爱美容
当前位置: 首页 美容百科

ahp决策分析方法用什么软件(23多目标决策AHP您该选哪份工作)

时间:2023-07-17 作者: 小编 阅读量: 1 栏目名: 美容百科

根据每个对象的最终得分,确定最满意的选择。这样的矛盾,我们称之为“数据不一致性”,如果成对比较反对称阵数据不一致,将会导致严重的问题。通常在理论上通过“一致性指数”在检验数据的一致性。同时给出的成对比较矩阵是完全一致的。否则,就需要调整和修正判断矩阵,使其满足给阈值条件。结果可靠可接受。要确定这些分数,我们需要构造每个方案在某一个目标下的成对比较矩阵。

AHP

AHP:解析分层进程(analytic hierarchy process),层次分析法。

它为我们提供了一种强有力的工具,这种工具能够在涉及多个目标的情况下做出决策。

例如:

(1)在选择购买手机的过程中,你可能主要考虑手机的下列因素:

因:素1:价格

因素2:屏幕大小

因素3:手机的品牌

因素4:手机的存储空间

因素5:手机处理器性能

(2)在选择接受哪一份工作的时候,你可能主要考虑以下几个目标:

目标1:对工作的兴趣

目标2:工作的薪资水平

目标3:工作所带来的生活质量

目标4:离家远近

(3)在考察干部的时候,要对多名干部考察排序,组织部门要从“德、能、勤、绩、廉”几个方面对考察对象进行综合评价,结果将作为干部选聘的重要依据之一。

诸如此类的问题实质就是个多目标决策的问题。

然而,当多个目标对决策者都很重要的时候,决策者可能很难作出选择。

例如,在求职的时候,一份工作可能薪资水平相对高,但是离家远,工作带来的生活质量不高;在考察干部的时候,“德、勤、廉”评价都很好,但是被考察对象的能力一般,业绩平平。在这样的情况下,决策者就很难在多个目标或者因素中进行选择。

在这样的场景下,AHP为我们提供一种解决这类问题的科学方法。

AHP基本思路

对被选对象在多个目标下计算综合评分。根据每个对象的最终得分,确定最满意的选择。

综合得分=目标权重*被评价对象在每个目标上的相对分值

例如:

显然,工作2的综合得分最高,理性的选择下,应该接受工作2。

AHP计算程序

通过上面的举例,我们要计算出被评价对象的综合得分,需要知道目标因素的权重值,同时需要知道每个工作在同一个目标下的相对得分值。

然而,这两项数值如何得出呢?

我们试想,其实人的决策过程就是在每个对象针对每个目标的相对重要程度的判断和比对,越重要您可能越在意,“因为它很重要,所以我必须要考虑”,“因为它对我很有意义,所以我非常珍惜”,“我更喜欢前者”......诸如此类的心理纠结过程正是表达出该目标相对其他目标更重要。

为此,我们可以将所有目标因素做两个比较,形成一个成对比较矩阵。矩阵里的数据做如下约定:

每一个被评价对象针对每一个目标依然可以采用这样思路来进行“数字化”,把相对比较转化为成对比较矩阵。

显然,目标1如果相对目标2的重要性得分为3的话,目标2相对目标1的重要性得分就应该为1/3,它们之间互为倒数关系。因此,成对比较矩阵将是一个“反对称矩阵”。

反对称阵是否表征出一致的重要性

通过上面的思考和分析,我们知道表征重要性程度的矩阵一定是一个“反对称阵”,那么是不是只要是反对称矩阵就一定能正确表征出重要性程度呢?我们先看个例子:

假设有下面的表征重要性程度的成对比较矩阵:

不妨做如下推导,看看会得出什么结论:

(1)该矩阵是成对比较“反对称阵”;

(2)factor1=2*factor2,factor2=1/2*factor3

故:factor1= factor3

又:原矩阵中,factor1=3*factor3,显然与之产生了矛盾。

这样的矛盾,我们称之为“数据不一致性”,如果成对比较反对称阵数据不一致,将会导致严重的问题。

通常在理论上通过“一致性指数”在检验数据的一致性。关于一致性指数,后边介绍。

权重的计算

假设有n个目标,wi表示给定目标i的权重。同时给出的成对比较矩阵是完全一致的。

我们先做如下计算:

根据《线性代数》有关线性方程求解的理论可知:

A是n阶方阵,若存在数λ和非零向量X,使得:AX=λX,则:

(1)λ是A的一个特征值

(2)x是A的对应特征值λ的特征向量

显然,我们可以得出以下结论:

(1)n是A的一个特征值

(2)w是A的对应于 n的特征向量

故此,要求出w只需求出A的特征值和特征向量即可。

判断矩阵一致性的度量

一致性判断矩阵A(反对称可逆方阵)具有如下性质:

如果矩阵A是严格一致的判断方阵(一致性判断反对称阵)那么w就是与n对应的特征向量值。

遗憾的是,人们在评价的时候不总是人人都能做到一致性判断,往往给出的判断都有一定程度的“矛盾”因此,在运用该矩阵理论求解得出的结论会有一定程度的偏差,但偏差程度如果在人们可接受的范围,则我们依然认为解是有效的,即w有效。

如何在度量这种偏差的程度呢?查阅相关文献资料可知,引入一个指标,即一致性指数CI(consistency index),用它来度量偏差的大小,并且查阅到了平均随机一致性指标,平均随机一致性指标是几百,几千次,几万次重复进行随机判断矩阵特征根计算之后取算术平均得到的。通过CI与RI(random index)对比值CR(consistency ratio)大小确定是否为可接受该偏差。

下面给出CI的计算式,以及RI值(random index):

显然,如果所有条件均满足的话(指理论的理想状态),λ=n,CI=0。

如果λ越偏离n,则CI值就越偏离0,我们要追求尽可能接近λ=n的解,这样CI才会越接近0,也就是结论就越对决策有效。

当CR<0.1时,我们认为判断矩阵具有可以接受的一致性。否则,就需要调整和修正判断矩阵,使其满足给阈值条件。

因为这样才越接近理论,伟大的线性代数理论指导工程实践。使得实践有了理论保证,结论可靠。

MatLab求解特征值与特征向量(权重)

例如:计算如下的判断矩阵A的特征值和特征向量(权重)。

% matlab代码% A:判断矩阵,反对称方阵A = [1,5, 2,4;1/5, 1, 1/2, 1/2;1/2, 2, 1,2;1/4, 2, 1/2, 1]% x:特征向量% y:对应的特征值[x,y] = eig(A)eigvalue = diag(y)lmda = eigvalue(1)eigvect = x(:,1)% 归一化处理w = eigvect(:,1)/sum(eigvect(:,1))% CICI = (lmda-size(A,1))/(size(A,1)-1)

显然,CR<0.1,用判断矩阵A不会表现出严重的不一致性。结果可靠可接受。

求目标选择的分数

上述我们已经分析了多个目标的权重确定,然而仅有目标的权重还不能确定排序,还需要确定各个方案满足各个目标的程度,即各个方案针对每一个目标的评分。要确定这些分数,我们需要构造每个方案在某一个目标下的成对比较矩阵。其分析与计算过程与上述分析计算过程是同理的,因此,只需要套用上述原理即可求解出目标选择分数。

例如:

对于所有的决策变量,工作1,工作2,工作3的成对比较矩阵为:

通过上述计算可得:

理性的您,是不是一定会选择工作2呢?(为什么,留给大家思考......)

附带给出AHP的python实现

# -*- coding: utf-8 -*-"""Created on Sat Feb 19 19:51:23 2022@author: zgr"""def total(matrix, num_of_params):'''total function sums the column of matrix and returns a 1d-arrayArgs:matrix: It is the pairwise comparison matrix after taking user inputnum_of_params: Number of factors taken for comparison'''total = np.full((num_of_params), 0, dtype=float)for i in range(num_of_params):for j in range(num_of_params):total[i] = total[i]matrix[j, i] # sum column individualreturn(total)

def normalization(sum_of_column, matrix, num_of_params):''''normalization function computes the matrix with ouput from total function and returns matrix​Args:sum_of_column: It is the sum of each column of pariwise comparison matrix and also a output from total functionmatrix: It is the pariwise comparison matrix after taking user inputnum_of_params: Number of factors taken for comparison'''norm = np.full((num_of_params, num_of_params), 1, dtype=float)for i in range(num_of_params):for j in range(num_of_params):norm[i, j] = matrix[j, i]/sum_of_column[i]norm_t = norm.transpose().round(4)return (norm_t)

def weight(normalized_matrix, num_of_params):'''weight function computes the weight of each factor​Args:normalized_matrix: It is the matrix from normalization function which has normalized value computed from sum of columnnum_of_params: Number of factors taken for comparison'''w = []for i in range(num_of_params):wt = np.sum(normalized_matrix[[i]])/num_of_paramsw.append(round(wt, 4))return(w)

def consistency_check(total, weight, num_of_params):'''consistency_check function checks the set of judgements to determine their reliabilitytotal: It is the sum of each column of pariwise comparison matrix and also a output from total functionweight: Weight of each factors derived from the weight functionnum_of_params: Number of factors taken for comparison'''lmda = 0for i in range(num_of_params):lmda = lmdatotal[i] * weight[i]​# Consistency IndexCI = (lmda-num_of_params)/(num_of_params-1)​for x in random_index:if (x==str(num_of_params)):RI = random_index[x]​# Consistency RatioCR = CI/RIto_return = {"lmda:":round(lmda,2),"Consistency Index(CI): ": round(CI,4),"Random Index(RI): ": RI,"Consistency Ratio(CR=CI/RI): ": round(CR,4)}if(CR < 0.1):to_return["Consistency(CR < 0.1): "] = Trueelse:to_return["ConsistencyCR > 0.1: "] = False​return (to_return)

    推荐阅读
  • 怎么样让眼睛变大的最有效的方法(5种方法让你的眼睛变大)

    使用时先轻刷一层睫毛膏,趁睫毛膏尚未干掉时,将增长纤维的刷头转出,并将刷头上的白色细致纤维轻轻以滚动方式附着每根睫毛的尖端部位。再重复刷上黑头睫毛膏,电眼效果max。

  • 双减带给老师的挑战和机遇(双减之后教师面临的)

    7月24日,中共中央办公厅、国务院办公厅印发了《关于进一步减轻义务教育阶段学生作业负担和校外培训负担的意见》。面对教师陡然增加的负担,教育部相关负责人回应,将继续督促指导各地将教师减负工作同优化教师资源配置、深化教育教学改革等有机结合起来,健全教师减负长效机制,推动教师减负工作取得实效。“双减”政策明确提出,要构建教育良好生态,有效缓解家长焦虑情绪,促进学生全面发展、健康成长。

  • 我的世界橡胶甘蔗怎么杂交 我的世界粘性甘蔗种子

    杂交前需要合成作物架,用4个木棍合成,摆放成左右两列,合成2个作物架,由于杂交的几率比较低,所以需要准备多点作物架。拿着作物架在,每两个种了甘蔗的耕地的中间,放上两个作物架,作物架成十字交叉,代表此时在进行杂交。进行一段长时间的等待,等待甘蔗长大,等待杂交成功,注意杂交的地方很容易长杂草,如果长了杂草请尽快打掉,否则整个耕地都会蔓延杂草,需要重新杂交。

  • 娃哈哈新媒体营销策划(第13届娃哈哈营销策划大赛重磅来袭)

    为了丰富大学生的课余生活,引导和培养大学生创新精神和实践能力,4月23日18时30分,第十三届娃哈哈全国大学生营销策划大赛启动仪式于南宁职业技术学院大礼堂顺利举行。娃哈哈营销大赛为大学生提供了一个广阔的实践平台,推动教育与实践相结合,使同学们的创新意识得到激发。在此预祝娃哈哈营销策划大赛取得圆满成功,也祝本次参赛的团队都能够在比赛中取得佳绩!

  • 狮鹫怎么驯服(方舟生存进化手游狮鹫驯服技巧攻略)

    接下来我们就一起去研究一下吧!狮鹫怎么驯服方舟生存进化中狮鹫是高傲的守护兽,想要驯服狮鹫并不容易,必须获得狮鹫的尊重,这并不算容易的事,下面就来介绍一下怎么驯服狮鹫的方法吧。第一种方法:人物等级85级以上,并且不是可以获得全部尊重的!比如85级的,可能只能获取低等级狮鹫的尊重!

  • tabata间歇性训练的方法(什么是Tabata锻炼)

    各种研究得出结论,Tabata锻炼对健康有很多好处。有时您可能会达到最大强度,这可能会因肌肉松懈而导致受伤每周最多进行3-4次Tabata训练。Tabata锻炼以多种方式改善健康。此外,心脏病患者在开始Tabata锻炼之前还应听取医生的建议。在没有科学证据的情况下,对原始Tabata版本的修改可能弊大于利。人们可能会选择Tabata只是为了减肥,这不是它的实际用途。与传统HIIT相比,Tabata的强度水平更高,恢复时间更短。

  • s10和s9有什么区别(s10和s9有什么区别瑞思迈)

    vivoS9电池容量4000mAh,配置33W闪充。vivo官方宣布vivoS10系列于2021年7月15日正式发布,该手机代言人有Lisa、蔡徐坤、刘昊然。2021年7月15日,vivo召开了S10系列发布会,会上发布了新一代自拍旗舰vivoS10系列,其vivoS10系列依然采用了前置4400万像素AF双摄设计,仍然支持105度超广角,还有前置微缝式双柔光灯。

  • 专业版微博怎么设置(其实很简单)

    接下来我们就一起去了解一下吧!专业版微博怎么设置需要认证过才能成为专业版。专业版微博是为企业和机构定制的微博。新浪微博企业版是我们为企业、机构用户量身打造的服务平台。它具有更丰富的个性化页面展示功能设置,更精准的数据分析服务,以及更高效的沟通管理后台。我们期待新浪微博企业版能够帮助企业更便捷地与目标用户进行互动沟通,提升营销效果转化,挖掘更多商业机会。

  • 变速箱油到底多久换一次呢(变速箱油多久更换一次)

    如果需要更换变速箱油,查看用户的保养手册上如果有明确的更换周期,按照规定换油。如果变速箱油是终身免维护的,也一样要引起重视,终身免维护并不意味着变速箱油一直不用换。其实变速箱油不像机油那么黑,相比于机油甚至更为干净一点。所以车主千万不要忽略变速箱油,如果过长时间不更换,也会对变速箱造成一定的损伤,而且一些汽车的变速箱比发动机还要昂贵,修一次可能得要好几万元。

  • 恐惧症会遗传吗 幽闭恐惧症会遗传吗

    恐惧症是发病率非常高的一种心理疾病,而有许多患者并没有得到有效的治疗。导致恐惧症的因素恐惧症是各种因素的共同作用。恐惧症的典型症状是恐怖发作,并伴有强烈的生理反应。尽管患者知道这种恐惧是不合理的,但是没法控制。研究表明,在100名患者中40名患者可以彻底治疗,基本上没有什么后遗症。所以一定要及早治疗,效果好,造成的危害也小。