python實(shí)現(xiàn)AHP算法的方法實(shí)例（層次分析法）

import numpy as np
class AHP:
  """
  相關(guān)信息的傳入和準(zhǔn)備
  """

  def __init__(self, array):
    ## 記錄矩陣相關(guān)信息
    self.array = array
    ## 記錄矩陣大小
    self.n = array.shape[0]
    # 初始化RI值，用于一致性檢驗(yàn)
    self.RI_list = [0, 0, 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]
    # 矩陣的特征值和特征向量
    self.eig_val, self.eig_vector = np.linalg.eig(self.array)
    # 矩陣的最大特征值
    self.max_eig_val = np.max(self.eig_val)
    # 矩陣最大特征值對(duì)應(yīng)的特征向量
    self.max_eig_vector = self.eig_vector[:, np.argmax(self.eig_val)].real
    # 矩陣的一致性指標(biāo)CI
    self.CI_val = (self.max_eig_val - self.n) / (self.n - 1)
    # 矩陣的一致性比例CR
    self.CR_val = self.CI_val / (self.RI_list[self.n - 1])

  """
  一致性判斷
  """

  def test_consist(self):
    # 打印矩陣的一致性指標(biāo)CI和一致性比例CR
    print("判斷矩陣的CI值為：" + str(self.CI_val))
    print("判斷矩陣的CR值為：" + str(self.CR_val))
    # 進(jìn)行一致性檢驗(yàn)判斷
    if self.n == 2: # 當(dāng)只有兩個(gè)子因素的情況
      print("僅包含兩個(gè)子因素，不存在一致性問(wèn)題")
    else:
      if self.CR_val < 0.1: # CR值小于0.1，可以通過(guò)一致性檢驗(yàn)
        print("判斷矩陣的CR值為" + str(self.CR_val) + ",通過(guò)一致性檢驗(yàn)")
        return True
      else: # CR值大于0.1, 一致性檢驗(yàn)不通過(guò)
        print("判斷矩陣的CR值為" + str(self.CR_val) + "未通過(guò)一致性檢驗(yàn)")
        return False

  """
  算術(shù)平均法求權(quán)重
  """

  def cal_weight_by_arithmetic_method(self):
    # 求矩陣的每列的和
    col_sum = np.sum(self.array, axis=0)
    # 將判斷矩陣按照列歸一化
    array_normed = self.array / col_sum
    # 計(jì)算權(quán)重向量
    array_weight = np.sum(array_normed, axis=1) / self.n
    # 打印權(quán)重向量
    print("算術(shù)平均法計(jì)算得到的權(quán)重向量為：\n", array_weight)
    # 返回權(quán)重向量的值
    return array_weight

  """
  幾何平均法求權(quán)重
  """

  def cal_weight__by_geometric_method(self):
    # 求矩陣的每列的積
    col_product = np.product(self.array, axis=0)
    # 將得到的積向量的每個(gè)分量進(jìn)行開(kāi)n次方
    array_power = np.power(col_product, 1 / self.n)
    # 將列向量歸一化
    array_weight = array_power / np.sum(array_power)
    # 打印權(quán)重向量
    print("幾何平均法計(jì)算得到的權(quán)重向量為：\n", array_weight)
    # 返回權(quán)重向量的值
    return array_weight

  """
  特征值法求權(quán)重
  """

  def cal_weight__by_eigenvalue_method(self):
    # 將矩陣最大特征值對(duì)應(yīng)的特征向量進(jìn)行歸一化處理就得到了權(quán)重
    array_weight = self.max_eig_vector / np.sum(self.max_eig_vector)
    # 打印權(quán)重向量
    print("特征值法計(jì)算得到的權(quán)重向量為：\n", array_weight)
    # 返回權(quán)重向量的值
    return array_weight


if __name__ == "__main__":
  # 給出判斷矩陣
  b = np.array([[1, 1 / 3, 1 / 8], [3, 1, 1 / 3], [8, 3, 1]])

  # 算術(shù)平均法求權(quán)重
  weight1 = AHP(b).cal_weight_by_arithmetic_method()
  # 幾何平均法求權(quán)重
  weight2 = AHP(b).cal_weight__by_geometric_method()
  # 特征值法求權(quán)重
  weight3 = AHP(b).cal_weight__by_eigenvalue_method()