一、層次分析法原理

讓客戶滿意是我們工作的目標，不斷超越客戶的期望值來自于我們對這個行業的熱愛。我們立志把好的技術通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領域值得信任、有價值的長期合作伙伴，公司提供的服務項目有：域名與空間、虛擬空間、營銷軟件、網站建設、硯山網站維護、網站推廣。

層次分析法（Analytic Hierarchy Process，AHP）由美國運籌學家托馬斯·塞蒂（T. L. Saaty）于20世紀70年代中期提出，用于確定評價模型中各評價因子/準則的權重，進一步選擇最優方案。該方法仍具有較強的主觀性，判斷/比較矩陣的構造在一定程度上是拍腦門決定的，一致性檢驗只是檢驗拍腦門有沒有自相矛盾得太離譜。

相關的理論參考可見：wiki百科

二、代碼實現

需要借助Python的numpy矩陣運算包，代碼最后用了一個b1矩陣進行了調試，相關代碼如下，具體的實現流程已經用詳細的注釋標明，各位小伙伴有疑問的歡迎留言和我一起討論。

import numpy as np
class AHP:
  """
  相關信息的傳入和準備
  """

  def __init__(self, array):
    ## 記錄矩陣相關信息
    self.array = array
    ## 記錄矩陣大小
    self.n = array.shape[0]
    # 初始化RI值，用于一致性檢驗
    self.RI_list = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46, 1.49, 1.52, 1.54, 1.56, 1.58,
            1.59]
    # 矩陣的特征值和特征向量
    self.eig_val, self.eig_vector = np.linalg.eig(self.array)
    # 矩陣的大特征值
    self.max_eig_val = np.max(self.eig_val)
    # 矩陣大特征值對應的特征向量
    self.max_eig_vector = self.eig_vector[:, np.argmax(self.eig_val)].real
    # 矩陣的一致性指標CI
    self.CI_val = (self.max_eig_val - self.n) / (self.n - 1)
    # 矩陣的一致性比例CR
    self.CR_val = self.CI_val / (self.RI_list[self.n - 1])

  """
  一致性判斷
  """

  def test_consist(self):
    # 打印矩陣的一致性指標CI和一致性比例CR
    print("判斷矩陣的CI值為：" + str(self.CI_val))
    print("判斷矩陣的CR值為：" + str(self.CR_val))
    # 進行一致性檢驗判斷
    if self.n == 2: # 當只有兩個子因素的情況
      print("僅包含兩個子因素，不存在一致性問題")
    else:
      if self.CR_val < 0.1: # CR值小于0.1，可以通過一致性檢驗
        print("判斷矩陣的CR值為" + str(self.CR_val) + ",通過一致性檢驗")
        return True
      else: # CR值大于0.1, 一致性檢驗不通過
        print("判斷矩陣的CR值為" + str(self.CR_val) + "未通過一致性檢驗")
        return False

  """
  算術平均法求權重
  """

  def cal_weight_by_arithmetic_method(self):
    # 求矩陣的每列的和
    col_sum = np.sum(self.array, axis=0)
    # 將判斷矩陣按照列歸一化
    array_normed = self.array / col_sum
    # 計算權重向量
    array_weight = np.sum(array_normed, axis=1) / self.n
    # 打印權重向量
    print("算術平均法計算得到的權重向量為：\n", array_weight)
    # 返回權重向量的值
    return array_weight

  """
  幾何平均法求權重
  """

  def cal_weight__by_geometric_method(self):
    # 求矩陣的每列的積
    col_product = np.product(self.array, axis=0)
    # 將得到的積向量的每個分量進行開n次方
    array_power = np.power(col_product, 1 / self.n)
    # 將列向量歸一化
    array_weight = array_power / np.sum(array_power)
    # 打印權重向量
    print("幾何平均法計算得到的權重向量為：\n", array_weight)
    # 返回權重向量的值
    return array_weight

  """
  特征值法求權重
  """

  def cal_weight__by_eigenvalue_method(self):
    # 將矩陣大特征值對應的特征向量進行歸一化處理就得到了權重
    array_weight = self.max_eig_vector / np.sum(self.max_eig_vector)
    # 打印權重向量
    print("特征值法計算得到的權重向量為：\n", array_weight)
    # 返回權重向量的值
    return array_weight


if __name__ == "__main__":
  # 給出判斷矩陣
  b = np.array([[1, 1 / 3, 1 / 8], [3, 1, 1 / 3], [8, 3, 1]])

  # 算術平均法求權重
  weight1 = AHP(b).cal_weight_by_arithmetic_method()
  # 幾何平均法求權重
  weight2 = AHP(b).cal_weight__by_geometric_method()
  # 特征值法求權重
  weight3 = AHP(b).cal_weight__by_eigenvalue_method()

分享題目：python實現AHP算法的方法實例（層次分析法）-創新互聯
文章來源：http://vcdvsql.cn/article32/csedsc.html

成都網站建設公司_創新互聯，為您提供網站排名、定制網站、移動網站建設、商城網站、自適應網站、企業網站制作

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯