MCM备赛笔记——层次分析法

这篇具有很好参考价值的文章主要介绍了MCM备赛笔记——层次分析法。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。

层次分析法

Key Concept 层次分析法(Analytic Hierarchy Process, AHP)是一种结构化的、定量化的决策方法,用于处理复杂的决策问题。它通过建立层次结构模型,将复杂问题分解为更小的部分(即准则、子准则和备选方案),然后通过成对比较和权重赋予来评估这些部分的相对重要性。

Key Concept Explanation 层次分析法的基本步骤包括:

  1. 建立层次结构模型:将决策问题分解为目标、准则、子准则和备选方案几个层次。

  2. 进行成对比较:在每个准则下,将备选方案或子准则两两进行比较,并根据相对重要性赋予1-9的标度值。

  3. 计算权重和一致性检验:利用成对比较矩阵计算出各因素的相对权重,并进行一致性检验以确保判断的合理性。一致性比率(CR)小于0.1通常被认为是可接受的。

  4. 合成总排序:根据各层次之间的关系,综合各因素权重,得出最终的决策结果

一.比较矩阵的构建

步骤 1:确定评价因素 首先,明确你需要比较的因素。例如,在选择最佳汽车时,评价因素可能包括成本、舒适度、品牌等。

步骤 2:建立矩阵 为这些因素创建一个方阵。如果你有 n 个因素,那么矩阵将是 n x n 的。矩阵的行和列分别代表同一组因素。

步骤 3:进行成对比较 对于矩阵中的每一对因素,决策者需要判断它们相对于决策目标的重要性。通常使用1到9的标度进行评分,其中1表示两因素同等重要,9表示一个因素比另一个因素极为重要。矩阵的对角线元素自然为1,因为它们是因素与自身的比较。

步骤 4:填充矩阵 如果元素 (i, j) 被赋值为 a,表示第 i 个因素比第 j 个因素重要 a 倍,那么其对称元素 (j, i) 应该被赋值为 1/a,表示第 j 个因素比第 i 个因素重要的程度。

MCM备赛笔记——层次分析法,数学建模,数学建模

二.一致性检验

在层次分析法(AHP)中,一致性检验是用来评估成对比较矩阵判断一致性的重要步骤。以下是进行一致性检验的步骤:

步骤 1:计算最大特征值(λmax) 首先,计算成对比较矩阵的最大特征值(λmax)。这通常通过求解矩阵的特征方程来完成,但在实际应用中,可以采用一种简化的方法:利用成对比较矩阵和它对应的权重向量相乘,然后将得到的向量的每个元素除以其相应的权重,最后取这些商的平均值作为λmax的估计。

MCM备赛笔记——层次分析法,数学建模,数学建模

步骤 2:计算一致性指标(CI) 使用公式 CI = (λmax - n) / (n - 1) 来计算一致性指标(CI),其中 n 是矩阵的阶数。CI值越小,表明成对比较的一致性越好。

MCM备赛笔记——层次分析法,数学建模,数学建模

步骤 3:确定随机一致性指标(RI) 随机一致性指标(RI)是针对随机成对比较矩阵的平均一致性指标值。这个值是预先确定的,取决于矩阵的阶数。

MCM备赛笔记——层次分析法,数学建模,数学建模

步骤 4:计算一致性比率(CR) 一致性比率(CR)是通过 CI 除以相应的 RI 来计算的,即 CR = CI / RI。这个比率用来评估矩阵的一致性水平。MCM备赛笔记——层次分析法,数学建模,数学建模

步骤 5:评估一致性 如果 CR 小于或等于 0.1,通常认为成对比较的一致性是可以接受的。如果 CR 大于 0.1,则需要重新评估和修改成对比较矩阵,以提高其一致性。

MCM备赛笔记——层次分析法,数学建模,数学建模

三.求各个因素的权重

这里我们有三种求权重的方法,最后通过三种方法求得的权重向量其实基本上是一样的。

这里的权重指的是不同影响因素的影响权重。通过对应的权重向量乘以相应的数值向量就可以得到相应的判断评分。

1.算数平均数法求权重

平均数法是一种简单直观的求权重的方法,尤其适用于处理成对比较矩阵。以下是使用算术平均数法求权重的步骤:

MCM备赛笔记——层次分析法,数学建模,数学建模

MCM备赛笔记——层次分析法,数学建模,数学建模 

计算每列的平均值,然后归一化。我们可以用代码来完成这个计算。

MCM备赛笔记——层次分析法,数学建模,数学建模

计算得到的归一化权重如下:

  • 第一个因素的权重约为 0.5714
  • 第二个因素的权重约为 0.2857
  • 第三个因素的权重约为 0.1429

这些权重反映了每个因素相对于其他因素的重要性。在此例中,第一个因素是最重要的,第三个因素是最不重要的。MCM备赛笔记——层次分析法,数学建模,数学建模

2.几何平均法求权重

MCM备赛笔记——层次分析法,数学建模,数学建模

MCM备赛笔记——层次分析法,数学建模,数学建模

通过几何平均法求权重得到

MCM备赛笔记——层次分析法,数学建模,数学建模

计算得到的归一化权重如下:

  • 第一个因素的权重约为 0.5714
  • 第二个因素的权重约为 0.2857
  • 第三个因素的权重约为 0.1429

代码最后得到的权重向量大致是 [0.5714, 0.2857, 0.1429],这反映了在成对比较矩阵中,第一个因素的重要性是最高的,第三个因素的重要性是最低的

3.特征值法求权重

这种方法是对一致矩阵的最大特征值对应的特征向量进行归一化

MCM备赛笔记——层次分析法,数学建模,数学建模 

MCM备赛笔记——层次分析法,数学建模,数学建模

通过特征值法求他的权重

MCM备赛笔记——层次分析法,数学建模,数学建模

计算得到的归一化权重如下:

  • 第一个因素的权重约为 0.5714
  • 第二个因素的权重约为 0.2857
  • 第三个因素的权重约为 0.1429

代码最后得到的权重向量大致是 [0.5714, 0.2857, 0.1429],这反映了在成对比较矩阵中,第一个因素的重要性是最高的,第三个因素的重要性是最低的

四.求评分

在层次分析法(AHP)中,求最终评分的步骤通常涉及将各级准则对于目标层的权重与各备选方案对于这些准则的权重进行综合。以下是详细步骤:

步骤 1:确定各级准则的权重 使用之前讨论的方法(如成对比较矩阵的特征向量法、几何平均数法等)来确定决策目标下各准则的相对权重。

步骤 2:确定各备选方案相对于各准则的评分 对于每个准则,再次建立成对比较矩阵,比较各备选方案之间的相对优劣,并计算出各备选方案相对于该准则的权重。

步骤 3:计算备选方案的综合评分 对每个备选方案,将其对于各准则的权重乘以准则对于目标层的权重,然后将这些乘积相加,得到该方案的综合评分。

步骤 4:评估和选择 比较各备选方案的综合评分,评分最高的方案就是最佳的选择。

MCM备赛笔记——层次分析法,数学建模,数学建模

代码实现 

import numpy as np
#定义判断矩阵
A=np.array([[1,2,4],[1/2,1,2],[1/4,1/2,1]])
#计算判断矩阵的大小
n=A.shape[0]

#使用特征值法求解权重向量
    #计算判断矩阵的特征值和特征向量
eig_val,eig_vec=np.linalg.eig(A)
    #找到最大的特征值
Max_eig=max(eig_val)
    #找到最大特征值对应的特征向量
Max_eig_vec=eig_vec[:,np.argmax(eig_val)]
    #对特征向量进行归一化来计算权重
weights=Max_eig_vec/np.sum(Max_eig_vec)

#定义因素矩阵
B=np.array([[100,200,400],[1,2,3],[10,20,30]])
#计算因素矩阵的大小
m=B.shape[0]
#对因素矩阵的每一列进行归一化
Stand_B=B/np.sum(B,axis=0)
#将归一化的因素矩阵和权重向量相乘
result=np.dot(Stand_B,weights)
#得到的结果就是最终的评价得分
result

这里假设我们有三个备选方案,最后得到三个方案的综合评分 

MCM备赛笔记——层次分析法,数学建模,数学建模

五.如果一致性检验未通过

如果在层次分析法(AHP)中建立的成对比较矩阵未通过一致性检验,即其一致性比率(CR)大于通常接受的阈值(0.1或10%),则需要对成对比较矩阵进行调整。以下是改进矩阵以提高一致性的步骤:

步骤 1:检查成对比较的逻辑 重新审视成对比较的判断是否合理。检查是否存在明显的逻辑错误或过于极端的判断值,这些都可能导致一致性问题。

步骤 2:调整极端或不合理的判断值 如果发现某些成对比较的数值过大或过小,考虑根据整体判断适当地调整它们。这通常需要回顾初始的判断依据。

步骤 3:重新计算并检验一致性 每次进行调整后,重新计算成对比较矩阵的一致性指标(CI)和一致性比率(CR)。检查是否通过了一致性检验。

步骤 4:循环调整直至通过一致性检验 如果调整后的CR仍然高于接受阈值,继续重复步骤1到步骤3,直到CR低于或等于0.1。文章来源地址https://www.toymoban.com/news/detail-806272.html

 

到了这里,关于MCM备赛笔记——层次分析法的文章就介绍完了。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

  • 数学建模学习笔记(1):层次分析法(AHP)(附有详细使用步骤)

    层次分析法是由美国运筹学家T.L.Saaty于20世纪七十年代创立的一种系统分析与决策的综合评价方法,是在充分研究了人类思维过程的基础上提出的较为合理的解决定性问题定量化的处理过程。 层次分析法的主要特点是通过建立递阶层次结构,把人类的判断转化到若干因素两两

    2024年02月07日
    浏览(46)
  • 数学建模:层次分析法

    🔆 文章首发于我的个人博客:欢迎大佬们来逛逛 将问题条理化,层次化,构建出一个有层次的结构模型。层次分为三类: 目标层,准则(指标)层,方案层 。 比较指标层中不同指标之间的相对重要程度,并且构建一个 成对比较矩阵 。 自行判断两个不同指标的相对重要程

    2024年02月10日
    浏览(45)
  • 数学建模——层次分析法

    正互反矩阵:若矩阵中每个元素a(ij)0且满足a(ij)*a(ji)=1。 层次分析法中,我们构造的判断矩阵均是正互反矩阵。 一致矩阵:若正互反矩阵满足a(ij)*a(jk)=a(ik)。 一致矩阵的秩为1。 一致矩阵有一个特征值为n,其余特征值均为0。 判断矩阵越不一致时,最大特征值与n相差越大。 一

    2024年02月16日
    浏览(40)
  • 数学建模——层次分析法(AHP)

    在人类社会生活的各个领域以及日常生活中,我们经常遇到一些决策问题,例如购物买钢笔,一般要依据质量、颜色、实用性、价格、外形等方面的因素选择某一支钢笔。买饭,则要依据色、香、味、价格等方面的因素选择某种饭菜。过去人们处理这些问题往往是凭经验,靠

    2024年02月05日
    浏览(49)
  • 五、数学建模之层次分析法

    1.概念 2.例题    层次分析法 (Analytic Hierarchy Process,AHP)是一种多 标准决策分析方法 ,用于帮助人们在面对复杂的决策问题时 进行定量和定性的比较和评估 。它最初由美国运筹学家和管理学家托马斯·萨蒙(Thomas L. Saaty)于20世纪70年代提出,并在后来得到广泛应用。层

    2024年02月07日
    浏览(54)
  • 【数学建模】层次分析法(AHP)

    评价类问题 ,如选择哪种方案最好,哪位运动员或者员工表现地更优秀。通常具体数据没有给出。 一道典型例题 这是典型的运用层次分析法的题目,没有给出具体数据,要求采取一定措施进行评价,选择最佳方案,其中已经高亮。 我们需要考虑三个问题: 目标、方

    2024年02月01日
    浏览(39)
  • 数学建模:层次分析法(AHP)

    层次分析法(Analytic Hierarchy Process,AHP)是一种多准则决策方法,用于解决复杂的决策问题。它是由美国数学家托马斯·萨亚基(Thomas L. Saaty)于20世纪70年代提出的。其基本思想是将复杂的决策问题分解为层次结构,通过对准则和方案进行定量和定性的比较,最终得出最佳决

    2024年01月17日
    浏览(55)
  • 数学建模常用模型(三):层次分析法

    层次分析法(Analytic Hierarchy Process,AHP)是一种用于多准则决策分析的方法,由美国运筹学家托马斯·L·赛蒂(Thomas L. Saaty)于1970年提出。它通过对决策问题进行层次化,将复杂的问题拆分为多个层次和准则,并使用定量化的方法进行比较和权重分配,最终得出综合评价和决

    2024年02月13日
    浏览(45)
  • 数学建模(层次分析法 python代码 案例)

    目录 介绍:  模板: 例题:从景色、花费、饮食,男女比例四个方面去选取目的地  准则重要性矩阵:  每个准则的方案矩阵:​  一致性检验:  特征值法求权值: 完整代码: 运行结果:

    2024年04月29日
    浏览(40)
  • 基于AHP层次分析法的数学建模研究

            随着数学在现代科学和技术中的广泛应用,数学建模在现代实践中的应用越来越广泛,成为现代科学和技术发展的重要手段。然而,在复杂的实际问题中,很难直接应用数学方法去解决问题。因此,选择适当的建模方法和技术来解决实际问题显得尤为重要。    

    2024年02月10日
    浏览(45)

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