MATLAB实现层次分析法：从数学建模到多准则决策实战

1. 项目概述：当数学建模遇上决策难题

在数学建模竞赛和实际的科研、管理决策中，我们常常面临一个核心挑战：如何将复杂问题中那些难以量化的因素，比如方案的“优劣”、指标的“重要性”，转化为可以计算、可以比较的数值？这不仅仅是计算问题，更是一个系统性的决策思维问题。层次分析法（Analytic Hierarchy Process, AHP）正是为解决这类问题而生的经典工具。它由运筹学家托马斯·塞蒂在20世纪70年代提出，其核心思想是将一个复杂的多目标决策问题分解为目标、准则、方案等层次，通过两两比较的方式，将人的主观判断进行量化，最终为决策提供依据。

而MATLAB，作为工程计算和算法实现的利器，其强大的矩阵运算能力和简洁的语法，使得实现AHP的整套计算流程变得异常高效和清晰。无论是计算判断矩阵、进行一致性检验，还是求解特征向量得到权重，MATLAB都能用几行代码轻松搞定。对于参加数学建模竞赛的同学，或是需要进行方案评估、风险分析的工程师和管理者来说，掌握“AHP+MATLAB”这套组合拳，意味着你拥有了一把将模糊判断转化为清晰决策的钥匙。它特别适合处理那些评价指标多、方案选择复杂、且决策带有一定主观性的问题，比如供应商选择、投资项目评估、城市规划方案比选等。

2. AHP核心原理与建模思路拆解

2.1 层次结构模型构建：化繁为简的艺术

AHP的第一步，也是决定整个分析质量的基础，就是构建层次结构模型。这个过程考验的是你对问题的解构和抽象能力。一个典型的AHP模型通常分为三个基本层次：

1. 目标层：位于最顶层，只有一个元素，即你最终要解决的问题或达到的目标。例如，“选择最优的供应商”、“评估某项目的综合风险”。
2. 准则层：位于中间层，包含了为实现总目标所涉及的所有中间环节，即评价准则或子目标。这些准则应该是相对独立且全面的。例如，选择供应商时，准则层可能包括“产品质量”、“交货周期”、“价格水平”、“售后服务”。
3. 方案层：位于最底层，列出了为实现目标可供选择的所有备选方案。例如，“供应商A”、“供应商B”、“供应商C”。

注意：准则层可以进一步细化，形成子准则层。关键在于，同一层次中的元素最好控制在9个以内，这是心理学研究表明的人进行两两比较时能够保持判断一致性的合理上限。如果准则过多，应考虑分组或建立更复杂的多层结构。

构建模型时，需要与领域专家或决策者充分沟通，确保准则的选取既无遗漏也无冗余。一个好的层次结构应该像一棵倒立的树，脉络清晰，逻辑自洽。

2.2 判断矩阵与标度理论：主观判断的量化基石

建立层次结构后，核心工作开始了：对每一层次中隶属于上一层次某个元素的元素，进行两两重要性比较。比如，在“选择最优供应商”这个目标下，比较准则层的“产品质量”和“价格水平”哪个更重要，重要多少。

这里就需要引入标度。AHP采用1-9标度法，将相对重要性的定性描述转化为具体的数字：

假设我们有三个准则：质量(C1)、价格(C2)、服务(C3)。决策者经过思考，认为：

• 质量比价格明显重要（标度5）
• 质量比服务稍微重要（标度3）
• 价格比服务介于同等和稍微重要之间（标度2）

根据这些判断和倒数规则，我们可以构建出一个判断矩阵A：

A = [1, 5, 3; 1/5, 1, 2; 1/3, 1/2, 1]

矩阵A中的元素a_ij就表示第i个准则相对于第j个准则的重要性。这个矩阵是后续所有计算的基础。

2.3 权重计算与一致性检验：从矩阵到可信结果

得到判断矩阵后，我们需要从中提取出各元素的权重向量。最常用的方法是特征值法。其原理是，对于一个完全一致的判断矩阵，其最大特征值λ_max等于矩阵的阶数n，对应的特征向量经过归一化后就是权重向量W。

但在实际中，人的判断很难做到完全一致。例如，如果你认为A比B重要3倍，B比C重要2倍，那么逻辑上A应该比C重要6倍。但如果你的判断中A比C是4倍，就产生了不一致。因此，我们必须进行一致性检验，以确保判断矩阵的可靠性。

检验步骤如下：

1. 计算最大特征值λ_max及其对应的特征向量。
2. 计算一致性指标CI：CI = (λ_max - n) / (n - 1)。CI值越小，说明一致性越好。
3. 查询平均随机一致性指标RI：这是一个与矩阵阶数n相关的经验值。
4. 计算一致性比率CR：CR = CI / RI。

一致性检验的黄金法则：当CR < 0.1时，我们认为判断矩阵的一致性是可以接受的。如果CR >= 0.1，则说明判断矩阵的逻辑矛盾过于严重，需要返回去重新调整两两比较的判断值。

实操心得：在数学建模比赛中，如果时间紧迫，遇到CR略大于0.1（如0.12）的情况，可以在论文中说明“经微调，判断矩阵满足一致性要求”，并给出调整后的矩阵。微调的原则通常是微调那个让你感觉“最不确定”的比较值。

3. MATLAB实现AHP全流程详解

3.1 判断矩阵的构建与输入技巧

在MATLAB中，我们可以直接以矩阵形式输入判断数据。清晰、易维护的代码风格至关重要。

%% 层次分析法(AHP)示例：选择最佳供应商 clear; clc; % 准则层判断矩阵 (相对于目标：选择最佳供应商) % 准则：1-质量，2-价格，3-服务 A = [1, 5, 3; 1/5, 1, 2; 1/3, 1/2, 1]; disp('准则层判断矩阵 A:'); disp(A);

对于更复杂的模型，比如方案层相对于不同准则的判断矩阵，我们可以使用元胞数组来组织，这样逻辑更清晰。

% 方案层判断矩阵 (相对于各个准则) % 假设有三个方案：S1, S2, S3 % 相对于“质量”准则的判断矩阵 B1 = [1, 4, 2; 1/4, 1, 1/2; 1/2, 2, 1]; % 相对于“价格”准则的判断矩阵 B2 = [1, 1/3, 1/5; 3, 1, 1/2; 5, 2, 1]; % 相对于“服务”准则的判断矩阵 B3 = [1, 3, 5; 1/3, 1, 2; 1/5, 1/2, 1]; % 将方案层判断矩阵存入元胞数组 B = {B1, B2, B3};

3.2 权重计算的MATLAB函数实现

我们可以编写一个通用的函数来计算权重并进行一致性检验。这里采用特征值法。

function [w, CR, lambda_max] = ahp_weight(A) % AHP权重计算及一致性检验函数 % 输入：A - 判断矩阵 % 输出：w - 归一化后的权重向量 % CR - 一致性比率 % lambda_max - 最大特征值 [n, ~] = size(A); % 计算最大特征值及对应的特征向量 [V, D] = eig(A); lambda = diag(D); [lambda_max, idx] = max(lambda); w_raw = V(:, idx); % 取出最大特征值对应的特征向量 % 将特征向量归一化得到权重向量w w = w_raw / sum(w_raw); % 一致性检验 CI = (lambda_max - n) / (n - 1); % 平均随机一致性指标RI (这里仅列出1-9阶，实际可用更多) RI_table = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46]; if n <= length(RI_table) RI = RI_table(n); else % 对于更高阶矩阵，可以采用近似公式或查更全的表 RI = 1.98 * (n - 2) / n; % 一种近似计算方式 end CR = CI / RI; % 输出结果 fprintf('最大特征值 lambda_max = %.4f\n', lambda_max); fprintf('一致性指标 CI = %.4f\n', CI); fprintf('一致性比率 CR = %.4f\n', CR); if CR < 0.1 fprintf('一致性检验通过 (CR < 0.1)\n'); else fprintf('警告：一致性检验未通过！请重新调整判断矩阵。\n'); end end

调用这个函数来计算准则层的权重：

% 计算准则层权重 [w_A, CR_A, lambda_A] = ahp_weight(A); fprintf('\n准则层权重向量:\n'); disp(w_A');

3.3 层次总排序与方案择优

计算出准则层权重和各准则下方案的权重后，最后一步就是进行层次总排序，计算每个方案相对于总目标的综合权重。

% 计算方案层相对于各准则的权重 num_criteria = length(w_A); % 准则数量 num_schemes = size(B{1}, 1); % 方案数量 W_B = zeros(num_schemes, num_criteria); % 用于存储方案层权重矩阵 for i = 1:num_criteria [w_temp, CR_temp, ~] = ahp_weight(B{i}); fprintf('\n对于准则%d，方案层判断矩阵的一致性比率 CR = %.4f\n', i, CR_temp); if CR_temp >= 0.1 fprintf(' 注意：该判断矩阵一致性不佳，可能影响最终结果。\n'); end W_B(:, i) = w_temp; % 第i列存储相对于第i个准则的方案权重 end disp('方案层相对于各准则的权重矩阵 W_B:'); disp(W_B); % 层次总排序：计算各方案的综合得分 total_score = W_B * w_A; % 矩阵乘法 fprintf('\n各方案的综合得分（层次总排序）：\n'); for i = 1:num_schemes fprintf(' 方案 S%d: %.4f\n', i, total_score(i)); end [~, best_idx] = max(total_score); fprintf('\n最佳方案是：S%d，综合得分为 %.4f\n', best_idx, total_score(best_idx));

这段代码清晰地展示了从底层权重聚合到顶层总目标得分的全过程。最终，综合得分最高的方案即为推荐方案。

4. 数学建模中的实战应用与技巧

4.1 赛题应用场景深度剖析

在数学建模竞赛中，AHP常用于解决评价类、决策类问题。近几年的赛题中，诸如“绿色建筑评价”、“城市宜居性分析”、“应急物资调度方案选择”、“光伏企业竞争力评估”等题目，其内核都是多指标综合评价问题，AHP大有用武之地。

应用模式通常有两种：

1. 独立使用：当问题的影响因素层次清晰，且主要依赖专家或问卷打分进行判断时，AHP可以作为核心模型。论文中需要详细阐述层次结构构建过程、判断矩阵的来源（如引用专家打分表或调查问卷统计结果），并展示完整的一致性检验过程。
2. 组合使用：AHP经常与其他方法联用，以弥补其纯主观性的不足。最常见的是与熵权法结合。
   • AHP主观赋权：体现决策者的经验和战略意图。
   • 熵权法客观赋权：基于各方案在各指标下实际数据的离散程度计算权重，数据差异越大，该指标权重越高。
   • 组合赋权：将主客观权重以一定比例（如各占50%）结合，得到综合权重。这样既考虑了主观偏好，又尊重了客观数据，使评价结果更全面、可信。在MATLAB中实现熵权法并与AHP权重结合，是论文中的一个重要加分点。

4.2 判断矩阵的数据来源与处理

判断矩阵的数据质量直接决定AHP结果的可靠性。在建模中，数据来源主要有：

• 专家咨询：邀请相关领域专家进行打分。这是最经典的方式，但成本高。
• 问卷调查：设计萨蒂标度问卷，向大量相关人员发放，回收后取平均值或中位数构建判断矩阵。这是竞赛中最常用的方法，需要在论文中说明问卷设计、发放与回收情况。
• 文献参考：引用已有研究中类似问题的成熟判断矩阵。
• 团队讨论：建模队员基于对赛题的理解，通过讨论达成一致。这时需要在论文中详细记录讨论和确定标度的逻辑，以体现建模过程。

避坑技巧：使用问卷调查时，经常会收到大量无效或矛盾严重的问卷。预处理时，可以计算每个受访者填写矩阵的CR值，剔除CR > 0.2的问卷，再用剩余有效问卷的数据计算平均标度。在MATLAB中，可以写一个循环来自动完成问卷数据的清洗和筛选。

4.3 MATLAB代码优化与可视化呈现

为了让你的论文和程序更出彩，可以考虑以下优化：

1. 批量处理与自动化：如果你的模型有多个层级或多个专家数据，手动调用函数很麻烦。可以编写一个主程序，自动读取所有判断矩阵数据（例如从Excel文件读取），循环计算权重并检验一致性，最后输出完整的层次总排序结果报告。

2. 结果可视化：干巴巴的数字不如图表直观。MATLAB可以轻松绘制权重条形图、层次结构图（虽然简单，但可以用注释清晰表示）、雷达图（展示各方案在不同准则下的表现）等。

% 示例：绘制准则权重与方案综合得分条形图 figure('Position', [100, 100, 1200, 500]); subplot(1,2,1); bar(w_A); set(gca, 'XTickLabel', {'质量', '价格', '服务'}); title('准则层权重分布'); ylabel('权重'); grid on; subplot(1,2,2); bar(total_score); set(gca, 'XTickLabel', {'方案S1', '方案S2', '方案S3'}); title('方案综合得分（层次总排序）'); ylabel('得分'); grid on;

3. 敏感性分析：这是体现模型稳健性的高级技巧。通过微调判断矩阵中的关键元素（比如你认为最重要的那个比较值），观察最终排序结果是否会发生逆转。如果权重发生微小变化就导致最优方案改变，说明你的决策基础不稳固，结论需要谨慎对待。在论文中加入敏感性分析部分，能极大提升模型的深度和说服力。

% 简单的敏感性分析示例：改变“质量vs价格”的重要性 original_a12 = A(1,2); sensitivity_factor = [0.8, 1.0, 1.2]; % 分别将原重要性打8折、不变、1.2倍 results = zeros(length(sensitivity_factor), num_schemes); for k = 1:length(sensitivity_factor) A_test = A; A_test(1,2) = original_a12 * sensitivity_factor(k); A_test(2,1) = 1 / A_test(1,2); % 同步修改倒数元素 w_A_test = ahp_weight(A_test); % 假设方案层权重不变，计算新总得分 total_score_test = W_B * w_A_test; results(k, :) = total_score_test'; end % 可以绘制敏感性分析曲线，观察不同参数下各方案得分变化趋势

5. 常见问题、误区与排查实录

即使理解了原理，在实际操作中还是会遇到各种问题。下面是我在多次使用和教学中总结的“坑点”实录。

5.1 一致性检验始终无法通过怎么办？

这是新手最常见的问题。如果CR值远大于0.1，可以按以下步骤排查和解决：

1. 检查矩阵输入错误：首先，最基础的，仔细核对判断矩阵是否满足正互反矩阵的性质：对角线元素是否为1？a_ij和a_ji是否互为倒数？我见过不少同学因为输入了5却忘了输入1/5而导致计算异常。
2. 回顾判断逻辑：请判断者重新审视自己的打分。一个常用的方法是，让判断者先对所有元素进行粗略排序，再从最重要的元素开始，依次与其他元素比较。逻辑上，如果A>B, B>C，那么A>C的重要性至少不应低于前两者中较小的那个。
3. 使用“自动修正”功能（谨慎使用）：有一些学术论文提出了判断矩阵自动修正算法，旨在以最小修改量使矩阵满足一致性。你可以搜索并实现相关算法（如基于特征向量的修正法）。但在数学建模论文中，如果使用这种方法，必须详细说明原理，并强调这只是在辅助决策者理清逻辑，最终修正值仍需得到决策者确认。
4. 降低矩阵阶数：如果准则超过7个，判断难度会指数级上升，极易不一致。考虑是否可以对准则进行聚类，先构建高一层的准则，形成更多层次但每层元素更少的模型。

5.2 权重计算结果出现负值或异常怎么办？

理论上，对于正互反矩阵，其最大特征值对应的特征向量（即权重向量）所有元素应为正数。如果出现负数或零，几乎可以肯定是程序bug或数据问题。

1. 特征值求解函数选择：MATLAB的eig函数在求解特征值时，对于接近奇异的矩阵或特征值非常接近时，数值计算可能会产生微小误差，但一般不会导致符号错误。确保你取的是实部最大的特征值对应的特征向量。可以使用[V, D] = eig(A);后，用max(diag(D))定位，并取对应的整列特征向量。
2. 数据检查：检查判断矩阵中是否有极端值，比如一个元素标度为9，而与之比较的另一个元素标度也是9（未取倒数），这会导致矩阵严重病态。
3. 使用和积法或方根法作为备选：特征值法是理论最完备的，但有时为了计算简便或教学，也常用近似算法。你可以用这些方法计算对比，验证结果。
   • 和积法：将判断矩阵每一列归一化，再将归一化后的矩阵按行求和，最后对行和向量进行归一化得到权重。
   • 方根法：将判断矩阵每一行元素相乘开n次方，得到方根向量，再对该向量归一化得到权重。 在MATLAB中实现这些方法作为验证，可以增加结果的可信度。

5.3 如何向论文评审专家优雅地展示AHP过程？

在数学建模论文中，不能只贴代码和结果。你需要清晰地讲述一个“故事”：

1. 层次结构图：用Visio、PPT甚至Word绘图工具画一个清晰的层次结构图，放在模型建立部分。
2. 判断矩阵表格：以三线表的形式展示关键判断矩阵，特别是准则层矩阵。标注数据来源（如“依据专家问卷调查结果取算术平均得到”）。
3. 一致性检验结果表：制作一个表格，列出每个判断矩阵的λ_max, CI, RI, CR值，并用星号(*)或加粗标注出通过检验(CR<0.1)的矩阵。
4. 权重汇总表：将准则权重、各准则下方案权重、方案总排序权重汇总在一张表中，一目了然。
5. 核心代码片段：在附录中提供完整的MATLAB代码，在正文中可摘取最关键的计算权重和总排序的代码片段（10行以内），并加以解释。
6. 讨论与扩展：一定要在模型评价部分讨论AHP的优缺点。优点：系统性、简洁实用、所需定量数据少。缺点：主观性强、指标过多时权重难以确定、特征值和特征向量的精确计算复杂。然后，简要提及你为了克服缺点所做的努力，比如进行了敏感性分析、或与熵权法结合。

最后，我个人在带学生和实际项目中最深的体会是：AHP的精髓不在于复杂的计算，而在于层次分解和两两比较这个思考过程本身。它强迫决策者系统地梳理影响因素，并仔细权衡它们之间的相对关系。MATLAB则像一把锋利的剑，把这个思考过程的结果快速、准确地转化为决策依据。当你拿到一个复杂的评价问题时，不妨先别急着找数据、跑算法，而是拿起纸笔，画一画层次图，和队友讨论一下“你觉得A和B到底哪个更重要，为什么？”——这个讨论的过程，往往比最终的那个得分数字更有价值。