python实现AHP算法的方法实例（层次分析法）_ahppython,python层次分析法 - CSDN文库

层次分析法

5星 · 超过95%的资源 96 浏览量更新于2023-03-03 评论 4 收藏 49KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

python实现实现AHP算法的方法实例（层次分析法）算法的方法实例（层次分析法）

一、层次分析法原理一、层次分析法原理

层次分析法（Analytic Hierarchy Process，AHP）由美国运筹学家托马斯·塞蒂（T. L. Saaty）于20世纪70年代中期提出，用

于确定评价模型中各评价因子/准则的权重，进一步选择最优方案。该方法仍具有较强的主观性，判断/比较矩阵的构造在一定

程度上是拍脑门决定的，一致性检验只是检验拍脑门有没有自相矛盾得太离谱。

相关的理论参考可见：wiki百科

二、代码实现二、代码实现

需要借助Python的numpy矩阵运算包，代码最后用了一个b1矩阵进行了调试，相关代码如下，具体的实现流程已经用详细的

注释标明，各位小伙伴有疑问的欢迎留言和我一起讨论。

import numpy as np

class AHP:

"""

相关信息的传入和准备

"""

def __init__(self, array):

## 记录矩阵相关信息

self.array = array

## 记录矩阵大小

self.n = array.shape[0] # 初始化RI值，用于一致性检验

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] # 矩阵的特征值和特征向量

self.eig_val, self.eig_vector = np.linalg.eig(self.array)

# 矩阵的最大特征值

self.max_eig_val = np.max(self.eig_val)

# 矩阵最大特征值对应的特征向量

self.max_eig_vector = self.eig_vector[:, np.argmax(self.eig_val)].real

# 矩阵的一致性指标CI

self.CI_val = (self.max_eig_val - self.n) / (self.n - 1)

# 矩阵的一致性比例CR

self.CR_val = self.CI_val / (self.RI_list[self.n - 1])

"""

一致性判断

"""

def test_consist(self):

# 打印矩阵的一致性指标CI和一致性比例CR

print("判断矩阵的CI值为：" + str(self.CI_val))

print("判断矩阵的CR值为：" + str(self.CR_val))

# 进行一致性检验判断

if self.n == 2: # 当只有两个子因素的情况

print("仅包含两个子因素，不存在一致性问题")

else:

if self.CR_val < 0.1: # CR值小于0.1，可以通过一致性检验

print("判断矩阵的CR值为" + str(self.CR_val) + ",通过一致性检验")

return True

else: # CR值大于0.1, 一致性检验不通过

print("判断矩阵的CR值为" + str(self.CR_val) + "未通过一致性检验")

return False

"""

算术平均法求权重

"""

def cal_weight_by_arithmetic_method(self):

# 求矩阵的每列的和

col_sum = np.sum(self.array, axis=0)

# 将判断矩阵按照列归一化

array_normed = self.array / col_sum

# 计算权重向量

array_weight = np.sum(array_normed, axis=1) / self.n

# 打印权重向量

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论5

萱呀

2023-07-25

文件中的示例代码实用而且易读，让人信心满满地尝试运用AHP算法解决实际问题。

weixin_38685600

粉丝: 5
资源: 906

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈