层次分析法(附实例) |
您所在的位置:网站首页 › 层次分析法的具体优点有 › 层次分析法(附实例) |
层次分析法-AHP
问题:选择一部适合自己的手机一、确定评价对象与评价指标评价对象评价指标
二、确定打分比较矩阵两两比较得到比较矩阵判断比较矩阵是否能通过一致性检验
得分向量归一化处理求解得分向量
打分矩阵
模型评价优点系统性的分析方法简洁实用的决策方法所需定量数据信息较少
缺点不能为决策提供新方案定量数据较少,定性成分多,不易令人信服指标过多时,数据统计量大,且权重难以确定特征值和特征向量的精确求法比较复杂
参考文献
为了从备选方案中选择最佳方案,我们的主要思想是: 确定 n n n 个备选对象与 m m m 个评价指标确定每个备选对象在每个指标下的打分情况,第 i i i 个对象在第 j j j 个指标下的打分情况记为 c i j c_{ij} cij确定每个指标的权重,第 j j j 个指标的权重记为 W j W_{j} Wj将权重与每个备选对象的打分情况相乘并求和,最终得到每个备选对象的总得分。第 i i i 个对象的总得分为 S i = ∑ j = 1 j = m c i j W j S_i=\sum_{j=1}^{j=m} c_{ij}W_{j} Si=∑j=1j=mcijWj通过比较所有对象的总得分 S i S_i Si,最终确定选择哪一个对象显然,步骤 1.4.5. 都是由简单的计算得到,那么问题的难点在于步骤2 .3.这里就要用到层次分析法。下面我们举例来说明权重向量与打分矩阵如何得到 问题:选择一部适合自己的手机 一、确定评价对象与评价指标 评价对象确定几个备选对象,这里我们选择:苹果,三星,华为 评价指标确定几个评价指标,这里我们选择:价格,用户评价,售后服务 二、确定打分 比较矩阵 两两比较得到比较矩阵首先我们来确定三个备选对象在价格方面的打分。 对于三个及三个以上的情况,我们往往难以给出合理的打分方案。层次分析法的思想就是,把打分方案分解成两两比较,这样的话得到的结果往往会更合理 标度含义1表示两个因素相比,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(有时重要性理解为满意度更合理) 我们依照上述表格来得到一个价格比较矩阵 价格苹果三星华为苹果11/51/9三星513华为91/31(以上数据都是本人随便填的,不具有任何参考价值) 显然,比较矩阵应为对称矩阵,且对角线元素为 1 上述矩阵含义为:相比较于苹果,三星的价格明显便宜(明显更令人满意);相比较于苹果,华为的价格极端便宜(极端令人满意);相比较于华为,三星的价格稍微便宜(稍微更令人满意)。 判断比较矩阵是否能通过一致性检验所谓一致性,指的是你所得到的矩阵是否符合逻辑。比如说, 苹果 三星 = 1 5 , 苹果 华为 = 1 9 \frac{\text{苹果}}{\text{三星}}=\frac{1}{5},\frac{\text{苹果}}{\text{华为}}=\frac{1}{9} 三星苹果=51,华为苹果=91 那么 三星 华 为 = 1 9 / 1 5 = 5 9 \frac{\text{三星}}{华为}=\frac{1}{9}/\frac{1}{5}=\frac{5}{9} 华为三星=91/51=95 但是在我们的比较矩阵中, 三星 华 为 = 3 \frac{\text{三星}}{华为}=3 华为三星=3 这就是说明我们的比较矩阵出现了逻辑错误。事实上,比较矩阵越大,出错的可能性就越大,因为人脑很难同时对多个指标做出合理的分析。因此,我们应当允许出现小错误。为了衡量错误的大小,我们建立了一致性指标。 计算一致性指标 C I CI CI C I = λ max − n n − 1 CI=\frac{\lambda_{\max}-n}{n-1} CI=n−1λmax−n 这里 λ max \lambda_{\max} λmax 指的是比较矩阵的最大特征值查找对应的平均随机一致性指标RI n123456789RI000.520.891.121.261.361.411.46 计算一致性比例 C R CR CR C R = C I R I CR=\frac{CI}{RI} CR=RICI 如果 C R < 0.1 CR < 0.1 CR 0.1 CR=\frac{CI}{RI}=0.3119>0.1 CR=RICI=0.3119>0.1 没有通过一致性检验,需要重新对比较矩阵进行调整。经调整后得到新的比较矩阵为: [ 1 1 / 5 1 / 9 5 1 1 / 3 9 3 1 ] \begin{bmatrix} 1&1/5&1/9\\ 5&1&1/3\\ 9&3&1\end{bmatrix} ⎣⎡1591/5131/91/31⎦⎤ 重新计算得到: λ max = 3.0391 \lambda_{\max}=3.0391 λmax=3.0391 C I = λ max − n n − 1 = 3.0291 − 3 3 − 1 = 0.0146 CI=\frac{\lambda_{\max}-n}{n-1}=\frac{3.0291-3}{3-1}= 0.0146 CI=n−1λmax−n=3−13.0291−3=0.0146 C R = C I R I = 0.0281 < 0.1 CR=\frac{CI}{RI}=0.0281 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |