大家好，今天给大家介绍基于C#+层次分析法+AHP的项目评审中专家遴选方法设计与实现，文章末尾附有本毕业设计的论文和源码下载地址哦。需要下载开题报告PPT模板及论文答辩PPT模板等的小伙伴，可以进入我的博客主页查看左侧最下面栏目中的自助下载方法哦

文章目录：

科技创新对一个国家的未来起着至关重要的作用，我国对于科学研究的支持也是逐年递增。在科学研究工作中，如何对科技成果进行鉴定，并选择出真正具有创新性和实用性的科技项目进行支持，对整个国家科学研究具有重要的作用。

本论文就科技项目评审中评审专家遴选的问题进行了深入的研究与探讨，提出了一种基于层次分析法的专家遴选算法。层次分析法的主要优点是能够解决任何决策过程中存在的不确定问题，并且计算不太繁琐，相比较其他方法更加容易理解。但是层次分析法通常存在判断矩阵的构造比较困难和指标标准化方式不合适等缺点。本文研究的专家遴选算法首先建立专家的综合评价指标体系，其次建立专家遴选的结构模型，然后提出一种排序赋值法构造判断矩阵，利用层次分析的基本原理计算出每个指标的权重值，再根据指标权重对各个专家进行综合评价，并采取一种的改进的优化归一法对指标值进行标准化，最后根据专家总评价值选取合适的专家。

实验数据表明，在构造判断矩阵时，排位越靠前的指标，计算得到的权重也越大，这说明可以使用层次分析法很好的解决遴选指标体系中各个指标赋权值问题。同时基于层次分析法的专家遴选算法的可以根据项目的需要来对各个指标设置权重来提高指标在遴选中产生的作用。

项目难度：中等难度 适用场景：相关题目的毕业设计 配套论文字数：32162个字53页 包含内容：全套源码+配整论文 开题报告、论文答辩、课题报告等ppt模板推荐下载方式：

提示：以下为毕业论文的简略介绍，项目完整源码及完整毕业论文下载地址见文末。

1 绪论 1.1专家遴选课题背景和研究意义 1.1.1课题背景 　　目前国内外科学评价方法，普遍使用的是同行专家评议制度。同行评议是指某个或者若干领域的专家采用相同的评价标准，共同对涉及上述领域的一项事物进行评议的活动[1]。事实上，科技项目的评审专家支持系统实际上是由若干领域的个体专家所构成的专家群体，他们对涉及其所在领域的科技项目进行的明主评议，实质上就是一种建立在科学基础上的群体明主决策行为[2]。虽然同行评议也有许多值得诟病的地方，但是目前为止，这是对科技成果进行评审的比较有效的方法。 　　 1.1.2研究意义 　　同行评议专家的选择直接关系到同行评议的质量。如何从已有的专家库中选择出合适的专家组成评审组，是项目评审能否成功的关键所在。当前普遍采用的人工遴选的方法和随机选择了两种方式，但是两种方式都后严重的弊端。采用人工人工筛选有两个很明显的不足1、评审的效率很低，因为很多专家库的数据十分庞大，从中选择出遴选专家是十分低效的；2、此外人工操作的方法可能导致某些学术不端行为的发生。因此有些评审机构采用的是随机选择的方法，该方法最大的弊端，是选择的专家和需要评审的成果的研究领域不一致，造成评审人不能对待评审的成果做出正确的评审。 　　为了满足决策者的需要，通过计算机辅助决策，使用系统科学的方法对专家进行定性定量的描述，从而遴选出合适的专家对项目进行评审，可以解决以上两种问题的弊端，提高决策的效率和公平性。对于推动科技事业的发展尤为重要。国内外此类系统也越来越多了。 　　 1.2国内外相关领域研究现状 省略

1.3本文的主要工作 　　本文将对科技成果管理平台中项目评审专家的遴选问题作出解决。通过该算法，快速的在众多评审专家和组合形式中找到一组比较合适的专家组，尽可能提高评审的效率。 　　(1)要解决从众多来自各个领域和部门的专家中选择合适的专家组成专家组的问题，就需要根据专家的各方面素质对专家进行综合评价。进行综合评价的基础是建立一套全面、准确完整的评价指标体系，因此首先建立一套专家评价指标体系。 (2)在建立了专家评价指标体系的基础上，确定各个指标的权重。指标权重的确定可以使用主观权重分析法或者客观权重分析法来求解各个指标的权重，这是两种最常用的指标权重的计算方法。本文将采用主观权重分析法中的层次分析法来确定各个指标的权重。 (3)在建立了评价指标体系并确定了各个指标权重值的基础上，建立决策矩阵。使用综合评价函数对各个专家作出最终评价，并按照最终的评价值选择出合适的专家组成项目的评审专家组。

1.4本文的内容组织安排 第一章绪论，介绍专家遴选算法的课题研究背景与意义，以及该课题目前的国内外研究现状和趋势。同时阐述了本文的主要研究内容。 第二章专家遴选算法的相关技术，这一章介绍了专家遴选算法的相关技术，包括专家遴选指标体系的建立，层次分析法的相关知识，指标值的标准化方法，以及综合评价函数的相关介绍。涵盖了专家遴选算法所涉及的基本背景知识。 第三章基于层次分析法的专家遴选算法，这一章主要介绍了基于层次分析法的专家遴选算法模型。首先建立专家的评价指标体系，然后利用层次分析法解决专家评价指标体系中各个指标的权重赋值问题，之后使用一种改进的标准化方法对决策矩阵进行标准化，最后使用综合评价函数，对标准化的决策矩阵进行综合评价。 第四章专家遴选系统的设计与实现，使用C#语言实现了一个基于层次分析法的专家遴选算法的仿真实验。先介绍了仿真实验程序的功能，然后介绍了程序的各个模块以及算法的几个核心类的设计。之后使用仿真数据进行对算法进行模拟计算，最后通过分析仿真数据的结果来评价专家遴选算法的有效性。

2 专家遴选算法的相关技术 2.1专家评价指标体系的建立 建立专家评价指标体系，是为了可以对专家进行客观、全面、准确的评价，也是遴选出合适专家的基础。选择的指标必须与我们的目标——项目评审中专家的遴选相关。选择了与目标无关一些指标，就可能对我们的决策过程带来混淆，导致与我们的评价目标偏离，浪费了宝贵的资源去追求一些无的指标[3]。因此选择各种指标，必须要符合以下几个原则。 (1)定量化 依赖于主观评价的指标难于定量，对于同样的评价值“优秀、良好、及格”，每个人的评价标准都是不一样的。每个人都知道一半代表多少，但每个人对良好的认知都是不同的。所以评价指标尽量采用客观的可定量化的指标值。 (2)可获得性 有些指标很易于测量，也很也有较大的评价意义，例如发表的论文数。但是有的指标虽然也有很重要的评价意义，例如使用创新性来评价一个专家，但是此类指标过于“理想化”难以获取，因此应该避免选用这类指标。 (3)通俗性 我们有必要为各个指标指定明确、简介的定义。晦涩难懂的指标会给评价带来不必要的麻烦，当被评价对评价深奥指标理解不够清晰，就会造成对被评价人的评价有失公允。

筛选出具有高水准的专家、学者组成评审专家库，是进行项目评审能否顺利进行的基础和首要任务，从实践来看，构建评审的专家库需要打到一下要求。 (1)严格执行专家的资格审查。评审专家必须满足具有较高专业水平和实践经验的要求，同时评审专家必须具有良好的学术修养和道德水平，对于有学术不端记录的学者绝不录用。 (2)评审专家的选择需要提现出互补性和代表性。对科研技术成果进行鉴定，是为了能够正准确地分析出科技成果中所包含的技术水平，提高科技成果转化为实际生产的效率，并推动整个行业乃至国家科技水平的提升。具体来说，鉴定工作需要确定科技成果的创新性、应用价值和推广前景。因此在鉴定的同行专家中，不但应该包含科研型的专家，还应该包含生产技术方面的专家。科研型的专家能把握该行业的国内外最新研究成果和趋势，因此能对被遴选的科技成果的创新性作出准确把握。而生产技术专家因为多年从事实际的生产工作，对于市场的把握更加准确，所以会更加看重了科技成果的实际应用价值、市场需求和市场的推广前景。在评价专家类型中，平衡科研专家和生产专家的比例，才能对科技成果的各方面做出准确、客观的评价。

根据以上原则，结合专家遴选的具体情况，建立了一个涵盖了包括基本情况、专业能力、道德水平等多方面的综合评价指标体系。

2.1.1基本情况指标 (1)年龄 对专家进行评价的过程中，年龄是一个很重要的指标。老专家通常学术造诣深厚、知识面广，但是通常思想偏于保守，不利于创新型项目的评审。中年专家通常是科研工作中的骨干力量，他们经验丰富、能全面看待问题、理论联系实际的能力也强。青年教师能够紧跟所从事研究领域的最新发展动态，并且可以熟练地通过网络获取最新的研究资料。所以不同年龄段的专家进入专家库可以优势互补，使得专家的评审工作更加有活力和生机。 (2)职称 职称指的是专业技术职务，在理论上职称是指专业技术人员的专业技术水平、能力，以及成就的等级称号，反映专业技术人员的学术和技术水平、工作能力的工作成就[4]。在评审专家的遴选时，理论上应该选择职称越高的越好。但是职称不代表能力，更不代表实际的办事和创新能力，所以不能过分拔高了职称在专家遴选中的作用。 (3)学历 专家的学历可以衡量其在某个领域的受教育程度，不同于学位，学历能够哦区分专家获取知识的途径和效果。 (4)研究领域 专家的研究领域对于评审结果有很重要的意义，如果项目所在的领域和评审专家的研究领域不一致，会导致评审结果不能正确的反应科技成果的价值。所以通常都是遴选与项目在同一领域的专家组成评审组。

2.1.2专业能力指标 (1)h指数 衡量专业能力最重要的指标使用h指数。测量h指数，统计专家发表的论文数以及论文被引用的次数，将论文按照被引用的次数排序，当论文的排序数与论文被引用次数相同时，使用该论文的引用数作为h指数。此相比较其他评价指标，h指数不但可以防止片面的以论文数量衡量专家水平，还可以衡量专家的持久科学贡献度，而不仅仅是测量其科学成就的峰值。能够准确的评价真正具有重要贡献的科学家，发掘那些持久作出贡献却未获得很高声望的学者。 (2)科研项目 参与科研项目是理论与实践相结合的过程，一个专家参与的科研项目的级别和数量可以反映这个专家的科研能力，同时也能从侧面反映出专家的学术造诣。科研项目需要以数量和级别来区分，级别上通常分为国际级、国家级和省部级，所参与的科研项目的级别越高，可以反映出该学着的科研能力越高。 (3)获奖情况 一个专家的获奖情况可以反映出这个专家的学术研究能力，获奖情况主要有两方面，一个是获奖等级，可以分为国际级、国家级、省部级；二是获奖数量。所以该指标应该是这两个方面的综合体现。 (4)获得专利 专利能够体现一个专家的创新能力，通常可以分为使用型专利、发明专利以及外观设计专利，和获奖情况一样，该指标应该综合反映专家获得的专利类别和专利数量。

2.1.3道德修养指标 (1)科学道德累计数 这个指标记录了专家在历次的项目评审过程中发生过的弄虚作假的次数。相比较其他到的修养指标，该指标可以明确度量，能够准确反映出专家的道德水平。对于有该不良记录的专家，是否录用该专家进入专家库需要慎重考虑。 (2)科研态度 对待科研项目的态度是否严谨，关系到专家能否以端正的态度来参与评价工作。 (3)工作作风 该指标记录专家在历次参与的项目评审工作中，能否及时完成项目评审委员会派发的任务，对于被评审项目认真评审，给出公正客观的评价。

2.1.4评价业绩指标 (1)参与参与率 参与率是该专家一共参与项目评审的数量，与该专家所在机构的评审项目数量的比率。专家的评审经验可以从该指标直接体现出来，同时也能反映该专家工作的热情和积极性，应该从专家库中尽量选择参与率更高的评审专家。 (2)离散率 在该专家参加的历次项目评审中，其对项目的评审结果与其他专家评审结果的离散程度；离散率不但可以反映出一个专家与其他专家对同一个项目的评审时的认同上的差异性，还可以反映出专家的评审水平和公正性[8]。 (3)命中率 该专家的评审结果与最终评审结果相同的次数与其所参加总评审数量的比率。命中率的高低说明该专家在相关领域的学术水平的高低，表明该专家能正确分析出被评审项目的潜在价值，同时从侧面反映出专家对待评审工作的态度。相反，较低的命中率反映出专家的能力水平较低。 (4)成功率 成功率是专家支持的项目中，经过评估和验收最终取得一定成功的项目的比率。这个指标更加具有代表性，能反映出专家的学术水平的同时，也能反映出该专家对于项目应用前景的准确分析。

2.2层次分析法理论基础 2.2.1层次分析法概述 决策，是指在面临多重方案的时候，需要依据一定的标准选择某个方案。例如在聚餐的时候，有多个饭店可供选择，这时候我们就要依据饭店的菜色如何、费用的高低、服务是否周到已经距离的远近，从多个备选方案中选择一个方案，这个衡量各个指标并作出决定的过程就是决策。本论文研究的课题——项目评审中专家的遴选也是一个决策问题。我们有多个方案——专家可供选择。 多准则决策是此类决策问题的最佳方案。多准则决策的目标是选择出对各个相关准则或者目标匹配度最高的一个方案。为了选择出最佳方案，一个评价过程是必须的。层次分析法被成功应用到决策的问题的评价过程，并在多准则决策领域得到广泛使用。层次分析法（Analytic Hierarchy Process,AHP)的主要优点是它固有的解决不确定问题的能力，这种不确定问题存在于任何决策过程中。并且，层次分析法的计算不太繁琐，相比较其他方法更加容易理解。因此在处理专家遴选的问题中，选中层次分析法来解决专家遴选这一多准则决策问题。 层次分析法是一种将定性和定量相结合的、系统化的、层次化的分析方法[9],运用层次分析法解决决策问题一般分为以下四个步骤。 (1)建立层次结构模型 (2)构造判断矩阵 (3)单一准则排序权重向量的计算并检验其一致性 (4)总目标排序权重向量的计算并检验其一致性

2.2.2建立层次结构模型 建立层次结构模型。在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次[10]。通常分为以下三个层次： (1)最高层。通常只有1个因素。又叫目标层，是决策需要解决的问题，也就是我们分析的目的。 (2)中间层。通常也成为准则层，是实现总目标需要才用的各种措施、必须考虑的准则。 (3)最底层。该层处于层次分析法的最下层，是用于解决问题的各种措施和方案。 如果层次结构模型中的，上一层的每个因素都支配着下一层的所有因素，或者被下一层的所有因素影响，则该层次模型成为完全层次模型；相反的，如果准则层中的一个因素只支配着下一准则层中的部分因素，则称为不完全层次结构模型，不完全层次结构通常出现在多个准则层之间[11]。

2.2.3构造成对比举证 设上一层某因素支配着下一层n个因素 ，比较第 i 个因素与第 j 个因素相对上一层某个因素的重要性时，使用数量化的相对权重 来描述[13]。设共有 n 个因素参与比较，则 (2-1) 称为判断矩阵。 判断矩阵中 的取值可参考Satty的提议，按表2-1所述标度进行赋值。 在 1-9 及其倒数中间取值[12]。 表2-1 1~9数量标度及取值含义

2,4,6,8 第i个因素与第j个因素的影响介于上述两个相邻等级之间 2.2.4单一准则排序权重向量的计算并检验其一致性

2.2.5总目标排序权重向量的计算并检验其一致性

2.3指标值标准化方法的研究 2.3.1评价值标准化的意义 在现实的决策活动中，通常各个评价指标的量纲是不一样的，例如年龄的50和论文数量的50的含义并不一样。当评价具有多个属性指标的对象时，为了消除各个指标之间的量纲差异。通过合适的变换将不同量纲的指标转化为无量纲的标准化指标的过程，成为指标的标准化。

依据指标评价的目标取向可以将指标分为三种：(1)指标值越大越好(2)指标值越小越好(3)指标值适中宜。而第三种情况又可以根据最适值分为两部分，小于适中值的部分是越大越好，和第一种情况一致；大于最适值的部分是越小越好，和第二种情况一致。根据以上总结，根据决策指标的变化方向将指标分为两类：(1)具有指标值越大越好性质的正向指标，(2)具有指标值越小越好性质的逆向指标[18]。

对指标记性标准化处理对综合评价的结果有很重要的影响。相同的评价值利用不同的标准化方法处理，会得到不同的标准化数据。最终的综合评价步骤是使用综合评价函数是对标准化值进行运算，因此如果采用了不恰当的指标标准化方法对指标数据进行处理，得到的标准值就是不正确的，就有可能产生和实际情况完全背离的综合评价结论。以下介绍几种常用的标准化方法，同时分析它们的优点和缺点。

2.3.2几种常用的指标值标准化法

3 基于层次分析法的专家遴选算法 3.1专家遴选算法相关算法的研究 层次分析法在解决此类多准则决策问题中得到了广泛使用。层次分析法的主要优点如下(1) 它是已知的可以衡量决策者判断一致性的多准则决策模型；(2)层次分析可以帮助决策者将一个问题的多个准则层组织在一个层次结构中，使得决策过程更加容易处理；(3)在层次分析中构造因素之间的成对比较，通过对成对比较矩阵的运算来获得各个指标的权重，而不是直接确定权重。(4)层次可以和著名的操作研究技术相结合来处理更加复杂的问题。(5)层次分析更加容易理解，并且可以有效处理定性的和定量的数据。鉴于以上几个优点，多准则决策问题多使用层次分析法来建立问题的解决模型。

3.1.1相关算法的不足 虽然层次分析法有很多优点，能有效地解决多准则决策问题。但是在基于层次层析法的决策支持算法中，通常有以下两点不足。 (1)指标值标准化的方法很好地支持决策。在2.3.2一节中介绍了几种常用的指标标准化方法，这些标准化方法虽然都可以对指标进行标准化，但是由于各种方法固有的缺点，不能完全满足对算法对标准化方法的选择要求。例如极差变换法忽略了决策矩阵中指标值的差异性，线性比例法变换后的指标值不能准确的反映出原指标之间的相互关联。 (2)判断矩阵的构造困难，并且一致性较差。判断矩阵的构造，通常是咨询相关专家，根据专家的建议来构造层次结构模型中的各个每个判断矩阵。但是这种方法过度依赖于专家的主观判断，而标度的定义并不是十分精确的。当因素过多时，专家对于指标影响程度对比的判断会愈发困难，尤其是当指标都很重要时，难以准确判断哪个指标更加重要。所以通常这样构造出的判断矩阵的一致性较差。

3.1.2指标值的优化归一法 专家遴选算法中的标准化方法需要解决以下几个问题(1)能够区分正逆向指标(2)能够处理小于0的指标值(3)能够反映出原来指标值之间的差异性(4)能够客观地反映出原指标值之间的相互关系。在分析了各种标准化法的优劣的基础上，针对归一化法提出了一种优化归一法对指标进行标准化处理。 优化归一法的具体算法步骤如下：

优化归一法保留了传统归一化算法的以下优点:(1)标准化考虑了指标值之间的差异性，处理后的标准值能够真实反映原来指标值之间的关系；(2)将所有指标均转化为正向指标(3)适用于当指标值为负值的情况，经过该方法处理后，标准化指标值满足 。同时优化归一法克服了传统归一化标准化法的一下劣势:(1)没有考虑到决策矩阵中不同指标值之间的差异性;(2)仅适用于指标值都为非负数的情况(3)指标的方向没有统一，经过归一化之后的指标依然维持原来的方向。

3.1.3使用排序赋值法构造判断矩阵 为了克服传统的判断矩阵构造的弊端，王懋赞等人提出了一种创建判断矩阵的排序赋值法[5]，通过该方法可以降低判断矩阵构造的困难，减少专家对于指标重要性判断的难度，提高构造出的判断矩阵的一致性。具体的方法如下： (1)假设有n个指标，l个对参与判断矩阵构造的专家。让每个专家分别按照自己的判断，对指标的重要性进行排序，序号从1开始，越小前代表越重要。同时给出最重要的指标和最不重要指标的重要性比率 ， 的度量按照表2-1的定义取值，表示第k个专家给出的最重要指标和最不重要指标的重要性比率。

3.2专家评价指标及评价标准的建立 3.2.1专家评价指标体系 专家指标体系的建立，是为了能够全面、客观、准确的反应专家的各方面情况，是专家遴选算法的基础。不全面的评价体系会遗漏一些重要指标，而这些指标对我们遴选专家的结果产生重要影响。而如果选择了与遴选专家无关的指标，则会对决策过程带来混淆，浪费宝贵的资源去追寻无用的指标。所以专家指标体系的建立必须遵循定量化、可获得性、通俗性的要求。专家库的建立必须满足一下基本条件(1)筛选出具有高水准的专家、学者组成评审专家库(2)严格执行专家的资格审查(3)评审专家的选择需要提现出互补性和代表性。

基于以上的基本要求，制定出一个涵盖了基本情况指标、专业能力指标、道德修养指标以及评价业绩指标四个方面的专家遴选的评价指标体系。根据以上的分析，建立了如下表所示的专家评价指标体系。 表 3-1 专家遴选指标体系及准则

3.2.2评价指标的计算方法 根据之前的对每个评价指标的定义，我们需要制定出每个指标的计算方法。专家评价的指标主要分为以下两类： (1)客观评价指标。该类指标可以精确测量，例如年龄、职称等评价指标。 (2)主观评价指标。此类指标的测量依赖于人的主观意志，因此难以精确测量，例如工作作风、科研态度等指标。 而无论是主观评价指标，还是客观评价指标，该指标的值最终都需要参与运算，因此需要确定每种指标的具体计算方法，以获得具体的量化值。每个指标的计算如下：

3.2.3专家遴选算法的退避条件 在利用专家遴选算法对专家进行遴选之前，需要对专家库中的专家进行初始化，主要完成的任务就是执行退避算法，从中剔除不应该包含的评审专家，而通常的退避条件包含以下几种： (1)是否为该项目的完成人 (2)是否为该项目的咨询专家 (3)是否为该项目的推荐专家 (4)是否在该项目的工作单位 (5)专家的年龄35岁以下 (6)专家的年龄68岁以上 如果专家满足这些回避条件中的一条，则应该把该专家从专家库中剔除。在执行了退避算法之后，再对专家运用基于层次分析法的专家遴选算法进行遴选，挑选出项目的评审专家。

3.3利用层次分析法计算专家评价指标权重 在建立了专家评价的指标体系，并确立了专家评价的标准之后，需要确定指标体系中各个指标值的权重。指标赋权值的过程会直接影响专家遴选的结果，因此选择何种指标赋权值的方法对于专家遴选算法而言特别重要，也是专家遴选算法的核心。本文算法主要使用的是主观权重分析法中的层次分析法确定专家遴选中各个指标的权重。

利用层次分析法解决指标权重赋值的问题主要有四个步骤：(1)建立层次模型(2)构造判断矩阵(3)计算各个判断矩阵的单一准则排序权重向量并检验其一致性(4)计算各个因素对于总目标的权重排序向量并检验其一致性。

3.3.1建立层次结构模型 建立问题的层次结构模型，将问题包含的因素分为三个层次，最高层为目的层，也就是我们需要从众多待选择的专家中遴选出来合适的专家组成的专家组；最底层也就是目标层，带选择的各个专家；中间层准则层，就是用来评价专家的各个指标，指标共分为两层，准则层1为一级评价指标，准则层2为二级评价指标。在专家遴选算法的层次结构模型中，准则层1中的因素只影响准则层2中的部分因素，所以专家遴选算法的层次结构模型属于不完全层次层次结构模型。 根据以上分析，专家遴选算法的层次结构模型如图3-1所示。

图3-1专家遴选算法的层次结构模型 利用该层次结构模型，我们需要根据中间层的各个因素A1、A2、A3、A4，来确定最底层的每个指标B1、B2、B3…B15对于最高层Z的权重。

3.3.2构造判断矩阵 建立层次结构模型的目的是为了确定各个指标相对于总目标的重要性权重排序，获得总目标排序权重的前提，是需要确定各个指标对其影响的上一层单一指标的影响权重，获得单一准则排序权重需要构造判断矩阵。

不同于常规层次分析法解决最底层的决策问题，如果使用常规层次分析法解决办法，需要对每个专家之间构造判断矩阵。专家库中的专家通常是数以百计，而准则层的因素也通常有数十个，因此如果为构造常规的专家之间的判断矩阵，需要构造数量庞大的判断矩阵，这无论是矩阵的构造还是矩阵的运算，都需要花费极大的精力和事件，不符合决策支持的本质。因此在本算法中，主要使用层次分析法确定专家评价指标体系中各个指标的权重问题。这样需要构造的判断矩阵数量就大大减少。在获得了各个指标权重的基础上，然后通过综合评价函数对专家进行定量的综合评价。

通过以上分析可知，专家遴选算法的层次结构模型中，最底层方案层并不参与层次分析法的权重值计算过程，所以判断矩阵一共有5个。 判断矩阵的构造使用3.1.3中介绍的方法进行构造。步骤如下： (1)首先请各个咨询专家对各个指标进行排序，按照重要性从高到低依次排序，并给出最重要指标和最不重要指标的重要性比率 ； (2)按照指标的排序的序号，使用公式3-5对指标进行的重要性赋值； (3)每个指标的重要性取值为所有专家对该指标重要性赋值的平均值； (4)计算 的平均值，作为指标体系中最重要指标和最不重要指标的重要性比率； (5)使用公式3-8确定判断矩阵。

3.3.3单一准则排序权重向量的计算并检验一致性 确定了某层各个因素相对于上一层某个因素的判断矩阵之后，需要通过适当的方法来确定每个因素相对于上一层某个因素的影响程度，也就是权重，这个过程就是计算单一准则排序权重向量的过程。计算单排序权重向量的方法有(1)和法(2)根法(3)特征根法。在专家遴选算法中，选用更为常用的特征根法来计算各个指标的相对权重。

3.3.4总目标排序权重向量的计算

3.4评价值的标准化 在进行综合评价时，评价体系的各个指标具有不同的量纲。例如年龄和论文数都为40,时，表示的一意思却不一样。所以需要对指标值进行标准化，消除不同指标之间的量纲差异。因为进行标准化的数据时将会被直接用来进行综合评价，因此如何选择标准化方法是很重要的。如果选择的标准化方法处理之后的数据掩盖了原来数据的特点，就会导致综合评价值不能准确反映各个专家的水平，也就会导致最终在专家遴选时产生不合适的选择。 通常的标准化方法有极差变化法、线性比例变换法、归一向量法、归一化法等方法，每种方法都各有优缺点[6]。要满足专家遴选的中指标标准化的方法，所选用的标准化必须满足一下几点要求(1)能够区分正逆向指标(2)能够处理小于0的指标值(3)能够反映出原来指标值之间的差异性(4)能够客观地反映出原指标值之间的相互关系。传统的标准化法不能满足这些要求，根据李美娟等人的研究，对于专家遴选算中指标值的标准化，采用优化归一法进行标准化处理： （1）利用公式2-21将所有指标都转换成正向指标。 （2）利用公式2-22将所有指标都转换成非负值。 （3）利用标准的归一化法公式2-23对指标值进行标准化。 （4）因为专家过多，所以为了避免标准化的指标值过小，将第三步中获得的指标值都乘以评价对象的个数。 通过这样处理的指标值，消除了不同指标之间的量纲差异，同时考虑了不同指标值之间的差异性，适用于负数指标等优点。可以利用综合评价函数对专家进行综合评价。

3.5使用评价函数进行综合评价

3.6基于层次分析法的专家遴选算法步骤 使用基于层次分析法的专家遴选算法，对专家库中的专家进行遴选组织专家组的具体步骤如下： (1)对专家库的专家数据进行初始化处理； (2)筛选出与项目所处学科相同的专家； (3)执行退避规则，将满足退避规则的专家从待选择专家库中删除； (4)建立专家遴选的层次结构模型； (5)使用排序赋值法构造专家各个指标的判断矩阵； (6)计算专家遴选层次结构模型的单一准则排序权重向量及其一致性检验； (7)计算专家遴选层次结构模型的总目标排序权重向量及其一致性检验； (8)根据层次模型的总排序权重向量，对专家评价的各个指标赋权值； (9)对专家决策矩阵进行标准化处理； (10)利用综合评价函数对标准化处理的决策矩阵进行综合评价； (11)按照专家的综合评价值进行排序，输出排序之后的专家组。

3.7专家遴选算法的实验 根据以上介绍的算法，设计了一个仿真实验，对模拟专家库中的专家进行综合评价，并按照总评价值的大小选择出合适的专家。实验的步骤和数据如下所示。 3.7.1指标体系的建立

3.7.2判断矩阵的构造

3.7.3专家数据的输入 决策矩阵记录的是各个专家的每个指标的值，也就是用来对各个专家进行综合评价的依据，模拟的专家值如表3-17所示。 表3-17 专家评价表

3.7.4指标值的标准化及决策值的计算 (1)使用归一化算法作为标准化方法获得归一化决策矩阵如表3-18所示，最终各个专家的综合评价指如3-19所示。 表3-18 归一化处理的专家评价标准值

(2)使用优化归一法作为标准化方法获得的归一化决策矩阵如表3-20所示，各个专家的综合评价值如表4-21所示。 表3-20 优化归一法下的专家评价标准值

(3)两种标准化方法的结果对比 通过对比两种标准化方式获得的结果可以发现，在B8科学道德累计数的标准化时，由于常规的标准化方法没有区分指标的方向，导致科学道德累计数较高的专家的该指标标准化值较高。由于B8的权重较高，所以导致产生了最终到的累计数较高的专家反而获得了较高的综合评价值，这与实际情况是相悖的。而优化归一法能够区分指标的方向，所以B8较高的专家，该指标的评分较低，总得分也较低。 使用常规方法的总评价值会由于专家的数量增加值，逐渐趋向于0，过小的总评价值会掩盖了专家之间的差异性。而优化归一法则会避免这种情况的出现，即使专家的数量很多，也不会造成总评价值过小。所以能够很好的体现出各个专家之间的差异。

3.8实验结果分析 观察仿真实验的结果，我们可以发现，在判断矩阵的构造时排在前面的因素，经过计算都获得了比较高的权重值，这说明层次分析法可以解决在专家遴选算法中各个指标权重的赋值问题。同时通过排序赋值法，获得的判断矩阵具有比较好的一致性。 但是层次分析法是一种主观权重分析法，因此使用该方法确定各个指标的权重，很大程度上都依赖于人的主观判断，包括模型的建立到判断矩阵的构造。因为人的主观因素在决策中占有很重要的作用，所以利用该专家遴选算法更加适合管理层的进行决策的情况。

4 专家遴选系统的设计与实现 4.1功能分析 4.1.1算法程序的设计目标 为了验证基于层次分析法的专家遴选算法，需要设计一个实验，该实验模拟从专家库中遴选出合适专家组成专家组。该实验需要实现以下目标： (1)能够自定义层次结构模型。专家遴选算法的基础是层次层析法，而层次结构模型是层次分析法能够解决实际问题的基础，因此程序中必须有一个数据结构表示层次结构模型。 (2)层次结构模型是可拓展的。为了适应更加广泛的应用场景，专家遴选算法应该具有一定的可拓展性。可拓展型包括层次数量可以自定义、每个层次的因素可以自定义、上一层因素与下一层因素之间的影响关系可以自定义等。这样设计出来的程序不仅可以用来解决专家遴选的问题，还可以具有更加广泛的应用场景。 (3)为了使得程序具有更大的应用范围，应该可以处理完全层次结构模型和不完全层次结构模型。 (4)可以自由选择判断矩阵的构造方式。判断矩阵的构造通常是咨询了专家的意见直接构造，这种方式在因素较少时时比较有效的。但是在因素比较多时，人的主观判断会比较困难，因此可以使用3.2.2一节中介绍的方式构造判断矩阵。为了提供更多的选择行，系统可以选择使用哪种方式构造判断矩阵。 (5)可以自由选择决策矩阵的标准化方法。需要使用标准化法将不同量纲的指标值标准化为无量纲的标准值，标准值将直接用作综合评价，因此选择出的标准化方法能够准确反映出原始数据之间的关系，会影响最后的综合评价的结果。 以上目标的实现，使得专家遴选算法的仿真实验程序不仅仅可以用以检验也解决专家遴选算法问题，还可以运用于解决其他层次分析法支持的决策问题，从而可以拓展为此类基于层次分析法的决策支持系统的基础部分。

4.2专家遴选算法的设计与实现 4.2.1算法程序的设计 为了实现第4.1.2的设计目标，系统程序将算法的核心部分与交互层独立开，将层次分析法的核心部分封装为一个类库。该类库以自定义的数据结构矩阵为基础，实现了一个层次结构模型的数据结构。 层次结构模型的数据结构包含了(1)层次的构造(2)判断矩阵的构造(3)单一准则排序权重向量的计算并检验其一致性(4)总目标排序权重向量的计算及并检验其一致性，这几个层次结构模型的主要操作。 将算法核心分离出来的主要优点，就是使得专家遴选算法的核心——层次分析法的算法步骤可以重用。同时交互层可以使用不同的框架，开发出B/S或者C/S的基于层次分析法的决策支持系统。本系统中使用的是窗体程序作为与用户交互的界面，虽然没有华丽的界面，但是可以演示出算法的核心。 4.2.2算法的实现与核心程序编码 本算法的实现使用的是面向对象的C#语言实现的。C#语言继承自C++语言，有C++语言的很多优点，同时它是完全面向对象的，相比较C++语言而言更加安全，同时去除了C++语言中复杂性。相比较Java语言而言，C#的编译和运行效率都要远高于后者。 本系统程序中的主要实现了Matrix和Level两个数据结构，这两个数据结构是本算法的核心部分。算法使用的主要类介绍如下。 (1)Matrix类。表示矩阵的数据结构，该类实现了矩阵的基本操作，包括矩阵相乘、矩阵的数乘、从各种对象导入数据、获得指定区域内的极值等。除此之外，Matrix类还包括了一个重要的函数Power(),该函数返回一个矩阵的主特征值与主特征值对应的特征向量。Power函数的实现是基于层次分析法的专家遴选算法的基础。 (2)JudgeMatrix类。继承自Matrix类，表示判断矩阵数据结构。该类在继承了Matrix的基本特性的基础上，增加了判断矩阵的特性成员。主要增加的三个属性，包括CI、RI、CR，用来表示一个判断矩阵的一致性指标、随机一致性指标、一致性比率。还增加了一个SingleFactorWightVect()函数，该函数返回的是通过该判断矩阵获得的相对于单准则排序向量。 (3)DecisionMatrix类。继承自Matrix类，表示决策矩阵数据结构。该类在继承了Matrix的基本特性的基础上，增加了决策矩阵的特性。决策矩阵DecisionMatrix主要增加了两个成员(1)level数据成员，Level类型的对象，表示用于生成决策矩阵的Level对象，该对象中保存着决策矩阵的各个指标的相关信息(2)Standardize()成员函数，该函数返回判断矩阵标准化之后的标准化矩阵(3)GetDecisionVect()成员函数，计算输出决策向量。 (4)IStandardizer接口。定义了标准化方法的标准。所有的标准化方法的具体实现都必须实现该方法。DecisionMatrix类的Standardize接受一个该类型的参数，用来实现对指标值的标准化。 (5)Factor类。封装了一个因素的相关信息。主要包括两个属性(1)Name,表示因素的名称(2)Direction，表示该因素是正向因素还是逆向因素，也就是说，该因素的值是越大越好还是越小越好。 (6)Level类。用来表示层次结构模型中的一个层次。该类包含一组对该层次中所有因素对象的引用，使用一个矩阵来存储该层次中各个因素与上一层次的各个因素之间的关联，同时存储了该层次中相对于上一层各个因素的判断矩阵。Level提供了几个重要函数，其中最重要的是GetTotalWeightVect()函数，该函数返回本层次中各个因素相对于总目标的总排序向量。同时可以通过Level类的CI、RI、CR获得本层次的一致性检验指标值。同时使用一个指向Level类型的引用，来建立上下层关系。 (7)AhpModel类。该类表示一个层次结构模型。该类有一个Level对象的引用，用来指向一个层次结构模型的顶层。该类提供了向层次结构模型中增加层次和减少层次的函数。 以上就是本系统程序的核心类。此外，为了对实现的层次结构模型进行测试，还包含一些辅助类，这些类的主要功能是完成输入和输出功能，以及提供一些测试数据。

4.3系统界面设计 程序的主界面如图4-1所示：

图4-1 专家遴选系统主界面 图中的各个按钮的名称以及具体作用如下： (1)按钮1为判断矩阵设置按钮。点击该按钮之后，会根据当前设置的判断函数构造模式，弹出判断矩阵构造窗口。 常规构造模式下，会弹出如图4-2所示的界面：

图4-2 判断矩阵常规构造界面 在该界面中，表格用来输入判断矩阵；点击取消按钮退出判断矩阵的输入；点击保存按钮将输入的判断矩阵保存到系统中，在保存之前会检查判断矩阵是否符合公式2-2的限制，如果不满足条件，将会弹出提示信息，并拒绝保存。 在排序赋值法模式下，会弹出图4-3所示的界面。

图4-3 判断矩阵排序赋值法构造界面 图4-3中，A代表被控制的各个因素的名称以及相应的序号；B代表专家对被影响因素的重要性排序；C代表最重要和最不重要因素的重要性比率。保存按钮点击之后会将输入的输入保存到程序中，但是会先进行有效性检验，如果不符合基本要求，就弹出提示框拒绝保存。 (2)标签2为判断矩阵相关信息显示标签。双击标签会显示图4-4所示窗口：

图4-4 判断矩阵信息显示界面 判断矩阵信息显示界面主要包含三部分内容。A部分代表判断矩阵，如果是在常规构造模式下，就是用户输入的判断矩阵，如果是在排序赋权模式下，就是通过用户输入的数据计算得到的判断矩阵；B部分代表通过判断矩阵计算得到的被控制指标的权重值；C部分代表判断矩阵的一致性检验数据。 (3)按钮3为层次信息显示按钮。单击按钮弹出层次信息显示界面，如图4-5所示：

图4-5 层次信息显示界面 层次信息显示界面主要显示了有关所选择层次的两个信息。A部分代表所选择层次中各个因素相对于总目标的重要性排序；B部分代表本层次的一致性检验。 (4)按钮4决策矩阵设置按钮。点击决策矩阵设置按钮，会显示图4-6所示界面，让用户输入各个专家的信息。

图4-6 专家信息输入界面 图中A部分为专家信息输入框，用以输入各个专家的信息；B按钮为专家添加按钮，点击添加一个空的专家信息；C为专家信息移除按钮，点击删除选择的专家；D为测试数据插入按钮，点击插入5条专家测试数据；E为保存按钮，点击之后保存专家信息；F为取消按钮，点击之后放弃编辑，退出到主界面。 (5)按钮5和按钮6为决策信息获得按钮。 按钮5获得归一化法处理的决策矩阵，按钮6获得优化归一法处理的决策矩阵。点击这两个按钮之后，都会显示图4-7所示界面：

图4-7 决策值显示界面 图中主要显示了三部分信息。A部分是决策矩阵的显示，也就是各个专家的信息；B部分是使用对应的标准化方法之后的标准化矩阵；C是各个专家的综合评价值。 (6)按钮7为判断矩阵构造模式切换按钮。点击之后切换系统的判断矩阵构造模式。

5 结论 5.1本文的工作情况及研究成果 本文为了解决科技成果管理平台中项目评审专家的遴选问题，首先分析了国内外对相关领域的研究现状，阐述了国内目前领域研究的不足，然后提出了一种基于层次分析法的专家遴选算法。 专家遴选算法基于层次分析法对专家库中的专家进行综合评价，主要完成的工作如下： (1)阅读了大量的文献和资料，分析了对于专家遴选的国内外研究现状。 目前国内外对如何选择同行专家都有广泛的研究。但是国内对专家遴选算法的研究，目前还大多处在理论起步阶段，目前发挥实际作用的领域并不多，通常是运用在国外的一些大型报刊的审稿系统中。 (2)完成了基于层次分析法的专家遴选算法。 首先建立了专家综合评价的指标体系。主要包括基本情况指标、专业能力指标、道德修养指标以及评价业绩指标。其次根据层次分析法的基本原理建立专家遴选问题的层次结构模型。然后采用排序赋值法构造层次结构模型中的判断矩阵。排序赋值法可以有效降低专家在判断上的难度，同时也能增加构造的判断矩阵的一致性。再通过判断矩阵计算各个指标相对于上一层次单一准则的排序权重，并最计算得到各个指标相对于总目标的排序权重。然后使用优化归一法对决策矩阵进行标准化，从而消除了因为评价指标的量纲不同而给决策带来的困难。在确定了各个指标权重的基础上，对决策矩阵进行变换，获得各个专家的综合评价值。最后对专家的综合评价值进行排序，选择出需要数量的评审专家。 (3)在专家遴选算法的基础上设计完成了项目评审的专家遴选系统 通过该系统，可以对输入的各个专家进行综合评价，针对特定的项目，选择出最适合的几个专家组成评审专家组。

参考文献 [1] 唐莉．基于熵权法的同行评议专家选择研究．北京航空航天大学学报：社会科学版．2012,25(3):95 -97 [2] 张友棠，张林．科技项目评估专家支持系统设计．交通高教研究．2004，(4)：14 -16 [3] 张艳，江志斌．重大建设项目评审专家遴选指标体系研究．中国工程咨询．2004，(12)：9 -11 [4] 赵波．浅谈职称评审制度．市场周刊：理论研究．2012，(1)：105 -106 [5] 王懋赞，王民超，刘文山．如何增加层次分析法中判断矩阵的一致性．系统工程理论与实践．1993，(3)：61-64 [6] 吴扬．基于“SSM-区位熵”的沿海经济低谷区主导产业选择研究——以济南商河县为例．河北师范大学学报：自然科学版．2009，33(1)：111 -116 [7] 刘向阳，杜晓明，王琳．基于综合权重的装备指挥效能评估．科学技术与工程．2010，(28)：7092 -7095 [8] 刘云，林华明．国防科技项目评审专家反评估指标及算法．国防技术基础．2008，(6)：3 -6 [9] 刘良会 王守城．层次分次法在人工植被选择上的应用．农机化研究．2008，(8)：184 -186 [10] 胡彦杰，孙勇．基于层次分析法的啤酒经销商选择．企业导报．2011，(15)：111 -112 [11] 赫连志巍，侯霄鹏，栗民．基于360°绩效考评方法的灰关联评价．价值工程．2008，27(12)：135 -138 [12] 肖琳琳．层次分析法在商业银行内部控制过程评价中的应用．中国电子商务．2010，(10)：98 -98 [13] 肖琳琳．浅析商业银行内部控制过程评价的模糊数学模型．江西金融职工大学学报．2010，23(6)：58 -59 [14] 夏月琴，何剑．新疆绿洲生态农业综合效益研究．农业环境与发展．2011，28(2)：48 -51 [15] 袁鹏，陈新，纪涛．珙县电厂围堰方案的优选．四川水利．2009，30(4)：27 -30 [16] 赵希武，韩吉义．AHP在网络型支架式教学中的应用．计算机教育．2007，()：140 -143 [17] 吕蓬，邢棉．火电厂选址最优规划中的层次分析法．华北电力学院学报．1994，21(4)：99 -104 [18] 李美娟，陈国宏，陈衍泰．综合评价中指标标准化方法研究．中国管理科学．2004，12：45-48 [19] Buckley, J. J. Fuzzy hierarchical analysis.Fuzzy Sets System.1985,17 , 233–247. [20] Beynon, M., Cosker, D., & Marshall, D. An expert system for multi-criteria decision making using Dempster Shafer theory. Expert Systems with Applications,2001,20(4), 357–367. [21] Kahraman, C., & Cebi, S. A new multi-attribute decision making method:Hierarchical fuzzy axiomatic design. Expert Systems with Applications,2009, 36(3),4848–4861.

翻译部分 省略

中文译文 省略

致 谢 省略

本项目源码及完整论文如下，有需要的朋友可以点击进行下载。如果链接失效可点击下方卡片扫码自助下载。

精选C#毕业设计83套——源码+论文完整资源