层次分析法
- 评价类问题可用打分来解决,也就是说通过分数来量化一个评价指标,层次分析法就是一个量化指标的方法。
- 解决评价类问题的思路:
- 评价的目标是什么?
- 达到这个目标有哪几种可选的方案?
- 评价的准则或者说评价的指标是什么?
- 一般来说,前两个问题的答案是根据数学建模题目可以判断出来的,但是第三个问题的答案就需要根据题目中的背景材料、常识以及网上搜索到的参考资料进行结合,从中筛选出最合适的指标,就可以根据指标来对方案进行打分
层次分析法的特点
层次分析法的主要特点是通过建立递阶层次结构,把人类的判断转化为若干因素两两之间重要度的比较上,从而把难于量化的定性判断转化为可操作的重要度的比较上面。在很对情况下,决策者可以直接使用层次分析法(AHP)进行决策,极大地提高了决策的有效性、可靠性和可行性,但本质是一种思维方式,它把复杂问题分解成多个组成因素,又将这些因素按支配关系分别形成递阶层次结构,通过两两比较的方法确定决策方案相对重要度的总排序。整个过程体现了人类决策思维的基本特征,即分解、判断、综合、克服了其他方法回避决策者主观判断的缺点
基本概念
重要性表
判断矩阵
判断矩阵是层次分析法用来分析的一个方阵,方阵里的元素是评价指标之间两两比较得出的分值
为什么要引入判断矩阵呢?
这是为了确定指标的权重,一次性考虑全部指标之间的关系,往往考虑不周,因此采用了分而治之的思想,对单个指标进行研究,在这个指标下对方案之间两两比较进行评分,最后计算出该指标的权重
判断矩阵的特点
记方阵为A,对应的元素为
a
i
j
\boldsymbol{a_{ij}}
aij
-
a
i
j
\boldsymbol{a_{ij}}
aij表示的意义是,与指标
j
\boldsymbol{j}
j相比,
i
\boldsymbol{i}
i的重要程度,重要程度由重要性表给出
- 当
i
=
j
\boldsymbol{i}=\boldsymbol{j}
i=j时,两个指标相同,因此同等重要记为1,所以主对角线上的元素为1
-
a
i
j
>
0
\boldsymbol{a_{ij}>0}
aij>0且满足
a
i
j
×
a
j
i
=
1
\boldsymbol{a_{ij}\times a_{ji}=1}
aij×aji=1(满足正互反矩阵)
一致矩阵
为什么要定义一致矩阵呢?
这是为了要判断我们的判断矩阵是否是不一致的,也就是判断矩阵会出现一些逻辑上的错误,一致矩阵的目的就是用来检验判断矩阵中是否存在很大的逻辑错误(可以容忍稍微的不一致)
一致矩阵的特点:
各行(各列)之间成倍数关系
a
i
j
=
i的重要程度
j的重要程度
\boldsymbol{a_{ij}=\frac{\text{i的重要程度}}{\text{j的重要程度}}}
aij=j的重要程度i的重要程度
a
j
k
=
j的重要程度
k的重要程度
\boldsymbol{a_{jk}=\frac{\text{j的重要程度}}{\text{k的重要程度}}}
ajk=k的重要程度j的重要程度
a
i
k
=
i的重要程度
k的重要程度
=
a
i
j
×
a
j
k
\boldsymbol{a_{ik}=\frac{\text{i的重要程度}}{\text{k的重要程度}}=a_{ij}\times a_{jk}}
aik=k的重要程度i的重要程度=aij×ajk
一致矩阵的引理:
- A为n阶方阵,且A的秩
r
(
A
)
=
1
\boldsymbol{r(A)=1}
r(A)=1,则A有一个特征值为
t
r
(
A
)
\boldsymbol{tr(A)}
tr(A),其余特征值均为0,当特征值为n时,对应的特征向量刚好为
k
[
1
a
11
,
1
a
12
⋅
⋅
⋅
1
a
1
n
]
T
(
k
≠
0
)
\boldsymbol{k[\frac{1}{a_{11}},\frac{1}{a_{12}}···\frac{1}{a_{1n}}]^T(k\ne 0)}
k[a111,a121⋅⋅⋅a1n1]T(k=0)
- n阶正互反矩阵A为一致矩阵时当且仅当最大特征值
λ
m
a
x
=
n
\boldsymbol{\lambda_{max}=n}
λmax=n,且当正互反矩阵A非一致时,一定满足
λ
m
a
x
>
n
\boldsymbol{\lambda_{max}>n}
λmax>n
一致性检验的步骤
第一步:计算一致性指标CI
C
I
=
λ
m
a
x
−
n
n
−
1
\boldsymbol{CI=\frac{\lambda_{max}-n}{n-1}}
CI=n−1λmax−n
第二步:查找对应的平均随机一致性指标RI
RI的值是这样得到的,用随机方法构造500个样本矩阵,随机地从1~9及其倒数中抽取数字构造正互反矩阵,求得最大特征根的平均值
λ
m
a
x
′
\boldsymbol{\lambda'_{max}}
λmax′
R
I
=
λ
m
a
x
′
−
n
n
−
1
\boldsymbol{RI=\frac{\lambda'_{max}-n}{n-1}}
RI=n−1λmax′−n
第三步:计算一致性比例CR
C
R
=
C
I
R
I
\boldsymbol{CR=\frac{CI}{RI}}
CR=RICI
如果CR < 0.1,则可认为判断矩阵的一致性可以接受,否则需要对判断矩阵进行修正(判断矩阵一般不会完全一致)
假如CR > 0.1,此时应该对判断矩阵进行修正,往一致矩阵上调整,一致矩阵各行各列成比例
判断矩阵计算权重
- 一致矩阵因为各行和各列之间成比例,因此不需要每一行都计算出所占的权重,但是判断矩阵不同,判断矩阵不是每一行或每一列都成比例,因此在某些地方计算出来的权重是不相同的
算术平均法求权重
- 归一化处理权重:对每一行(列)的元素对该行(列)全部元素进行求和,该行对应的元素除以该行元素的总和就可以得出该元素(方案)的权重
- 将归一化后的各列相加(按行求和),将相加后得到的向量中的每个元素除以方案数n即可得到权重向量
数学表示:
假
设
判
断
矩
阵
=
[
a
11
a
12
.
.
.
a
1
n
a
21
a
22
.
.
.
a
2
n
.
.
.
.
.
.
.
.
.
.
.
.
a
n
1
a
n
2
.
.
.
a
n
n
]
假设判断矩阵=\left[ \begin{array}{ccc} a_{11} & a_{12} &... & a_{1n} \\ a_{21} & a_{22} &... & a_{2n} \\ ... &... &... &...\\ a_{n1} & a_{n2} &... & a_{nn} \end{array} \right]
假设判断矩阵=⎣⎢⎢⎡a11a21...an1a12a22...an2............a1na2n...ann⎦⎥⎥⎤
那
么
算
术
平
均
法
求
得
的
权
重
向
量
ω
i
=
1
n
∑
j
=
1
n
a
i
j
∑
k
=
1
n
a
k
j
(
i
=
1
,
2
,
.
.
.
,
n
)
那么算术平均法求得的权重向量\ \omega_i=\frac{1}{n}\sum_{j=1}^n\frac{a_{ij}}{\sum_{k=1}^na_{kj}}(i=1,2,...,n)
那么算术平均法求得的权重向量 ωi=n1j=1∑n∑k=1nakjaij(i=1,2,...,n)
几何平均法
- 将矩阵A中的元素按照行相乘得到一个新的列向量
- 将新的向量的每个分量开n次方
- 对该列向量进行归一化处理即可得到权重向量
假
设
判
断
矩
阵
A
=
[
a
11
a
12
.
.
.
a
1
n
a
21
a
22
.
.
.
a
2
n
.
.
.
.
.
.
.
.
.
.
.
.
a
n
1
a
n
2
.
.
.
a
n
n
]
假设判断矩阵A=\left[ \begin{array}{ccc} a_{11} & a_{12} &... & a_{1n} \\ a_{21} & a_{22} &... & a_{2n} \\ ... &... &... &...\\ a_{n1} & a_{n2} &... & a_{nn} \end{array} \right]
假设判断矩阵A=⎣⎢⎢⎡a11a21...an1a12a22...an2............a1na2n...ann⎦⎥⎥⎤
那
么
几
何
平
均
法
求
得
的
权
重
向
量
ω
i
=
(
∏
j
=
1
n
a
i
j
)
1
n
∑
k
=
1
n
(
∏
j
=
1
n
a
k
j
)
1
n
那么几何平均法求得的权重向量\ \omega_i=\frac{(\prod^n_{j=1}a_{ij})^{\frac{1}{n}}}{\sum^n_{k=1}(\prod^n_{j=1}a_{kj})^{\frac{1}{n}}}
那么几何平均法求得的权重向量 ωi=∑k=1n(∏j=1nakj)n1(∏j=1naij)n1
特征值法求权重
由前面可知,一致矩阵有一个特征值为n,其余特征值为0,而且当特征值为n时,对应的特征向量刚好为
k
[
1
a
11
,
1
a
12
⋅
⋅
⋅
1
a
1
n
]
T
(
k
≠
0
)
\boldsymbol{k[\frac{1}{a_{11}},\frac{1}{a_{12}}···\frac{1}{a_{1n}}]^T(k\ne 0)}
k[a111,a121⋅⋅⋅a1n1]T(k=0),分析可知
[
1
a
11
,
1
a
12
⋅
⋅
⋅
1
a
1
n
]
T
\boldsymbol{[\frac{1}{a_{11}},\frac{1}{a_{12}}···\frac{1}{a_{1n}}]^T}
[a111,a121⋅⋅⋅a1n1]T就是一致矩阵的第一列上的元素
假如判断矩阵的一致性可以接受,那么也可以仿照一致矩阵权重的求法
- 求出矩阵A的最大特征值以及其对应的特征向量
- 对求出的特征向量进行归一化处理即可得到权重
层次分析法的局限性
- 评价的决策层(方案层)不能太多,太多的话n会很大,判断矩阵和一致矩阵差异可能会很大
平均随机一致性指标RI的表格中n最多是15
- 如果决策层中指标的数据是已知,再用层次分析法去主观给出判断矩阵显然是不合理的,那么我们该如何利用这些数据来世的评价更加准确呢?
层次分析法框架图
- 从上到下顺序地存在支配关系,并用直线段表示,除目标层外,每个元素至少受上一层一个元素支配,除最后一层外,每个元素至少支配下一层次一个元素,上下层元素的联系比同一层次强,以避免同一层次中不相邻元素存在支配关系;
- 整个结构中,层次数不受限制
- 最高层只有一个元素,每一个元素所支配的元素一般不超过9个,元素过多时可进一步分组。
- 由上图可以看到在准则层中,可以有不同的准则,以及准则之下还可以有子准则。