ANP网络层次分析法

方法概述

网络层次分析法（Analytic Network Process, ANP）是由T.L. Saaty教授于1996年在AHP基础上提出的多准则决策方法。与AHP的树状层次结构不同，ANP采用网络结构，允许元素之间存在相互依赖和反馈关系，更适用于复杂的系统决策问题。

ANP的核心思想是：

  • 将系统划分为控制层和网络层。控制层包含目标和准则，网络层由受控的元素和元素组构成，元素组内部及元素组之间可能存在相互影响。

  • 通过构造超矩阵（Supermatrix）来捕捉元素间的所有直接和间接影响关系。

  • 计算极限超矩阵（Limit Supermatrix）得到元素的全局权重。

ANP广泛应用于供应链管理、项目选择、绩效评估、能源规划等领域，尤其适合元素间存在复杂依存关系的场景。

ANP网络结构

ANP的典型网络结构由控制层和网络层两大部分组成。

控制层位于上层，包含决策目标（Goal）和若干准则（Criteria）。控制层是一个典型的AHP层次结构，准则之间相互独立，其权重可通过AHP方法计算得出。控制层对网络层起支配作用，即网络层中的所有元素都受到控制层准则的约束。

网络层位于下层，由多个元素组（Clusters）构成，每个元素组内包含若干个具体元素（Nodes）。元素组之间以及元素组内部可能存在相互影响关系，这种关系用带箭头的连线表示：

  • 若元素组A中的元素对元素组B中的元素有影响，则存在从A指向B的箭头。

  • 若两个元素组之间互相影响，则箭头双向。

  • 同一元素组内的元素之间也可能存在相互影响（内部依存关系），通常用环绕该元素组的箭头表示。

典型的ANP网络结构示意如下：

  • 控制层：顶层为目标（如“选择最优方案”），下一层为若干个准则（如“技术先进性”、“经济性”、“风险性”等），准则之间无相互影响。

  • 网络层：包含多个元素组，例如“方案组”（含备选方案A、B、C）、“因素组”（含影响因素X、Y）、“风险组”（含风险因素R1、R2）等。元素组之间用箭头连接，例如“因素组”影响“方案组”，“风险组”同时影响“方案组”和“因素组”，而“方案组”也可能反馈影响“因素组”。同一元素组内部如“因素组”内各因素间可能存在相互影响。

这种网络结构能够真实反映复杂系统中元素间的依赖与反馈，是ANP与AHP的本质区别。

优势度

ANP中判断矩阵的构建基于优势度的概念，有两种比较方式：

  1. 直接优势度：给定一个准则，两元素基于该准则的重要程度进行比较。适用于元素间互相独立的情况（AHP采用）。
  2. 间接优势度：给定一个准则，两元素在该准则下对第三个元素（次准则）的影响程度进行比较。适用于元素间相互依存的情形（ANP采用）。

ANP通过间接优势度构建判断矩阵，能够反映元素间的反馈关系。

计算步骤

1. 建立ANP网络结构

确定准则、元素和元素组，并确定元素及元素组之间的影响关系。通常由专家给出影响关系矩阵，矩阵中的元素表示行元素对列元素是否有影响（1表示有影响，0表示无影响）。根据影响关系矩阵，可以推导出元素组之间的影响关系：若元素组A中任一元素对元素组B中任一元素有影响，则元素组A影响元素组B。

2. 构造判断矩阵

对于网络层中的每个元素组 \(c_j\) 中的每个元素 \(e_{jl}\)，将其作为次准则，对元素组 \(c_i\) 中所有影响 \(e_{jl}\) 的元素进行两两比较（采用1~9标度），构造判断矩阵，并计算归一化特征向量。若 \(c_i\) 中无元素影响 \(e_{jl}\)，则对应的向量分量为0。

将元素组 \(c_j\) 中所有元素作为次准则得到的特征向量组合成一个矩阵 \(W_{ij}\)：

\[ W_{ij} = \begin{bmatrix} w_{i1}^{j1} & w_{i1}^{j2} & \cdots & w_{i1}^{jl} \\ w_{i2}^{j1} & w_{i2}^{j2} & \cdots & w_{i2}^{jl} \\ \vdots & \vdots & \ddots & \vdots \\ w_{ik}^{j1} & w_{ik}^{j2} & \cdots & w_{ik}^{jl} \end{bmatrix} \]

其中 \(w_{ik}^{jl}\) 表示以元素组 \(c_j\) 中的元素 \(e_{jl}\) 为次准则时，元素组 \(c_i\) 中元素 \(e_{ik}\) 的权重。

3. 构造超矩阵

对所有元素组对 \((c_i, c_j)\) 重复上述步骤，得到超矩阵 \(W\)：

\[ W = \begin{bmatrix} W_{11} & W_{12} & \cdots & W_{1n} \\ W_{21} & W_{22} & \cdots & W_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ W_{n1} & W_{n2} & \cdots & W_{nn} \end{bmatrix} \]

超矩阵是一个分块矩阵，每个子块 \(W_{ij}\) 反映了元素组 \(c_j\) 对元素组 \(c_i\) 的影响关系。超矩阵的每一列和为1（经过归一化）。

4. 计算加权超矩阵

考虑元素组本身的重要性，需要构建元素组间的权重矩阵 \(A\)。以每个元素组 \(c_i\) 为准则，对元素组进行两两比较（采用1~9标度），得到判断矩阵并计算归一化特征向量，从而得到加权矩阵：

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

其中 \(a_{ij}\) 表示元素组 \(c_j\) 对元素组 \(c_i\) 的权重，且每一列和为1。

将超矩阵 \(W\) 与加权矩阵 \(A\) 结合，得到加权超矩阵 \(\bar{W}\)：

\[ \bar{W} = \begin{bmatrix} a_{11}W_{11} & a_{12}W_{12} & \cdots & a_{1n}W_{1n} \\ a_{21}W_{21} & a_{22}W_{22} & \cdots & a_{2n}W_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1}W_{n1} & a_{n2}W_{n2} & \cdots & a_{nn}W_{nn} \end{bmatrix} \]

加权超矩阵的每一列之和也为1。

5. 计算极限超矩阵

加权超矩阵 \(\bar{W}\) 反映了元素间的一步优势度。为得到稳定状态下的全局权重，需要计算极限超矩阵：

\[ \bar{W}^{\infty} = \lim_{t \to \infty} \bar{W}^{t} \]

即对加权超矩阵反复自乘，直至矩阵各列收敛到相同值。极限超矩阵的每一列即为各元素的全局权重向量。当存在多个特征根时，可能需要取Cesaro平均值，通常采用幂法计算。

案例分析

案例背景：某企业需选择最优的研发项目，考虑三个准则：技术可行性（C1）、经济效益（C2）、战略匹配度（C3）。网络层包含两个元素组：项目组（P1, P2, P3）和风险组（R1, R2）。已知项目组与风险组之间存在相互影响：项目选择会影响风险，风险也会影响项目的可行性。

为简化，仅展示部分计算过程：

  1. 建立影响关系：确定元素组间影响关系，例如项目组影响风险组，风险组也影响项目组。
  2. 构造判断矩阵：以风险组中的R1为次准则，对项目组中影响R1的项目（P1, P2）进行两两比较，得到特征向量；类似地构建其他子块。
  3. 形成超矩阵：将所有子块组合成6×6的超矩阵。
  4. 计算加权矩阵：以项目组和风险组为准则，比较两元素组的重要性，得到加权矩阵。
  5. 迭代计算极限超矩阵：通过幂法计算得到最终项目权重和风险权重。

结论：最终可得各项目的全局权重，从而选出最优项目。

常见问题

Q1: ANP与AHP的主要区别是什么？

A: AHP假设元素之间相互独立，采用树状层次结构；ANP允许元素之间存在依赖和反馈，采用网络结构。ANP的计算更复杂，需要构造超矩阵并求极限，但能更真实地反映复杂系统的关系。

Q2: ANP是否需要一致性检验？

A: 是的。在构造判断矩阵（包括元素间和元素组间）时，仍需进行一致性检验（CR<0.1），以确保判断的合理性。超矩阵本身不要求一致性，但构成它的子块来自判断矩阵，因此一致性检验是必要的。

Q3: 如何确定元素组间是否有影响？

A: 通常由专家根据领域知识给出影响关系矩阵，或通过问卷调查确定。平台允许用户输入影响关系矩阵，系统自动识别哪些元素组参与比较。

Q4: 超矩阵规模很大时如何计算极限？

A: 超矩阵的极限计算通常采用幂法迭代，直至相邻两次迭代的误差小于给定阈值。平台内置了高效的数值算法，可处理一定规模的超矩阵（如不超过30个元素）。

Q5: 控制层的准则权重如何获得？

A: 控制层准则的权重可采用AHP方法计算，由专家对准则进行两两比较得到。平台支持在ANP分析前单独计算准则权重，或作为输入的一部分。

Q6: 支持多专家群体决策吗？

A: 支持。平台允许上传多个专家的判断矩阵（包括元素组间和元素间），然后对每个矩阵进行几何平均或算术平均，形成综合判断矩阵，再执行ANP计算。

平台功能

ANP网络层次分析法平台提供以下核心功能：

数据输入

  • 支持CSV、Excel、TXT多种格式。
  • 可定义控制层准则及权重，网络层元素组及元素。
  • 输入元素间影响关系矩阵（0/1矩阵），自动生成参与比较的列表。
  • 支持多工作表，每个工作表可对应一个专家判断矩阵。

分析设置

  • 一致性阈值：可自定义CR阈值（默认0.1）。
  • 迭代精度：设置极限超矩阵计算的收敛精度（默认1e-6）。
  • 最大迭代次数：防止无限循环（默认1000次）。
  • 小数位数：控制结果输出精度（默认5位）。

结果展示

  • 详细分析报告：包含超矩阵、加权超矩阵、极限超矩阵、全局权重。
  • 可视化图表：网络结构图、权重分布图。
  • AI智能分析：基于DeepSeek API自动解读结果，提供决策建议（每日限3次）。
  • 多格式导出：支持Excel和HTML报告下载。

元素管理

  • 动态添加/删除元素组和元素。
  • 自动检查影响关系的完整性。
  • 实时显示一致性检验结果。

使用建议

  1. 准备阶段：明确决策目标，识别所有相关元素，并划分元素组。确定元素间的依赖关系，可通过专家访谈或文献调研。

  2. 数据收集：

    • 设计调查问卷，收集各元素间及元素组间的两两比较判断。
    • 使用模板文件填写影响关系矩阵和判断矩阵。

  3. 参数设置：根据问题规模设定迭代精度和最大迭代次数。

  4. 结果解读：

    • 检查所有判断矩阵的一致性，必要时调整。
    • 分析极限超矩阵的收敛情况，确保结果稳定。
    • 重点关注全局权重排序，结合专家意见做出决策。

  5. 迭代优化：若结果不合理，可重新审视影响关系或调整判断矩阵。

平台界面

官方地址：https://superr.online

ANP网络层次分析法工具界面

平台界面包含：控制层设置区、网络层编辑区、影响关系矩阵、超矩阵计算过程和结果展示

参考文献：

  1. Saaty, T.L. (1996). Decision Making with Dependence and Feedback: The Analytic Network Process. RWS Publications.
  2. Saaty, T.L. (2001). The Analytic Network Process: Decision Making with the ANP and its Applications. RWS Publications.
  3. 网络层次分析法(ANP)研究综述[J]. 系统工程理论与实践，2002.
  4. 基于ANP的复杂系统评价方法与应用[J]. 控制与决策，2005.