基于AHP模型指标权重分析python整理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包