一、数学建模层次分析法（AHP）【清风数学建模个人笔记】
目录
层次分析法（AHP）：
解决评价列问题三个方面：
评价类问题权重表格：
一致矩阵
一致性检验（用到高代知识）
一致矩阵计算权重
若判断矩阵为一致矩阵：
矩阵为非一致矩阵
方法1算术平均法求权重:
方法二几何平均法求权重：
方法3特征值法求权重
得出结果
层次分析法做题步骤：
层次分析法局限性
代码讲解
代码可以优化的地方
模型拓展
层次分析法（AHP）：
层次分析法主要用于解决评价类问题（例如：选择哪种方案更好、哪位员工、运动员等表现得更优秀【确定评价指标、形成评价体系】）
解决评价列问题三个方面：
- 我们评价的目标是什么？（分析题目）
- 我们为了达到这个目标有哪几种可选择方案？（分析题目）
- 评价的准则或指标是什么？（题目中的背景材料、常识、参考文献以及搜索）
评价类问题权重表格：
- 分析问题得出评判问题的子标
- 分别给不同子标赋予权重（权重和要为1）
- 给不同方案对应不同子标给予打分（不同方案对于每个子标打分和要为1）
例如选择某个学校：
| 指标权重 | 华科 | 武大 | |
| 学习氛围 | 0.4 | 0.7 | 0.3 |
| 就业前景 | 0.3 | 0.5 | 0.5 |
| 男女比例 | 0.2 | 0.3 | 0.7 |
| 校园景色 | 0.1 | 0.25 | 0.75 |
华科最终得分：0.515
0.7 * 0.4 * + 0.5 * 0.3 + 0.3 * 0.2 + 0.25 * 0.1
武大最终得分：0.485
0.3 * 0.4 + 0.5 * 0.3 + 0.7 * 0.2 + 0.75 * 0.1
那如何得出指标权重？（层次分析法思想登场）
有多个指标的时候，我们一次性考虑五个指标之间的关系，往往考虑不周，为了更加准确的得出五个指标的权重，我们采用两两比较的方法，最终根据两两比较的结果推算出权重。这时就用到了下方的重要程度表（重要程度也可以理解为满意度）
| 标度 | 含义 |
| 1 | 表示两个个因素相比，具有同样重要性 |
| 3 | 表示两个因素相比，一个因素比另一个因素稍微重要 |
| 5 | 表示两个因素相比，一个因素比另一个因素明显重要 |
| 7 | 表示两个因素相比，一个因素比另一个因素强烈重要 |
| 9 | 表示两个因素相比，一个因素比另一个因素极端重要 |
| 2,4,6,8 | 上述两相邻判断的中值 |
| 倒数 | A和B相比如果标度为3，那么B和A相比就是1/3 |
例如选择某个旅游景点：
共五个指标【两两相比组合数C(5,2)】，后面会介绍具体如何填写这张表
| 景色 | 花费 | 居住 | 饮食 | 交通 | |
| 景色 | 1 | 1/2 | 4 | 3 | 3 |
| 花费 | 2 | 1 | 7 | 5 | 5 |
| 居住 | 1/4 | 1/7 | 1 | 1/2 | 1/3 |
| 饮食 | 1/3 | 1/5 | 2 | 1 | 1 |
| 交通 | 1/3 | 1/5 | 3 | 1 | 1 |
| 标度 | 含义 |
| 1 | 同样重要性 |
| 3 | 稍微重要 |
| 5 | 明显重要 |
| 7 | 强烈重要 |
| 9 | 极端重要 |
| 2,4,6,8 | 上述两相邻判断的中值 |
| 倒数 | A和B相比如果标度为3，那么B和A相比就是1/3 |
上述左表中的数据部分是一个5 * 5的方阵，我们计为A，对应元素为
方阵特点：
（1）表示的意义是，与指标j相比，i的重要程度。
（2）当i = j时，两个指标相同，因此同等重要记为1，这就解释了主对角线元素为1.
（3） > 0 且满足 * = 1(我们称满足这一条件的矩阵为正互反矩阵)
实际上这个矩阵就是层次分析法中的判断矩阵
同样的我们可以得到如下表格
一个可能出现问题的地方：
此时引入一个概念——一致矩阵（绝对一致是不太好实现的，我们要把一致性控制在一个程度内）
一致矩阵
若矩阵中每个元素 > 0 且满足 * = 1 ，则我们称该矩阵为正互反矩阵。 在层次分析法中，我们构造的判断矩阵均是正互反矩阵。 若正互反矩阵满足
，则我们称其为一致矩阵。推导如下：
特点：各行（各列）成倍数关系【判断一致矩阵方法】,只要各行（各列）成倍数关系就是一致矩阵
例如下图：图中一致矩阵
， 以此类推都满足倍数关系
在使用判断矩阵求权重之前，必须对其进行一致性检验，若不一致程度太大，判断矩阵失效
下面给出两个矩阵，左表为不一致矩阵，右表为一致矩阵
可见这两者的区别有a13从5变成了4，呢么如何判断5和4的差距大不大呢？这是就需要用到一致性检验。
一致性检验（用到高代知识）
原理：检验我们构造的判断矩阵和一致矩阵是否有太大的差别
为一致性矩阵的充要条件：
引理1：
A为n阶方阵，且r(A) = 1，则A有一个特征值为tr(A)，其余特征值均为0
因为一致矩阵有一个特征值为n，所以一致矩阵的秩一定为1
由引理可知：一致矩阵有一个特征值为n，其余特征值均为0.
另外，易知，特征值为n时，对应的特征向量为
引理2：
n阶正互反矩阵A为一致矩阵时当且仅当最大特征值
，且当正互反矩阵A非一致时，一定满足
如下图，我们设要检验的变量为a,由右表知当判断矩阵越不一致的时，最大特征值与n相差就越大（检验矩阵与一致矩阵相差大不大其实就是检验最大特征值与n相差大不大）
一致性检验步骤：
- 计算一致性指标CI
- 查找对应的平均随机一致性指标RI
注：在实际应用中，n很少超过10，若指标个数超过10，则可以考虑建立二级指标体系 n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RI 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 - 计算一致性比例CR
，如果CR<0.1，则可以认为矩阵的一致性可以接受；否则需要对判断矩阵进行修正（手动往倍数方面改）
至于一致性指标RI是怎么计算来的，为什么这样构造CI以及为什么一0.1为划分依据并不需要了解透彻，实际做题中不需要知道为什么。
一致矩阵计算权重
若判断矩阵为一致矩阵：
例如：
有由此图可知，苏杭在景色方面重要程度为1，北戴河在景色方面重要程度为1/2，桂林在景色方面重要程度为1/4.
注意，权重处理一定要进行归一化理：
苏杭 = 1/（1+0.5+0.25）
北戴河= 0.5/（1+0.5+0.25）
桂林= 0.25/（1+0.5+0.25）
因为是一致性矩阵，所以用第一列和用其他列计算结果是一样的
矩阵为非一致矩阵
方法1算术平均法求权重:
- 将判断矩阵按照列归一化（每一个元素除以其所在列的和后得到的新的判断矩阵）
- 将归一化后的矩阵按行求和得到一个列向量
- 将第二部中的列向量中的每个元素除以n即可得到权重向量
数学描述 ：
例如：
归一化：
苏杭 = 1/(1+0.5+0.2) = 0.5882
北戴河 = 0.5/(1+0.5+0.2) = 0.2941
桂林 = 0.2/(1+0.5+0.2) = 0.1177
同样的方法将整个表格归一化
方法二几何平均法求权重：
步骤（和方法一步骤大致相同）：
- 将A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即可得到权重向量
数学描述
方法3特征值法求权重
一致矩阵有一个特征值n，其余特征值均为0.
另外，我们很容易得到，特征值为n时，对应的特征向量刚好为（k!=0）,这一特征向量刚好就是一致矩阵的第一列。
步骤
- 求出矩阵A的最大特征值以及对应的特征向量
- 对求出的特征向量进行归一化即可得到我们的权重
得出结果
计算 出各个表格的权重后，得到如下表格
通过Excel计算得出各个景点的的得分（F4锁定单元格）
层次分析法做题步骤：
- 分析系统中个因素之间的关系，建立系统的递阶层次结构（层次结构图要放到论文里）【作图方法见下文】
- 对于同一层次的各元素关于上一层次中某一准则的重要性两两比较，构造两两比较矩阵（判断矩阵）【任何评价类模型都具有主观性，现实中都是自己填写判断表】
- 由判断矩阵计算被比较元素对于该准则的相对权重，并进行一致性检验（检验通过之后权重才能使用）【最好三种检验方法都算一下】
使用SmartArt画层次结构图 ，使用亿图图示画层次结构图
层次分析法局限性
（1）评价的决策层不能太多，太多的话n会很大，判断矩阵和一致矩阵差异可能会很大
（2）如果决策层中指标的数据是已知的，就不能用层次分析法了
代码讲解
%% 注意：在论文写作中，应该先对判断矩阵进行一致性检验，然后再计算权重，因为只有判断矩阵通过了一致性检验，其权重才是有意义的。
%% 在下面的代码中，我们先计算了权重，然后再进行了一致性检验，这是为了顺应计算过程，事实上在逻辑上是说不过去的。
%% 因此大家自己写论文中如果用到了层次分析法，一定要先对判断矩阵进行一致性检验。
%% 而且要说明的是，只有非一致矩阵的判断矩阵才需要进行一致性检验。
%% 如果你的判断矩阵本身就是一个一致矩阵，那么就没有必要进行一致性检验。
%% 输入判断矩阵
clear;clc
disp('请输入判断矩阵A： ')
%1、输入前可以判断A的维度是否大于1或是否为方阵
%
% A = input('判断矩阵A=')
A =[1 1 4 1/3 3;
1 1 4 1/3 3;
1/4 1/4 1 1/3 1/2;
3 3 3 1 3;
1/3 1/3 2 1/3 1]
% matlab矩阵有两种写法，可以直接写到一行:
% [1 1 4 1/3 3;1 1 4 1/3 3;1/4 1/4 1 1/3 1/2;3 3 3 1 3;1/3 1/3 2 1/3 1]
% 也可以写成多行:
[1 1 4 1/3 3;
1 1 4 1/3 3;
1/4 1/4 1 1/3 1/2;
3 3 3 1 3;
1/3 1/3 2 1/3 1]
% 两行之间以分号结尾（最后一行的分号可加可不加），同行元素之间以空格（或者逗号）分开。
%% 方法1：算术平均法求权重
% 第一步：将判断矩阵按照列归一化（每一个元素除以其所在列的和）
Sum_A = sum(A)
[n,n] = size(A) % 也可以写成n = size(A,1)
% 因为我们的判断矩阵A是一个方阵，所以这里的r和c相同，我们可以就用同一个字母n表示
SUM_A = repmat(Sum_A,n,1) %repeat matrix的缩写
% 另外一种替代的方法如下：
'''SUM_A = [];
for i = 1:n %循环哦，这一行后面不能加冒号（和Python不同），这里表示循环n次
SUM_A = [SUM_A; Sum_A]
end'''
clc;A
SUM_A
Stand_A = A ./ SUM_A
% 这里我们直接将两个矩阵对应的元素相除即可
% 第二步：将归一化的各列相加(按行求和)
sum(Stand_A,2)
% 第三步：将相加后得到的向量中每个元素除以n即可得到权重向量
disp('算术平均法求权重的结果为：');
disp(sum(Stand_A,2) / n)
% 首先对标准化后的矩阵按照行求和，得到一个列向量
% 然后再将这个列向量的每个元素同时除以n即可（注意这里也可以用./哦）
%% 方法2：几何平均法求权重
% 第一步：将A的元素按照行相乘得到一个新的列向量
clc;A
Prduct_A = prod(A,2)
% prod函数和sum函数类似，一个用于乘，一个用于加 dim = 2 维度是行
% 第二步：将新的向量的每个分量开n次方
Prduct_n_A = Prduct_A .^ (1/n)
% 这里对每个元素进行乘方操作，因此要加.号哦。 ^符号表示乘方哦 这里是开n次方，所以我们等价求1/n次方
% 第三步：对该列向量进行归一化即可得到权重向量
% 将这个列向量中的每一个元素除以这一个向量的和即可
disp('几何平均法求权重的结果为：');
disp(Prduct_n_A ./ sum(Prduct_n_A))
%% 方法3：特征值法求权重
% 第一步：求出矩阵A的最大特征值以及其对应的特征向量
clc
[V,D] = eig(A) %V是特征向量, D是由特征值构成的对角矩阵（除了对角线元素外，其余位置元素全为0）
Max_eig = max(max(D)) %也可以写成max(D(:))哦~【max(D)得到每一列的最大值】
% 那么怎么找到最大特征值所在的位置了？ 需要用到find函数，它可以用来返回向量或者矩阵中不为0的元素的位置索引。
% 那么问题来了，我们要得到最大特征值的位置，就需要将包含所有特征值的这个对角矩阵D中，不等于最大特征值的位置全变为0
% 这时候可以用到矩阵与常数的大小判断运算
D == Max_eig
[r,c] = find(D == Max_eig , 1)%【D == Max_eig（判断语句），返回一个逻辑及矩阵，将最大特征值所在位置变为1，其余位置为0】
% 找到D中第一个与最大特征值相等的元素的位置，记录它的行和列。
% 第二步：对求出的特征向量进行归一化即可得到我们的权重
V(:,c)
disp('特征值法求权重的结果为：');
disp( V(:,c) ./ sum(V(:,c)) )
% 我们先根据上面找到的最大特征值的列数c找到对应的特征向量，然后再进行标准化。
%% 计算一致性比例CR
clc
CI = (Max_eig - n) / (n-1);
RI=[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];
%注意哦，这里的RI最多支持 n = 15【RI为已知表】
%当n=2时，该表一定是一致矩阵，但是因为RI为0.此时计算CR时分母为0，按照步骤一致性检验时会显示不通过，所以我们可以把RI表中的前两位改为很接近0的正数（0.00001）
CR=CI/RI(n);%RI(n)代表RI中第n个元素
disp('一致性指标CI=');disp(CI);
disp('一致性比例CR=');disp(CR);
if CR<0.10
disp('因为CR < 0.10，所以该判断矩阵A的一致性可以接受!');
else
disp('注意：CR >= 0.10，因此该判断矩阵A需要进行修改!');
end代码可以优化的地方
%输入之前可以先判断一下输入是否正确
disp('请输入判断矩阵A')
A=input('A=');% 这里输入的就是我们的判断矩阵，其为n阶方阵（行数和列数相同）
% 在开始下面正式的步骤之前，我们有必要检验下A是否因为粗心而输入有误
ERROR = 0; % 默认输入是没有错误的
%(1)检查矩阵A的维数是否不大于1或不是方阵
[r,c]=size(A);
%size(A)函数是用来求矩阵的大小的,返回一个行向量，第一个元素是矩阵的行数，第二个元素是矩阵的列数
%[r,c]=size(A) %将矩阵A的行数返回到第一个输出变量r，将矩阵的列数返回到第二个输出变量c
if r ~= c || r <= 1
% 注意哦，不等号是 ~= (~是键盘Tab上面那个键，要和Shift键同时按才会出来)，别和C语言里面的!=搞混了
% ||表示逻辑运算符‘或’（在键盘Enter上面，也要和Shift键一起按） 逻辑运算符且是 && （&读and，连接符号，是and的缩写。 ）
ERROR = 1;
end
%(2)检验是否为正互反矩阵 a_ij > 0 且 a_ij * a_ji = 1
if ERROR == 0
[n,n] = size(A);
% 因为我们的判断矩阵A是一个非零方阵，所以这里的r和c相同，我们可以就用同一个字母n表示
% 判断是否有元素小于0
% for i = 1:n
% for j = 1:n
% if A(i,j)<=0
% ERROR = 2;
% end
% end
% end
if sum(sum(A <= 0)) > 0%用逻辑矩阵的方法更方便，逻辑矩阵中元素要么全为0，要么有若干个1
ERROR = 2;
end
end
%顺便检验n是否超过了15，因为RI向量为15维
if ERROR == 0
if n > 15
ERROR = 3;
end
end
if ERROR == 0
% 判断 a_ij * a_ji = 1 是否成立
if sum(sum(A' .* A ~= ones(n))) > 0
ERROR = 4;
end
% A' 表示求出 A 的转置矩阵，即将a_ij和a_ji互换位置
% ones(n)函数生成一个n*n的全为1的方阵, zeros(n)函数生成一个n*n的全为0的方阵
% ones(m,n)函数生成一个m*n的全为1的矩阵
% MATLAB在矩阵的运算中，“/”号和“*”号代表矩阵之间的乘法与除法，对应元素之间的乘除法需要使用“./”和“.*”
% 如果a_ij * a_ji = 1 满足， 那么A和A'对应元素相乘应该为1
end
if ERROR == 0
% % % % % % % % % % % % %方法1： 算术平均法求权重% % % % % % % % % % % % %
.....
% % % % % % % % % % % % %方法2： 几何平均法求权重% % % % % % % % % % % % %
.....
% % % % % % % % % % % % %方法3： 特征值法求权重% % % % % % % % % % % % %
.....
% % % % % % % % % % % % %计算一致性比例CR的环节% % % % % % % % % % % % %
.....
elseif ERROR == 1
disp('请检查矩阵A的维数是否不大于1或不是方阵')
elseif ERROR == 2
disp('请检查矩阵A中有元素小于等于0')
elseif ERROR == 3
disp('A的维数n超过了15，请减少准则层的数量')
elseif ERROR == 4
disp('请检查矩阵A中存在i、j不满足A_ij * A_ji = 1')
end
模型拓展
字太多了，不想写了