网站后台无法更新缓存,响应式网站案列,免费发帖的平台有哪些,建设专业网站的利弊实际生活中#xff0c;往往有一些很复杂的系统#xff0c;我们没办法直观草率的确定权重#xff0c;比如甲、乙、丙三人竞选总统#xff0c;严谨的说#xff0c;需要从三人的社交能力、管理能力、经济能力等方面来考虑#xff0c;在每个方面#xff0c;三位候选人的得分…实际生活中往往有一些很复杂的系统我们没办法直观草率的确定权重比如甲、乙、丙三人竞选总统严谨的说需要从三人的社交能力、管理能力、经济能力等方面来考虑在每个方面三位候选人的得分也不同那么到底怎么来判断这三个人的综合得分呢AHP可以帮助你。请忽略现在的选举都是投票这个现实
层次分析法是指将一个复杂的多目标决策问题作为一个系统将目标分解为多个目标或准则进而分解为多指标或准则、约束的若干层次通过定性指标模糊量化方法算出层次单排序权数和总排序以作为目标多指标、多方案优化决策的系统方法。
层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构然后用求解判断矩阵特征向量的办法求得每一层次的各元素对上一层次某元素的优先权重最后再加权和的方法递阶归并各备择方案对总目标的最终权重此最终权重最大者即为最优方案。
层次分析法比较适合于具有分层交错评价指标的目标系统而且目标值又难于定量描述的决策问题。 下面是代码
因为注释较多根本无需一步一步的详解就能看懂所以就一下子全放上来了。
#思路
#1.首先输入每个指标下面对应的判断矩阵
#该矩阵中的值是通过大数据或者专家得到的每两个指标之间的相对重要程度值
#通过AHP计算这些判断矩阵是否通过一致性的检验通过即合理
#不通过就说明矩阵中的两指标间的相对重要程度有过分矛盾的地方import csv
import numpy as np
import tensorflow as tf#定义一个叫AHP的类
class AHP:def __init__(self,array):#array是每个指标下面对应的判断矩阵即原始数据self.row len(array)#计算矩阵的行数self.col len(array[0])#计算矩阵的列数def get_tezheng(self,array):#获取最大特征值和对应的特征向量te_val ,te_vector np.linalg.eig(array)#numpy.linalg.eig() 计算矩阵特征值与特征向量list1list(te_val)#te_val是一个一行三列的矩阵此处将矩阵转化为列表print(特征值为,te_val)print(特征向量为,te_vector)#得到最大特征值对应的特征向量max_val np.max(list1)#最大特征值index list1.index(max_val)#最大特征值在列表中的位置max_vector te_vector[:,index]#通过位置来确定最大特征值对应的特征向量print(最大的特征值:str(max_val) 对应的特征向量为str(max_vector))return max_val,max_vector def RImatrix(self,n):#建立RI矩阵该矩阵是AHP中自带的类似标杆一样除n之外的值不能更改d {}n1 [1,2,3,4,5,6,7,8,9]n2 [0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45]for i in range(n):#获取n阶矩阵对应的RI值d[n1[n]] n2[n]print(该矩阵在一致性检测时采用的RI值为,d[n1[n]])return d[n1[n]]def test_consitstence(self,max_val,RI): #测试一致性AHP中最重要的一步用于检验判断矩阵中的数据是否自相矛盾CI (max_val-self.row)/(self.row-1) #AHP中计算CI的标准公式CR CI/RI #AHP中计算CR的标准公式if CR 0.10 :print(判断矩阵的CR值为 str(CR) 通过一致性检验)return Trueelse:print(判断矩阵的CR值为 str(CR) 判断矩阵未通过一致性检验请重新输入判断矩阵)return False def normalize_vector(self,max_vector):#特征向量归一化vector_after_normalization[]#生成一个空白列表用于存放归一化之后的特征向量的值sum0 np.sum(max_vector)#将特征向量的每一个元素相加取和for i in range(len(max_vector)):#将特征向量的每一个元素除以和得到比值保证向量的每一个元素都在0和1之间直线归一化#将归一化之后的元素依次插入空白列表的尾部vector_after_normalization.append(max_vector[i]/sum0)print(该级指标的权重矩阵为 str(vector_after_normalization))return vector_after_normalization def weightCalculator(self, normalMatrix):#计算最终指标对应的权重值#layers weight calculations.listlen len(normalMatrix) -1 #设置listlen的初始值为normalMatrix最后一个元素的indexlayerWeights list()#空白权重列表while listlen -1:sum float()#sum的初始值为0.0并且限制了sum的类型为浮点型for i in normalMatrix:sum i[listlen] #求normalMatrix各元素的和sumAverage round(sum / len(normalMatrix),3)#求normalMatrix各元素的平均值并保留三位小数layerWeights.append(sumAverage)#为什么平均值是权重listlen-1return layerWeightsimport csv
import numpy as np
import tensorflow as tfdef main():#这里需要确定指标的规模即多少个一级指标多少个二级指标这样才能确定要计算多少个对比矩阵array1[]array2[]def define_structure():#构造AHP的层次结构level_structure [] level int(input(请输入指标的级数))#输入比如说这是个三级指标体系level0 input(请输入每一级下指标的个数)level.append(level0)#将列表level0作为一个元素插入到列表level的末尾level2 []for i in range(level):#每一级指标下有多少具体的指标个数rate_num input(请输入 str(i) 层下指标的个数)#level2.append(rate_num)for j in range(rate_num ):two_level_for_one int(input(请输入第 str(i) 个一级指标对应的下级指标的个数))level_structure.append(two_level_for_one )return level_structuredef creat_matrix(n):n define_structure()for i in n:length input(请输入指标对比矩阵的阶数)#对应指标下共有多少个相互对比的对象length int(length)#向下取整若length3.7则int(length)3count0for i in range(length):#若length3则这部分实现的是输入矩阵中3*39个元素的值for j in range(length):count 1x input(请输入指标对比矩阵的第str(count) 个元素)x float(x)array1.append(x)#此时的array1还不是一个矩阵只是包含9个元素的列表#eg:array1[4,7,8,2,1,13,16,5,11]for i in range(length*length):#将列表array1矩阵化if (i1)%length0:#使用i1是为了避免i0的情况因为0%30是truearray2.append(array1[i-length1:i1])#每3个元素形成一个列表插入到array2的末尾print(array2)#egarray2[[4,7,8],[2,1,13],[16,5,11]]矩阵形式array2np.mat(array2)#NumPy函数库中的matrix与MATLAB中matrices等价由于AHP是比较数学的东西所以习惯的mat一下矩阵aAHP(array2)max_val,max_vector a.get_tezheng(array2)#获取最大特征值和对应的特征向量RI a.RImatrix(length)#获取length阶矩阵对应的RI值flag a.test_consitstence(max_val,RI)#测试一致性返回TRUE或者flaseif flag:#如果flagTRUE则调用函数通过最大特征值对应的特征向量获取权重矩阵weight a.normalize_vector(max_vector)main()
可以拷贝到本地慢慢消化相信如此完备的注释会大大的有助于您的学习。
此代码为多年前的代码了最近重新运行一遍竟然报错了不知哪里的问题还望有经验的大神指正。
