层次分析法
层次分析法（Analytic Hierarchy Process, AHP）是美国运筹学家 T. L. Saaty 于 20 世纪 70 年代提出的一种多准则决策方法。它把"选哪个方案最好"这类复杂决策问题分解成目标—准则—方案三个层次，用两两比较的方式把专家的主观判断量化成判断矩阵，再通过特征值方法求出各要素的权重，最后综合排序给出决策建议。AHP 是数学建模竞赛中评价类题目的"标配"方法之一：原理直观、不需要数据、计算量小，特别适合"评优、评选、选址、定权"这一类问题。本文从原理、适用场景、评价指标、可视化图表到可运行代码，完整梳理 AHP 的竞赛实战用法。
一、算法含义
1.1 通俗理解
假设你要从三台手机（A、B、C）中选一台，考虑四个指标：性能、价格、续航、外观。直接给每台手机打一个总分很难，因为：
- 四个指标的重要性不一样（有人觉得性能重要，有人觉得价格重要）；
- 每台手机在不同指标上各有优劣，"性能好但贵"和"便宜但续航差"怎么比较？
AHP 的思路分三步：
- 拆结构：把"选手机"拆成三层——目标（买哪台）、准则（性能/价格/续航/外观）、方案（A/B/C 三台手机）；
- 两两比较：不直接问"性能有多重要"，而是问"性能比价格重要多少倍"，两两比较比一次性打分容易得多、也可靠得多；
- 算权重再合成：先算出四个准则各自的权重（重要性），再算出每台手机在每个准则下的得分，最后把得分按权重加权求和，得到每台手机的最终得分，分数最高者胜出。
所以 AHP 的本质是：把主观的"感觉"用一套严格的数学流程变成可以计算的"权重"和"得分"。它的口号是"把定性问题定量化"。
1.2 三层层次结构
AHP 的第一步是把决策问题分解成层次结构，通常分三层：
- 目标层（Goal）：决策的总目标，只有一个元素，如"选择最佳旅游目的地""评选优秀学生""确定最优厂址"；
- 准则层（Criteria）：影响目标的因素/指标，如景色、费用、交通、住宿；准则个数 一般取 个（太多则两两比较负担过重）；
- 方案层（Alternatives）：备选方案，如杭州、桂林、青岛三个城市。
层次结构示意（本文示例：选择旅游目的地）：
目标层： 选择最佳旅游目的地 O
/ | \ \
准则层： 景色 C1 费用 C2 交通 C3 住宿 C4
/ | \ / | \ / | \ / | \
方案层： A1 A2 A3 ...（每个准则下都对三个方案两两比较）
杭州 桂林 青岛
同一层的元素相互独立，上层元素支配（或影响）下层元素。这是 AHP 的核心假设之一。
1.3 判断矩阵与 1-9 标度
有了层次结构，下一步是构造判断矩阵（成对比较矩阵）。以准则层为例：把 个准则两两比较，问"准则 比准则 重要多少倍"，答案记为 ，全部答案排成矩阵：
a_{11} & a_{12} & \cdots & a_{1m} \\ a_{21} & a_{22} & \cdots & a_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mm} \end{pmatrix}$$ 判断矩阵必须满足三个性质（称为**正互反矩阵**）： 1. **正性**：$a_{ij} > 0$（所有元素为正）； 2. **互反性**：$a_{ji} = \dfrac{1}{a_{ij}}$（$j$ 比 $i$ 的重要程度是 $i$ 比 $j$ 的倒数）； 3. **单位性**：$a_{ii} = 1$（自己和自己比，同样重要）。 $a_{ij}$ 用 **Saaty 1-9 标度**赋值： | 标度 $a_{ij}$ | 含义（$i$ 相对 $j$） | |:---:|:---| | 1 | $i$ 与 $j$ 同样重要 | | 3 | $i$ 比 $j$ 稍微重要 | | 5 | $i$ 比 $j$ 明显重要 | | 7 | $i$ 比 $j$ 强烈重要 | | 9 | $i$ 比 $j$ 极端重要 | | 2, 4, 6, 8 | 上述相邻判断的中间值 | | 倒数（1/2, 1/3, …） | $j$ 比 $i$ 重要，$a_{ji} = 1/a_{ij}$ | 为什么用 1-9 而不是 1-100？心理学研究表明，人对"差距"的主观分辨能力有限，1-9 的九级标度恰好覆盖了"同样重要"到"极端重要"的全部直觉范围，再细分反而会增加打分不一致的风险（这正是 Saaty 通过大量实验得到的结论）。 **完全一致性**：如果专家的判断完全自洽，则任意三个元素满足传递性 $a_{ik} = a_{ij} \cdot a_{jk}$（例如 $i$ 比 $j$ 重要 2 倍、$j$ 比 $k$ 重要 3 倍，那么 $i$ 必然比 $k$ 重要 6 倍）。完全一致的矩阵秩为 1，但现实中专家打分总会有偏差，所以需要后面的一致性检验来把关。 ### 1.4 权重求解方法 有了判断矩阵 $A$，下一步求各准则的权重向量 $w = (w_1, w_2, \dots, w_m)^T$，满足 $\sum_{i=1}^{m} w_i = 1$。最常用的是**特征值法**，竞赛中还常用**和积法**、**方根法**这两种近似方法。 #### （1）特征值法（理论标准） 由 Perron-Frobenius 定理，正互反矩阵 $A$ 有唯一的**最大正特征值** $\lambda_{\max}$，其对应的特征向量（归一化后）就是权重向量： $$Aw = \lambda_{\max} w, \qquad w_i = \frac{v_i}{\sum_{k=1}^{m} v_k}$$ 其中 $v = (v_1, \dots, v_m)^T$ 是 $\lambda_{\max}$ 对应的特征向量（各分量全为正）。 为什么"特征向量就是权重"？直观理解：如果判断矩阵完全一致，$A$ 的第 $i$ 行就是权重比的真实值 $w_i / w_j$，此时 $Aw = mw$（可以验证 $\sum_j (w_i/w_j) w_j = m w_i$），即权重向量恰好是 $A$ 的特征向量，特征值为 $m$。矩阵有轻微不一致时，$Aw \approx \lambda_{\max} w$ 仍然成立，特征向量给出了"最接近真实权重"的最小二乘意义上的解。因此 $\lambda_{\max} \ge m$，**越接近 $m$ 说明判断越一致**。 求解 $\lambda_{\max}$ 与特征向量的数值方法有：`numpy.linalg.eig` 直接求全部特征值、幂法（$w^{(k+1)} = A w^{(k)}$ 迭代并归一化，收敛到主特征向量）等。代码实现见第六节。 #### （2）和积法（列归一化法） 手算友好的近似方法，三步： 1. **列归一化**：$b_{ij} = \dfrac{a_{ij}}{\sum_{k=1}^{m} a_{kj}}$（每列元素除以该列之和）； 2. **行求和**：$\bar{w}_i = \sum_{j=1}^{m} b_{ij}$； 3. **归一化**：$w_i = \dfrac{\bar{w}_i}{\sum_{k=1}^{m} \bar{w}_k}$（等价于对第 1 步结果直接按行取平均）。 #### （3）方根法（几何平均法） 同样两步： 1. **行几何平均**：$\bar{w}_i = \left( \prod_{j=1}^{m} a_{ij} \right)^{1/m}$（每行 $m$ 个元素相乘后开 $m$ 次方）； 2. **归一化**：$w_i = \dfrac{\bar{w}_i}{\sum_{k=1}^{m} \bar{w}_k}$。 三种方法在矩阵接近一致时结果几乎相同（第六节代码会同时给出三种结果对比）。竞赛论文中写"用特征值法求权重"即可，也可以用和积法手算展示过程。 ### 1.5 一致性检验 专家打分难免自相矛盾（比如"A 比 B 重要、B 比 C 重要、C 又比 A 重要"的循环）。AHP 用 $\lambda_{\max}$ 与矩阵阶数 $m$ 的偏离程度来度量这种矛盾： **一致性指标（Consistency Index）**： $$CI = \frac{\lambda_{\max} - m}{m - 1}$$ 完全一致时 $\lambda_{\max} = m$，$CI = 0$；越不一致 $CI$ 越大。 **一致性比例（Consistency Ratio）**：为了消除矩阵阶数的影响，把 $CI$ 除以同阶随机矩阵的平均 $CI$（称为**平均随机一致性指标 $RI$**，Saaty 用大量随机矩阵模拟得到）： $$CR = \frac{CI}{RI}$$ **$RI$ 取值表**（$m = 1 \sim 10$，Saaty 标准值）： | $m$（阶数） | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:|:---:| | $RI$ | 0.00 | 0.00 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | **判定准则：当 $CR < 0.1$ 时，认为判断矩阵通过一致性检验**，权重可以接受；否则认为判断矩阵不一致程度过大，需**修正判断矩阵**（复查打分、重新两两比较，或对矛盾元素微调），直到 $CR < 0.1$。注意 $m = 1, 2$ 时矩阵必然一致（$RI = 0$，$CR$ 无意义，直接通过）。 第六节代码专门演示了一个 $CR = 0.1407 > 0.1$ 的矩阵及其修正全过程。 ### 1.6 层次总排序 各层单独求出权重后，最后一步是**自顶向下合成**，得到每个方案对总目标的最终权重： - 准则层对目标层的权重：$w^{C} = (w_1^{C}, \dots, w_m^{C})^T$； - 方案层对每个准则 $j$ 的权重：$w^{(j)} = (w_{1}^{(j)}, \dots, w_{n}^{(j)})^T$（$n$ 个方案）； - 把它们按列排成**方案层权重矩阵** $W_{alt} = \big( w^{(1)}, w^{(2)}, \dots, w^{(m)} \big)$（$n \times m$，行=方案，列=准则）； 则**层次总排序**（各方案对目标的最终得分）为： $$w^{total} = W_{alt} \cdot w^{C}, \qquad w_i^{total} = \sum_{j=1}^{m} w_{ij}^{alt} \cdot w_j^{C}$$ 即"方案 $i$ 在每个准则下的得分，按准则权重加权求和"。得分最高者即最优方案。 层次总排序也要做一次整体一致性检验（各准则权重加权平均的 $CR$）： $$CR_{total} = \frac{\sum_{j=1}^{m} w_j^{C} \, CI_j}{\sum_{j=1}^{m} w_j^{C} \, RI_j}$$ 其中 $CI_j$ 是方案层对第 $j$ 个准则的判断矩阵的一致性指标，$RI_j$ 是对应阶数的 $RI$。$CR_{total} < 0.1$ 时整体通过。 ### 1.7 优缺点 **优点**： - 原理简单直观，"三层结构 + 两两比较 + 特征向量"一套流程走到底，评委一看就懂； - **不需要客观数据**：只用专家打分就能运行，特别适合数据稀缺或无法量化的评价问题； - 计算量小：几阶矩阵的特征值手算（和积法）都能完成，代码实现也就几十行； - 一致性检验机制让主观判断"有据可查"，比拍脑袋打分严谨得多； - 可扩展性好：可以和其他方法组合（熵权法组合赋权、TOPSIS 排序、模糊数学推广为 FAHP）。 **缺点**： - **主观性强**：权重完全来自专家打分，不同专家结论可能不同，结果稳定性差； - 准则过多时两两比较次数 $m(m-1)/2$ 快速增长（10 个准则要比较 45 次），专家负担大、不一致风险高； - 只利用判断矩阵的信息，完全忽略客观数据（若手上有真实数据，应结合熵权法等客观方法）； - 一致性检验通过（$CR < 0.1$）只保证"不自相矛盾"，不保证"判断正确"； - 方案层元素过多时（如 20 个候选城市）同样面临两两比较爆炸的问题，通常先粗筛再精评。 ## 二、何时使用（适用场景与条件） ### 2.1 适用场景 1. **多准则决策（MCDM）**：目标受多个互相冲突的准则影响，需要综合权衡。如"买房：地段、价格、面积、学区怎么平衡"。这是 AHP 最原生的场景。 2. **评价与排序**：对若干对象按多个指标打分排名。如高校排名、供应商评价、员工绩效评估。 3. **权重确定**：AHP 常常只作为"定权工具"嵌入更大的模型——先用 AHP 求各指标权重，再用 TOPSIS、模糊综合评价、加权评分等方法完成排序。这是竞赛中最常见的用法。 4. **选址、选型、评优**：厂址选择、物流中心选址、设备选型、评奖学金、评先进班级等。 ### 2.2 竞赛典型题目 - **评价类题目必提**：国赛 2010B"上海世博会影响力的定量评估"、2012A"葡萄酒的评价"、2016B"小区开放对道路通行的影响"（评价部分）等题目，评价指标体系建立后都涉及指标赋权，AHP 是最经典的赋权方法； - **选题决策**：题目背景自带多个备选方案时（选址、方案比选），用 AHP 直接排序； - **作为组合模型的一部分**：如"层次分析法 + 模糊综合评价"评水质等级、"AHP + TOPSIS"评供应商、"熵权 + AHP 组合赋权"再加权打分，都是国奖论文的高频组合。 竞赛中只要论文出现"评价指标体系"四个字，评审默认你要交代**指标权重从哪来**——AHP 就是最稳妥的交代方式之一。 ### 2.3 使用前提（建模前检查清单） 1. **因素可以两两比较**：专家能对任意两个准则/方案说出"谁比谁重要多少"； 2. **有可依赖的打分来源**：本人/队友合理判断、问卷、专家访谈、文献依据均可，论文中需说明打分依据； 3. **准则个数适中**：建议 $m \le 9$（两两比较次数 $m(m-1)/2$ 可承受，且 $RI$ 表有标准值）；超过 9 个应分层分组（把准则再细分成子准则）； 4. **方案个数不多**：方案层每个准则下也要两两比较，方案太多时先粗筛出 3~7 个； 5. **问题确实主观/定性强**：如果全部指标都有客观数据，优先考虑客观赋权法（熵权法），或与 AHP 组合。 ### 2.4 不适用 / 慎用的情形 - **准则过多**（如 20 个指标）：两两比较负担大、不一致概率高，应改用德尔菲法、熵权法等，或先聚类降维； - **完全客观数据的场景**：有完整的数据矩阵时，熵权法、主成分分析、变异系数法等客观赋权法更合适——AHP 的主观打分在数据面前说服力弱； - **精度要求高、主观争议大的问题**：如精确的资源分配、投资组合优化，AHP 的 1-9 离散标度太粗糙，应换用更精细的模型（如 ANP、多目标规划）； - **需要大量方案排序**：方案成百上千时两两比较不可行，用加权评分法、数据包络分析（DEA）等。 ### 2.5 与熵权法、TOPSIS、模糊综合评价的配合与选择 AHP 很少"单打独斗"，竞赛中常见组合方式： | 方法 | 数据来源 | 角色 | 与 AHP 的配合方式 | |:---|:---|:---|:---| | 熵权法 | 客观数据（指标离散程度） | 定权 | 与 AHP 权重线性组合（$\alpha w_{AHP} + (1-\alpha) w_{熵}$）形成"主客观组合赋权"，论文常用 | | TOPSIS | 数据 + 权重 | 排序 | AHP 出权重，TOPSIS 出排序，两者串联是最经典的"评价两件套" | | 模糊综合评价 | 专家模糊评语（好/较好/一般） | 综合评价 | AHP 定权重 + 隶属度矩阵合成，处理"边界模糊"的评价等级问题 | | 主成分分析 | 客观数据 | 降维/定权 | 与熵权法类似作客观参照，或先降维再对主成分做 AHP | **选择口诀**：有数据没专家 → 熵权法/主成分；有专家没数据 → AHP；两者都有 → 组合赋权；要排序 → AHP+TOPSIS；评语是模糊等级 → AHP+模糊综合评价。 ## 三、算法指标 AHP 的"指标"不像回归那样有 R²、RMSE，它的核心指标围绕**权重**和**一致性**展开。以下逐项说明（公式中 $m$ 为判断矩阵阶数）。 ### 3.1 各准则权重 $w_j$（准则层权重向量） - **公式**：特征值法 $Aw = \lambda_{\max} w$，归一化 $w_j = \dfrac{v_j}{\sum_{k} v_k}$；或和积法/方根法（见 1.4 节） - **含义与解读**：准则 $j$ 在总目标中的重要性占比，满足 $\sum w_j = 1$。例如本例 $w_{景色} = 0.5462$，表示"景色"贡献了约 54.6% 的决策权重，是决策者最看重的因素。权重差异越大，说明决策者偏好越鲜明；权重接近时，各方案最终得分差距也会缩小。 ### 3.2 最大特征值 $\lambda_{\max}$ - **公式**：$Aw = \lambda_{\max} w$（即 $A$ 的 Perron 根，正互反矩阵必有唯一正的最大特征值） - **含义与解读**：$\lambda_{\max} \ge m$，且**等于 $m$ 当且仅当矩阵完全一致**。因此 $\lambda_{\max}$ 与 $m$ 的差距就是"判断自相矛盾程度"的直接度量。本例准则层矩阵 $\lambda_{\max} = 4.0511$，只比 $m = 4$ 大 0.0511，说明判断相当一致。 ### 3.3 一致性指标 $CI$（Consistency Index） - **公式**：$CI = \dfrac{\lambda_{\max} - m}{m - 1}$ - **含义与解读**：把 $\lambda_{\max}$ 的偏移量按自由度 $m-1$ 平均。$CI = 0$ 表示完全一致；$CI$ 越大矛盾越严重。单独看 $CI$ 没有绝对好坏标准（阶数不同，随机波动不同），需要与 $RI$ 比较。 ### 3.4 一致性比例 $CR$（Consistency Ratio） - **公式**：$CR = \dfrac{CI}{RI}$，$RI$ 查表（$m=3 \to 0.58$，$m=4 \to 0.90$，见 1.5 节 RI 表） - **含义与解读**：**AHP 的核心判定指标**。$CR < 0.1$ 时判断矩阵通过一致性检验，权重可信；$CR \ge 0.1$ 时必须修正判断矩阵后重算。本例准则层 $CR = 0.0189 < 0.1$ 通过；演示用的错误矩阵 $CR = 0.1407$，修正后降至 $0.0032$。 ### 3.5 层次总排序权重 $w_i^{total}$ - **公式**：$w^{total} = W_{alt} \cdot w^{C}$，即 $w_i^{total} = \sum_{j=1}^{m} w_{ij}^{alt} \, w_j^{C}$ - **含义与解读**：方案 $i$ 对总目标的**最终得分**（合成权重），等于它在各准则下得分的加权和，满足 $\sum_i w_i^{total} = 1$。本例桂林 $0.4130$、杭州 $0.3224$、青岛 $0.2646$。配套的整体一致性检验 $CR_{total} = \dfrac{\sum_j w_j^C CI_j}{\sum_j w_j^C RI_j} < 0.1$（本例 $0.0111$）。 ### 3.6 各方案最终得分与排序 - **公式**：对 $w_i^{total}$ 降序排列得名次 - **含义与解读**：AHP 的最终输出。得分最高者为推荐方案；若第一名与第二名差距很小（如 0.410 vs 0.405），说明两方案难分伯仲，应做灵敏度分析（微调权重看排序是否翻转）后再下结论。 ### 3.7 指标汇总表 | 指标 | 中文名 | 公式 | 含义与解读 | |:---|:---|:---|:---| | $w_j$ | 准则权重 | $Aw = \lambda_{\max} w$ 归一化，或和积法/方根法 | 准则 $j$ 的重要性占比，$\sum w_j = 1$ | | $\lambda_{\max}$ | 最大特征值 | $Aw = \lambda_{\max} w$ | $\ge m$，越接近 $m$ 判断越一致 | | $CI$ | 一致性指标 | $CI = \dfrac{\lambda_{\max} - m}{m - 1}$ | 判断矩阵偏离完全一致的程度，$CI = 0$ 完全一致 | | $CR$ | 一致性比例 | $CR = \dfrac{CI}{RI}$ | 核心判定：$CR < 0.1$ 通过，否则修正矩阵 | | $w_i^{total}$ | 层次总排序权重 | $w^{total} = W_{alt} \cdot w^C$ | 方案 $i$ 的最终得分，加权求和自顶向下合成 | | 名次 | 方案排序 | 对 $w_i^{total}$ 降序 | 最终决策结论；差距小时做灵敏度分析 | | $CR_{total}$ | 总排序一致性比例 | $\dfrac{\sum_j w_j^C CI_j}{\sum_j w_j^C RI_j}$ | 整体一致性把关，$< 0.1$ 通过 | ## 四、可视化图表 ### 4.1 四张图速查表 | 图名 | 用途 | 关键解读点 | |:---|:---|:---| | ① 层次结构图（三层框线图） | 论文建模部分的开篇图，展示目标—准则—方案三层结构与支配关系 | 三层框位置清楚、箭头方向自上而下；准则数、方案数与文字一致；竞赛论文中必放此图 | | ② 判断矩阵热力图 | 直观展示判断矩阵中两两比较的数值分布与对称性 | 对角线恒为 1；关于对角线互为倒数（$a_{ji} = 1/a_{ij}$）；颜色越深表示越重要，一眼看出哪个准则/方案最受偏好 | | ③ 各准则权重柱状图 | 展示准则层权重分布，说明"决策者最看重什么" | 柱高标注数值、总和为 1；最高的准则（本例景色 0.5462）主导决策；论文中配合文字"决策者最看重景色，其次费用" | | ④ 各方案层次总排序权重条形图 | **最终结论图**，展示各方案最终得分与排名 | 最优方案醒目突出（可用不同颜色）；数值标注在条形末端；论文结论段引用此图"桂林得分 0.4130，为最优方案" | 第六节代码生成这 4 张图，文件名分别为 `figures/ahp_structure.png`、`figures/ahp_matrix_heatmap.png`、`figures/ahp_criterion_weights.png`、`figures/ahp_final_ranking.png`。 ### 4.2 每张图"好"与"异常"的特征 - **图①层次结构图**：好——三层对齐、箭头不交叉、层级名称规范（目标层/准则层/方案层）；异常——箭头方向画反（应自上而下）、缺少目标层或方案层、准则数与正文判断矩阵阶数对不上。 - **图②判断矩阵热力图**：好——对角线全 1、上下三角颜色呈"互补"关系（$a_{ji} = 1/a_{ij}$）、最深格对应最受偏好元素；异常——不对称（正互反性质被破坏，说明矩阵录入错误）、深色格出现在对角线以外却与其转置位置颜色相同（如 $a_{ij}$ 与 $a_{ji}$ 同深，必有一处录入错误）。 - **图③准则权重柱状图**：好——数值标注齐全、总和约等于 1、主次分明（最高柱与最低柱差距明显）；异常——权重出现负数或大于 1（归一化出错）、所有柱等高（各准则无差异，说明打分没区分度，AHP 白做了）。 - **图④总排序条形图**：好——最优方案颜色突出、名次从高到低排列、标注精确到 3~4 位小数；异常——三条权重和明显不等于 1（合成公式算错，常见于把准则权重直接当方案权重）、排序与直觉严重冲突且无解释（应回头检查判断矩阵方向是否填反，如第六节演示的"费用"矩阵错误）。 ## 五、符号说明 | 符号 | 含义 | 示例/单位 | |:---|:---|:---| | $O$ | 目标层元素（决策总目标） | "选择最佳旅游目的地" | | $C_j$ | 第 $j$ 个准则，$j = 1, \dots, m$ | $C_1$ 景色、$C_2$ 费用 | | $A_i$ | 第 $i$ 个方案，$i = 1, \dots, n$ | $A_1$ 杭州、$A_2$ 桂林 | | $m$ | 准则个数（判断矩阵阶数） | 本例 $m = 4$ | | $n$ | 方案个数 | 本例 $n = 3$ | | $A$ | 判断矩阵（正互反矩阵） | 4×4 准则层矩阵 | | $a_{ij}$ | $i$ 比 $j$ 的重要程度（1-9 标度） | $a_{12} = 3$：景色比费用稍微重要 | | $w = (w_1, \dots, w_m)^T$ | 权重向量（准则层） | $(0.5462, 0.2323, 0.0838, 0.1377)^T$ | | $w^{(j)}$ | 方案层对准则 $j$ 的权重向量 | $w^{(1)} = (0.3196, 0.5584, 0.1220)^T$ | | $W_{alt}$ | 方案层权重矩阵（行=方案，列=准则） | 3×4 矩阵 | | $\lambda_{\max}$ | 最大特征值 | 准则层矩阵为 4.0511 | | $CI$ | 一致性指标 | $CI = (\lambda_{\max} - m)/(m - 1)$ | | $RI$ | 平均随机一致性指标 | $m = 3$ 时 $RI = 0.58$；$m = 4$ 时 $RI = 0.90$ | | $CR$ | 一致性比例 | $CR = CI / RI$，要求 $< 0.1$ | | $w^{total} = (w_1^{total}, \dots, w_n^{total})^T$ | 层次总排序权重（方案最终得分） | $(0.3224, 0.4130, 0.2646)^T$ | | $CR_{total}$ | 总排序一致性比例 | 本例 0.0111 | ## 六、可运行程序（完整代码） > 环境要求：Python 3.12，依赖 numpy、scipy、scikit-learn、matplotlib、pandas（`pip install numpy scipy scikit-learn matplotlib pandas`）。以下所有代码块**按顺序拼接**保存为 `ahp_demo.py`，在本文档所在目录运行即可：控制台打印全部指标（各矩阵的 $\lambda_{\max}$、CI、CR、权重、层次总排序），并在 `figures/` 子目录生成 4 张图。 > > 示例问题：**选择最佳旅游目的地**。目标层 1 个元素，准则层 4 个准则（景色、费用、交通、住宿），方案层 3 个方案（杭州、桂林、青岛）；共构造 4 个方案层判断矩阵 + 1 个准则层判断矩阵，其中"费用"准则的矩阵先给出一个 $CR = 0.1407 > 0.1$ 的**错误版本**，演示一致性检验报警与修正全流程。 > > 库对照说明：AHP 在 scikit-learn 中**没有标准接口**（sklearn 面向机器学习估计器，不含多准则决策方法），因此权重求解全部手写实现（特征值法 + 和积法 + 方根法），并用 `scipy.linalg.eig` 与 `sklearn.preprocessing.normalize` 对手写结果交叉验证。运行时会依次弹出 4 张图窗口（关闭后继续执行）；如只需保存图片不弹窗，可在命令行加环境变量：`MPLBACKEND=Agg python ahp_demo.py`。 ```python # -*- coding: utf-8 -*- """ ============================================================ 层次分析法（AHP）完整示例：选择旅游目的地 ------------------------------------------------------------ 层次结构： 目标层 O：选择最佳旅游目的地 准则层 C：C1 景色、C2 费用、C3 交通、C4 住宿 方案层 A：A1 杭州、A2 桂林、A3 青岛 输出： 1) 1 个准则层判断矩阵 + 4 个方案层判断矩阵的 λmax、CI、CR 与权重 2) 演示"费用"准则矩阵 CR > 0.1 时的一致性修正流程 3) 层次总排序（各方案最终得分与排名） 4) figures/ 目录下 4 张图 依赖：numpy、scipy、scikit-learn、matplotlib、pandas 库对照说明：AHP 在 scikit-learn 中没有标准接口（sklearn 面向机器学习 估计器，不包含多准则决策方法），本文权重求解全部手写实现，并用 scipy.linalg.eig、sklearn.preprocessing.normalize 与方根法交叉验证。 ============================================================ """ # ========== 0. 导入库与全局设置 ========== import os import numpy as np import pandas as pd import matplotlib.pyplot as plt from matplotlib.patches import FancyBboxPatch from scipy import linalg as sla # 特征值法交叉验证 from sklearn.preprocessing import normalize # 权重 L1 归一化交叉验证 # ---- matplotlib 中文显示设置（防止图内中文乱码）---- plt.rcParams["font.sans-serif"] = ["PingFang SC", "Arial Unicode MS", "SimHei"] plt.rcParams["axes.unicode_minus"] = False # 让负号"-"正常显示 # ---- 图片输出目录（相对当前工作目录的 figures/ 子目录）---- FIG_DIR = "figures" os.makedirs(FIG_DIR, exist_ok=True) np.set_printoptions(precision=4, suppress=True) # 控制台打印格式 ``` ```python # ========== 1. 构造判断矩阵 ========== # 层次结构：目标层 O；准则层 C1 景色、C2 费用、C3 交通、C4 住宿； # 方案层 A1 杭州、A2 桂林、A3 青岛 crit_labels = ["C1 景色", "C2 费用", "C3 交通", "C4 住宿"] alt_labels = ["A1 杭州", "A2 桂林", "A3 青岛"] # ---- 准则层对目标层的判断矩阵 A（4x4）---- # 含义：景色比费用重要 3 倍、比交通重要 5 倍、比住宿重要 4 倍； # 费用比交通重要 3 倍、比住宿重要 2 倍；住宿比交通重要 2 倍 A_crit = np.array([ [1, 3, 5, 4 ], [1/3, 1, 3, 2 ], [1/5, 1/3, 1, 1/2], [1/4, 1/2, 2, 1 ], ]) # ---- 方案层对准则 C1 景色（3x3）：桂林景色最好，杭州次之，青岛再次 ---- B_scenery = np.array([ [1, 1/2, 3 ], [2, 1, 4 ], [1/3, 1/4, 1 ], ]) # ---- 方案层对准则 C2 费用（初始版本：故意不一致，CR 略超 0.1 用于演示修正）---- # 真实认知：青岛最省钱、桂林次之、杭州最贵；但专家误把 a12 填成 2 #（应为 1/2，方向填反），使三组两两比较在倍数上互相冲突 B_cost_bad = np.array([ [1, 2, 1/5], [1/2, 1, 1/3], [5, 3, 1 ], ]) # ---- 方案层对准则 C2 费用（修正版：a12 由 2 改为 1/2，消除矛盾）---- B_cost = np.array([ [1, 1/2, 1/5], [2, 1, 1/3], [5, 3, 1 ], ]) # ---- 方案层对准则 C3 交通（3x3）：杭州最便捷，青岛次之，桂林最远 ---- B_transport = np.array([ [1, 3, 2 ], [1/3, 1, 1/2], [1/2, 2, 1 ], ]) # ---- 方案层对准则 C4 住宿（3x3）：杭州住宿条件最好，桂林次之，青岛再次 ---- B_lodging = np.array([ [1, 2, 3 ], [1/2, 1, 2 ], [1/3, 1/2, 1 ], ]) ``` ```python # ========== 2. 手写实现：权重求解 + 一致性检验 ========== # 平均随机一致性指标 RI 表（n = 1 ~ 10，Saaty 标准值） RI_TABLE = {1: 0.00, 2: 0.00, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49} def ahp_eigen(A): """特征值法：最大特征值 λmax 对应的特征向量归一化后即权重向量""" eigvals, eigvecs = np.linalg.eig(A) # 手写核心：np.linalg.eig idx = np.argmax(eigvals.real) # 找最大特征值（Perron 根） lam_max = eigvals[idx].real w = np.abs(eigvecs[:, idx].real) # 对应特征向量（取正） return w / w.sum(), lam_max # 归一化得权重 def ahp_sum_product(A): """和积法：①每列归一化 ②按行求和 ③再归一化""" A_col_norm = A / A.sum(axis=0) # 第 1 步：列归一化 w = A_col_norm.sum(axis=1) # 第 2 步：按行求和 return w / w.sum() # 第 3 步：归一化 def ahp_root(A): """方根法（几何平均法）：①每行元素乘积开 n 次方 ②归一化""" n = A.shape[0] w = np.prod(A, axis=1) ** (1 / n) # 第 1 步：每行几何平均 return w / w.sum() # 第 2 步：归一化 def consistency_check(A): """一致性检验：返回 (λmax, CI, CR)""" w, lam_max = ahp_eigen(A) n = A.shape[0] CI = (lam_max - n) / (n - 1) # 一致性指标 RI = RI_TABLE.get(n, 1.49) # 查 RI 表 CR = CI / RI # 一致性比例 return lam_max, CI, CR def report_matrix(name, A, row_labels): """打印单个判断矩阵：矩阵本身、三种方法权重、λmax/CI/CR 与通过与否""" print("=" * 68) print(f"【{name}】") print(pd.DataFrame(A, index=row_labels, columns=row_labels).round(3).to_string()) w_eig, lam_max = ahp_eigen(A) # 特征值法（本文主结果） w_sp = ahp_sum_product(A) # 和积法（手写对照） w_root = ahp_root(A) # 方根法（手写对照） _, CI, CR = consistency_check(A) # ---- 库对照：scipy 求特征值 + sklearn 做 L1 归一化，应与手写一致 ---- evals, evecs = sla.eig(A) w_scipy = np.abs(evecs[:, np.argmax(evals.real)].real) # 注意：sklearn 的 normalize 默认按"行"（每个样本）归一化， # 因此先把向量 reshape 成 1 行 n 列，再取回一维数组 w_scipy = normalize(w_scipy.reshape(1, -1), norm="l1").ravel() print(f"λmax = {lam_max:.4f}，CI = {CI:.4f}，CR = {CR:.4f}", "-> 通过（CR < 0.1）" if CR < 0.1 else "-> 不通过（CR >= 0.1）！！！") print(f"权重（特征值法）：{np.round(w_eig, 4)}") print(f"权重（和积法） ：{np.round(w_sp, 4)}") print(f"权重（方根法） ：{np.round(w_root, 4)}") print(f"权重（scipy + sklearn 对照）：{np.round(w_scipy, 4)}", "（与特征值法一致）" if np.allclose(w_scipy, w_eig) else "（与特征值法不一致！）") return w_eig ``` ```python # ========== 3. 逐矩阵求解：准则层 + 方案层 ========== print("=" * 68) print("层次分析法（AHP）示例：选择最佳旅游目的地") print("=" * 68) print("层次结构：目标层 O（最佳旅游目的地）") print(" 准则层 C1 景色、C2 费用、C3 交通、C4 住宿") print(" 方案层 A1 杭州、A2 桂林、A3 青岛") print("库对照说明：AHP 无标准 sklearn 接口（sklearn 面向机器学习估计器，") print(" 不包含多准则决策方法），权重求解全部手写；下方每个矩阵均用") print(" scipy.linalg.eig 与 sklearn.preprocessing.normalize 交叉验证。") print() # ---- 准则层：准则 C 对目标 O ---- w_crit = report_matrix("矩阵 1：准则层 C 对目标层 O（4 阶判断矩阵）", A_crit, crit_labels) print() # ---- 方案层：方案 A 对准则 C1 景色、C3 交通、C4 住宿 ---- w_B1 = report_matrix("矩阵 2：方案层 A 对准则 C1 景色（3 阶判断矩阵）", B_scenery, alt_labels) print() w_B3 = report_matrix("矩阵 3：方案层 A 对准则 C3 交通（3 阶判断矩阵）", B_transport, alt_labels) print() w_B4 = report_matrix("矩阵 4：方案层 A 对准则 C4 住宿（3 阶判断矩阵）", B_lodging, alt_labels) print() # ========== 4. 演示：CR > 0.1 的判断矩阵一致性修正流程 ========== print("=" * 68) print("【一致性修正流程演示】方案层 A 对准则 C2 费用（初始版本）") print("=" * 68) w_bad, lam_bad = ahp_eigen(B_cost_bad) CI_bad = (lam_bad - 3) / (3 - 1) CR_bad = CI_bad / RI_TABLE[3] print(pd.DataFrame(B_cost_bad, index=alt_labels, columns=alt_labels).round(3).to_string()) print(f"λmax = {lam_bad:.4f}，CI = {CI_bad:.4f}，CR = {CR_bad:.4f} -> 不通过（CR >= 0.1）") print(">>> 需修正判断矩阵！该矩阵存在循环矛盾：") print(" a12 = 2 认为杭州优于桂林，a13 = 1/5 认为青岛远胜杭州，") print(" 而 a23 = 1/3 又认为青岛优于桂林——三组比较在倍数上互相冲突。") print(">>> 修正方案：复核打分后发现 a12 误填（方向填反，应为 1/2，") print(" 即桂林比杭州更省钱、更受偏好），将 a12 由 2 改为 1/2 后重新检验：") print() w_B2 = report_matrix("矩阵 2（修正后）：方案层 A 对准则 C2 费用（3 阶判断矩阵）", B_cost, alt_labels) print() # ========== 5. 层次总排序 ========== # 方案层权重矩阵 W_alt：每一列是某个准则下 3 个方案的权重（按列拼接） W_alt = np.column_stack([w_B1, w_B2, w_B3, w_B4]) # 层次总排序：各方案对目标的最终权重 = 方案层权重矩阵 x 准则层权重向量 w_final = W_alt @ w_crit print("=" * 68) print("【层次总排序】各方案对目标层的最终权重") print("=" * 68) df_alt = pd.DataFrame(W_alt, index=alt_labels, columns=crit_labels).round(4) df_alt["总排序权重"] = np.round(w_final, 4) print("方案层权重矩阵 W_alt（行 = 方案，列 = 准则）：") print(df_alt.to_string()) print() rank = np.argsort(-w_final) # 按权重降序排名 print("各方案最终得分与排序：") for k in range(3): print(f" 第 {k + 1} 名：{alt_labels[rank[k]]}，总排序权重 = {w_final[rank[k]]:.4f}") print(f"最优方案：{alt_labels[rank[0]]}（总排序权重 {w_final[rank[0]]:.4f}）") # 层次总排序的一致性检验：CR_总 = Σ w_j CI_j / Σ w_j RI_j CI_list = [consistency_check(B)[1] for B in [B_scenery, B_cost, B_transport, B_lodging]] RI_list = [RI_TABLE[3]] * 4 CR_total = (w_crit @ np.array(CI_list)) / (w_crit @ np.array(RI_list)) print(f"层次总排序一致性比例 CR_总 = {CR_total:.4f}", "-> 通过（CR_总 < 0.1）" if CR_total < 0.1 else "-> 不通过（CR_总 >= 0.1）") print() ``` ```python # ========== 6. 可视化（4 张图） ========== def draw_box(ax, x, y, w, h, text, fc="#dbe9f6", ec="#2b6cb0"): """在指定位置画一个圆角矩形框并居中写文字""" ax.add_patch(FancyBboxPatch((x, y), w, h, boxstyle="round,pad=0.02", linewidth=1.5, facecolor=fc, edgecolor=ec)) ax.text(x + w / 2, y + h / 2, text, ha="center", va="center", fontsize=10) def draw_arrow(ax, x1, y1, x2, y2, color="#4a5568"): """画一条从 (x1,y1) 指向 (x2,y2) 的箭头""" ax.annotate("", xy=(x2, y2), xytext=(x1, y1), arrowprops=dict(arrowstyle="-|>", color=color, lw=1.0)) # ---- 图 1：层次结构图（三层框线图：目标 - 准则 - 方案）---- fig, ax = plt.subplots(figsize=(10, 7)) ax.set_xlim(0, 10) ax.set_ylim(0, 10) ax.axis("off") draw_box(ax, 3.5, 8.4, 3.0, 1.1, "目标层 O\n选择最佳旅游目的地", fc="#fef0d9", ec="#c05621") crit_labels_plot = ["C1 景色", "C2 费用", "C3 交通", "C4 住宿"] for i, lab in enumerate(crit_labels_plot): x = 0.5 + i * 2.45 draw_box(ax, x, 5.2, 1.9, 0.9, lab) draw_arrow(ax, 5.0, 8.4, x + 0.95, 6.1) alt_labels_plot = ["A1 杭州", "A2 桂林", "A3 青岛"] for j, lab in enumerate(alt_labels_plot): x = 1.5 + j * 2.6 draw_box(ax, x, 1.6, 1.9, 0.9, lab, fc="#e6f6e6", ec="#2f855a") for i in range(4): draw_arrow(ax, 0.5 + i * 2.45 + 0.95, 5.2, x + 0.95, 2.5) ax.set_title("AHP 层次结构图：目标层 — 准则层 — 方案层", fontsize=13) plt.tight_layout() plt.savefig(os.path.join(FIG_DIR, "ahp_structure.png"), dpi=150) plt.show() # ---- 图 2：判断矩阵热力图（数值 + 颜色深浅）---- fig, axes = plt.subplots(1, 2, figsize=(12, 5)) plot_pairs = [ (A_crit, "准则层判断矩阵 A（准则对目标）", crit_labels), (B_cost, "方案层判断矩阵 B2（方案对费用，修正后）", alt_labels), ] im = None for ax, (mat, title, labels) in zip(axes, plot_pairs): im = ax.imshow(mat, cmap="YlOrRd", vmin=0, vmax=5) ax.set_xticks(range(mat.shape[0]), labels) ax.set_yticks(range(mat.shape[0]), labels) for i in range(mat.shape[0]): # 在每个格子标注数值 for j in range(mat.shape[0]): v = mat[i, j] ax.text(j, i, f"{v:.2f}" if abs(v - round(v)) > 1e-9 else f"{v:.0f}", ha="center", va="center", fontsize=11, color="white" if v > 3 else "black") ax.set_title(title, fontsize=12) fig.colorbar(im, ax=axes, shrink=0.85, label="重要性标度 a_ij") fig.suptitle("判断矩阵热力图：数值越大（颜色越深）表示越重要", fontsize=13) fig.subplots_adjust(top=0.86, wspace=0.25) # 手动留出标题与 colorbar 空间 plt.savefig(os.path.join(FIG_DIR, "ahp_matrix_heatmap.png"), dpi=150) plt.show() # ---- 图 3：各准则权重柱状图（标注数值）---- fig, ax = plt.subplots(figsize=(8, 5)) bars = ax.bar(crit_labels, w_crit, color=["#4c78a8", "#f58518", "#54a24b", "#e45756"], width=0.55) ax.set_ylim(0, max(w_crit) * 1.2) ax.set_ylabel("权重") ax.set_title("准则层权重分布（准则对目标层）", fontsize=13) for bar, wv in zip(bars, w_crit): # 柱顶标注权重数值 ax.text(bar.get_x() + bar.get_width() / 2, bar.get_height() + 0.01, f"{wv:.4f}", ha="center", va="bottom", fontsize=11) ax.grid(axis="y", linestyle="--", alpha=0.5) plt.tight_layout() plt.savefig(os.path.join(FIG_DIR, "ahp_criterion_weights.png"), dpi=150) plt.show() # ---- 图 4：各方案层次总排序权重条形图（最终结论图）---- fig, ax = plt.subplots(figsize=(8, 5)) order = np.argsort(w_final) # 升序，横条图从上到下依次变长 sorted_labels = [alt_labels[i] for i in order] sorted_w = w_final[order] colors = ["#54a24b" if i == order[-1] else "#4c78a8" for i in order] bars = ax.barh(sorted_labels, sorted_w, color=colors, height=0.5) ax.set_xlim(0, max(w_final) * 1.25) ax.set_xlabel("总排序权重（对目标层的综合得分）") ax.set_title("层次总排序：各方案最终得分与排名", fontsize=13) for bar, wv in zip(bars, sorted_w): # 条形末端标注权重数值 ax.text(bar.get_width() + 0.005, bar.get_y() + bar.get_height() / 2, f"{wv:.4f}", ha="left", va="center", fontsize=11) ax.grid(axis="x", linestyle="--", alpha=0.5) plt.tight_layout() plt.savefig(os.path.join(FIG_DIR, "ahp_final_ranking.png"), dpi=150) plt.show() print("4 张图已保存到 figures/ 目录：") for f in ["ahp_structure.png", "ahp_matrix_heatmap.png", "ahp_criterion_weights.png", "ahp_final_ranking.png"]: print(f" {os.path.join(FIG_DIR, f)}") print() print("程序运行完毕。") ``` ## 七、结果解读与注意事项 ### 7.1 运行输出解读（以本例旅游目的地选择为例） 运行第六节脚本，控制台核心输出如下（节选，完整输出请直接运行脚本）： ```text ==================================================================== 层次分析法（AHP）示例：选择最佳旅游目的地 ==================================================================== 层次结构：目标层 O（最佳旅游目的地） 准则层 C1 景色、C2 费用、C3 交通、C4 住宿 方案层 A1 杭州、A2 桂林、A3 青岛 ==================================================================== 【矩阵 1：准则层 C 对目标层 O（4 阶判断矩阵）】 C1 景色 C2 费用 C3 交通 C4 住宿 C1 景色 1.000 3.000 5.0 4.0 C2 费用 0.333 1.000 3.0 2.0 C3 交通 0.200 0.333 1.0 0.5 C4 住宿 0.250 0.500 2.0 1.0 λmax = 4.0511，CI = 0.0170，CR = 0.0189 -> 通过（CR < 0.1） 权重（特征值法）：[0.5462 0.2323 0.0838 0.1377] 权重（和积法） ：[0.5423 0.2333 0.0847 0.1397] 权重（方根法） ：[0.545 0.2329 0.0837 0.1385] 权重（scipy + sklearn 对照）：[0.5462 0.2323 0.0838 0.1377] （与特征值法一致） ``` 逐项解读： - **准则层判断矩阵与权重**：$\lambda_{\max} = 4.0511$ 只比阶数 $m = 4$ 大 0.0511，$CR = 0.0189 < 0.1$，一致性很好。特征值法给出准则权重 $w = (0.5462, 0.2323, 0.0838, 0.1377)$，即**景色权重最高（约 54.6%）**，说明决策者"看风景"的偏好压倒一切；费用次之（23.2%）；交通最不重要（8.4%）。三种求权方法结果非常接近（最大差异约 0.004），互相印证；scipy + sklearn 交叉验证与手写特征值法完全一致。 - **一致性修正演示**（矩阵 2 初始版本）：费用准则矩阵中专家误填 $a_{12} = 2$（方向填反），导致 $\lambda_{\max} = 3.1632$、$CR = 0.1407 \ge 0.1$，程序输出"**不通过（CR >= 0.1）！！！**"并提示"**需修正判断矩阵**"；把 $a_{12}$ 改为 $1/2$ 后重算，$\lambda_{\max} = 3.0037$、$CR = 0.0032 < 0.1$ 通过，费用权重为 $(0.1220, 0.2297, 0.6483)$，即青岛（最省钱）0.6483 大幅领先——修正后的权重才符合"省钱"认知。 - **其余方案层矩阵**：景色矩阵 $CR = 0.0158$（权重：杭州 0.3196、桂林 0.5584、青岛 0.1220），交通矩阵 $CR = 0.0079$（杭州 0.5396、桂林 0.1634、青岛 0.2970），住宿矩阵 $CR = 0.0079$（杭州 0.5396、桂林 0.2970、青岛 0.1634），全部通过一致性检验。 - **层次总排序**： ```text 【层次总排序】各方案对目标层的最终权重 C1 景色 C2 费用 C3 交通 C4 住宿 总排序权重 A1 杭州 0.3196 0.1220 0.5396 0.5396 0.3224 A2 桂林 0.5584 0.2297 0.1634 0.2970 0.4130 A3 青岛 0.1220 0.6483 0.2970 0.1634 0.2646 各方案最终得分与排序： 第 1 名：A2 桂林，总排序权重 = 0.4130 第 2 名：A1 杭州，总排序权重 = 0.3224 第 3 名：A3 青岛，总排序权重 = 0.2646 层次总排序一致性比例 CR_总 = 0.0111 -> 通过（CR_总 < 0.1） ``` - **最终结论**：**桂林以 0.4130 的总排序权重胜出**，杭州 0.3224 第二，青岛 0.2646 第三。为什么是桂林？它在权重最高的"景色"准则下得分最高（0.5584），而这一项占了 54.6% 的决策权重——"加权求和"让桂林的景色优势被充分放大。杭州虽然在交通、住宿两项上都领先，但这两项权重合计只有 22.2%，无力回天。青岛在费用上碾压（0.6483），但费用权重只有 23.2%，同样不够。这个例子生动展示了 AHP 的"权重杠杆"效应：**最终排名不是比谁单项强，而是比"强项是否踩在权重点上"**。 - **整体一致性**：$CR_{total} = 0.0111 < 0.1$，层次总排序通过整体一致性检验，结论可靠。 ### 7.2 四张图的解读（本例） - 图①层次结构图：三层框线自上而下、箭头清晰，"目标—准则—方案"完整对应正文的 1-4-3 结构，论文建模部分直接引用。 - 图②判断矩阵热力图：左图"景色"行颜色最深（3、5、4 三个高值），说明景色是决策者最看重的准则；两幅图都呈"对角线为 1、上下三角颜色互补"的正互反对称形态，说明矩阵录入无误。 - 图③准则权重柱状图：景色柱（0.5462）明显高于其他三柱，直观印证"决策者最看重景色"；四根柱高之和为 1。 - 图④总排序条形图：绿色柱（桂林，0.4130）最长且颜色突出，是本例的最终结论图，论文结论部分直接引用。 ### 7.3 常见坑与应对 1. **判断矩阵不一致**：$CR \ge 0.1$ 时强行使用权重是竞赛最常见的错误。应对：按第六节的流程定位矛盾元素（找违背 $a_{ik} \approx a_{ij} a_{jk}$ 最严重的项），修正后重新检验。**论文中必须报出每个矩阵的 $\lambda_{\max}$、$CI$、$CR$ 值**，只写"通过一致性检验"而不给数值会被评委扣分。 2. **RI 表记错**：常见错误是把 $m = 3$ 的 $RI$ 记成 0.90（那是 $m = 4$ 的值），或把 $m = 1, 2$ 的 $RI$ 记成 0.58。务必按 1.5 节的标准表查值；代码里直接用字典 `RI_TABLE` 避免手查出错。 3. **标度理解错**：把 1-9 标度当成"得分"（如给方案打 8 分），而不是"两两比较的倍数"。判断矩阵的元素永远是**比例**，不是绝对分值；且注意 $a_{ij} > 1$ 表示 $i$ **优于** $j$，方向填反会把最优方案算成最差（第六节"费用"矩阵的演示正是这个错误）。 4. **合成权重顺序错**：层次总排序是 $w^{total} = W_{alt} \cdot w^{C}$（方案层矩阵**左乘**准则层权重），行列顺序写反会得到无意义的 $m \times m$ 矩阵。检查方法：最终权重个数应等于**方案数** $n$，且和为 1。 5. **把准则权重当成方案得分**：准则权重只描述"指标有多重要"，方案排名必须经过层次总排序合成。直接说"景色权重最大所以选景色最好的方案"是跳步，缺少量化合成。 6. **准则过多硬扛两两比较**：10 个准则需要 45 次比较，专家很难保持判断一致。应对：分组建立子准则层（如"经济因素""环境因素"各自带子指标），每层控制在 3~7 个元素。 7. **主观性不交代**：AHP 的权重来自主观判断，论文必须说明打分依据（专家问卷、文献、团队讨论），并建议做**灵敏度分析**：把关键权重在 ±10% 范围内扰动，观察最终排序是否翻转；排序稳定说明结论稳健，这是国奖论文的加分项。 8. **方法单一**：只报 AHP 的评分容易显得单薄。与熵权法组合赋权、或与 TOPSIS 串联排序，并对比两种方法的结果一致性，会让评价体系更有说服力。 ### 7.4 竞赛论文写作建议（话术模板） **建模段**（先讲结构、再讲矩阵、再报检验结果）： > 针对"选择最佳旅游目的地"问题，建立三层层次结构：目标层为旅游目的地选择，准则层选取景色、费用、交通、住宿 4 项指标，方案层为杭州、桂林、青岛 3 个候选城市。采用 1-9 标度对准则层构造判断矩阵 $A$，采用层次分析法确定各指标权重，构造判断矩阵并通过一致性检验（$CR = 0.019 < 0.1$），计算得准则层权重为 $w = (0.546, 0.232, 0.084, 0.138)^T$，其中景色权重最高，表明决策者最看重景色因素。 **方案层与总排序段**： > 对每个准则分别构造方案层判断矩阵，各矩阵一致性比例分别为 0.016、0.003、0.008、0.008，均通过一致性检验。层次总排序显示方案 B（桂林）最优（得分 0.413），杭州（0.322）次之，青岛（0.265）第三，总排序一致性比例 $CR_{total} = 0.011 < 0.1$，整体通过检验。 **灵敏度分析段**（加分项）： > 将准则层权重 $w_j$ 分别上下扰动 10%，重新计算层次总排序，发现桂林的总排序权重始终为三者最高，排序结果未发生翻转，说明最优方案对权重扰动不敏感，结论稳健。 **与其他方法对比段**： > 进一步采用熵权法基于客观数据计算指标权重，与 AHP 权重按 $\alpha = 0.5$ 组合赋权，所得方案排序与 AHP 结果一致；并以组合权重为输入应用 TOPSIS 法，得到相同的最优方案，验证了结论的可靠性。 ## 八、延伸阅读 1. **模糊层次分析法（FAHP）**：把判断矩阵的元素换成三角模糊数/梯形模糊数，用模糊数表达"大概重要 3 倍左右"这类不确定判断，权重求解改用模糊特征向量或几何平均，适合专家打分本身含糊的场景。竞赛中常写为"基于模糊层次分析法（FAHP）的权重确定"，是 AHP 最直接的升级。 2. **网络层次分析法（ANP, Analytic Network Process）**：AHP 假设同层元素相互独立，现实中准则之间常常互相影响（如"价格影响销量、销量影响成本"）。ANP 允许层次内部和层次之间存在依赖与反馈，用超矩阵求解权重，是 Saaty 本人对 AHP 的推广，适合复杂的系统评价问题。 3. **与熵权法的组合赋权**：熵权法利用数据本身的离散程度定权（指标取值差异越大、信息量越大、权重越高），与 AHP 主客观互补。组合方式有加法合成 $w = \alpha w_{AHP} + (1 - \alpha) w_{entropy}$ 和乘法合成 $w_j = w_j^{AHP} w_j^{entropy} / \sum_k w_k^{AHP} w_k^{entropy}$ 两种，竞赛论文中通常对比不同 $\alpha$ 下的结果稳健性。 4. **群决策 AHP**：多位专家分别构造判断矩阵时，可先对各矩阵分别检验一致性、剔除不合格矩阵，再对权重取几何平均（或对矩阵元素取几何平均后统一求解），实现"群体智慧"的融合；配合德尔菲法多轮打分收敛效果更好。 5. **AHP 与其他评价方法的串联**：AHP 定权 + TOPSIS 排序、AHP + 模糊综合评价（隶属度合成）、AHP + 灰色关联分析、AHP + VIKOR 等组合是竞赛评价类论文的常见套路，学习顺序建议：AHP → TOPSIS → 熵权法 → 模糊综合评价。 6. **推荐资源**：Saaty T. L., *The Analytic Hierarchy Process*（1980，原始文献）；姜启源等《数学模型》（评价模型章节，竞赛经典教材）；司守奎等《数学建模算法与应用》（第 14 章层次分析法，含竞赛例题）；网络课程"运筹学-多准则决策"专题。