层次分析法（AHP)Python实现

文章列表

层次分析法（AHP)Python实现

层次分析法Python实现

I. 理论基础
II. 实现流程
III. Python
IV. 测试

I. 理论基础

建立层次结构模型

结构模型包括目标层 $O$ 、准则层 $A={a1,a2,…,an}A=\\{a_1,a_2,\\ldots,a_n\\}$ 、方案层 $B={b1,b2,…,bm}B=\\{b_1,b_2,\\ldots,b_m\\}$ ；
构建判断(成对比较)矩阵

$MatrixA=[r1,1r1,2…r1,nr2,1r2,2…r2,n⋮⋮⋱⋮rn,1rn,2…rn,n]Matrix_A = \\left[ \\begin{matrix} r_{1,1} & r_{1,2} & \\ldots & r_{1,n} \\\\ r_{2,1} & r_{2,2} & \\ldots & r_{2,n} \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ r_{n,1} & r_{n,2} & \\ldots & r_{n,n} \\\\ \\end{matrix} \\right]$

其中， $ri,j=1rj,ir_{i,j}=\\frac{1}{r_{j,i}}$ ， $r_{i,i}=1$

层次单排序与一致性检验

3.1 计算权重

（1）若采用均值法计算权重，则首先计算列归一化矩阵：
$NomalizeMatrixA=[nr1,1nr1,2…nr1,nnr2,1nr2,2…nr2,n⋮⋮⋱⋮nrn,1nrn,2…nrn,n]NomalizeMatrix_A = \\left[ \\begin{matrix} nr_{1,1} & nr_{1,2} & \\ldots & nr_{1,n} \\\\ nr_{2,1} & nr_{2,2} & \\ldots & nr_{2,n} \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ nr_{n,1} & nr_{n,2} & \\ldots & nr_{n,n} \\\\ \\end{matrix} \\right]$
其中， $nri,j=ri,jSj,Sj=∑i=1nri,j,j=1,2,…,nnr_{i,j}=\\frac{r_{i,j}}{S_j},S_{j}=\\sum_{i=1}^n{r_{i,j}},j=1,2,\\ldots,n$

然后再计算权重，为：
$W={w1,w2,…,wn}W=\\{w_1,w_2,\\ldots,w_n\\}$
其中， $wi=∑j=1nnri,jn,i=1,2,…,nw_i=\\frac{\\sum_{j=1}^n{nr_{i,j}}}{n},i=1,2,\\ldots,n$

（2）若采用几何法计算权重，则首先按行求积，再计算1/n次幂，计算公式为：
$wi=∏j=1nri,jn,i=1,2,…,nw_{i} = \\sqrt[n]{\\prod_{j=1}^{n}r_{i,j}},i=1,2,\\ldots,n$

然后再对各权重进行归一化处理，计算如下：
$wi‾=wi∑i=1nwi\\overline{w_{i}} = \\frac{w_i}{\\sum_{i=1}^{n}w_i}$

$W={w1‾,w2‾,…,wn‾}W=\\{\\overline{w_{1}},\\overline{w_{2}},\\ldots,\\overline{w_{n}}\\}$

3.2 计算判断矩阵特征根

（1）计算加权矩阵

$WeightMatrixA=[wr1,1wr1,2…wr1,nwr2,1wr2,2…wr2,n⋮⋮⋱⋮wrn,1wrn,2…wrn,n]WeightMatrix_A = \\left[ \\begin{matrix} wr_{1,1} & wr_{1,2} & \\ldots & wr_{1,n} \\\\ wr_{2,1} & wr_{2,2} & \\ldots & wr_{2,n} \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ wr_{n,1} & wr_{n,2} & \\ldots & wr_{n,n} \\\\ \\end{matrix} \\right]$
其中， $wri,j=ri,j×wj,j=1,2,…,nwr_{i,j}=r_{i,j}\\times{w_j},j=1,2,\\ldots,n$

(2) 对加权矩阵按行求和,然后再除以权重，从而得到特征根向量
$λ={∑j=1nwr1,jw1,∑j=1nwr2,jw2,…,∑j=1nwrn,jwn}\\lambda = \\{\\frac{\\sum_{j=1}^{n}wr_{1,j}}{w_1},\\frac{\\sum_{j=1}^{n}wr_{2,j}}{w_2},\\ldots,\\frac{\\sum_{j=1}^{n}wr_{n,j}}{w_n}\\}$

计算一致性指标CI值

$\\frac{\\lambda_{max}-n}{n-1}$

其中， $C I = 0$ 表示判断矩阵完全一致， $C I$ 越大，判断矩阵的不一致性程度越严重。

根据CI和RI值求解CR值，判断其一致性是否通过

Satty模拟1000次得到的随机一致性指标RI取值如下表所示：

矩阵阶数n	1	2	3	4	5	6	7	8	9	10	11	12	13
RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49	1.51	1.54	1.56

$\\frac{CI}{RI}$
当 $CR<0.1CR\\lt0.1$ ，表明判断矩阵 $A$ 的一致性程度被认为在容忍范围内，此时可用 $A$ 的特征向量开展权向量计算；若 $CR≥0.1CR\\geq0.1$ ，则应考虑对判断矩阵 $A$ 进行修正。

计算方案层到指标层的权重

6.1 建立方案层到指标层的各个方案在每一个指标的两两对比矩阵：
$Bk=[b1,1kb1,2k…b1,mkb2,1kb2,2k…b2,mk⋮⋮⋱⋮bm,1kbm,2k…bm,mk],k=1,2,…,mB^k=\\left[ \\begin{matrix} b_{1,1}^k & b_{1,2}^k & \\ldots & b_{1,m}^k \\\\ b_{2,1}^k & b_{2,2}^k & \\ldots & b_{2,m}^k \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ b_{m,1}^k & b_{m,2}^k & \\ldots & b_{m,m}^k \\\\ \\end {matrix} \\right] ,k=1,2,\\ldots,m$

6.2 按照上述操作，计算各个方案的权重
$Vk={vk,1,vk,2,…,vk,m},k=1,2,…,mV_k=\\{v_{k,1},v_{k,2},\\ldots,v_{k,m}\\},k=1,2,\\ldots,m$

最终得到方案到指标的权重矩阵
$V=[v1,1v1,2…v1,mv2,1v2,2…v2,m⋮⋮⋱⋮vn,1vn,2…vn,m]V=\\left[ \\begin{matrix} v_{1,1} & v_{1,2} & \\ldots & v_{1,m} \\\\ v_{2,1} & v_{2,2} & \\ldots & v_{2,m} \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ v_{n,1} & v_{n,2} & \\ldots & v_{n,m} \\\\ \\end {matrix} \\right]$
6.3 进行层次总排序一致性判断
$CIi=λmaxi−nn−1,i=1,2,…,nCI_{i}=\\frac{\\lambda_{max}^i-n}{n-1},i=1,2,\\ldots,n$

$\\frac{w_{1}CI_{1}+w_{2}CI_{2}+\\ldots+w_{n}CI_{n}}{w_{1}RI_{1}+w_{2}RI_{2}+\\ldots+w_{n}RI_{n}}=\\frac{\\sum_{i=1}^{n}w_{i}CI_{i}}{\\sum_{i=1}^{n}w_{k}RI_{i}}=\\frac{CI}{RI}$

计算各个方案的综合评分结果
$SLk=∑i=1nwivi,k,k=1,2,…,mSL_k = \\sum_{i=1}^{n}w_{i}v_{i,k},k=1,2,\\ldots,m$

参考文献

Thomas L. Saaty. How to make a decision: The Analytic Hierarchy Process. European Journal of Operation Research,19990,48,9-26.

II. 实现流程

AHP实现流程如下：

在这里插入图片描述

III. Python

import numpy as np
from functools import reducedef ahp_method(dataset, wd = 'm'):# 随机一致性指标R.I.（inc_rat）inc_rat  = np.array([0, 0, 0, 0.58, 0.9, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51, 1.48, 1.56, 1.57, 1.59])# 数据深复制X        = np.copy(dataset)# 生成权重向量weights  = np.zeros(X.shape[1])# 根据权重计算方法来确定各个权重if (wd == 'm' or wd == 'mean'):  #均值weights  = np.mean(X/np.sum(X, axis = 0), axis = 1)elif (wd == 'g' or wd == 'geometric'):  #几何for i in range (0, X.shape[1]):weights[i] = reduce( (lambda x, y: x * y), X[i,:])**(1/X.shape[1])weights = weights/np.sum(weights)      # 计算特征根向量vector   = np.sum(X*weights, axis = 1)/weights# 获得平均特征根lamb_max = np.mean(vector)# 计算一致性指标cons_ind = (lamb_max - X.shape[1])/(X.shape[1] - 1)# 一致性判断rc       = cons_ind/inc_rat[X.shape[1]]return weights, rc

IV. 测试

案例参考[https://zhuanlan.zhihu.com/p/448412538]

指标层包括：景色( $A_1$ )、费用( $A_2$ )、住宿( $A_3$ )、饮食( $A_4$ )、交通( $A_5$ )

方案层包括：苏杭( $B_1$ )、北戴河( $B_2$ )、桂林( $B_3$ )

通过专家打分以及构建以下判断矩阵：

判断矩阵A:

	景色	费用	住宿	饮食	交通
景色	1	5	5	$13\\frac{1}{3}$	8
费用	$15\\frac{1}{5}$	1	$14\\frac{1}{4}$	$16\\frac{1}{6}$	2
住宿	$15\\frac{1}{5}$	4	1	$15\\frac{1}{5}$	3
饮食	3	6	5	1	6
交通	$18\\frac{1}{8}$	$12\\frac{1}{2}$	$13\\frac{1}{3}$	$16\\frac{1}{6}$	1

得分矩阵分别为：

$A1=[125121215121],A2=[113183113831],A3=[11311313131],A4=[113413111411],A5=[11141114441]A_{1}=\\left[ \\begin{matrix} 1 & 2 & 5 \\\\ \\frac{1}{2} & 1 & 2 \\\\ \\frac{1}{5} & \\frac{1}{2} & 1 \\\\ \\end{matrix} \\right] ,A_{2}=\\left[ \\begin{matrix} 1 & \\frac{1}{3} & \\frac{1}{8} \\\\ 3 & 1 & \\frac{1}{3} \\\\ 8 & 3 & 1 \\\\ \\end{matrix} \\right] ,A_{3}=\\left[ \\begin{matrix} 1 & 1 & 3 \\\\ 1 & 1 & 3 \\\\ \\frac{1}{3} & \\frac{1}{3} & 1 \\\\ \\end{matrix} \\right] ,A_{4}=\\left[ \\begin{matrix} 1 & \\frac{1}{3} & 4 \\\\ \\frac{1}{3} & 1 & 1 \\\\ \\frac{1}{4} & 1 & 1 \\\\ \\end{matrix} \\right] ,A_{5}=\\left[ \\begin{matrix} 1 & 1 & \\frac{1}{4} \\\\ 1 & 1 & \\frac{1}{4} \\\\ 4 & 4 & 1 \\\\ \\end{matrix} \\right]$

测试代码：

##
A = np.array([[1,5,5,1/3,8],[1/5,1,1/4,1/6,2],[1/5,4,1,1/5,3],[3,6,5,1,6],[1/8,1/2,1/3,1/6,1],
])
A_1 = np.array([[1,2,5],[1/2,1,2],[1/5,1/2,1],
])
A_2 = np.array([[1,1/3,1/8],[3,1,1/3],[8,3,1],
])
A_3 = np.array([[1,1,3],[1,1,3],[1/3,1/3,1],
])
A_4 = np.array([[1,1/3,4],[1/3,1,1],[1/4,1,1],
])
A_5 = np.array([[1,1,1/4],[1,1,1/4],[4,4,1],
])# 计算权重和RI
weight_A,RC_A = ahp_method(A)
print('A的权重为：',weight_A)
print('A的RC为：',RC_A)
print()weight_A1, RC_A1 = ahp_method(A_1)
weight_A2, RC_A2 = ahp_method(A_2)
weight_A3, RC_A3 = ahp_method(A_3)
weight_A4, RC_A4 = ahp_method(A_4)
weight_A5, RC_A5 = ahp_method(A_5)
print('A1的权重为：',weight_A1)
print('A1的RC为：',RC_A1)
print('A2的权重为：',weight_A2)
print('A2的RC为：',RC_A2)
print('A3的权重为：',weight_A3)
print('A3的RC为：',RC_A3)
print('A4的权重为：',weight_A4)
print('A4的RC为：',RC_A4)
print('A5的权重为：',weight_A5)
print('A5的RC为：',RC_A5)## 构建V矩阵
V = np.vstack((weight_A1,weight_A2,weight_A3,weight_A4,weight_A5))
print(V)scores = np.matmul(weight_A,V)
print('综合评分为：',score

测试结果：

A的权重为： [0.30685018 0.06313468 0.12601939 0.45879775 0.04519801]
A的RC为： 0.09521589663079191A1的权重为： [0.59488796 0.27661064 0.1285014 ]
A1的RC为： 0.004774741975367846
A2的权重为： [0.08199023 0.23644689 0.68156288]
A2的RC为： 0.0013293778439305783
A3的权重为： [0.42857143 0.42857143 0.14285714]
A3的RC为： 0.0
A4的权重为： [0.48036759 0.26858814 0.25104428]
A4的RC为： -0.18508347602743516
A5的权重为： [0.16666667 0.16666667 0.66666667]
A5的RC为： 0.0
[[0.59488796 0.27661064 0.1285014 ][0.08199023 0.23644689 0.68156288][0.42857143 0.42857143 0.14285714][0.48036759 0.26858814 0.25104428][0.16666667 0.16666667 0.66666667]]
综合评分为： [0.46965078 0.28457497 0.24577426]

层次分析法（AHP)Python实现

层次分析法Python实现

I. 理论基础

II. 实现流程

III. Python

IV. 测试

公告

标签

层次分析法（AHP)Python实现

层次分析法Python实现

I. 理论基础

II. 实现流程

III. Python

IV. 测试

相关问题

公告

标签