数学建模评价类模型—层次分析法（无数据情况下）
文章目录
- 前言
- 一、pandas是什么？
- 二、使用步骤
- 1.引入库
- 2.读入数据
- 总结
前言
本文将讲解解决评价类问题的第一种模型层次分析法（AHP法），首先我们会具体讲解评价类问题解答的具体流程再对AHP方法进行讲解
一、评价类问题概述
评价指标本身的数学量化，评价指标之间的数学综合
基本流程：明确主体—>指标明确—>权重计算—>方案评价
明确主体：明确哪里可以用到评价，比如：2012对《葡萄酒的评价》这里葡萄球的等级就是可以用到评价的地方
指标确定：可以通过一个思维导图的方式来画出这个指标系统。先确定方向（通过查找文献和头脑风暴），然后再向下细化
权重计算：使用主观权重法和客观权重法，每个指标都要进行归一化
方案评价：得到权重后，再对结果进行进一步分析
二、AHP建模流程
1、过程描述
1、建立层次结构模型：
目标层（决策的目标，如：选出微博之星）
准测层C={C1，C2，···，Cn}（考虑的因素，实质上就是评价指标）
方案层P={P1，P2，···Pm}（决策对象，如：微博之星又A，B，C三个人可选择）
2、构造判断矩阵
对于准则层中的每个元素Ci（i=1，2，···，n)，构造一个关于方案层P中各个元素两两比较的判断矩阵Ai(mxm),其中元素aij表示因素Pj相对于因素Pi的重要性程度。通常使用1-9的比例标度来表示这种重要性程度。易得aij*aji=1，所以在写判断矩阵时可以只写一边矩阵再对应填另一边
注意：这个地方常常会出现嵌套分层，也就是说可能每个Ci可能会单独对应某些Pi，这个时候要再构造一次判断矩阵，本质上就是先聚类再使用层次分析法（在后面例子我们会讲到）
3、层次单排序及一致性检验
- 对于每个判断矩阵Ai，计算其最大特征根λmax和对应的特征向量Wi，对特征向量Wi进行归一化处理（其实就是特征向量/n）
- 得到准则层Ci下各因素的权重向量wi = (wi1, wi2, ..., wim)。
- 计算一致性指标CI 和随机一致性指标RI，进而计算一致性比例CR = CI / RI。
- 如果CR < 0.1，（这里只有CI越小CR才能越小，故当λmax—>n时，我们认为矩阵Ai越接近一致矩阵） 则认为判断矩阵Ai具有满意的一致性
，CI通过上述公式求出，同时Xmax即为最大特征根，n为评价指标个数
整个过程可概括为下面的流程图
2、层次分析法—Matlab代码
%层次分析法-一致性检验
A = input('判断矩阵A=');%输入判断矩阵
[n,n]=size(A); %获取A的行和列%求出最大特征值以及对应的特征向量
[V,D]=eig(A); %V是特征向量 D是特征值构成的对角矩阵
Max_eig = max(max(D)); %先求出每一行的最大值，再求出最大值中的最大值，即为最大特征值CI = (Max_eig - n)/(n-1);%求出一致性检验指标%网上查表可得
RI=[0,0.0001,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54,1.56,1.58,1.59];%注意RI最多支持n=15
CR=CI/RI(n);
disp('一致性指标CI=');disp(CI);
disp('一致性比例CR=');disp(CR);if CR<0.1disp('因为CR<0.01,所以该判断矩阵A的一致性可以接受！');
elsedisp('注意：CR>=0.10,因此该判断举证A要进行修改！');
end三、权重计算
算术平均法
%1.算术平均法计算权重
%输入样例，将前面的判断矩阵输入即可，此处省略
Asum=sum(A,1);%将A的每列求和赋值到Asum中
Ar = repmat(Asum,n,1);%复制Asum n行1列为Ar矩阵,使得Ar又变回了n行n列的矩阵
stand_A=A./Ar;%归一化处理，./表示对应的元素相除
ASumr = sum(stand_A,2);%再对归一化处理后的矩阵的每列加到同一行
disp(ASumr/n);%相加后的每个元素/n得到权重向量(nx1)
通过权重向量就能得到各个指标的重要程度