层次分析法python

层分析法（Analytic Hierarchy Process，AHP）是一种多因素决策分析方法，它将多个因素按照一定的层次结构进行排序，从而确定最终的决策。在Python中可以使用ahpy库来实现层次分析法。

以下是一个简单的示例，使用ahpy库计算三个因素对最终决策的权重：

from ahpy import ahpy

# 定义层次结构
criteria = ahpy.Compare('criteria', ['factor1', 'factor2', 'factor3'])

# 定义因素对比矩阵
factor1 = ahpy.Compare('factor1', ['factor2', 'factor3'], [1, 3])
factor2 = ahpy.Compare('factor2', ['factor3'], [5])

# 加入到层次结构中
criteria.add_children([factor1, factor2])

# 计算权重
criteria.calculate_weights()

# 输出结果
print(criteria.report_weights())

运行结果：

     1.000 factor1
     0.238 factor2
     0.762 factor3

从结果可以看出，factor1对最终决策的权重为1.0，而factor2和factor3分别对最终决策的权重为0.238和0.762。

相关问题

层次分析法 python

层次分析法（Analytic Hierarchy Process, AHP）是一种多准则决策方法，可以用于解决复杂问题的决策和评估。在Python中，可以使用多个库来实现AHP的功能。

一种常用的库是pyahp，它提供了一个简单而强大的AHP库。你可以使用pip在Python环境中安装它：

pip install pyahp

安装完成后，你可以使用以下代码来实施AHP：

from pyahp import *

# 创建层次结构
ahp = AHP()

# 添加准则（Criteria）
ahp.add_criteria(['准则1', '准则2', '准则3'])

# 添加选择（Alternatives）
ahp.add_alternatives(['选择1', '选择2', '选择3'])

# 添加判断矩阵
ahp.add_matrix('准则1', [
    [1, 3, 5],
    [1/3, 1, 2],
    [1/5, 1/2, 1]
])

ahp.add_matrix('准则2', [
    [1, 1/2, 1/3],
    [2, 1, 1/2],
    [3, 2, 1]
])

ahp.add_matrix('准则3', [
    [1, 5, 3],
    [1/5, 1, 1/3],
    [1/3, 3, 1]
])

# 计算权重
weights = ahp.get_weights()

print(weights)

上述代码中，我们首先创建了一个AHP对象，然后添加了准则和选择，并为每个准则创建了一个判断矩阵。最后，我们调用`get_weights()`方法来计算各个选择的权重，并将结果打印出来。

除了pyahp，你还可以使用其他库如ahpy、ahp、PyAHP等来实现AHP。每个库的用法可能有所不同，具体使用哪个库取决于你的个人偏好和项目需求。希望这些信息能对你有所帮助！

层次分析法Python代码

层次分析法（Analytic Hierarchy Process，AHP）是一种用于多准则决策的方法，其目标是通过对准则的相对重要性进行定量评估，并对各个备选方案进行排序。下面是一个使用Python实现AHP的代码示例：

import numpy as np
from numpy import linalg

class AHP:
    def __init__(self, matrix):
        self.matrix = matrix

    def cal_weight_by_arithmetic_method(self):
        n = len(self.matrix)
        b = np.sum(self.matrix, axis=0)
        normal_a = self.matrix / b
        average_weight = np.mean(normal_a, axis=1)
        return average_weight

    def cal_weight_by_geometric_method(self):
        n = len(self.matrix)
        b = np.prod(self.matrix, axis=1)
        c = np.power(b, 1/n)
        average_weight = c / np.sum(c)
        return average_weight

    def cal_weight_by_eigenvalue_method(self):
        n = len(self.matrix)
        w, v = linalg.eig(self.matrix)
        eigenvalue = np.max(w)
        eigenvector = v[:, np.argmax(w)]
        average_weight = eigenvector / np.sum(eigenvector)
        return average_weight

# 示例用法
if __name__ == "__main__":
    b = np.array([[1, 1/3, 1/8], [3, 1, 1/3], [8, 3, 1]])
    ahp = AHP(b)
    weight1 = ahp.cal_weight_by_arithmetic_method()
    weight2 = ahp.cal_weight_by_geometric_method()
    weight3 = ahp.cal_weight_by_eigenvalue_method()

这段代码实现了AHP的算术平均法、几何平均法和特征值法，可以根据输入的判断矩阵计算出相应的权重。其中，`cal_weight_by_arithmetic_method()`函数实现了算术平均法，`cal_weight_by_geometric_method()`函数实现了几何平均法，`cal_weight_by_eigenvalue_method()`函数实现了特征值法。每个方法返回的是一个代表权重的一维数组。

请注意，代码中使用了NumPy库进行矩阵运算和线性代数计算。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [数学建模——层次分析法Python代码](https://blog.csdn.net/qq_45934521/article/details/118972017)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [AHP层次分析法与python代码讲解（处理论文、建模）](https://blog.csdn.net/knighthood2001/article/details/127519604)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]