AHP层次分析法

方法概述

AHP（Analytic Hierarchy Process）层次分析法是一种将与决策总是有关的元素分解成目标、准则、方案等层次，并在此基础上进行定性分析和定量计算的多准则决策方法。该方法由美国运筹学家T.L. Saaty提出，特别适用于那些难以完全定量的复杂问题。 AHP的核心思想是通过建立层次结构模型，构造判断矩阵，计算权重并进行一致性检验，最终为决策提供依据。其主要特点是将人的主观判断以数量的形式表达和处理。

计算步骤

AHP的具体实施步骤如下：

构造因素判断矩阵

在建立递阶层次结构后，针对上一层次的某一准则，对本层次各因素进行两两重要性比较。

采用 1-9 标度法 对相对重要性进行赋值。对角线对称的两个数互为倒数。

1-9 标度法含义表：

标度 含义
1 两因素相比较，同等重要
3 两因素相比较，一因素比另一因素稍微重要
5 两因素相比较，一因素比另一因素明显重要
7 两因素相比较，一因素比另一因素重要得多
9 两因素相比较，一因素比另一因素极端重要
2, 4, 6, 8 为以上标度的中间状态
以上数值的倒数 相应两因素交换次序比较的重要性

依据上述标度进行专家评分，得到判断矩阵 \(A\)：

\[ A = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \dots & a_{nn} \end{bmatrix} \]

计算权重

计算权重向量 \(W\) 有两种常用方法（方根法、和积法），任选其一即可。

方法1：方根法

  1. 计算几何平均：将判断矩阵 \(A\) 按行连乘，并开 \(n\) 次方根，得到 \(\bar{W}_i\)。

\[ \bar{W}_i = \sqrt[n]{\prod_{j=1}^{n} a_{ij}} \]

  1. 归一化处理：将 \(\bar{W}_i\) 归一化，得到权重向量 \(W_i\)。

\[ W_i = \frac{\bar{W}_i}{\sum_{i=1}^{n} \bar{W}_i} \]

方法2：和积法

  1. 列归一化：将判断矩阵每一列归一化。

\[ a_{ij}' = \frac{a_{ij}}{\sum_{k=1}^{n} a_{kj}} \]

  1. 计算行均值：对归一化后的矩阵，计算每行元素的均值，得到权重向量 \(W_i\)。

\[ W_i = \frac{1}{n} \sum_{j=1}^{n} a_{ij}' \]

计算矩阵的最大特征根 \(\lambda_{\text{max}}\)

利用计算出的权重向量 \(W\) 和判断矩阵 \(A\)，计算最大特征根：

\[ \lambda_{\text{max}} = \frac{1}{n} \sum_{i=1}^{n} \frac{(AW)_i}{W_i} \]

进行一致性检验

为了保证判断矩阵的逻辑合理性，需要进行一致性检验。

  1. 计算一致性指标 \(CI\)： \[ CI = \frac{\lambda_{\text{max}} - n}{n - 1} \]

  2. 查找随机一致性指标 \(RI\)： \(RI\) 值与矩阵阶数 \(n\) 有关，具体数值见下表：

经典 Saaty RI 表（1-10阶）：

阶数 1 2 3 4 5 6 7 8 9 10
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49

高阶 RI 表（11-15阶）：

阶数 11 12 13 14 15
RI 1.52 1.54 1.56 1.58 1.59
  1. 计算一致性比率 \(CR\)：

\[ CR = \frac{CI}{RI} \]

判断标准： 当 \(CR < 0.1\) 时，认为判断矩阵 \(A\) 满足一致性要求，否则需要调整判断矩阵的数值。

案例分析

案例背景： 假设我们要选择一个最佳旅游地，主要考虑三个准则：景色(C1)、费用(C2)、居住(C3)。我们使用1-9标度法对这三个因素进行两两比较，构造出如下判断矩阵。

1. 构造判断矩阵 假设专家认为：景色比费用稍微重要，景色比居住明显重要，费用比居住稍微重要。 判断矩阵 \(A\) 为： \[ A = \begin{bmatrix} 1 & 2 & 5 \\ 1/2 & 1 & 2 \\ 1/5 & 1/2 & 1 \end{bmatrix} \]

2. 计算权重（采用和积法）

  • 第一步：列归一化

    • 第1列和：\(1 + 0.5 + 0.2 = 1.7\) \(\rightarrow\) 归一化：\([0.588, 0.294, 0.118]^T\)
    • 第2列和：\(2 + 1 + 0.5 = 3.5\) \(\rightarrow\) 归一化：\([0.571, 0.286, 0.143]^T\)
    • 第3列和：\(5 + 2 + 1 = 8\) \(\rightarrow\) 归一化：\([0.625, 0.250, 0.125]^T\) 归一化后的矩阵： \[ A' = \begin{bmatrix} 0.588 & 0.571 & 0.625 \\ 0.294 & 0.286 & 0.250 \\ 0.118 & 0.143 & 0.125 \end{bmatrix} \]

  • 第二步：计算行均值（权重向量）

    • \(W_1 = (0.588 + 0.571 + 0.625) / 3 = 0.595\)
    • \(W_2 = (0.294 + 0.286 + 0.250) / 3 = 0.277\)
    • \(W_3 = (0.118 + 0.143 + 0.125) / 3 = 0.129\)
    • 得到权重向量 \(W = [0.595, 0.277, 0.129]^T\)。

3. 计算最大特征根 \(\lambda_{\text{max}}\)

  • 计算 \(AW\)： \[ \begin{aligned} AW &= \begin{bmatrix} 1 & 2 & 5 \\ 1/2 & 1 & 2 \\ 1/5 & 1/2 & 1 \end{bmatrix} \begin{bmatrix} 0.595 \\ 0.277 \\ 0.129 \end{bmatrix} \\ &= \begin{bmatrix} 1\times0.595 + 2\times0.277 + 5\times0.129 \\ 0.5\times0.595 + 1\times0.277 + 2\times0.129 \\ 0.2\times0.595 + 0.5\times0.277 + 1\times0.129 \end{bmatrix} = \begin{bmatrix} 1.794 \\ 0.8335 \\ 0.3885 \end{bmatrix} \end{aligned} \]
  • 计算 \(\lambda_{\text{max}}\)： \[ \lambda_{\text{max}} = \frac{1}{3} \left( \frac{1.794}{0.595} + \frac{0.8335}{0.277} + \frac{0.3885}{0.129} \right) \] \[ \lambda_{\text{max}} = \frac{1}{3} (3.015 + 3.009 + 3.012) \approx 3.012 \]

4. 一致性检验

  • 计算 \(CI\)：

    \[ CI = \frac{3.012 - 3}{3 - 1} = \frac{0.012}{2} = 0.006 \]

  • 查表得到 \(RI\)（\(n=3\)）：

    \[ RI = 0.58 \]

  • 计算 \(CR\)：

    \[ CR = \frac{CI}{RI} = \frac{0.006}{0.58} \approx 0.0103 \]

结论：

因为 \(CR = 0.0103 < 0.1\)，所以该判断矩阵通过了一致性检验。说明我们计算出的权重（景色0.595，费用0.277，居住0.129）是可信的。

常见问题

Q1: 如果矩阵的阶数 \(n=1\) 或 \(n=2\)，还需要进行一致性检验吗？

A: 不需要。从参考信息的RI表中可以看出，1阶和2阶矩阵的RI值为0，导致CR计算时分母为0或无意义。实际上，1阶和2阶矩阵永远是完全一致的。

Q2: 如果一致性检验不通过（\(CR \ge 0.1\)）该怎么办？

A: 这说明专家的判断逻辑存在矛盾。需要重新审视判断矩阵中的数值，调整那些明显不符合逻辑的评分（例如：A比B重要，B比C重要，但C却比A重要），直到CR值小于0.1为止。

Q3: 1-9标度法为什么通常只到9？

A: 心理学研究表明，当对两个事物的属性进行比较时，普通人能够区分的差异等级一般在7±2级之间，即5到9级。因此Saaty建议使用1-9标度，这既能覆盖大部分差异情况，又不会因为标度过细而导致判断失真。

Q4: 计算权重时，方根法和和积法选哪个更好？

A: 两种方法在结果上差异极小。方根法（几何平均）在手工计算时，对于阶数较高的矩阵可能稍显复杂；和积法（算术平均）计算步骤更直观。在实际应用中，此时两种方法均可随意选择。

平台功能

AHP层次分析法SuperR Online在线智算平台提供以下核心功能：

数据输入

  • 支持CSV、Excel、TXT多种格式
  • Excel文件支持多工作表（每个工作表代表一个专家）
  • 自动识别矩阵维度，支持分数格式（如”1/3”）和Excel公式

分析设置

  • 权重计算方法：特征向量法、几何平均法、算术平均法
  • RI表选择：经典Saaty RI表（1-10阶）或高阶矩阵RI表（1-30阶）
  • 一致性阈值：可自定义CR阈值（默认0.1）

结果展示

  • 详细分析报告：包含每个专家的权重、一致性指标
  • 可视化图表：权重分布图、判断矩阵热力图
  • AI智能分析：基于DeepSeek API的结果解读与决策建议
  • 多格式导出：支持Excel和HTML报告下载

专家管理

  • 多工作表自动识别，支持批量分析。
  • 实时显示每个矩阵的验证状态和一致性结果。
  • 支持对比不同专家的权重分布。

使用建议

  1. 准备阶段：明确评估目标和准则，选择合适的专家团队
  2. 数据收集：为专家提供清晰的评分指导和范例
  3. 结果解读：结合AI分析建议，综合专家意见做出决策
  4. 迭代优化：如结果不满意，可调整专家权重或重新收集判断矩阵

平台界面

官方地址：https://superr.online

AHP层次分析法工具界面

平台界面包含：数据上传区、参数设置区、专家权重配置、实时预览、分析结果展示和AI分析模块

参考文献：

  1. Saaty, T.L. (1980). The Analytic Hierarchy Process. McGraw-Hill.

  2. Forman, E., & Peniwati, K. (1998). Aggregating individual judgments and priorities with the analytic hierarchy process. European Journal of Operational Research.