层次分析法AHP - 代码注释多 - （数据建模 Python代码）

实际生活中，往往有一些很复杂的系统，我们没办法直观草率的确定权重，比如甲、乙、丙三人竞选总统，严谨的说，需要从三人的社交能力、管理能力、经济能力等方面来考虑，在每个方面，三位候选人的得分也不同，那么到底怎么来判断这三个人的综合得分呢？AHP可以帮助你。（请忽略现在的选举都是投票这个现实）

层次分析法是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标（或准则、约束）的若干层次，通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策的系统方法。

层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。

层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。

下面是代码：

因为注释较多，根本无需一步一步的详解就能看懂，所以就一下子全放上来了。

#思路：
#1.首先输入每个指标下面对应的判断矩阵，
#该矩阵中的值是通过大数据（或者专家）得到的每两个指标之间的相对重要程度值，
#通过AHP计算这些判断矩阵是否通过一致性的检验，通过即合理，
#不通过就说明矩阵中的两指标间的相对重要程度有过分矛盾的地方，import csv
import numpy as np
import tensorflow as tf#定义一个叫AHP的类
class AHP:def __init__(self,array):#array是每个指标下面对应的判断矩阵，即原始数据self.row = len(array)#计算矩阵的行数self.col = len(array[0])#计算矩阵的列数def get_tezheng(self,array):#获取最大特征值和对应的特征向量te_val ,te_vector = np.linalg.eig(array)#numpy.linalg.eig() 计算矩阵特征值与特征向量list1=list(te_val)#te_val是一个一行三列的矩阵，此处将矩阵转化为列表print("特征值为：",te_val)print("特征向量为：",te_vector)#得到最大特征值对应的特征向量max_val = np.max(list1)#最大特征值index = list1.index(max_val)#最大特征值在列表中的位置max_vector = te_vector[:,index]#通过位置来确定最大特征值对应的特征向量print("最大的特征值:"+str(max_val)+"   对应的特征向量为："+str(max_vector))return max_val,max_vector    def RImatrix(self,n):#建立RI矩阵，该矩阵是AHP中自带的，类似标杆一样，除n之外的值不能更改d = {}n1 = [1,2,3,4,5,6,7,8,9]n2 = [0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45]for i in range(n):#获取n阶矩阵对应的RI值d[n1[n]] = n2[n]print("该矩阵在一致性检测时采用的RI值为：",d[n1[n]])return d[n1[n]]def test_consitstence(self,max_val,RI): #测试一致性，AHP中最重要的一步，用于检验判断矩阵中的数据是否自相矛盾CI = (max_val-self.row)/(self.row-1) #AHP中计算CI的标准公式CR = CI/RI #AHP中计算CR的标准公式if  CR < 0.10 :print("判断矩阵的CR值为  " +str(CR) + "通过一致性检验")return Trueelse:print("判断矩阵的CR值为  " +str(CR) + "判断矩阵未通过一致性检验，请重新输入判断矩阵")return False  def normalize_vector(self,max_vector):#特征向量归一化vector_after_normalization=[]#生成一个空白列表，用于存放归一化之后的特征向量的值sum0 = np.sum(max_vector)#将特征向量的每一个元素相加取和for i in range(len(max_vector)):#将特征向量的每一个元素除以和，得到比值，保证向量的每一个元素都在0和1之间，直线归一化#将归一化之后的元素依次插入空白列表的尾部vector_after_normalization.append(max_vector[i]/sum0)print("该级指标的权重矩阵为：  "+str(vector_after_normalization))return vector_after_normalization def weightCalculator(self, normalMatrix):#计算最终指标对应的权重值#layers weight calculations.listlen = len(normalMatrix) -1 #设置listlen的初始值为normalMatrix最后一个元素的indexlayerWeights = list()#空白权重列表while listlen > -1:sum = float()#sum的初始值为0.0，并且限制了sum的类型为浮点型for i in normalMatrix:sum+= i[listlen]  #求normalMatrix各元素的和sumAverage = round(sum / len(normalMatrix),3)#求normalMatrix各元素的平均值，并保留三位小数layerWeights.append(sumAverage)#为什么平均值是权重？？？？？？listlen-=1return layerWeightsimport csv
import numpy as np
import tensorflow as tfdef main():#这里需要确定指标的规模即多少个一级指标，多少个二级指标，这样才能确定要计算多少个对比矩阵array1=[]array2=[]def define_structure():#构造AHP的层次结构level_structure = []       level = int(input("请输入指标的级数："))#输入比如说这是个三级指标体系level0 = input("请输入每一级下指标的个数：")level.append(level0)#将列表level0作为一个元素插入到列表level的末尾level2 = []for i in range(level):#每一级指标下有多少具体的指标个数rate_num = input("请输入" +str(i)+ "层下指标的个数：")#level2.append(rate_num)for j in range(rate_num ):two_level_for_one = int(input("请输入第" +str(i)+ " 个一级指标对应的下级指标的个数："))level_structure.append(two_level_for_one )return level_structuredef creat_matrix(n):n = define_structure()for i in n:length = input("请输入指标对比矩阵的阶数：")#对应指标下共有多少个相互对比的对象length = int(length)#向下取整，若length=3.7，则int(length)=3count=0for i in  range(length):#若length=3，则这部分实现的是，输入矩阵中3*3=9个元素的值for j in range(length):count += 1x = input("请输入指标对比矩阵的第"+str(count)+ " 个元素：")x = float(x)array1.append(x)#此时的array1还不是一个矩阵，只是包含9个元素的列表#eg:array1=[4,7,8,2,1,13,16,5,11]for i in range(length*length):#将列表array1矩阵化if (i+1)%length==0:#使用i+1是为了避免i=0的情况，因为0%3==0是truearray2.append(array1[i-length+1:i+1])#每3个元素形成一个列表插入到array2的末尾print(array2)#eg：array2=[[4,7,8],[2,1,13],[16,5,11]]矩阵形式array2=np.mat(array2)#NumPy函数库中的matrix与MATLAB中matrices等价，由于AHP是比较数学的东西，所以习惯的mat一下矩阵a=AHP(array2)max_val,max_vector = a.get_tezheng(array2)#获取最大特征值和对应的特征向量RI= a.RImatrix(length)#获取length阶矩阵对应的RI值flag = a.test_consitstence(max_val,RI)#测试一致性，返回TRUE或者flaseif flag:#如果flag=TRUE，则调用函数通过最大特征值对应的特征向量获取权重矩阵weight = a.normalize_vector(max_vector)main()

可以拷贝到本地慢慢消化，相信如此完备的注释会大大的有助于您的学习。

此代码为多年前的代码了，最近重新运行一遍，竟然报错了，不知哪里的问题，还望有经验的大神指正。

层次分析法AHP - 代码注释多 - （数据建模 Python代码）相关推荐

熵权法EW与层次分析法AHP之数学原理及实例
1.概述对于多指标或多目标决策问题,由于涉及到多个指标或属性,在对实测数据进行评价时,需要确定这些指标之间的相互权重,各指标权重的客观性与合理性也会大大影响到最终的评价结果.目前对于指标权重确定的方 ...
数学建模 --- 层次分析法(AHP模型)
层次分析法评价类问题该问题思路选出相关指标,求各个指标之间的权重和对某个指标而言各个选择权重(分而治之思想) 计算每个方案的得分层次分析法层次分析法第一步 --- 层次结构图层次分析法 ...
2010年高教社杯全国大学生数学建模竞赛题目B题解析及层次分析法AHP在其中的应用
2010年高教社杯全国大学生数学建模竞赛题目 B题 2010年上海世博会影响力的定量评估 2010年上海世博会是首次在中国举办的世界博览会.从1851年伦敦的"万国工业博览会"开始 ...
数学建模之层次分析法AHP
层次分析法(Analytic Hierarchy Process,AHP)这是一种定性和定量相结合的.系统的.层次化的分析方法.这种方法的特点就是在对复杂决策问题的本质.影响因素及其内在关系等进行深入 ...
层次分析法 AHP
层次分析法(Analytic Hierarchy Process,简称 AHP)是对一些较为复杂.较为模糊的问题作出决策的简易方法,它特别适用于那些难于完全定量分析的问题.它是美国运筹学家 T. L. ...
【数学建模】层次分析法(AHP)-Python实现
1 前言本文主要讲解层次分析法(AHP)的python实现,后续会跟进实例分析 2 代码实现导入包 import numpy as np 2.1 构造判断矩阵判断矩阵一般采用专家意见法,也就是德 ...
R语言应用实战-基于R语言的综合评价（层次分析法AHP为例）
一.综合评价的基本概念对一个事物的评价往往会涉及多个因素或者多个指标,评价是在多个因素相互作用下的一个综合判断.多指标综合评价方法具有以下的特点:包含若干个指标,分别说明被评价对象的不同方面,评价方 ...
【数学建模】层次分析法AHP（评价与决策）
文章目录一.算法介绍二.适用问题三.算法总结 1. 步骤 2. 如何构建层次结构模型 3. 如何构建成对比较矩阵 4. 如何进行一致性检验四.应用场景举例(旅游问题) 1. 建模 2. 构造成 ...
MATLAB实现层次分析法AHP及案例分析
层次分析法(Analytic Hierarchy Process, AHP) 1 模型背景美国运筹学家匹兹堡大学教授Saaty在20世纪70年代初提出的一种层次权重决策分析方法. 层次分析法(Ana ...

层次分析法AHP - 代码注释多 - （数据建模 Python代码）

层次分析法AHP - 代码注释多 - （数据建模 Python代码）相关推荐

最新文章

热门文章

层次分析法AHP - 代码注释多 - （ 数据建模 Python代码）

层次分析法AHP - 代码注释多 - （ 数据建模 Python代码）相关推荐

最新文章

热门文章

层次分析法AHP - 代码注释多 - （数据建模 Python代码）

层次分析法AHP - 代码注释多 - （数据建模 Python代码）相关推荐