有域名怎样建设网站,兰州seo新站优化招商,asp网站模板安装教程,wordpress招聘主题目录 前言 一、评价类问题概述 二、AHP建模流程 1、过程描述 2、层次分析法—Matlab代码 三、权重计算 1、算术平均法 2、几何平均法 3、特征值法 目录 文章目录 前言 一、评价类问题概述 二、AHP建模流程 1、过程描述 2、层次分析法—Matlab代码 三、权重计算 算术平均法 前言… 目录 前言 一、评价类问题概述 二、AHP建模流程 1、过程描述 2、层次分析法—Matlab代码 三、权重计算 1、算术平均法 2、几何平均法 3、特征值法 目录 文章目录 前言 一、评价类问题概述 二、AHP建模流程 1、过程描述 2、层次分析法—Matlab代码 三、权重计算 算术平均法 前言
本文将讲解解决评价类问题的第一种模型层次分析法AHP法首先我们会具体讲解评价类问题解答的具体流程再对AHP方法进行讲解 一、评价类问题概述
评价指标本身的数学量化评价指标之间的数学综合
基本流程明确主体—指标明确—权重计算—方案评价
明确主体明确哪里可以用到评价比如2012对《葡萄酒的评价》这里葡萄球的等级就是可以用到评价的地方
指标确定可以通过一个思维导图的方式来画出这个指标系统。先确定方向通过查找文献和头脑风暴然后再向下细化
权重计算使用主观权重法和客观权重法每个指标都要进行归一化
方案评价得到权重后再对结果进行进一步分析
二、AHP建模流程
1、过程描述
1、建立层次结构模型
目标层决策的目标如选出微博之星
准测层C{C1C2···Cn}考虑的因素实质上就是评价指标
方案层P{P1P2···Pm}决策对象如微博之星又ABC三个人可选择
2、构造判断矩阵
对于准则层中的每个元素Cii12···n)构造一个关于方案层P中各个元素两两比较的判断矩阵Ai(mxm),其中元素aij表示因素Pj相对于因素Pi的重要性程度。通常使用1-9的比例标度来表示这种重要性程度。易得aij*aji1所以在写判断矩阵时可以只写一边矩阵再对应填另一边
注意这个地方常常会出现嵌套分层也就是说可能每个Ci可能会单独对应某些Pi这个时候要再构造一次判断矩阵本质上就是先聚类将单个指标因素按照关联度和相似度分为互不影响的几大类再使用层次分析法 例如下面我们将问题分成了三层其中我们将指标首先分为互不影响的三大类通行能力安全性便捷度首先对这三类构造判断矩阵进行一致性检验算出这三大类的权重然后又讨论影响这三大类的因素在每一大类中对其中的影响因素再构造相应的判断矩阵并且检验其一致性再算出每个因素的权重最后再计算出每个具体因素的总权重进行评价分析。 3、层次单排序及一致性检验
对于每个判断矩阵Ai计算其最大特征根λmax和对应的特征向量Wi对特征向量Wi进行归一化处理其实就是特征向量/n得到准则层Ci下各因素的权重向量wi (wi1, wi2, ..., wim)。计算一致性指标CI 和随机一致性指标RI可在网上查到进而计算一致性比例CR CI / RI。如果CR 0.1这里只有CI越小CR才能越小故当λmax—n时我们认为矩阵Ai越接近一致矩阵 则认为判断矩阵Ai具有满意的一致性 CI通过上述公式求出同时Xmax即为最大特征根n为评价指标个数 整个过程可概括为下面的流程图 2、层次分析法—Matlab代码
%层次分析法-一致性检验
A input(判断矩阵A);%输入判断矩阵
[n,n]size(A); %获取A的行和列%求出最大特征值以及对应的特征向量
[V,D]eig(A); %V是特征向量 D是特征值构成的对角矩阵
Max_eig max(max(D)); %先求出每一行的最大值再求出最大值中的最大值即为最大特征值CI (Max_eig - n)/(n-1);%求出一致性检验指标%网上查表可得
RI[0,0.0001,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54,1.56,1.58,1.59];%注意RI最多支持n15
CRCI/RI(n);
disp(一致性指标CI);disp(CI);
disp(一致性比例CR);disp(CR);if CR0.1disp(因为CR0.01,所以该判断矩阵A的一致性可以接受);
elsedisp(注意CR0.10,因此该判断举证A要进行修改);
end 三、权重计算
1、算术平均法
%1.算术平均法计算权重
%输入样例将前面的判断矩阵输入即可此处省略
Asumsum(A,1);%将A的每列求和赋值到Asum中
Ar repmat(Asum,n,1);%复制Asum n行1列为Ar矩阵,使得Ar又变回了n行n列的矩阵
stand_AA./Ar;%归一化处理./表示对应的元素相除
ASumr sum(stand_A,2);%再对归一化处理后的矩阵的每列加到同一行
disp(ASumr/n);%相加后的每个元素/n得到权重向量(nx1)2、几何平均法
A input(判断矩阵A); %输入判断矩阵
[n,n] size(A); %获取A的行和列
prod_A prod(A,2); %将A中每一行元素相乘得到
一列向量
prod_n_A prod_A.^(1/n); %将新的向量的每个分量开n
次方等价求1/n次方
re_prod_A prod_n_A./sum(prod_n_A);%归一化处理
disp(re_prod_A); %展示权重结果
3、特征值法
A input(判断矩阵A); %输入判断矩阵
[n,n] size(A); %获取A的行和列
%求出最大特征值以及对应的特征向量
[V,D] eig(A); %V是特征向量 D是特征值构
成的对角矩阵
Max_eig max(max(D)); %先求出每一列的最大值
再求最大值中的最大值
[r,c] find(Max_eig D,1);%使用find()函数找出最大
特征值对应的特征向量的位置索引
%对特征向量进行归一化得到所需权重
disp(V(:,c)./sum(V(:,c)));
