层次分析法AHP、ANP与熵值法带例子和软件操作说明
- 格式:ppt
- 大小:343.50 KB
- 文档页数:47
熵值法和层次分析法在权重确定中的应用一、本文概述权重确定作为决策分析的核心环节,其准确性和合理性直接影响到决策的质量和效果。
在众多权重确定方法中,熵值法和层次分析法因其独特的优势,被广泛应用于各种决策场景中。
本文旨在深入探讨熵值法和层次分析法在权重确定中的应用,分析两种方法的原理、特点、适用场景,并对比其优劣。
通过对这两种方法的深入研究,我们期望能为决策者提供更科学、更合理的权重确定方法,提高决策的有效性和准确性。
本文还将结合具体案例,对两种方法的实际应用进行展示,以便读者更好地理解和掌握这两种方法。
二、熵值法在权重确定中的应用熵值法是一种基于信息熵理论来确定权重的客观赋权方法。
在信息论中,熵是对不确定性的一种度量,它可以反映信息的无序程度或者信息的效用价值。
在权重确定中,熵值法通过计算各个评价指标的信息熵,来度量各个指标值的离散程度,从而确定各个指标的权重。
数据标准化处理:消除不同指标量纲的影响,对原始数据进行标准化处理,使得各指标值都处于同一数量级上。
计算指标熵值:根据标准化后的数据,计算每个指标的熵值。
熵值反映了该指标值的离散程度,熵值越大,指标的离散程度越大,该指标对综合评价的影响越小。
计算指标差异系数:用1减去熵值,得到指标的差异系数。
差异系数越大,该指标对综合评价的影响越大。
确定指标权重:根据差异系数的大小,确定各指标的权重。
差异系数越大,该指标的权重越大。
熵值法的优点在于其客观性强,不需要事先设定权重,而是根据数据的实际情况来确定权重。
熵值法也适用于多指标综合评价问题,能够有效地处理不同量纲的指标。
然而,熵值法也存在一定的局限性,例如它忽略了指标之间的相关性,并且对于数据的要求较高,需要数据量足够大且分布均匀。
在实际应用中,熵值法常常与其他方法相结合,如层次分析法、主成分分析法等,以提高权重确定的准确性和科学性。
通过综合运用这些方法,可以更加全面地考虑各种因素,使得权重确定更加合理和可靠。
与熵值法类似的方法熵值法是一种多指标综合评价的数学模型,用于对多个指标进行排序和权重分配。
在熵值法中,指标的权重是根据指标的信息熵来分配的,因此熵值法在决策问题中被广泛应用。
除了熵值法外,还有一些与其类似的方法,本文将介绍两种常见的方法:层次分析法和模糊综合评价法。
一、层次分析法(Analytic Hierarchy Process,AHP)层次分析法是一种基于专家判断和主观感受的方法,用于解决复杂问题的决策分析。
它的核心思想是将决策问题分解成多个层次,从全局的角度,通过两两比较来确定各层次的权重,并最终得到最佳方案。
层次分析法主要包含以下步骤:1.层次结构的构建:将决策问题分解成多个层次,并确定各层次之间的关系。
2.两两比较矩阵的构建:对每个层次下的指标进行两两比较,得到一个比较矩阵。
3.求解特征向量:计算每个比较矩阵的最大特征值和对应的特征向量,特征向量即为各指标的权重。
4.一致性检验:通过计算一致性指标判断专家比较的一致性,确定权重是否可靠。
5.最终权重的计算:将各层次的权重相乘,最后得到各指标最终权重。
层次分析法的优点是可以通过专家的主观判断得到权重,而且适用范围广泛。
然而,层次分析法也存在着专家主观性强的问题,依赖于专家能力和经验,且在权重计算的一致性检验上有一定的局限性。
模糊综合评价法是用于处理模糊不确定性问题的一种数学方法。
在模糊综合评价法中,通过模糊集合的理论和方法,将指标的权重确定为各个指标的模糊隶属度的加权平均值,从而得到最终的评价结果。
模糊综合评价法主要包含以下步骤:1.建立模糊综合评价集合:将指标的评价范围划分为若干模糊子集,并确定各自的隶属函数。
2.确定模糊权重:根据各指标的重要程度,确定各指标的权重,并将其转化为模糊集合。
3.模糊隶属度矩阵的构建:通过专家评价或数据处理,将指标的模糊评价转化为模糊矩阵。
4.模糊综合评价:通过模糊矩阵和模糊权重的模糊加权平均法,得到最终的模糊评价结果。
AHP (层次分析法)示例说明(The Analgtic Hierarachy Process--——AHP )一. AHP 预备知识为了更好地理解AHP ,需要准备一些矩阵方面的知识,以下知识都可以从《线性代数》中找到。
1.1 特征根与特征向量设()nm ija A ⨯=为n 阶方阵,若存在常数λ和非零n 维向量),,,(21n g g g g=,使得g g Aλ=(1) 则称,λ是矩阵A 的特征根(或特征值),非零向量g是矩阵A 关于特征根λ的特征向量。
1.2 特征根的求法由(1)得()00=-⇒=-g E A g g Aλλ,这是一个n 元一次线性齐次方程组,该方程组如果有非零解,则其充分必要条件为:系数行列式为零,即0=-E A λ(2)称(2)式为矩阵A 的特征方程,它是一个一元n 次方程,由线性代数基本定理知,该方程有且只有n 个根。
1.3 重量模型设n u u u ,,,21 为n 个物体,重量分别是n g g g ,,,21 。
但是,我们并不知道物体的重量,只知两两之间重量比的比值:j i ij g g a =设准则C 为比较重量,问题是:已知),1(n j i a ij ≤≤,在准则C 下对元素n u u u ,,,21 排序,也就是按其重量大小排序已知。
()⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛==⨯nn n n n n mn ij g g g g g g g g g g g g g g g g g g a A212221212111 对于以下三个特性: (1)0>ij a (2)jiij a a 1=(3)ik jk ij a a a =⋅()ija 显然满足(1)与(2),但是,(3)式通常不被满足(因为统计或构造这么完整的数据很难),满足(1)、(2)的矩阵A 为正互反矩阵;满足(1)、(2)并且(3)也成立时的矩阵A 称为一致性判断矩阵。
问题是:已知判断矩阵A,在准则C 下对n 个物体排序.即按重量大小排序.如果,jiij g g a =是,i g ,j g 是重量的精确值,此时(3)式必定成立,即A 是一致性判断矩阵。