AHP中判断矩阵一致性修正的模式识别法：原理与实践指南

1次阅读

共计 1305 个字符，预计需要花费 4 分钟才能阅读完成。

层次分析法 (AHP) 是一种常用的多准则决策方法，通过构建判断矩阵来量化决策者的主观判断。判断矩阵的一致性直接关系到决策结果的科学性和可靠性。然而在实际应用中，由于人类判断的主观性和复杂性，构建完全一致的判断矩阵几乎是不可能的。传统的手动修正方法依赖经验，效率低下且难以保证客观性。

一致性比率是衡量判断矩阵一致性的重要指标。其计算步骤如下：

计算判断矩阵的最大特征值 λ_max
计算一致性指标 CI = (λ_max – n)/(n – 1)，其中 n 为矩阵阶数
查表获取随机一致性指标 RI
计算一致性比率 CR = CI/RI

当 CR < 0.1 时，认为矩阵一致性可接受；否则需要修正。

模式识别法通过以下步骤自动检测不一致的判断模式：

分析判断矩阵中元素间的逻辑关系
识别违反传递性的判断组合
定位最可能导致不一致的关键元素
自动调整这些元素的值以改善一致性

特征向量法：基于特征向量调整，数学严谨但计算复杂
几何平均法：简单易实现，适用于低阶矩阵
模式识别法：智能定位问题，修正更有针对性

import numpy as np
from numpy.linalg import eig

def check_consistency(matrix):
    """
    检查判断矩阵一致性
    :param matrix: n×n 判断矩阵
    :return: CR 值, 一致性结论
    """
    n = matrix.shape[0]
    # 计算特征值和特征向量
    eigenvalues, _ = eig(matrix)
    lambda_max = max(eigenvalues.real)

    # 计算 CI
    CI = (lambda_max - n) / (n - 1)

    # RI 值(3 阶到 10 阶)
    RI_dict = {3:0.58, 4:0.9, 5:1.12, 6:1.24, 7:1.32, 8:1.41, 9:1.45, 10:1.49}
    RI = RI_dict[n]

    # 计算 CR
    CR = CI / RI

    return CR, "可接受" if CR < 0.1 else "需修正"

# 示例矩阵
sample_matrix = np.array([[1, 3, 5],
    [1/3, 1, 2],
    [1/5, 1/2, 1]
])

CR, conclusion = check_consistency(sample_matrix)
print(f"CR 值: {CR:.3f}, 结论: {conclusion}")

该算法的主要时间复杂度集中在特征值计算上：