目录：

0. 层次分析法简介
1. 层次分析法基本原理
2. 构造判断矩阵
3. 一致性检验
4. 一致性检验通过的判断矩阵求权重
   4.1 算数平均法求权重
   4.2 几何平均法求权重
   4.3 特征值法求权重
5. 总结

0. 层次分析法简介
层次分析法（Analytic Hierarchy Process，简称AHP）主要是对于定性的决策问题进行定量化分析的方法。举个例子，在日常生活中，我们经常需要进行感性的判断，比如报高考志愿，感觉清华北大都很好，到底要报哪个；再比如去市场买菜，到底是买青椒做青椒炒鸡蛋，还是买黄瓜做黄瓜炒鸡蛋；再比如想去出游，到底是去公园A还是公园B。上面提到的这些问题，都是决策，也叫做评价类问题，最终的目的就是要评价到底哪个更好。这个方法在数学建模比赛，比如美赛等比赛中有时会用到，另外对日常的生活也有一定的指导。

那么如何用数学的评价体系去解决这类看似非常感性的问题呢，这就诞生了我们今天要讲的层次分析法。这里我们从浅入深对于层次分析法进行一个讲解。

1. 层次分析法基本原理

这里我们举一个例子让大家大致的了解层次分析法的基本原理。假如，小明想买一瓶饮料喝，他在纠结到底是买可乐好，还是雪碧好，还是汇源果汁，他非常的纠结，于是想建个模型来分析到底买哪种饮料好。

为了实现这个评价，首先我们要确定评价的指标，比如这里我们设定三种指标：饮料的口味，饮料的价格和饮料健康程度，那么最直观的量化方法就是给各个因素一个权重，然后给各个饮料进行打分，如下表：

表格中相同颜色的区域加和需要为1，这是为了标准化。所以我们来看一下这个表格，在评价指标方面，小明很注重健康因为给了健康0.5的权重，其次是口味0.3，最后是价格0.2； 具体的在口味方面，小明觉得可乐和雪碧差不多（0.35），果汁稍微差一点是0.3 以此类推，小明就只做了这张表格，为了计算每种饮料的得分，我们只需要把备选方案的权重乘对应的评价指标的权重并且加和即可，也就是：

可乐的最终得分是0.35×0.3+0.4×0.2+0.1×0.5 = 0.1005；
雪碧的最终得分是 0.35×0.3+0.4×0.2+0.2×0.5 = 0.1505；
汇源果汁的最终得分是 0.3×0.3+0.2×0.2+0.7×0.5 = 0.379；

通过比大小我们就看得出来汇源果汁的最终得分最高，所以小明应该选择汇源果汁。

回顾一下，为了量化的评价，我们需要确定评价指标，和备选方案两个重要的因素，接着分配权重（记得加和为1），最终通过乘法然后加和的方式得到最终的量化得分，从而做出最终的评价。

2. 构造判断矩阵

层级分析法就是简单的编造几个权重然后进行抉择么？当然不是，如何客观合理的设定表格中的权重才是重中之重，因此，我们这里介绍如何构造判断矩阵。

在现实问题中，往往存在很多个评价指标，让小明从饮料的口味，价格，健康，瓶盖能不能兑奖，瓶子是不是好看，自己是不是汇源果汁的代言人……等很多评价指标中给出合理的权重是一个非常困难的事情，也许小明现在给出的权重和一会儿给出的权重就完全不同，所以，为了简化思维过程，我们首先进行评价指标的两两比较，再将比较结果汇总成最终的权重。

为了量化两两比较的结果，我们要祭出一个评价体系表格（不要问我从哪里来~它的故乡在远方）说白了，就是在A和B两者比较中划分了一个1到9的重要等级。

举个例子，假如说饮料的健康性（A）和口味（B）相比，健康要明显重要，则我们就可以说A比B的权重是5。之后我们开始构建我们的判断矩阵。

上述的表格就是一个判断矩阵，我们可以看到这个判断矩阵有几个特点，对角线都为1，而且对角线对称的元素相乘都为1，这样的矩阵也被称为正互反矩阵。
为了更加数学的描述，我们设定矩阵的元素定义为a_ij代表了与j相比i的重要性，其中i表示行，j表示列， 其中a_ij>0而且a_ij×a_ji=1即对称元素相乘为1。当i=j时，也就是元素在对角线上时，元素为1。另外理想的情况下要满足a_ij=a_ik×a_kj 这个理想的条件我们在以后说明

在构造判断矩阵的过程中我们的元素是两两进行判断的，所以是不是有可能出现问题呢？答案是有可能的，我们将表格中的元素进行一个更改，并用绿色标记出，随后得到了如下的表格

我们看第一行，口味比价格重要（口味>价格）同时健康比口味重要（健康>口味），那么按照正常的推理我们是不是应该得到健康比价格重要（健康>口味>价格）然而实际上表格中填写的是价格比健康重要（价格>健康）这就出现了矛盾，也就是不一致现象。在理想情况下，
，所以说，在理想的情况下a_ij=a_ik×a_kj 。理想的情况下的判断矩阵也有一些很好的性质，比如行列成比例，也就是说矩阵的秩为1，这里不进行深入的讨论。但是大部分的情况下，没办法达到如此的完美，那么为了量化评价这种不一致现象的大小，就需要在运算权重之前进行一致性的检验。

回顾一下，为了更合理的得到层次分析法表格中的权重，我们引入了数值为1-9的标度体系，并且用两两比较的方法构建了一个判断矩阵用于之后的权重计算，然而判断矩阵存在不一致的问题，因此我们要从数值的角度评价不一致的大小，以此引出一致性的检验。

3. 一致性检验

为了构建一个一致性的指标来验证矩阵的一致性，学者们主要参考了线性代数中的两个定理：

定理1：若A为一致性矩阵，则A的最大特征值λ_max⁡ = n，其中n为矩阵A的阶，A的其余特征值均为0。

定理2：n阶正互反矩阵为一致性矩阵，当且仅当其最大特征值λ_max⁡ = n，并且当正互反矩阵非一致时，必有λ_max⁡ > n。

从定理2的后半句中，我们可以看到，当一个正互反矩阵为非一致的矩阵的时候必有最大的特征值大于矩阵的阶，所以就想到可以使用最大特征值和矩阵的阶的差值来定义不一致性。这种想法看似复杂，其实超级朴素，比如时间不能倒流，所以出生后经过的年数就定义为你的年龄（年数-0）。

为此就定义了一致性指标CI，CI = (λ_max – n) / (n -1)。也就是说一致性指标CI越大，整个矩阵就越不一致，当CI是0的时候是完全理想的一直矩阵。（难道这不应该叫不一致性指标么？？？）

另外，为了得到计算出来的一致性指标到底是大还是小，我们又构建了平均随机一致性指标RI，该指标的构建方法是随机构建1000个正互反矩阵，并计算一致性指标的平均值。这里的RI也就是说当矩阵的阶数为n的时候随机的平均一致性。这相当于一把尺子，告诉大家如果完全随机（瞎蒙）的填写这个判断矩阵的结果的话，那么你的一致性指标的期望就大概是这个RI的值。RI如何计算呢？查表就可以了。

当CI和RI的比值小于0.1的时候，我们认为这个矩阵是一致的，也就是说你矩阵的一致性指标，要比平均的瞎蒙的一致性指标小一个数量级的时候，我们认为你就不是乱猜的了。这样我们就构建了我们的一致性比例CR = CI/ RI。如果说一个正互反矩阵的一致性比例没有小于0.1，那么就需要调整矩阵以满足要求。

举个例子，我们以这个判断矩阵为例，计算它是否满足一致性的要求，第一步是计算其最大的特征值，在matlab中，我们可以使用[x,y] = eig([1,3,1/5;1/3,1,1/6;5,6,1])； l_max = max(diag(y))； 计算得到，最后计算得到的最大特征值为3.0940， 我们可以看到这个值满足我们定理2中所说的要比矩阵的阶数3大。CI = (l_max -3) / ( 3 -1 ); 计算CI值是0.0470。RI值通过查表得到是0.52，最后我们的RI值就是CI/RI = 0.0904 < 0.1 所以这个矩阵满足一致性的要求。

回顾一下，这里主要讲如何验证矩阵的一致性，为了验证一致性构造了一致性比例CR，满足CR小于0.1的就认为该判断矩阵合理，不满足的就要对判断矩阵进行调整，得到合理的判断矩阵，得到合理的判断矩阵之后，就可以进行最初的，层次分析法的计算了。

4.一致性检验通过的判断矩阵求权重

得到了合理的判断矩阵我们这里就要计算每个影响因素所占的权重，这里主要有三种方法，算数平均法，几何平均法，和特征值法求权重
4.1 算数平均法求权重：（列归一化，行平均值）
对每列进行归一化处理，并且按照行求平均值就得到了我们最终的权重，这是最简单的计算方法，具体的方法如下：step1:列归一化，
最左上角的元素归一化就是1/(1+1/3+5)=0.18;
第一行第二个元素的计算方法就是3/(3+1+6)=0.30以此类推；

Step2:行平均值：
口味：（0.18+0.30+0.17）/3 = 0.22;
价格：（0.06+0.10+0.14）/3 = 0.10;
健康：（0.88+0.60+0.83）/3 = 0.77;
正常权重的加和是1，这里因为四舍五入的原因有一定的偏差。得到了权重之后，我们就可以写入最开始的表格了（还记得嘛？在算了这么多之后一定要牢记使命，别忘了最开始计算这些东西的目的是什么）

4.2 几何平均法求权重：（行相乘开n次方，列归一化）

这里的计算方法就是将行的元素都相乘，然后再开对应的n次方，并对得到的n个数字进行归一化即可。

4.3 特征值法求权重：（最大特征值的特征向量归一化）

特征值法其实是应用最多的一个方法，就是求最大特征值所对应的特征向量并进行归一化处理，matlab的计算方法如下：[x,y] = eig([1,3,1/5;1/3,1,1/6;5,6,1])； vec_max = x(:,1);得到的vec_max就是最大特征值对应的特征向量了。在本例中是0.26,0.12,0.96在对其进行归一化的处理，得到0.19，0.09，0.72 这样我们就用另一种方法求得了权重。

回顾一下这里介绍了三种不同的方法对判断矩阵的权重进行计算。除了这三个影响因素的判断矩阵以外，具体的表格中可乐，雪碧和汇源果汁的判断矩阵构造方法也是一样的。只需要列出以下的表格，检验一致性并最终计算即可。

5. 总结
以上就是层次分析法的全部过程，有几个小的问题需要进一步的讲解，当判断矩阵不满足一致性的时候我们调整的方法就是重新梳理整个矩阵的各个元素，可以利用理想状态下，行和列的元素成比例的性质进行微调。另外，层次分析法考虑的因素不能过多，不论是候选的种类，还是评价的指标都不能太多。除此之外，层次分析法主要是在主观的评价体系中进行决策，或者满意度的评价，当在一个问题中，已经有很多已知的数据的时候，这种方法就显得不太好了。

一、问题的提出

在如今科技高速发展的时代,电脑也逐渐成为人们学习和工作的重要工具,从而为人们的工作和学习带了极大方便。然而,怎样去购置一台价格合理、性能较好的电脑却是人们关注的问题。

二、分析问题

考虑价格、外观、配置等因素，构造的层次模型如下：

三、问题解决:

根据专家分析可知

四个准则对目标的重要性权重为一下矩阵如下：

由公式可计算矩阵

可知

故矩阵的不一致性在容许的范围之内

 

方案层对于准则层的的重要性权重如下：

以上数据CI验证通过

四、计算

用最大特征值对应的特征向量作为被比较因素对上层某因素影响程度的权向量，由公式可以求出每个方案的权值

 

MATLAB求解代码如下：

clc;
clear;
close all;
 
A = [1 3 1 3;
    1/3 1 1/3 1;
    1 3 1 5;
    1/3 1 1/5 1];
 
B1 = [1 3 3;
    1/3 1 1/3;
    1/3 3 1];
 
B2 = [1,3,1/3;
    1/3,1,1/5;
    3,5,1];
 
B3 = [1,1/3,3;
    3,1,5;
    1/3,1/5,1];
 
B4=[1 3 1;
    1/3 1 1/5;
    1 5 1];
 
[x,y]=eig(A);
lambda=max(diag(y));
CI=(lambda-4)/(4-1);
[x1,y1]=eig(B1);
[x2,y2]=eig(B2);
[x3,y3]=eig(B3);
[x4,y4]=eig(B4);
loc=find(max(diag(y)));
loc1=find(max(diag(y1)));loc2=find(max(diag(y2)));
loc3=find(max(diag(y3)));loc4=find(max(diag(y4)));
W=[x1(:,loc1),x2(:,loc2),x3(:,loc3),x4(:,loc4)]*x(:,loc);

 

求解可得

综上所述，购买品牌机器性价比更高

1.问题的提出

日常生活中有很多的决策问题。决策是指在面临多种方案时需要依据一定的标准选择某一种方案。日常生活中有许多决策的问题。比如：

• 买钢笔，一般要依据质量、颜色、实用性、价格、外形等方面的因素选择某一支钢笔。
• 假期旅游，是去风光秀丽的苏州，还是去迷人的北戴河，或者是去山水甲天下的桂林，那一般会依据景色、费用、食宿条件、旅途等因素来算着去哪个地方。

面临各种各样的方案，要进行比较、判断、评价、直至最后的决策。这个过程中都是一些 主观的因素，这些因素可能由于个人情况的不同，有相应不同的比重，所以这样主观因素给数学方法的解决带来了很多的不便。

2.AHP

简单介绍一下什么是AHP？

层次分析法，简称AHP，它是一种 运筹学理论 。是指将与决策总是有关的元素分解成 目标、准则、方案 等层次，在此基础之上进行定性和定量分析的决策方法。

“该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究”根据各个工业部门对国家福利的贡献大小而进行电力分配”课题时，应用网络系统理论和多目标综合评价方法，提出的一种 层次权重决策分析方法。”

层次分析法(Analytic Hierarchy Process,AHP)这是一种定性和定量相结合的、系统的、层次化的分析方法。这种方法的特点就是在对复杂决策问题的本质、影响因素及其内在关系等进行深入研究的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。是对难以完全定量的复杂系统做出决策的模型和方法。

层次分析法的原理，层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同的层次聚集组合，形成一个多层次的分析结构模型，从而最终 使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。

所以，AHP理论本质是通过把一个复杂的问题拆解为多个目标或准则，并且通过定性量化的方式为每个目标进行赋权的一个过程。

简单来说AHP就是拆解加赋权，下面详细讲一下过程。
层次分析法的步骤，运用层次分析法构造系统模型时，大体可以分为以下四个步骤：

• 建立层次结构模型；
• 构造判断(成对比较)矩阵；
• 层次单排序及其一致性检验；
• 层次总排序及其一致性检验；

3.层次分析法的基本步骤

将决策的目标、考虑的因素(决策准则)和决策对象按他们之间的相互关系分成最高层、中间层和最低层，绘制层次结构图。

1.最高层(目标层)：决策的目的、要解决的问题；
2.中间层(准则层或指标层)：考虑的因素、决策的准则；
3.最低层(方案层)：决策时的备选方案；

3.1 建立层次结构模型

3.2 构造判断矩阵

什么是判断矩阵？

判断矩阵就是以参与指标计算的所有ferture组成的一个方阵，并且给出两两“比较量化值”。举例如下：

对于A和B两个因子，1表示：A和B一样重要；3表示：A比B重要一些；5表示：A比B重要；7表示：A比B重要的多；9表示：A比B极其重要，具体标准如下图所示：

因素i比因素j	量化值
同等重要	1
稍微重要	3
较强重要	5
强烈重要	7
极端重要	9
l两相邻判断的中间值	2，4，6，8

这其实就是一个典型的小组投票的过程，通过在方阵行列元素的两两比较，最终可以生成一个判断矩阵。比如对于有 A,B,C,D四个feature（分别代表钱，人员，时间，其它） 的判断矩阵如下图所示：

	A	B	C	D
A	1.00	2.00	5.00	4.00
B	0.50	1.00	1.67	1.33
C	0.20	0.60	1.00	0.80
D	0.25	0.75	1.25	1.00

3.3 层次单排序及一致性检验

所谓一致性校验是指在进行投票的时候的公平性和一致性。
比如你认为A比B重要，B比C重要，但是从最后的结果来看是C比A重要，这样即为不一致。
一致性校验是通过计算校验系数来实现的，通常用CR来表示，小于0.1即表示一致性校验通过。

CR包含一致性指标（CI）和随机一致性指标（RI）两部分，CR=CI/RI。

CI和RI是一个固定值，与矩阵的阶数有关。
一致性校验是通过计算校验系数来实现的，通常用CR来表示，小于0.1即表示一致性校验通过。

1.模拟
用EXCEL来进行计算（这里用三个参数来模拟）

构建判断矩阵A(正交矩阵)，用aij表示第i个因素相对于第j个因素的比较结果：

2.计算权重：
将矩阵A的各行向量进行几何平均(方根法)，然后进行归一化，即得到各评价指标权重和特征向量W：

3.一致性检验：

这里的n是指矩阵的维度

• CI = 0，有完全的一致性；
• CI 接近于0，有满意的一致性；
• CI越大，不一致越严重；
  为了衡量 CI的大小，引入随机一致性指标 RI。方法为随机构造500个成对比较矩阵

定义一致性比率：

RI系数如下表格

矩阵阶数	3	4	5	6	7	8	9	10	11
RI	0.5149	0.8931	1.1185	1.2494	1.3450	1.4200	1.4646	1.49	1.51

一般，当一致性比率CR < 0.1 时，认为A的不一致程度在容许的范围之内，有满意的一致性，通过一致性检验，可用其归一化特征向量作为权向量，否则要重新构造成对比较矩阵A，对 其 加以调整。

4.计算公式
各列键入公式：

按行相乘：F3=PRODUCT(C3:E3)，下拉至F5。

开n次方：G3=POWER(F3,1/3)，下拉至G5；G6=SUM(G3:G5)。

权重wi：H3=G3/G$6，下拉至H5。

AWi：I3=C3H$3+D3H$4+E3*H$5，下拉至I5。

AWi/wi：J3=I3/H3，下拉至J5；J6=AVERAGE(J3:J5)。

CI：K3=(J6-3)/2。

CR：L3=K3/0.5149

5.进行计算

6.结束
通过进行小组投票和自动计算，最终CR的值为0.03706，因此一致性检验通过。

权重Wi列即为每个feature的权重，因此最终我们可以得出该指标的计算公式为：

target = A * 0.1047 + B * 0.6369 + c * 0.2582

完美解决！

4.总结

大家这里或许会有个疑问：

采用AHP的方法进行赋权，小组投票阶段是主观判断重要性的，所以是不是会带来误差？

会，一定会。

不过 策略一定是建立在业务之上的，撇开业务谈策略都是伪策略。

采用AHP模型进行多因子赋权，

需要对该业务有足够的了解，更需要对该target下的多个feature有 足够的了解 ，哪个对于target的贡献度是最大的。

比如对于一个商品，什么样的商品是用户喜欢的？用户喜欢的商品有哪些feature？每个feature对于用户喜欢的贡献程度是什么样的？这些都是需要业务经验参与的。

如果说科学的方法都有一个前提假设，那么AHP也有一个前提，就是 先了解业务，再谈策略。

以上，希望能帮助到大家。

本公众号分享自己从程序员小白到经历春招秋招斩获10几个offer的面试笔试经验，其中包括【Java】、【操作系统】、【计算机网络】、【设计模式】、【数据结构与算法】、【大厂面经】、【数据库】期待你加入！！！

1.计算机网络----三次握手四次挥手
2.梦想成真-----项目自我介绍
3.你们要的设计模式来了
4.震惊！来看《这份程序员面试手册》！！！
5.一字一句教你面试“个人简介”
6.接近30场面试分享
7.你们要的免费书来了