层次分析法的优点

第一篇：层次分析法的优点

层次分析法的优点

系统性——将对象视作系统，按照分解、比较、判断、综合的思维方式进行决策。成为成为继机理分析、统计分析之后发展起来的系统分析的重要工具；

实用性——定性与定量相结合，能处理许多用传统的最优化技术无法着手的实际问题，应用范围很广，同时，这种方法使得决策者与决策分析者能够相互沟通，决策者甚至可以直接应用它，这就增加了决策的有效性；

简洁性——计算简便，结果明确，具有中等文化程度的人即可以了解层次分析法的基本原理并掌握该法的基本步骤，容易被决策者了解和掌握。便于决策者直接了解和掌握。层次分析法的局限

囿旧——只能从原有的方案中优选一个出来，没有办法得出更好的新方案；

粗略——该法中的比较、判断以及结果的计算过程都是粗糙的，不适用于精度较高的问题。； 主观——从建立层次结构模型到给出成对比较矩阵，人主观因素对整个过程的影响很大，这就使得结果难以让所有的决策者接受。当然采取专家群体判断的办法是克服这个缺点的一种途径。

层次分析法(AHP法)是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。

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。

第二篇：AHP层次分析法

层次分析法

层次分析法（The analytic hierarchy process,简称AHP），也称层级分析法

什么是层次分析法

层次分析法（The analytic hierarchy process）简称AHP，在20世纪70年代中期由美国运筹学家托马斯·塞蒂（T.L.Saaty）正式提出。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题上的实用性和有效性，很快在世界范围得到重视。它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。

层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。不妨用假期旅游为例：假如有3个旅游胜地A、B、C供你选择，你会根据诸如景色、费用和居住、饮食、旅途条件等一些准则去反复比较这3个候选地点．首先，你会确定这些准则在你的心目中各占多大比重，如果你经济宽绰、醉心旅游，自然分别看重景色条件，而平素俭朴或手头拮据的人则会优先考虑费用，中老年旅游者还会对居住、饮食等条件寄以较大关注。其次，你会就每一个准则将3个地点进行对比，譬如A景色最好，B次之；B费用最低，C次之；C居住等条件较好等等。最后，你要将这两个层次的比较判断进行综合，在A、B、C中确定哪个作为最佳地点。

层次分析法的基本步骤

1、建立层次结构模型。在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次，同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用。最上层为目标层，通常只有1个因素，最下层通常为方案或对象层，中间可以有一个或几个层次，通常为准则或指标层。当准则过多时(譬如多于9个)应进一步分解出子准则层。

2、构造成对比较阵。从层次结构模型的第2层开始，对于从属于(或影响)上一层每个因素的同一层诸因素，用成对比较法和1—9比较尺度构追成对比较阵，直到最下层。

3、计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征根及对应特征向量，利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，特征向量(归一化后)即为权向量：若不通过，需重新构追成对比较阵。

4、计算组合权向量并做组合一致性检验。计算最下层对目标的组合权向量，并根据公式做组合一致性检验，若检验通过，则可按照组合权向量表示的结果进行决策，否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。

层次分析法的优点

运用层次分析法有很多优点，其中最重要的一点就是简单明了。层次分析法不仅适用于存在不确定性和主观信息的情况，还允许以合乎逻辑的方式运用 经验、洞察力和直觉。也许层次分析法最大的优点是提出了层次本身，它使得买方能够认真地考虑和衡量指标的相对重要性。

建立层次结构模型

将问题包含的因素分层：最高层（解决问题的目的）；中间层（实现总目标而采取的各种措施、必须考虑的准则等。也可称策略层、约束层、准则层等）；最低层（用于解决问题的各种措施、方案等）。把各种所要考虑的因素放在适当的层次内。用层次结构图清晰地表达这些因素的关系。

〔例2〕 选拔干部模型

对三个干部候选人y1、y2、y3，按选拔干部的五个标准：品德、才能、资历、年龄和群众关系，构成如下层次分析模型： 假设有三个干部候选人y1、y2、y3，按选拔干部的五个标准：品德，才能，资历，年龄和群众关系，构成如下层次分析模型 构造成对比较矩阵

比较第 i 个元素与第 j 个元素相对上一层某个因素的重要性时，使用数量化的相对权重aij来描述。设共有 n 个元素参与比较，则成对比较矩阵。

成对比较矩阵中aij的取值可参考 Satty 的提议，按下述标度进行赋值。

称为aij在 1-9 及其倒数中间取值。

 aij = 1，元素 i 与元素 j 对上一层次因素的重要性相同；

 aij = 3，元素 i 比元素 j 略重要；

 aij = 5，元素 i 比元素 j 重要；

 aij = 7，元素 i 比元素 j 重要得多；

 aij = 9，元素 i 比元素 j 的极其重要；

 aij = 2n，n=1,2,3,4，元素 i 与 j 的重要性介于

aij = 2n − 1与

aij = 2n + 1之间；

，n=1,2,...,9，当且仅当aji = n。

成对比较矩阵的特点：。（备注：当i=j时候，aij = 1）

对例 2，选拔干部考虑5个条件：品德龄

x1，才能x2，资历x3，年x4，群众关系x5。某决策人用成对比较法，得到成对比较阵如下：

a14 = 5 表示品德与年龄重要性之比为 5，即决策人认为品德比年龄重要。

作一致性检验

从理论上分析得到：如果A是完全一致的成对比较矩阵，应该有

aijajk = aik。

但实际上在构造成对比较矩阵时要求满足上述众多等式是不可能的。因此退而要求成对比较矩阵有一定的一致性，即可以允许成对比较矩阵存在一定程度的不一致性。

由分析可知，对完全一致的成对比较矩阵，其绝对值最大的特征值等于该矩阵的维数。对成对比较矩阵 的一致性要求，转化为要求： 的绝对值最大的特征值和该矩阵的维数相差不大。

检验成对比较矩阵 A 一致性的步骤如下：

 计算衡量一个成对比矩阵 A（n>1 阶方阵）不一致程度的指标

CI：

其中λmax是矩阵 A 的最大特征值。注解

 从有关资料查出检验成对比较矩阵 A 一致性的标准

RI：RI称为平均随机一致性指标，它只与矩阵阶数 有关。

 按下面公式计算成对比较阵 A 的随机一致性比率 CR：。

 判断方法如下： 当

CR<0.1时，判定成对比较阵 A 具有满意的一致性，或其不一致程度是可以接受的；否则就调整成对比较矩阵 A，直到达到满意的一致性为止。

例如对例 2 的矩阵

计算得到,查得RI=1.12。

这说明 A 不是一致阵，但 A 具有满意的一致性，A 的不一致程度是可接受的。

此时A的最大特征值对应的特征向量为U=(-0.8409,-0.4658,-0.0951,-0.1733,-0.1920)。这个向量也是问题所需要的。通常要将该向量标准化：使得它的各分量都大于零，各分量之和等于 1。该特征向量标准化后变成U =(0.4759,0.2636,0.0538,0.0981,0.1087)。经过标准化后这个向量称为权向量。这里它反映了决策者选拔干部时，视品德条件最重要，其次是才能，再次是群众关系，年龄因素，最后才是资历。各因素的相对重要性由权向量U的各分量所确定。

求A的特征值的方法，可以用 MATLAB 语句求A的特征值:〔Y,D〕=eig（A），Y为成对比较阵 的特征值，D 的列为相应特征向量。

在实践中，可采用下述方法计算对成对比较阵A=(a_{ij})的最大特征值λmaxZ(A)和相应特征向量的近似值。

定义

，可以近似地看作A的对应于最大特征值的特征向量。

计算

可以近似看作A的最大特征值。实践中可以由λ来判断矩阵A的一致性。

层次总排序及决策

现在来完整地解决例 2 的问题，要从三个候选人y1,y2,y3中选一个总体上最适合上述五个条件的候选人。对此，对三个候选人y = y1,y2,y3分别比较他们的品德(x1)，才能(x2)，资历(x3)，年龄(x4)，群众关系(x5)。

先成对比较三个候选人的品德，得成对比较阵

经计算，B1的权向量

ωx1(Y)=(0.082,0.244,0.674)z

故B1的不一致程度可接受。ωx1(Y)可以直观地视为各候选人在品德方面的得分。

类似地，分别比较三个候选人的才能，资历，年龄，群众关系得成对比较阵

通过计算知，相应的权向量为

它们可分别视为各候选人的才能分，资历分，年龄分和群众关系分。经检验知B2,B3,B4,B5的不一致程度均可接受。

最后计算各候选人的总得分。y1的总得分

从计算公式可知，y1的总得分ω(y1)实际上是y1各条件得分ωx1(y1),ωx2(y1),...,ωx5(y1),的加权平均, 权就是各条件的重要性。同理可得y2,Y3 的得分为

ωz(y2)= 0.243,ωz(y3)= 0.452

比较后可得：候选人y3是第一干部人选。

层次分析法的用途举例

例如，某人准备选购一台电冰箱，他对市场上的6种不同类型的电冰箱进行了解后，在决定买那一款式时，往往不是直接拿电冰箱整体进行比较，因为存在许多不可比的因素，而是选取一些中间指标进行考察。例如电冰箱的容量、制冷级别、价格、型号、耗电量、外界信誉、售后服务等。然后再考虑各种型号冰箱在上述各中间标准下的优劣排序。借助这种排序，最终作出选购决策。在决策时，由于6种电冰箱对于每个中间标准的优劣排序一般是不一致的，因此，决策者首先要对这7个标准的重要度作一个估计，给出一种排序，然后把6种冰箱分别对每一个标准的排序权重找出来，最后把这些信息数据综合，得到针对总目标即购买电冰箱的排序权重。有了这个权重向量，决策就很容易了。

层次分析法应用的程序

运用AHP法进行决策时，需要经历以下4个步骤：

1、建立系统的递阶层次结构；

2、构造两两比较判断矩阵；（正互反矩阵）

3、针对某一个标准，计算各备选元素的权重；

4、计算当前一层元素关于总目标的排序权重。

5、进行一致性检验。

应用层次分析法的注意事项

如果所选的要素不合理，其含义混淆不清，或要素间的关系不正确，都会降低AHP法的结果质量，甚至导致AHP法决策失败。

为保证递阶层次结构的合理性，需把握以下原则：

1、分解简化问题时把握主要因素，不漏不多；

2、注意相比较元素之间的强度关系，相差太悬殊的要素不能在同一层次比较。

层次分析法应用实例

1、建立递阶层次结构；

2、构造两两比较判断矩阵；（正互反矩阵）

对各指标之间进行两两对比之后，然后按9分位比率排定各评价指标的相对优劣顺序，依次构造出评价指标的判断矩阵。

3、针对某一个标准，计算各备选元素的权重；

关于判断矩阵权重计算的方法有两种，即几何平均法（根法）和规范列平均法（和法）。

（1）几何平均法（根法）

计算判断矩阵A各行各个元素mi的乘积；

计算mi的n次方根；

对向量进行归一化处理；

该向量即为所求权重向量。

（2）规范列平均法（和法）

计算判断矩阵A各行各个元素mi的和；

将A的各行元素的和进行归一化；

该向量即为所求权重向量。计算矩阵A的最大特征值?max

对于任意的i=1,2,…,n, 式中为向量AW的第i个元素

（4）一致性检验

构造好判断矩阵后，需要根据判断矩阵计算针对某一准则层各元素的相对权重，并进行一致性检验。虽然在构造判断矩阵A时并不要求判断具有一致性，但判断偏离一致性过大也是不允许的。因此需要对判断矩阵A进行一致性检验。为了计算各要素对上一层指标的影响权重（如内容的准确性对内容质量的影响程度有多高，需要计算出该权重，而完整性、准确性和及时性3个指标对内容质量的影响权重的和为1，其它各指标也同样满足该原则），需要构建对比矩阵，即从模型的第二层开始运用9标度对从属于上一层中每个要素的同层各要素间进行两两比较，如模型中的要素i相对于要素j对上层要素的重要程度，1表示i与j同等重要，3表示i比j略重要，5表示i比j重要，7表示i比j重要很多，9表示i比j极其重要，可以用Wi/Wj表示该重要程度，两两比较后可以得到以下矩阵：

因为上面的矩阵是通过两两比较的结果列出来的，所有对于整个矩阵而言不一定是完全一致的，所以首先需要验证该对比矩阵的一致性。可以通过计算矩阵的最大特征值的方法来衡量矩阵的一致性，相关的指标有一致性指标CI，随机一致性指标RI，一致性比率CR=CI/RI（具体的计算方法不详细介绍了，可以参考相关资料）。一般当CR<0.1时，我们认为该对比矩阵的一致性是可以被接受的。

如果矩阵的一致性满足要求，则可以根据矩阵的最大特征值进一步计算得到对应的特征向量，并通过对特征向量进行标准化（使特征向量中各分量的和为1）将其转化为权向量，也就是我们要求的结果，权向量中的各分量反映了各要素对其相应的上层要素的影响权重。如：

网站质量=内容质量*0.6+交互友好*0.4 内容质量=完整性*0.3+准确性*0.4+及时性*0.3 交互友好=交互流程*0.7+信息架构*0.3 在计算得到各要素相对于上层要素的权重之后，我们就可以通过加权平均的方法将最底层指标的测量结果汇总到目标指标的最总分值，用于评价各决策方案的优劣性，并选择最优方案。如：

网站质量=（完整性*0.3+准确性*0.4+及时性*0.3）*0.6+（交互流程*0.7+信息架构*0.3）*0.4

第三篇：层次分析法优缺点

层次分析法的优缺点：

优点：

1.系统性的分析方法

层次分析法把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。系统的思想在于不割断各个因素对结果的影响，而层次分析法中每一层的权重设置最后都会直接或间接影响到结果，而且在每个层次中的每个因素对结果的影响程度都是量化的，非常清晰、明确。这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。

2.简洁实用的决策方法

这种方法既不单纯追求高深数学，又不片面地注重行为、逻辑、推理，而是把定性方法与定量方法有机地结合起来，使复杂的系统分解，能将人们的思维过程数学化、系统化，便于人们接受，且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题，通过两两比较确定同一层次元素相对上一层次元素的数量关系后，最后进行简单的数学运算。即使是具有中等文化程度的人也可了解层次分析的基本原理和掌握它的基本步骤，计算也经常简便，并且所得结果简单明确，容易为决策者了解和掌握。

3.所需定量数据信息较少

层次分析法主要是从评价者对评价问题的本质、要素的理解出发，比一般的定量方法更讲求定性的分析和判断。由于层次分析法是一种模拟人们决策过程的思维方式的一种方法，层次分析法把判断各要素的相对重要性的步骤留给了大脑，只保留人脑对要素的印象，化为简单的权重进行计算。这种思想能处理许多用传统的最优化技术无法着手的实际问题。

缺点：

1.不能为决策提供新方案

层次分析法的作用是从备选方案中选择较优者。这个作用正好说明了层次分析法只能从原有方案中进行选取，而不能为决策者提供解决问题的新方案。这样，我们在应用层次分析法的时候，可能就会有这样一个情况，就是我们自身的创造能力不够，造成了我们尽管在我们想出来的众多方案里选了一个最好的出来，但其效果仍然不够人家企业所做出来的效果好。而对于大部分决策者来说，如果一种分析工具能替我分析出在我已知的方案里的最优者，然后指出已知方案的不足，又或者甚至再提出改进方案的话，这种分析工具才是比较完美的。但显然，层次分析法还没能做到这点。

2.定量数据较少，定性成分多，不易令人信服

在如今对科学的方法的评价中，一般都认为一门科学需要比较严格的数学论证和完善的定量方法。但现实世界的问题和人脑考虑问题的过程很多时候并不是能简单地用数字来说明一切的。层次分析法是一种带有模拟人脑的决策方式的方法，因此必然带有较多的定性色彩。这样，当一个人应用层次分析法来做决策时，其他人就会说：为什么会是这样？能不能用数学方法来解释？如果不可以的话，你凭什么认为你的这个结果是对的？你说你在这个问题上认识比较深，但我也认为我的认识也比较深，可我和你的意见是不一致的，以我的观点做出

来的结果也和你的不一致，这个时候该如何解决？

比如说，对于一件衣服，我认为评价的指标是舒适度、耐用度，这样的指标对于女士们来说，估计是比较难接受的，因为女士们对衣服的评价一般是美观度是最主要的，对耐用度的要求比较低，甚至可以忽略不计，因为一件便宜又好看的衣服，我就穿一次也值了，根本不考虑它是否耐穿我就买了。这样，对于一个我原本分析的‘购买衣服时的选择方法’的题目，充其量也就只是‘男士购买衣服的选择方法’了。也就是说，定性成分较多的时候，可能这个研究最后能解决的问题就比较少了。

对于上述这样一个问题，其实也是有办法解决的。如果说我的评价指标太少了，把美观度加进去，就能解决比较多问题了。指标还不够？我再加嘛！还不够？再加！还不够？！不会吧？你分析一个问题的时候考虑那么多指标，不觉得辛苦吗？大家都知道，对于一个问题，指标太多了，大家反而会更难确定方案了。这就引出了层次分析法的第二个不足之处。

3.指标过多时数据统计量大，且权重难以确定

当我们希望能解决较普遍的问题时，指标的选取数量很可能也就随之增加。这就像系统结构理论里，我们要分析一般系统的结构，要搞清楚关系环，就要分析到基层次，而要分析到基层次上的相互关系时，我们要确定的关系就非常多了。指标的增加就意味着我们要构造层次更深、数量更多、规模更庞大的判断矩阵。那么我们就需要对许多的指标进行两两比较的工作。由于一般情况下我们对层次分析法的两两比较是用1至9来说明其相对重要性，如果有越来越多的指标，我们对每两个指标之间的重要程度的判断可能就出现困难了，甚至会对层次单排序和总排序的一致性产生影响，使一致性检验不能通过，也就是说，由于客观事物的复杂性或对事物认识的片面性，通过所构造的判断矩阵求出的特征向量（权值）不一定是合理的。不能通过，就需要调整，在指标数量多的时候这是个很痛苦的过程，因为根据人的思维定势，你觉得这个指标应该是比那个重要，那么就比较难调整过来，同时，也不容易发现指标的相对重要性的取值里到底是哪个有问题，哪个没问题。这就可能花了很多时间，仍然是不能通过一致性检验，而更糟糕的是根本不知道哪里出现了问题。也就是说，层次分析法里面没有办法指出我们的判断矩阵里哪个元素出了问题。

4.特征值和特征向量的精确求法比较复杂

在求判断矩阵的特征值和特征向量时，所用的方法和我们上学期多元统计所用的方法是一样的。在二阶、三阶的时候，我们还比较容易处理，但随着指标的增加，阶数也随之增加，在计算上也变得越来越困难。不过幸运的是这个缺点比较好解决，我们有三种比较常用的近似计算方法。第一种就是和法，第二种是幂法，还有一种常用方法是根法。

第四篇：层次分析法的优缺点

AHP即层次分析法,它是一种强有力的系统分析+运筹学方法，对多因素、多标准、多方案的综合评价及趋势预测相当有效.面对由“方案层+因素层+目标层”构成的递阶层次结构决策分析问题，给出了一整套处理方法与过程.AHP最大的优点是可以处理定性和定量相结合的问题，可以将决策者的主观判断与政策经验导入模型，并加以量化处理.AHP从本质上讲是一种科学的思维方式.其主要的特点是：

1）面对具有层次结构的整体问题综合评价，采取逐层分解，变为多哥单准则评价问题，在多个单准则评价的基础上进行综合；

2）为解决定性因素的处理及可比性问题，Saaty建议：以“重要性”（数学表现为权值）比较作为统一的处理格式.并将比较结果按重要程度以1至9级进行量化标度.3）检验与调整比较链上的传递性，即检验一致性的可接受程度；

4）对汇集全部比较信息的矩阵集，使用线性代数理论与方法加以处理.挖掘出深层次的、实质性的综合信息作为决策支持.局限性：

1）AHP方法也有致命的缺点，它只能在给定的策略中去选择最优的，而不能给出新的策略；

2）AHP方法中所用的指标体系需要有专家系统的支持，如果给出的指标不合理则得到的结果也就不准确；

3）AHP方法中进行多层比较的时候需要给出一致性比较，如果不满足一致性指标要求，则AHP方法方法就失去了作用；

4）AHP方法需要求矩阵的特征值，但是在AHP方法中一般用的是求平均值（可以算术、几何、协调平均）的方法来求特征值，这对于一些病态矩阵是有系统误差的。

第五篇：matlab计算AHP层次分析法

用matlab解决层次分析法AHP

1、求矩阵最大特征值及特征向量 用matlab求：

输入：A=[1 1/2 2 1/4;2 1 1 1/3;1/2 1 1 1/3;4 3 3 1]

[x,y]=eig(A)得出：特征向量x=[0.2688 0.3334 0.2373 0.8720]

最大特征值λmax=4.1964

2、一致性检验

CI=（λmax-n）/(n-1)=(4.1964-4)/(4-1)=0.0655 CR=CI/RI=0.0655/0.9=0.0727

(注：维数为4时，RI=0.9)CR=0.0727<0.1,矩阵一致性通过检验

3、对最大特征值进行归一化处理，即可得到各指标权重（归一化：分项/分项之和）W=[0.157 0.195 0.139 0.510]