三角模糊AHP

方法概述

三角模糊层次分析法（Triangular Fuzzy Analytic Hierarchy Process）是在传统AHP基础上引入三角模糊数理论的一种改进方法。它通过采用三角模糊数\((l,m,u)\)来描述专家两两比较判断的不确定性，既能保留传统AHP的1~9标度体系，又能更好地处理人类判断的模糊性与不确定性。

三角模糊AHP的核心思想是： - 使用三角模糊数\((l,m,u)\)表示判断结果，其中\(m\)为1~9标度值，\(l\)和\(u\)表示判断的模糊区间 - 通过构造模糊判断因子矩阵处理判断的不确定性 - 采用方根法计算权重向量，并通过一致性比率检验判断的可靠性

三角模糊AHP特别适用于专家判断存在模糊性、或决策者对不同比较的把握程度不同的复杂决策场景。

三角模糊数定义

三角模糊数 \(\widetilde{M}\) 可以用三元组 \((l,m,u)\) 表示，其隶属函数 \(\mu_{\widetilde{M}}(x)\) 定义为：

\[\mu_{\widetilde{M}}(x) = \left\{ \begin{matrix} \frac{x - l}{m - l}, & x \in \lbrack l,m\rbrack \\ \frac{x - u}{m - u}, & x \in \lbrack m,u\rbrack \\ 0, & x \in ( - \infty,l) \cup (u, + \infty) \end{matrix} \right. \]

其中，\(l \leq m \leq u\)，\(l\) 和 \(u\) 分别表示 \(\widetilde{M}\) 的下界和上界，\(m\) 为 \(\widetilde{M}\) 的中值（最可能值）。\(u - l\) 反映了判断的模糊程度：差值越大，判断越模糊；差值越小，判断越清晰；当 \(u - l = 0\) 时，判断为精确值，此时 \(l = m = u\)。

三角模糊判断矩阵

三角模糊判断矩阵 \(A = (a_{ij})_{n \times n}\) 中的每个元素 \(a_{ij} = (l_{ij}, m_{ij}, u_{ij})\) 是一个三角模糊数，表示因素 \(i\) 相对于因素 \(j\) 的重要程度。

中值标度（1~9标度）

中值 \(m_{ij}\) 采用传统AHP的1~9标度法确定：

标度	含义
1	两指标相比，同等重要
3	两指标相比，前者比后者稍微重要
5	两指标相比，前者比后者明显重要
7	两指标相比，前者比后者强烈重要
9	两指标相比，前者比后者极端重要
2,4,6,8	上述相邻判断的中间值
倒数	若 \(a_{ij} = m\)，则 \(a_{ji} = 1/m\)

模糊区间确定

下界 \(l\) 和上界 \(u\) 根据专家判断的自信度确定：

自信度	\(u - l\) 取值	数字特征	含义
高	1	\((\max(m-0.5,1/9), m, \min(m+0.5,9))\)	专家判断较清晰
中	2	\((\max(m-1,1/9), m, \min(m+1,9))\)	专家判断较模糊
低	3	\((\max(m-1.5,1/9), m, \min(m+1.5,9))\)	专家判断很模糊

对于小于1的情况（即比较的倒数），模糊区间的确定需考虑倒数关系。

计算步骤

1. 构造三角模糊判断矩阵

根据专家判断，构造三角模糊判断矩阵 \(A = (a_{ij})_{n \times n}\)，其中 \(a_{ij} = (l_{ij}, m_{ij}, u_{ij})\)。

矩阵必须满足互反性：若 \(a_{ij} = (l, m, u)\)，则 \(a_{ji} = (1/u, 1/m, 1/l)\)。

2. 中值矩阵一致性检验

提取中值矩阵 \(M = (m_{ij})_{n \times n}\)，并检验其一致性：

计算最大特征值 \(\lambda_{\max}\)
计算一致性指标 \(CI\)： \[CI = \frac{\lambda_{\max} - n}{n - 1}\]
查表获取随机一致性指标 \(RI\)：

n	1	2	3	4	5	6	7	8	9	10
RI	0	0	0.52	0.90	1.12	1.24	1.32	1.41	1.45	1.49

计算一致性比率 \(CR\)： \[CR = \frac{CI}{RI}\] 若 \(CR < 0.1\)，则中值矩阵通过一致性检验。

3. 构造模糊评判因子矩阵 \(E\)

模糊评判因子矩阵 \(E = (e_{ij})_{n \times n}\) 用于度量判断的模糊程度：

\[E = \begin{bmatrix} 1 & 1 - \frac{u_{12} - l_{12}}{2m_{12}} & \cdots & 1 - \frac{u_{1n} - l_{1n}}{2m_{1n}} \\ 1 - \frac{u_{21} - l_{21}}{2m_{21}} & 1 & \cdots & 1 - \frac{u_{2n} - l_{2n}}{2m_{2n}} \\ \vdots & \vdots & \ddots & \vdots \\ 1 - \frac{u_{n1} - l_{n1}}{2m_{n1}} & 1 - \frac{u_{n2} - l_{n2}}{2m_{n2}} & \cdots & 1 \end{bmatrix}\]

其中，\(\frac{u_{ij} - l_{ij}}{2m_{ij}}\) 为标准离差率，反映了判断的相对模糊程度。\(e_{ij}\) 越接近1，表示判断越清晰；越接近0，表示判断越模糊。

4. 计算调整判断矩阵 \(Q\)

调整判断矩阵 \(Q = M \times E\) 通过矩阵乘法将模糊因子融入判断：

\[ Q = M \times E = \begin{bmatrix} m_{11} & m_{12} & \cdots & m_{1n} \\ m_{21} & m_{22} & \cdots & m_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ m_{n1} & m_{n2} & \cdots & m_{nn} \end{bmatrix} \times \begin{bmatrix} 1 & 1 - \frac{u_{12} - l_{12}}{2m_{12}} & \cdots & 1 - \frac{u_{1n} - l_{1n}}{2m_{1n}} \\ 1 - \frac{u_{21} - l_{21}}{2m_{21}} & 1 & \cdots & 1 - \frac{u_{2n} - l_{2n}}{2m_{2n}} \\ \vdots & \vdots & \ddots & \vdots \\ 1 - \frac{u_{n1} - l_{n1}}{2m_{n1}} & 1 - \frac{u_{n2} - l_{n2}}{2m_{n2}} & \cdots & 1 \end{bmatrix} \]

5. 对角线归一化得到 \(Q'\) 矩阵

将调整判断矩阵 \(Q\) 按列进行对角线归一化，得到 \(Q'\) 矩阵：

\[Q'_{ij} = \frac{Q_{ij}}{Q_{jj}}, \quad \forall i,j = 1,2,\ldots,n\]

归一化后，矩阵 \(Q'\) 的对角线元素均为1。

6. 方根法计算权重

6.1 计算每行几何平均数

计算 \(Q'\) 矩阵每行所有元素的 \(n\) 次方根：

\[\overline{\omega}_i = \left( \prod_{j=1}^{n} Q'_{ij} \right)^{\frac{1}{n}}, \quad i = 1,2,\ldots,n\]

6.2 归一化处理

对几何平均数进行归一化，得到权重向量：

\[\omega_i = \frac{\overline{\omega}_i}{\sum_{i=1}^{n} \overline{\omega}_i}, \quad i = 1,2,\ldots,n\]

6.3 最终权重向量

\[W = [\omega_1, \omega_2, \ldots, \omega_n]^T\]

7. 计算最大特征值（可选）

为验证一致性，可计算最大特征值：

\[\lambda_{\max} = \frac{1}{n} \sum_{i=1}^{n} \frac{(M \cdot W)_i}{\omega_i}\]

其中 \((M \cdot W)_i\) 表示中值矩阵 \(M\) 与权重向量 \(W\) 乘积的第 \(i\) 个分量。

案例分析

案例背景：某企业需从三个备选方案（A、B、C）中选择最优方案，评价准则为：技术先进性（C1）、经济性（C2）、实施风险（C3）。一位专家根据1~9标度给出判断，并标注了自信度。

专家打分数据

假设专家以”分值-自信度”格式输入判断矩阵：

	C1	C2	C3
C1	1	3-2	5-1
C2	1/3-2	1	3-2
C3	1/5-1	1/3-2	1

其中，“3-2”表示分值为3，自信度为2（中等自信）；“5-1”表示分值为5，自信度为1（高度自信）。

转换为三角模糊数

根据自信度转换规则：

自信度1（高）：\((\max(m-0.5,1/9), m, \min(m+0.5,9))\)
自信度2（中）：\((\max(m-1,1/9), m, \min(m+1,9))\)

转换后的三角模糊判断矩阵：

	C1	C2	C3
C1	(1,1,1)	(2,3,4)	(4.5,5,5.5)
C2	(0.25,0.333,0.5)	(1,1,1)	(2,3,4)
C3	(0.182,0.2,0.222)	(0.25,0.333,0.5)	(1,1,1)

计算过程

1. 中值矩阵 \(M\)

\[M = \begin{bmatrix} 1 & 3 & 5 \\ 1/3 & 1 & 3 \\ 1/5 & 1/3 & 1 \end{bmatrix}\]

2. 中值矩阵一致性检验

计算最大特征值： - \(M \cdot W\)（初始权重可通过方根法估算） - 得 \(\lambda_{\max} = 3.0385\)

计算一致性指标： \[CI = \frac{3.0385 - 3}{3 - 1} = 0.01925\]

查表得 \(RI = 0.52\)，计算一致性比率： \[CR = \frac{0.01925}{0.52} = 0.0370 < 0.1\]

中值矩阵通过一致性检验。

3. 模糊评判因子矩阵 \(E\)

计算各元素的模糊因子：

\(e_{12} = 1 - \frac{4-2}{2 \times 3} = 1 - \frac{2}{6} = 0.6667\)
\(e_{13} = 1 - \frac{5.5-4.5}{2 \times 5} = 1 - \frac{1}{10} = 0.9000\)
\(e_{21} = 1 - \frac{0.5-0.25}{2 \times 0.333} = 1 - \frac{0.25}{0.666} = 0.6244\)
\(e_{23} = 1 - \frac{4-2}{2 \times 3} = 1 - \frac{2}{6} = 0.6667\)
\(e_{31} = 1 - \frac{0.222-0.182}{2 \times 0.2} = 1 - \frac{0.04}{0.4} = 0.9000\)
\(e_{32} = 1 - \frac{0.5-0.25}{2 \times 0.333} = 1 - \frac{0.25}{0.666} = 0.6244\)

得模糊评判因子矩阵： \[E = \begin{bmatrix} 1.0000 & 0.6667 & 0.9000 \\ 0.6244 & 1.0000 & 0.6667 \\ 0.9000 & 0.6244 & 1.0000 \end{bmatrix}\]

4. 调整判断矩阵 \(Q\)

\[Q = M \times E = \begin{bmatrix} 1 & 3 & 5 \\ 0.3333 & 1 & 3 \\ 0.2 & 0.3333 & 1 \end{bmatrix} \times \begin{bmatrix} 1.0000 & 0.6667 & 0.9000 \\ 0.6244 & 1.0000 & 0.6667 \\ 0.9000 & 0.6244 & 1.0000 \end{bmatrix}\]

计算得： \[Q = \begin{bmatrix} 6.4720 & 5.3890 & 6.9670 \\ 3.3890 & 2.5741 & 3.3890 \\ 1.8732 & 1.3746 & 1.8732 \end{bmatrix}\]

5. 对角线归一化矩阵 \(Q'\)

按列除以对角线元素： \[Q' = \begin{bmatrix} 1.0000 & 2.0936 & 3.7182 \\ 0.5236 & 1.0000 & 1.8090 \\ 0.2894 & 0.5339 & 1.0000 \end{bmatrix}\]

6. 方根法计算权重

计算行几何平均数：

\(\overline{\omega}_1 = (1.0000 \times 2.0936 \times 3.7182)^{1/3} = 1.9845\)
\(\overline{\omega}_2 = (0.5236 \times 1.0000 \times 1.8090)^{1/3} = 0.9823\)
\(\overline{\omega}_3 = (0.2894 \times 0.5339 \times 1.0000)^{1/3} = 0.5368\)

归一化得权重向量：

\(\omega_1 = 1.9845 / (1.9845 + 0.9823 + 0.5368) = 0.5663\)
\(\omega_2 = 0.9823 / 3.5036 = 0.2804\)
\(\omega_3 = 0.5368 / 3.5036 = 0.1533\)

最终权重向量：\(W = [0.5663, 0.2804, 0.1533]^T\)

7. 一致性验证（使用中值矩阵）

计算 \(M \cdot W\)：

\((M \cdot W)_1 = 1 \times 0.5663 + 3 \times 0.2804 + 5 \times 0.1533 = 1.6979\)
\((M \cdot W)_2 = 0.3333 \times 0.5663 + 1 \times 0.2804 + 3 \times 0.1533 = 0.9098\)
\((M \cdot W)_3 = 0.2 \times 0.5663 + 0.3333 \times 0.2804 + 1 \times 0.1533 = 0.3537\)

计算 \(\lambda_{\max}\)：

\[\lambda_{\max} = \frac{1}{3} \left( \frac{1.6979}{0.5663} + \frac{0.9098}{0.2804} + \frac{0.3537}{0.1533} \right) = 3.0385\]

\(CR = 0.0370 < 0.1\)，通过一致性检验。

结论：方案A权重最高（0.5663），为最优方案；方案B次之（0.2804）；方案C最低（0.1533）。专家判断具有良好的一致性。

常见问题

Q1: 三角模糊AHP与普通FAHP有何区别？

A: 普通FAHP（模糊层次分析法）通常采用0.1_{0.9互补标度，强调判断的互补性；而三角模糊AHP采用三角模糊数\((l,m,u)\)，保留了传统AHP的1}9标度体系，更适合处理带有自信度信息的专家判断。三角模糊AHP通过模糊因子矩阵调整判断，既保留了原判断的中值信息，又融入了模糊程度。

Q2: 如何处理输入数据的不同格式？

A: 平台支持多种输入格式自动识别： - 三角模糊数格式：如”1,2,3”或”(1,2,3)“，直接表示三角模糊数 - 专家打分格式：如”5-2”（分值-自信度），自动转换为三角模糊数 - 标准判断矩阵：如”3”或”1/3”，自动转换为\((m,m,m)\) - 不完整矩阵：支持仅输入上半部分或下半部分，系统自动补全

Q3: 自信度如何影响结果？

A: 自信度通过模糊因子矩阵\(E\)影响最终权重： - 自信度高（\(u-l\)小）→ 模糊因子\(e_{ij}\)接近1 → 对原判断调整小 - 自信度低（\(u-l\)大）→ 模糊因子\(e_{ij}\)较小 → 对原判断调整大 - 调整判断矩阵\(Q = M \times E\)使模糊性融入权重计算

Q4: 为什么要先检验中值矩阵的一致性？

A: 中值矩阵\(M\)反映了专家判断的核心信息（最可能值）。如果中值矩阵本身不一致，说明专家的基本判断存在逻辑矛盾，此时融入模糊信息也无法解决根本问题。因此，先检验中值矩阵一致性是确保整个分析可靠性的前提。

Q5: 如何处理判断矩阵不满足互反性的情况？

A: 平台会自动检查矩阵的互反性。若输入不完整（如仅上半部分），系统会根据互反关系自动补全下半部分。若输入的上下半部分存在冲突，会提示错误，需检查原始数据。

Q6: 支持多专家群体决策吗？

A: 平台支持上传包含多个工作表的Excel文件，每个工作表可对应一位专家的判断矩阵，分别计算并输出各专家的权重和一致性结果，便于对比分析。多专家聚合功能可在后续版本中扩展。

平台功能

三角模糊AHP分析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或一个准则层）
自动识别数据格式（三角模糊数、专家打分、标准判断矩阵）
自动补全不完整矩阵（仅上半部分或仅下半部分）
内置矩阵验证：检查互反性、三角模糊数有效性

分析设置

RI表类型：经典SATTY RI表（1-10阶）或高阶矩阵RI表（1-30阶）
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：包含每个工作表的权重向量、中值矩阵、模糊因子矩阵、调整矩阵、归一化矩阵
一致性检验：最大特征值、CI、RI、CR及检验结论
可视化图表：权重分布柱状图、中值矩阵热力图
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

工作表管理

多工作表自动识别，支持批量分析
实时显示每个工作表的检测格式和矩阵完整性
支持对比不同工作表的权重分布

使用建议

准备阶段：明确决策目标与准则体系，设计专家调查表，确保专家理解1~9标度和自信度的含义。
数据收集：
- 使用模板文件填写判断矩阵
- 可选择三角模糊数直接输入，或使用”分值-自信度”格式
- 可只填写上半部分或下半部分，系统自动补全
参数设置：根据矩阵阶数选择合适的RI表（高阶矩阵建议使用扩展RI表）
结果解读：
- 首先关注中值矩阵的一致性检验结果（CR < 0.1）
- 分析最终权重排序，识别最优方案
- 结合模糊因子矩阵，了解哪些判断的模糊性较高
- 对比不同专家的权重结果，分析意见分歧
迭代优化：
- 若中值矩阵一致性不通过，需请专家重新调整判断
- 若某些判断的模糊因子过低（如<0.5），可请专家提高自信度
- 可尝试不同自信度转换规则，进行敏感性分析

平台界面

官方地址：https://superr.online

平台界面包含：数据上传区、参数设置区、多工作表预览、分析结果展示和AI分析模块

参考文献：

三角模糊数及其在AHP中的应用研究[J]. 系统工程理论与实践.
Fuzzy AHP中权重确定方法的探讨与改进[J]. 控制与决策.
基于三角模糊层次分析法的重庆地区建筑低碳化评价指标体系研究[D]. 重庆大学.
Saaty, T.L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
模糊层次分析法(FAHP)的改进及其应用[J]. 数学的实践与认识.