一、模型引出
1、问题的提出
层次分析法是评价决策类中一个比较常用的方法，很多留意美赛赛题的小伙伴们就会发现，在美赛EF类题目的历年O奖论文中，层次分析法出现的概率是非常高的。层次分析法呢一般是针对评价决策类的题目，让我们评价或选择一个可能更好、更优的政策及方案，那这样呢，我们就要先找到衡量政策和方案好坏的一些指标，然后呢再去量化这些指标，量化指标之后，我们再去找到一个评价体系，综合考虑所有的指标来看哪一个政策更好。
这里呢，给大家举一个例子，比如说某某微博要选一个明星，作为微博之星，现在呢有三个候选人ABC，那我们应该选择哪位明星呢，应该要找哪几个指标来衡量，比如说呢这里我们考虑明星的粉丝数，颜值，作品数量和作品质量。我们来看ABC这三位明星的相关数据。
那这里呢我们就引出一个概念，怎么能让这个指标划到同一个数量级，且保证同一指标内它的排名和这个差距不变，有一个方法呢叫做归一化处理，我们把ABC3位明星的各项指标，进行归一化处理，然后相加就可以得到三位明星对应的得分，实际上呢除了这个归一化处理，我们还要考虑一个因素，就是他每一个指标在进行这个选择的时候，它的重要程度是不同的，所以说呢我们怎么去判断这个重要性呢，我们就要给这每个指标加上一个权重，那在这里呢这个权重是我随意设置的，他肯定是不够科学，那么我们如何能够科学的设定这个权重呢，其实呢这就是层次分析法的主要作用了。
2、基本概念
层次分析法呢简称AHP，它是对一些比较复杂，较为模糊的问题做出决策的简易方法，它就适用于那些难以完全定量分析的问题，它是由美国的运筹学家萨吉教授，于上世纪70年代提出的一种方法，那这种方法呢它并不代表着我们绝对的客观，而是说它在我们相对随意的啊，去制定权重的情况下，又多了一份科学的东西，其实呢层次分析法，它并不是一个非常客观的定弦方法，但是相比我们随意的去设置权重，它还是更为科学的，那我们应该怎样去运用层次分析法呢。
二、模型原理
1、原理
在应用层次分析法解决问题时，我们首先要把问题进行条理化，层次化，然后构造出一个有层次的结构模型，我们可以看一下图片右下角，这个结构模型呢分为三层，分别是目标层，准则层和方案层，那第一层呢也就是目标层，它只有一个元素，它是分析问题的预定目标或者说理想结果，那中间层呢，它包含了实现目标所涉及的中间环节，其实呢就是我们判断一个方案好坏的，然后最底层呢叫做方案层，它就为实现目标提供了可供选择的措施和方案，好的那我们知道了层次分析法的一个结构模型，我们应该怎样去解决题目呢。
2、基本步骤
首先它有一个基本步骤，第一个步骤呢叫做建立递阶层次结构模型，也就是我们刚刚这个模型，那么刚刚那个选出微博之星的模型，已经很清晰了，第一层呢就是选出微博之星，那这准则层呢其实就是粉丝，还有作品质量等等，那方案层呢就是ABC3个人，第二步就是构造出各个层次所有的判断矩阵，然后构造出判断矩阵之后，我们要进行一致性检验，那最后就是求出权重，然后把指标按照权重进行综合评分。那我们现在来套用这四个步骤来选择微博之星。（详细的课程教程请关注b站up数模加油站，进行学习）
三、典型例题
1、建立递阶层次结构模型及判断矩阵
首先是建立递阶层次结构模型，那层次模型呢就如这个图所示，那这个层次结构一目了然，接下来我们就要构造出各层次中的判断矩阵。
2、构造判断矩阵
什么叫做判断矩阵呢，我们对所有的指标进行两两比较，然后就能构造出判断矩阵，矩阵中的元素，我们用aij来代表，那aij是什么意思呢，aij代表的意思就是，第i个指标相对于第j个指标的重要程度，好的，现在呢我们来尝试构造判断矩阵，我们依次对所有的指标进行两两比较，就会得到完整的判断矩阵啊，就是途中的一个表，那实际上呢我们在构造判断矩阵的过程中，每次都是两两比较，在两两比较的过程中呢，是不涉及其他的因素和指标的，那如果比较的指标比较多，就有可能会导致最后的结果出现矛盾，那应该怎么办呢，这个时候我们就引入了一个概念，叫做一致性检验。
3、一致性检验
（1）一致性检验原理
什么是一致性检验呢，一致性检验，就是来看看我们判断矩阵中的各个指标，它的重要程度是否一致，比如说刚刚那种情况下，这个质量它的重要程度是不是一会儿是重要的，一会儿又是不重要的，那它就是不一致的。（详细的课程教程请关注b站up数模加油站，进行学习）
（2）一致性检验的步骤
（3）一致性检验计算
我们来计算判断矩阵的最大特征值，来求得CR和RI，当前的判断矩阵呢，我们发现CR大于0.1了，那这个时候呢我们就需要修改判断矩阵，我们把刚刚那个错误调换过来，其实就是作品数量和作品质量的一个重要程度的一个关系，经计算呢，修改后的判断矩阵CR是0.04，小于0.1，他就通过了一致性检验，通过一致性检验呢就可以求权重了
4、求权重
（1）算术平均法
求权重一共有三种方法，分别是算术平均法，几何平均法以及特征值法，首先呢我们来看一下算术平均法怎么求权重，第一步是把判断矩阵按照列进行归一化，第二步将归一化的各类相加，那就是按行进行求和，第三步是把相加后的向量，每个元素除以N，它就是得到的权重向量了。
（2）几何平均法
第二个我们来看几何平均法求权重啊，几何平均法是把判断矩阵按照行相乘，得到一个新的列向量，然后将新的向量的每个分开N次方，然后对该向量的进行归一化就可以得到权重向量。
（3）特征值法
我们可以仿照一致矩阵求权重的求法，因为这个时候我们判断矩阵一致性是可以接受的，所以就可以仿照这种求法，首先呢我们求出矩阵A的最大特征值，以及特征向量，然后我们再对特征向量进行归一化，就可以得到我们的权重。
（4）求评分
四、相关代码
1、Matlab相关代码
（1）一致性检验代码
%代码一致性检验% A=[1 2 3 5;1/2 1 1/2 2;1/3 2 1 1/2;1/5 1/2 2 1];% A=[1 2 3 5;1/2 1 1/2 2;1/3 2 1 2;1/5 1/2 1/2 1];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)); %先求出每一列的最大值，再求最大值中的最大值CI = (Max_eig - n) / (n-1);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];%注意哦，这里的RI最多支持 n = 15%这里n=2时，一定是一致矩阵，所以CI = 0，我们为了避免分母为0，将这里的第二个元素改为了很接近0的正数CR=CI/RI(n);disp('一致性指标CI=');disp(CI);disp('一致性比例CR=');disp(CR);if CR<0.10disp('因为CR= 0.10，因此该判断矩阵A需要进行修改!');end（2）求权重代码
1）算术平均法求权重
%1.算术平均法计算权重%输入样例：% A=[1 2 3 5;1/2 1 1/2 2;1/3 2 1 2;1/5 1/2 1/2 1];A = input('判断矩阵A=');%输入判断矩阵ASum = sum(A,1);%将判断矩阵每列求和[n,n] = size(A);%获取A的行和列，用于对ASum复制，对应位相除归一化Ar = repmat(ASum,n,1);%复制Asum n行1列为Ar矩阵Stand_A = A./Ar;%归一化ASumr = sum(Stand_A,2); %各列相加到同一行disp(ASumr/n);%将相加后得到的向量每个元素除以n可以得到权重向量2）几何平均法求权重
%2.几何平均法计算权重% A=[1 2 3 5;1/2 1 1/2 2;1/3 2 1 2;1/5 1/2 1/2 1];clc;A = input('判断矩阵A='); %输入判断矩阵[n,n] = size(A);%获取A的行和列prod_A = prod(A,2); %将A中每一行元素相乘得到一列向量prod_n_A = prod_A.^(1/n); %将新的向量的每个分量开n次方等价求1/n次方re_prod_A = prod_n_A./sum(prod_n_A);%归一化处理disp(re_prod_A);%展示权重结果3）特征值法求权重
%3.特征值法计算权重% A=[1 2 3 5;1/2 1 1/2 2;1/3 2 1 2;1/5 1/2 1/2 1];clc;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)); %先求出每一列的最大值，再求最大值中的最大值[r,c] = find(Max_eig == D,1);%使用find()函数找出最大特征值对应的特征向量%对特征向量进行归一化得到所需权重disp(V(:,c)./sum(V(:,c)));2、Python相关代码
（1）一致性检验代码
import numpy as np# 定义矩阵A# A = np.array([[1, 2, 3, 5], [1/2, 1, 1/2, 2], [1/3, 2, 1, 1/2], [1/5, 1/2, 2, 1]])A = np.array([[1, 2, 3, 5], [1/2, 1, 1/2, 2], [1/3, 2, 1, 2], [1/5, 1/2, 1/2, 1]])n = A.shape[0] # 获取A的行# 求出最大特征值以及对应的特征向量eig_val, eig_vec = np.linalg.eig(A) # eig_val是特征值， eig_vec是特征向量Max_eig = max(eig_val) # 求特征值的最大值CI = (Max_eig - n) / (n-1)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] # 注意哦，这里的RI最多支持 n = 15# 这里n=2时，一定是一致矩阵，所以CI = 0，我们为了避免分母为0，将这里的第二个元素改为了很接近0的正数CR = CI / RI[n]print('一致性指标CI=', CI)print('一致性比例CR=', CR)if CR < 0.10:print('因为CR= 0.10，因此该判断矩阵A需要进行修改!')（2）求权重代码
1）算术平均法求权重
import numpy as np# 定义判断矩阵AA = np.array([[1, 2, 3, 5], [1/2, 1, 1/2, 2], [1/3, 2, 1, 2], [1/5, 1/2, 1/2, 1]])# 计算每列的和ASum = np.sum(A, axis=0)# 获取A的行和列n, _ = A.shape# 归一化Stand_A = A / ASum# 各列相加到同一行ASumr = np.sum(Stand_A, axis=1)# 计算权重向量weights = ASumr / nprint(weights)2）几何平均法求权重
import numpy as np# 定义判断矩阵AA = np.array([[1, 2, 3, 5], [1/2, 1, 1/2, 2], [1/3, 2, 1, 2], [1/5, 1/2, 1/2, 1]])# 获取A的行和列n, _ = A.shape# 将A中每一行元素相乘得到一列向量prod_A = np.prod(A, axis=1)# 将新的向量的每个分量开n次方等价求1/n次方prod_n_A = np.power(prod_A, 1/n)# 归一化处理re_prod_A = prod_n_A / np.sum(prod_n_A)# 展示权重结果print(re_prod_A)3）特征值法求权重
import numpy as np# 定义判断矩阵AA = np.array([[1, 2, 3, 5], [1/2, 1, 1/2, 2], [1/3, 2, 1, 2], [1/5, 1/2, 1/2, 1]])# 获取A的行和列n, _ = A.shape# 求出特征值和特征向量eig_values, eig_vectors = np.linalg.eig(A)# 找出最大特征值的索引max_index = np.argmax(eig_values)# 找出对应的特征向量max_vector = eig_vectors[:, max_index]# 对特征向量进行归一化处理,得到权重weights = max_vector / np.sum(max_vector)# 输出权重print(weights)