python实现BWM权重确定

BWM（Best Worst Method）是一种多属性决策分析方法，可以用于确定不同属性的权重。在Python中，可以使用以下步骤实现BWM权重确定：

1. 确定属性和属性值：首先，需要确定要分析的属性和每个属性的属性值。

2. 制作判断矩阵：根据属性和属性值，制作一个判断矩阵，其中每个元素表示属性值之间的比较结果，可以使用1-9的数字表示比较结果，其中1表示两个属性值相等，9表示一个属性值比另一个属性值优先级高得多。

3. 归一化判断矩阵：对判断矩阵进行归一化处理，使得每一行的和为1。

4. 求出最大特征值和特征向量：使用numpy库中的eig函数，求出判断矩阵的最大特征值和对应的特征向量。

5. 计算权重：将特征向量进行归一化处理，得到每个属性的权重。

以下是Python代码示例：

import numpy as np

# 确定属性和属性值
attributes = ['A', 'B', 'C']
values = {
    'A': ['a1', 'a2', 'a3'],
    'B': ['b1', 'b2'],
    'C': ['c1', 'c2', 'c3', 'c4']
}

# 制作判断矩阵
judgment_matrix = np.array([
    [1, 2, 3, 4, 5],
    [1/2, 1, 2, 3, 4],
    [1/3, 1/2, 1, 2, 3],
    [1/4, 1/3, 1/2, 1, 2],
    [1/5, 1/4, 1/3, 1/2, 1]
])

# 归一化判断矩阵
normalized_matrix = judgment_matrix / judgment_matrix.sum(axis=0)

# 求出最大特征值和特征向量
eig_value, eig_vector = np.linalg.eig(normalized_matrix)
max_eig_value_index = np.argmax(eig_value)
max_eig_value = eig_value[max_eig_value_index]
max_eig_vector = eig_vector[:, max_eig_value_index]

# 计算权重
weights = max_eig_vector / sum(max_eig_vector)

# 输出结果
for i, attribute in enumerate(attributes):
    print(f'{attribute}的权重为{weights[i]}')

注：上述代码中的判断矩阵和归一化矩阵是示例数据，实际应用中需要根据具体情况进行制作和计算。