AHP (层次分析法)
数学建模中的“入门必修课”
AHP (Analytic Hierarchy Process，层次分析法) 由美国运筹学家 Thomas L. Saaty 创立。通过将复杂问题分解为若干层次和若干因素，对两两指标之间的重要程度作出比较判断（主观），建立判断矩阵，通过计算判断矩阵的最大特征值以及对应特征向量，就可得出不同方案重要性程度的权重，为最佳方案的选择提供依据。其应用领域极为广泛，涵盖了商业管理、项目评估、资源分配、公共政策制定、供应链管理、环境风险评估乃至军事领域的冲突解决等多个方面。
适用场景
- 评价类问题：如优秀论文评选、员工绩效考核。
- 选址类问题：如工厂选址、物流中心布局。
- 风险评估：如投资项目可行性分析。
模型原理
层次分析法要求将一个复杂、非结构化的决策问题，拆解成若干个更小、更易于理解和管理的组成部分，并将这些部分按照其内在的逻辑关系，组织成一个自上而下的层次结构模型。一个典型的层次分析法层次结构包含以下三个主要层面：
- 目标层：位于层次结构的最顶端，代表决策的最终目的或期望达成的结果。
- 准则层：位于中间层次，包含了用于评估备选方案优劣的一系列标准或影响因素。
- 方案层：位于层次结构的最底层，包含了所有可供选择的决策方案或行动路径。
主要步骤
第1步：建立递阶层级结构模型
把问题拆解为「目标层—准则层—方案层」的层次结构（见图1），并明确每一层包含的元素集合。
第2步：构造出各层次中的所有判断矩阵
对同一层中的因素做两两重要性比较（通常用 1-9 标度法，见表1），构造判断矩阵 ，其中 代表第 个因素对第 个因素的重要程度。在设定判断矩阵的程度值时，可以使用德尔菲法 (Delphi Method)，也可直接根据实际业务专家的建议来确定。
表1 Saaty 的 1-9 标度法
| 标度 | 含义 |
|---|---|
| 1 | 两个因素相比，具有同等重要性 |
| 3 | 两个因素相比，前者比后者稍微重要 |
| 5 | 两个因素相比，前者比后者明显重要 |
| 7 | 两个因素相比，前者比后者强烈重要 |
| 9 | 两个因素相比，前者比后者极端重要 |
| 2、4、6、8 | 上述相邻判断之间的中间值，表示重要性程度介于两者之间 |
| 倒数 | 如果因素 与因素 的比较值为 ，则因素 与因素 的比较值为 |
提示
两两比较的过程中因为忽略了其他因素，导致最后的结果会产生常理上的矛盾，所以需要进行一致性检验（防止某个因素既重要又不重要）。
- 例如：第1个因素比第2个因素明显重要，第2个因素比第3个因素明显重要；若此时存在第3个因素比第1个因素重要的情况，就会在逻辑上产生矛盾。
第3步：一致性检验
注：在实际操作中，第3步与第4步紧密相连，一致性检验需要用到第4步中计算出的最大特征值 。
在解释一致性检验的原理前，我们需要先了解两个概念：正互反矩阵和一致矩阵。
- 正互反矩阵：若在矩阵 中，每个元素 且满足：
我们称该矩阵为正互反矩阵。在层次分析法中，我们构造的判断矩阵都是正互反矩阵。
- 一致矩阵：若在正互反矩阵 中，进一步满足：
我们称该矩阵为一致矩阵。
由于实际评价中指标数量较多，构建完美的一致矩阵十分困难。一致性检验的目的，就是检验我们主观构造的判断矩阵与理想的“一致矩阵”之间是否存在不可接受的偏差。
具体推导（选看）：一致矩阵的充要条件证明
判断一个矩阵是否为一致矩阵的充要条件证明较为复杂，实际运用中只需了解即可。证明如下：
先证必要性： 设矩阵 为一致矩阵。由一致矩阵的定义， 为正互反矩阵且满足 。 首先，由于 为正互反矩阵，显然有 。 其次，根据正互反矩阵的定义 ，令 可得 。 最后，在一致性关系中令 ，则 ，因此 。 特别地，取 ，得 。代回上式，有 。 令 （由于 ，此时 ），则第 行满足 。必要性证毕。
再证充分性： 反过来，若 ，且 ，并存在 使得 。 则有 。取 ，由 得 ，从而 。 因此 。 于是 ，即 为一致矩阵。充分性证毕。
具体推导（选看）：一致矩阵的一些特点
引理： 为 阶方阵，且 ，则 有一个特征值为 ，其余特征值为 。
由秩-零化度定理可知，。因此 中存在 个线性无关的非零向量。对任意 ，都有 ，这说明 是特征值 的特征向量。于是特征值 的代数重数至少为 。 除去至少 个为 的特征值外，至多还剩下一个非零特征值 。又由“特征值之和等于迹”，得出 。
特点一：最大特征值 在一致矩阵中，由于对角线元素都为 ，因此 ，即：
特点二：对应的特征向量 特征值为 时，对应的特征向量刚好为 。
(注：此处省去了繁琐的解齐次方程组 的行变换过程，核心在于一致矩阵的行与行之间成比例，经过初等行变换后，仅需解第一行的约束即可得出上述特征向量。)
不一致性与最大特征值
在一致矩阵中，我们已经得出 。当判断矩阵出现不一致时（即存在 使 ），矩阵会导致最大特征值严格大于 ，即：
因此 可以用来刻画“偏离一致性”的程度：判断越不一致， 往往越大， 也越大。
基于这个思想，Saaty 提出了常用的一致性指标（Consistency Index, CI）：
其中 时有 ，表示完全一致； 越大，表示不一致程度越高。
▌ 一致性检验的具体步骤
① 计算一致性指标 ：
② 查表获取平均随机一致性指标 （由矩阵阶数 决定）：
表2 平均随机一致性指标 RI
| n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| RI | 0 | 0 | 0.525 | 0.882 | 1.110 | 1.250 | 1.341 | 1.404 | 1.451 | 1.486 | 1.514 | 1.536 | 1.555 | 1.570 | 1.584 |
注：RI 值采用近年来更受认可的 Franek and Kresta (2014) 的方式。实际运用中，n 很少超过 10，如果 n 过大，则可考虑建立多级评价体系或使用其他模型。
③ 计算一致性比例 ：
- 若 ，通常认为判断矩阵的一致性可以接受。
- 若 ，认为一致性较差，需要对判断矩阵进行适当调整。（调整方向：将矩阵元素尽可能向行与行呈倍数关系的“一致矩阵”方向修正）。
层次总排序及一致性检验（选看，通常不予考虑）
最终我们要得到各元素（特别是最低层中各方案）对于总目标的排序权重。总排序权重需要自上而下地将各准则下的权重进行合成。
设上一层次（ 层）包含 个因素，总排序权重为 。下一层次（ 层）包含 个因素，它们关于 的单排序权重为 。则 层中各因素关于总目标的层次总排序权重为：
对层次总排序也需要做一致性检验，以防止各层次的微小非一致性累积。
当总排序 时，接受分析结果。
第4步：计算权重向量
在得到判断矩阵 并确认一致性后，我们需要求出权重向量：
在一致性较好时，下述三种方法算出来的权重通常非常接近。
4.1 算术平均法（列归一化）
直观理解：先把每一列“缩放成同一个尺度”，再把每一行取平均。
- 第 1 步：按列归一化
- 第 2 步：对归一化后的矩阵按行取平均，得到权重
4.2 几何平均法（方根法）
直观理解：每一行代表“该因素相对其它因素的总体优势”，用几何平均更符合“成比例比较”的特点。
- 第 1 步：计算每一行元素的几何平均
- 第 2 步：归一化得到权重
4.3 特征值法（AHP 经典方法）
直观理解：寻找一个向量 ，使得 与 的方向尽量一致。这个方向由最大特征值对应的特征向量给出。
- 第 1 步：求最大特征值 及对应特征向量
- 第 2 步：将特征向量归一化，使其和为 1
优缺点与注意事项
- 优点：结构化、系统化，能将复杂问题层层分解；将主观评价转化为客观的权重数值；自带一致性检验机制，能及时发现专家打分中的逻辑矛盾。
- 局限：主观性较强，极度依赖专家的经验，如果打分偏颇结果会失真；指标数量不能过多，同一层次的指标如果超过 9 个（即使目前表格扩展到了 15 阶），由于人类思维的局限性，很难通过一致性检验；只能在给定的方案中评价优劣，不能生成新方案。
- 实践建议：
- 在数学建模比赛中，通常没有真正的 “专家”，可以由团队成员讨论模拟 “专家打分” 的过程，并在论文中说明。
- 当一致性检验通不过（）时，可以检查判断矩阵中严重违背常理的比较项，将其向满足 的方向做微调。
- 当评价指标不仅有定性描述，还有充足的定量客观数据时，建议将 AHP 与 熵权法、TOPSIS 等客观评价方法结合使用（例如 AHP-TOPSIS 综合评价模型），以达到主客观相互印证、平衡的效果。
完整代码实现（Python / MATLAB）
下面给出一份可以直接复用的 AHP 代码模板。
Python（NumPy）
python
import numpy as np
def ahp_calculator(matrix):
"""
计算 AHP 判断矩阵的权重及一致性检验
"""
# 1. 获取输入并检查矩阵有效性
A = np.array(matrix, dtype=float)
n, m = A.shape
if n != m:
raise ValueError("错误：判断矩阵必须是方阵！")
# 2. 求解特征值与特征向量
eigvals, eigvecs = np.linalg.eig(A)
# 提取最大特征值的索引及数值
max_eig_idx = np.argmax(np.real(eigvals))
max_eig = np.real(eigvals[max_eig_idx])
# 3. 一致性检验
# n=1 或 2 时，矩阵一定具有完全一致性
if n <= 2:
CR = 0.0
else:
CI = (max_eig - n) / (n - 1)
# 标准RI表 (n=1~15)
RI = [0, 0, 0.525, 0.882, 1.110, 1.250, 1.341, 1.404, 1.451, 1.486, 1.514, 1.536, 1.555, 1.570, 1.584]
if n > len(RI):
raise ValueError("错误：矩阵维度超出15，无法查表获取RI值！")
CR = CI / RI[n - 1]
print(f"\n=== 一致性检验结果 ===")
print(f"最大特征值 Max_eig = {max_eig:.4f}")
print(f"一致性比例 CR = {CR:.4f}")
if CR < 0.10:
print("-> 因为 CR < 0.10，该判断矩阵A的一致性通过检验！")
print("\n=== 权重计算结果 ===")
# 方法1：算术平均法 (按列求和归一化后，按行求平均)
W_arith = np.mean(A / np.sum(A, axis=0), axis=1)
# 方法2：几何平均法 (按行连乘求n次方根后，再归一化)
W_geom = np.prod(A, axis=1) ** (1 / n)
W_geom = W_geom / np.sum(W_geom)
# 方法3：特征值法 (取最大特征值对应的特征向量进行归一化)
W_eigen = np.real(eigvecs[:, max_eig_idx])
W_eigen = W_eigen / np.sum(W_eigen)
# 格式化输出结果
print("1. 算术平均法权重:", np.round(W_arith, 4))
print("2. 几何平均法权重:", np.round(W_geom, 4))
print("3. 特征值法权重:", np.round(W_eigen, 4))
return W_arith, W_geom, W_eigen
else:
print("-> 警告：CR >= 0.10，该判断矩阵A未通过一致性检验，需要重新调整矩阵元素!")
return None, None, None
if __name__ == "__main__":
# TODO: 在此处手动输入或替换为你的判断矩阵
A = [
[1, 2, 3, 5],
[1/2, 1, 1/2, 2],
[1/3, 2, 1, 2],
[1/5, 1/2, 1/2, 1]
]
ahp_calculator(A)MATLAB
matlab
clc, clear;
% TODO: 请在此处手动输入判断矩阵 A
A = [
1, 2, 3, 5;
1/2, 1, 1/2, 2;
1/3, 2, 1, 1/2;
1/5, 1/2, 2, 1
];
% 1. 获取输入并检查矩阵有效性
[n, m] = size(A);
if n ~= m
error('错误：判断矩阵必须是方阵！');
end
% 2. 求解特征值与特征向量
[V, D] = eig(A);
% 提取对角线元素（特征值），并直接获取最大特征值及其所在列的索引 c
[Max_eig, c] = max(diag(D));
% 3. 一致性检验
% n=1 或 2 时，矩阵一定具有完全一致性
if n <= 2
CR = 0;
else
CI = (Max_eig - n) / (n - 1);
% 标准RI表（支持到 n=15 ）
RI = [0, 0, 0.525, 0.882, 1.110, 1.250, 1.341, 1.404, 1.451, 1.486, 1.514, 1.536, 1.555, 1.570, 1.584];
if n > length(RI)
error('错误：矩阵维度超出15，无法查表获取RI值！');
end
CR = CI / RI(n);
end
fprintf('\n=== 一致性检验结果 ===\n');
fprintf('最大特征值 Max_eig = %.4f\n', Max_eig);
fprintf('一致性比例 CR = %.4f\n', CR);
if CR < 0.10
disp('-> 因为 CR < 0.10，该判断矩阵A的一致性通过检验！');
fprintf('\n=== 权重计算结果 ===\n');
% 方法1：算术平均法 (按列归一化后按行求平均)
W_arith = sum(A ./ sum(A, 1), 2) / n;
% 方法2：几何平均法 (按行连乘求n次方根后归一化)
W_geom = prod(A, 2) .^ (1/n);
W_geom = W_geom / sum(W_geom);
% 方法3：特征值法 (取最大特征值对应的特征向量进行归一化)
W_eigen = V(:, c) / sum(V(:, c));
% 输出展示
disp('1. 算术平均法权重:'); disp(W_arith');
disp('2. 几何平均法权重:'); disp(W_geom');
disp('3. 特征值法权重:'); disp(W_eigen');
else
disp('-> 警告：CR >= 0.10，该判断矩阵A未通过一致性检验，需要重新调整矩阵元素!');
end