基于权重的AHP判断矩阵一致性调整方法

耿正霖; 吴佳妮; 程兴华; 包长春; GENG Zhenglin; WU Jiani; CHENG Xinghua; BAO Changchun

基于权重的AHP判断矩阵一致性调整方法

doi: 10.11887/j.cn.202401019

耿正霖，吴佳妮，程兴华，包长春

国防科技大学气象海洋学院, 湖南长沙 410073

基金项目: 国家自然科学基金资助项目（61702531）

详细信息

作者简介

耿正霖（1988—），男，云南昆明人，讲师，博士，E-mail: oliver8812@163.com.cn

通讯作者

包长春（1979—），男，吉林镇赉人，副教授，博士，E-mail: baochangchun1979@163.com

中图分类号: C934

文献标识码: A

文章编号: 1001-2486(2024)01-179-08

Consistency adjustment method for pairwise comparison matrix in analytic hierarchy process based on weights

GENG Zhenglin ， WU Jiani ， CHENG Xinghua ， BAO Changchun

College of Meteorology and Oceanography, National University of Defense Technology, Changsha 410073 , China

摘要

传统的判断矩阵调整方法计算得到的权重不能最大限度地保留原始判断矩阵的信息。为此，提出一种基于权重的判断矩阵调整方法。该方法根据权重的性质，构造完全一致矩阵，利用AdaGrad最速下降法对矩阵进行拟合，使该矩阵相对于原始判断矩阵的总改变量最小，以其对应的权重作为矩阵的计算结果。数值计算结果表明，该方法相比于其他方法，权重对原始判断信息的保留度更高，且不需要反复进行矩阵一致性检验。

关键词

层次分析法 / 判断矩阵 / 一致性调整 / AdaGrad

Abstract

Calculated weights by traditional PCM(pairwise comparison matrix) adjustment methods can′t retain the information of the original PCM to the maximum extent. Therefore, a method for PCM modulation based on the weights was proposed. The method constructed a completely consistent matrix according to the properties of weights, and the matrix was fitted by the AdaGrad method, so as to minimize the total change of the matrix relative to the original PCM. Corresponding weights was taken as the calculation result of the matrix. Numerical results show that this method can significantly improve the retention of original PCM information compared with other methods and does not require repeated consistency checking.

Keywords

analytic hierarchy process / pairwise comparison matrix / consistency adjustment / AdaGrad

1 问题描述 2 算法步骤 2.1 优化目标 2.2 梯度计算 2.3 数据更新 2.4 迭代计算 2.5 权重计算 3 算例分析 3.1 算例1 3.1.1 文献^[20]方法 3.1.2 文献^[11]方法 3.1.3 文献^[13]方法 3.1.4 本文方法 3.2 算例2 3.2.1 基本回路法^[17] 3.2.2 边界优化法^[13] 3.2.3 本文方法 4 结论

层次分析法^[1]（analytic hierarchy process，AHP）是一种综合定性与定量分析的多指标、多准则的综合评价方法，为定量分析定性事件提供了一种有效的技术手段，在经济、社会、管理、军事等诸多领域得到了广泛应用^[2-8]。其基本原理是由决策者（decision maker，DM）对不同指标进行两两比较，构建一个判断矩阵（pairwise comparison matrix，PCM），通过判断矩阵进行分析得出不同指标的权重^[1]。判断矩阵描述了决策者对不同比较因素的判决，但该判断通常有主观性，可能出现前后不一致的情况，即构造出来的判断矩阵可能不满足一致性要求^[9-10]，导致计算出的权重难以保证决策的可靠性。因此，计算权重前通常需对判断矩阵进行一致性检测和元素值调整与修正，减小主观不一致对决策造成的影响。

目前，对判断矩阵进行修正，通常考虑两点：①使得改进后的判断矩阵满足一致性要求；②尽量保证对原始判断矩阵的修改不违背决策者的初衷。也就是在保证判断矩阵满足一致性要求的前提下，调整判断矩阵的元素值，使得调整后的判断矩阵与原始判断矩阵的差异程度最小^[11]。这里所说的判断矩阵满足一致性要求，通常是指判断矩阵的一致性系数（consistency ratio，CR）小于0.1^[1]，该评判标准已广泛用于AHP一致性评价中。而矩阵调整程度可采用不同的指标进行衡量^[11]，例如判断矩阵各元素总的变化量^[12]、判断矩阵各元素调整最大值^[11，13]、判断矩阵调整元素个数^[14]、判断矩阵元素调整比例^[15-16]等。这些方法均以CR满足一致性要求为目标，通过不同评价指标对应算法进行判断矩阵的调整，直至判断矩阵满足一致性要求。

但是，目前对判断矩阵信息保留程度的评价标准都是从判断矩阵出发，以判断矩阵调整前后的变化量衡量对原判断信息的保留程度，却没有考虑调整后判断矩阵残留的不一致性（CR≠0）对最终权重计算结果的影响。因为当CR≠0时，矩阵的逻辑不一致性^[17]可能并未完全消除，会导致计算权重时判断矩阵还存在逻辑矛盾，而且矩阵的数值不一致性也会对权重计算产生影响。两者都会使得权重所表述的各因素之间关系与原始判断产生偏离，也就是说，目前的方法并不能完全衡量最终判断结果（权重）对原始判断矩阵的保留程度。

因此，本文从判断结果出发，提出一种基于计算权重的AHP一致性调整方法，以最终计算权重对应的完全一致矩阵与原始判断矩阵差异最小为优化目标，进行判断矩阵调整，使权重能最大程度保留原始判断信息。

1 问题描述

通常，层次分析法的应用过程如图1所示。

图1层次分析法应用过程

Fig.1Process of AHP application

首先，决策者给出原始判断矩阵A，将A作为矩阵调整的初始值赋值给C，若C满足一致性要求（CR＜0.1），则直接用C计算权重w；若C不满足一致性要求，则通过相应的准则进行矩阵调整，直至C满足一致性要求（CR＜0.1），再根据矩阵C计算对应的权重w，以进行不同因素的重要性加权。

目前，大多文献关注的是矩阵调整前后的变化量X（X=C-A），以矩阵调整量的相应数据作为信息保留程度的衡量标准。但从层次分析法的应用看，最终目的是计算权重w，要使结果尽量保留决策者的判断，应该使最终计算得到的权重w所表示的元素之间的重要性关系能尽可能保留原始判断矩阵的信息，而不是调整后的矩阵C尽可能保留原始判断矩阵的信息。

权重w可以视为是根据判断矩阵所有元素得出的综合判决的结果，包含了各因素之间的重要性判断，其对应一个完全一致的矩阵B（B满足条件：对于任意的i，j，k，有b_i_，_j=b_i_，_kb_k_，_j^[18]），可以描述各因素两两之间的相对重要性。用完全一致矩阵B与原始判断矩阵A的差异来衡量判断矩阵元素调整对原始决策信息的保留程度更为合理。层次分析法过程中涉及的变量关系如图2所示。

图2矩阵相互关系示意图

Fig.2Schematic diagram of matrix interrelationships

在实际情况下，矩阵元素调整通常不能完全消除不一致性（CR≠0），此时，计算得到的权重所对应的完全一致矩阵B与用于计算权重的判断矩阵C存在差异，用矩阵Y表示（Y=B-C），该矩阵等效于将判断矩阵C进行调整得到一个完全一致矩阵B所进行的调整量。那么，权重所对应的完全一致矩阵B与原始判断矩阵存在的差异为矩阵X和Y的叠加，用矩阵Z表示，即Z=B-A。

可以看出，矩阵X是调整后的判断矩阵C相对于原始判断矩阵的改变量，而矩阵Z才是最终判断结果相对于原始判断矩阵的改变量。所以，通过矩阵Z更能衡量出判断结果即权重w对原始判断矩阵的改变程度或保留程度。因此，本文以矩阵Z各元素的平方和作为矩阵改变量的衡量标准，以其最小值为优化目标进行矩阵B的求解。

m i n \sum_{i = 1}^{N} \sum_{j = 1}^{N} z_{i, j}^{2} = m i n \sum_{i = 1}^{N} \sum_{j = 1}^{N} {(a_{i, j} - b_{i, j})}^{2}

(1)

式中，N为元素个数。

此时，权重求解过程转化为求解一个完全一致矩阵，使其与原始判断矩阵差异最小的过程。这个完全一致矩阵与权重一一对应，求出矩阵就对应得到权重。权重w和完全一致矩阵B对应关系如下：

1）设w=[w₁，w₂，···，w_N]^T，则B可以由式（2）计算得到。

b_{i, j} = \frac{w_{i}}{w_{j}} i = 1,2, \dots, N; j = 1,2, \dots, N

(2)

2）若已知完全一致矩阵B，则对其任意列进行归一化即可得到权重w。

(3)

从上述分析可知，本文目标就是通过矩阵元素调整，构造一个完全一致矩阵，使其相对于原始矩阵的改变量最小。

2 算法步骤

假设原始判断矩阵为A，表示为：

A = [\begin{matrix} a_{1,1} & a_{1,2} & \dots & a_{1, N} \\ a_{2,1} & a_{2,2} & \dots & a_{2, N} \\ ⋮ & ⋮ & ⋮ \\ a_{N, 1} & a_{N, 2} & \dots & a_{N, N} \end{matrix}]

(4)

本文目的是求得一个完全一致矩阵B，使得A与B的差异最小，而B的任意列进行归一化后作为该判断矩阵计算得到的权重。这一过程也可以理解为一个带约束条件的优化问题：在保证最终结果为完全一致矩阵的条件下，使求得的矩阵与原始判断矩阵的差异程度最小。

显然，对于一个完全一致矩阵B，其秩为1，行列间相关，仅有N-1个独立的变量，只要确定N-1个独立的变量的值就能确定整个矩阵。不失一般性，可假设N-1个独立的变量为b_m_，_m₊₁，其中1≤m≤N-1，则矩阵其他元素都可由这N-1个元素计算得到。矩阵B可依据式（5）构造：

(5)

只要改变b_m_，_m₊₁的值，就能在矩阵完全一致特性不变条件下，实现矩阵调整，从而与矩阵A进行拟合，得到改变量最小条件下的B，作为调整后的矩阵。也就是求b_m_，_m₊₁（1≤m≤N-1），使得矩阵改变量

\sum_{i = 1}^{N} \sum_{j = 1}^{N} {(a_{i ， j} - b_{i ， j})}^{2}

最小，即：

m i n \sum_{i = 1}^{N} \sum_{j = 1}^{N} {(a_{i, j} - b_{i, j})}^{2}

(6)

因为a_i_，_i=b_i_，_i=1，式（6）等效于：

m i n \sum_{i = 1}^{N} \sum_{j = 1, j \neq i}^{N} {(a_{i, j} - b_{i, j})}^{2}

(7)

要得到使得式（7）最小的b_m_，_m₊₁（1≤m≤N-1），最简单的方式是通过在一定范围内遍历b_m_，_m₊₁的取值，但该方法计算量较大，特别是当N较大时，若每个维度遍历数为M，总的遍历数量为M^N^-1。基于此原因，利用梯度最速下降法进行最优值的求解，主要步骤如下。

2.1 优化目标

根据上述分析，令b=[b_1，2，b_2，3，···，b_N_-1，_N]^T，设

p = f （ b ） = f (b_{1，2} ， b_{2，3} ， \dots ， b_{N - 1 ， N}) = \sum_{i = 1}^{N} \sum_{j = 1}^{N} (a_{i ， j} - {b_{i ， j})}^{2}

，则最终目标即为求p=f（b）在取值范围内的最小值。

2.2 梯度计算

计算p=f（b）的梯度，上式可以写为：

\begin{matrix} p = f (b) = \sum_{i = 1}^{N} \sum_{j = 1, j \neq i}^{N} {(a_{i, j} - b_{i, j})}^{2} \\ = \sum_{i = 1}^{N - 1} \sum_{j = i + 1}^{N} [{(a_{i, j} - b_{i, j})}^{2} + {(\frac{1}{a_{i, j}} - \frac{1}{b_{i, j}})}^{2}] \end{matrix}

(8)

其中，b_i_，_j对b_n_，_n₊₁（1≤n≤N-1）求导得：

(9)

那么，计算得到1/b_i_，_j对b_n_，_n₊₁（1≤n≤N-1）求导的结果：

(10)

则可计算出p对b_n_，_n₊₁（1≤n≤N-1）的导数：

\begin{matrix} \frac{\partial p}{\partial b_{n, n + 1}} = \sum_{i = 1}^{N - 1} \sum_{j = i + 1}^{N} [2 (a_{i, j} - b_{i, j}) (- 1) \frac{\partial b_{i, j}}{\partial b_{n, n + 1}} + \\ 2 (\frac{1}{a_{i, j}} - \frac{1}{b_{i, j}}) \frac{1}{b_{i, j}^{2}} \frac{\partial b_{i, j}}{\partial b_{n, n + 1}}] \\ = \sum_{i = 1}^{N - 1} \sum_{j = i + 1}^{N} \{[2 (\frac{1}{a_{i, j}} - \frac{1}{b_{i, j}}) \frac{1}{b_{i, j}^{2}} - \\ 2 (a_{i, j} - b_{i, j})] \frac{\partial b_{i, j}}{\partial b_{n, n + 1}}\} \end{matrix}

(11)

那么，可根据式（11），求得p的梯度：

\nabla = {[\frac{\partial p}{\partial b_{1,2}}, \frac{\partial p}{\partial b_{2,3}}, \dots, \frac{\partial p}{\partial b_{N, N - 1}}]}^{T}

(12)

2.3 数据更新

传统梯度下降法对每一个参数的学习率是相同的，但实际中，不同参数的重要性不同，因此本文采用自适应梯度算法^[19]（adaptive gradient algorithm，AdaGrad）进行数据更新，对不同参数采用不同的学习率，使目标函数能更快收敛。

设梯度累计量为r，k表示迭代次数，k≥1，初始化r^（0）=0，累计量的更新公式如下：

r^{(k)} = r^{(k - 1)} + H (\nabla^{(k)}, \nabla^{(k)})

(13)

式中，

H (\nabla^{（ k ）} ， \nabla^{（ k ）})

表示

\nabla^{（ k ）}

和自身的Hadamard乘积。梯度的更新公式如下：

b^{(k)} = b^{(k - 1)} - H (\frac{γ}{δ + \sqrt{r^{(k)}}}, \nabla^{(k)})

(14)

式中：γ为学习率；δ为一个极小量，避免分母为0。因为原始判断矩阵元素在[1/9，9]内分布，b初值各个元素也在[1/9，9]内分布，为避免调整量过大，可控制γ大小使得最大调整量在一定的范围内。

可以看出，AdaGrad算法第一次调整值约为学习率，如果学习率超过了初值或者很接近初值，会导致调整后的元素接近于0，其对应的倒数值会很大，使得结果不收敛或者收敛到错误结果。故初值和学习率的选择原则为：

1）采用原始判断矩阵的次对角阵元素为初值；在无其他信息时，原始判断矩阵具有较高的参考价值。

2）学习率的选择，可根据初值元素中的最小值设定，为避免调整后特别是首次调整后矩阵元素接近0，设置学习率为最小元素值的1/2。

2.4 迭代计算

计算b^（^k^）对应的p^（^k^），当

|p^{（ k ）} - p^{（ k - 1 ）}| < ε

停止迭代，其中ε为一个很小的正数。假设此时迭代次数为K，以此时的b^（^K^）作为b的最终解。

2.5 权重计算

得到最终的b后，根据式（5）构建完全一致矩阵B，根据其任意列可以计算得到对应的权重w。以矩阵B的第1列为例，其值为

{[1，1 / b_{1，2} ， 1 / \prod_{m = 1}^{2} b_{m ， m + 1} ， \dots ， 1 / \prod_{m = 1}^{N - 1} b_{m ， m + 1}]}^{T}

，将其进行归一化，即得到权重w。

w = \frac{{[1,1 / b_{1,2}, 1 / \prod_{m = 1}^{2} b_{m, m + 1}, \dots, 1 / \prod_{m = 1}^{N - 1} b_{m, m + 1}]}^{T}}{\sum_{j = 2}^{N} (1 / \prod_{m = 1}^{j - 1} b_{m, m + 1}) + 1}

(15)

通过上述方法，可以根据梯度大小自动调整变化量的大小和方向，加快矩阵调整速率，使得b较快收敛到最小值点，得到改变量较小的矩阵B，同时得到对应的权重w。

3 算例分析

利用MATLAB对上述算法进行验证分析，并与其他几种参考算法进行比较。计算经典算例下本文所述的完全一致矩阵改变量大小，以此衡量算法的性能。传统算法通常只计算得到一个满足一致性条件的判断矩阵，进而计算权重；本文利用权重计算其对应的完全一致矩阵，将其与原始判断矩阵进行比较。进行比较的算法如表1所示。

表1主要比较算法

Tab.1 Main compared algorithms

3.1 算例1

文献^[20]、文献^[11]和文献^[13]均通过算例1进行算法性能的比较，其初始判断矩阵为：

A_{1} = [\begin{matrix} 1 & 2 & 5 / 2 & 5 \\ 1 / 2 & 1 & 9 & 2 \\ 2 / 5 & 1 / 9 & 1 & 1 / 2 \\ 1 / 5 & 1 / 2 & 2 & 1 \end{matrix}]

3.1.1 文献^[20]方法

文献^[20]所述方法得到的调整后的判断矩阵为：

C_{1} = [\begin{matrix} 1 & 2 & 5 / 2 & 5 \\ 1 / 2 & 1 & 2 & 2 \\ 2 / 5 & 1 / 9 & 1 & 1 / 2 \\ 1 / 5 & 1 / 2 & 2 & 1 \end{matrix}]

计算得到权重及对应的完全一致矩阵为：

\begin{matrix} w_{1} = {[\begin{matrix} 0.4838 & 0.2464 & 0.1230 & 0.1469 \end{matrix}]}^{T} \\ B_{1} = [\begin{matrix} 1.0000 & 1.9635 & 3.9333 & 3.2934 \\ 0.5093 & 1.0000 & 2.0033 & 1.6773 \\ 0.2542 & 0.4992 & 1.0000 & 0.8373 \\ 0.3036 & 0.5962 & 1.1943 & 1.0000 \end{matrix}] \end{matrix}

将其与原始判断矩阵进行比较，总的改变量为54.981 7，最大改变量为6.996 7（a_2，3）。

3.1.2 文献^[11]方法

采用文献^[11]所述方法得到的调整后的判断矩阵为：

计算得到权重及对应的完全一致矩阵为：

\begin{matrix} w_{2} = {[\begin{matrix} 0.4373 & 0.3661 & 0.0740 & 0.1226 \end{matrix}]}^{T} \\ B_{2} = [\begin{matrix} 1.0000 & 1.1945 & 5.9095 & 3.5669 \\ 0.8373 & 1.0000 & 4.9473 & 2.9861 \\ 0.1692 & 0.2021 & 1.0000 & 0.6036 \\ 0.2804 & 0.3349 & 1.6568 & 1.0000 \end{matrix}] \end{matrix}

将其与原始判断矩阵进行比较，总的改变量为32.061 5，最大改变量为4.052 7（a_2，3）。

3.1.3 文献^[13]方法

采用文献^[13]得到调整后的判断矩阵为：

计算得到权重及对应的完全一致矩阵为：

\begin{matrix} w_{3} = {[\begin{matrix} 0.4246 & 0.3778 & 0.0806 & 0.1169 \end{matrix}]}^{T} \\ B_{3} = [\begin{matrix} 1.0000 & 1.1239 & 5.2680 & 3.6322 \\ 0.8898 & 1.0000 & 4.6873 & 3.2318 \\ 0.1898 & 0.2133 & 1.0000 & 0.6895 \\ 0.2753 & 0.3094 & 1.4504 & 1.0000 \end{matrix}] \end{matrix}

将其与原始判断矩阵进行比较，总的改变量为31.003 3，最大改变量为4.312 7（a_2，3）。

3.1.4 本文方法

设小常数δ为10^-7，循环停止条件ε为10^-5，本文方法不同条件计算得到的结果如表2所示。

表2算例1本文方法计算结果

Tab.2 Calculation results of the example1 by the proposed method

从表2中结果看，不同的初值对最终的结果影响较小；随着学习率的下降，迭代次数增加。其总的矩阵改变量相比其他方法显著减小，最大改变量为a_1，4。这里以表中条件1（起始值为原始判断矩阵次对角元素，γ=0.25）和条件4（起始值为全1矩阵，γ=0.25）的结果进行分析，其余条件下计算结果与之相似。

第1种条件下，对应完全一致矩阵为：

计算得到权重为：

参数收敛情况如图3所示。

图3条件1参数收敛情况

Fig.3Convergence of parameters in case1

第4种条件下，对应完全一致矩阵为：

计算得到权重为：

参数收敛情况如图4所示。

图4条件4参数收敛情况

Fig.4Convergence of parameters in case4

取不同起始值时权重差值为：

可以看出，不同的起始值条件下，随着迭代计算，b逐渐收敛到最终结果，两种情况下最终得到的权重差异很小。但采用全1列向量作为初始值时，其与收敛结果的差距较大，迭代次数较多。

3.2 算例2

以参考文献^[13]和文献^[17]采用的算例进行算法的比较。原始判断矩阵为A₂。下面对几种典型方法的计算结果进行比较。

3.2.1 基本回路法^[17]

根据文献^[17]，采用基本回路法对判断矩阵进行修改，得到修改后的矩阵为C₅，该矩阵的CR=0.082 2，满足一致性要求，矩阵总的改变量为34.642 9，最大改变量为5.537 4（a_3，7）；利用此矩阵，计算得到权重，再得到对应的完全一致矩阵B₅，将其与原始判断矩阵进行比较，总的改变量为224.428 1，最大改变量为9.854 7（a_8，4）。

3.2.2 边界优化法^[13]

采用边界优化法进行修改后的矩阵为C₆，此时，矩阵的CR=0.099 8，满足一致性要求，总的改变量为13.103 8，最大改变量为0.718 6（a_8，2）；虽然矩阵的改变量很小，但此时的CR是相对较大的，说明此矩阵存在较大的不一致性，即判断存在一定的矛盾，以此得出的权重可靠性不高。此外还可以看出，调整后a_3，7逻辑不一致并未改善。以此矩阵计算权重，得到其对应的等效完全一致矩阵B₆，相对于原始判断矩阵，总的改变量为242.358 5，最大改变量为10.228 7（a_8，4）。

3.2.3 本文方法

本文计算了不同参数条件下本文方法的计算结果，得到对应的迭代次数、矩阵改变量以及完全一致矩阵。其中设小常数δ为10^-7，循环停止条件ε为10^-5。结果如表3所示。

不同条件下计算结果近似，仅迭代次数随学习率的减小而增加，这里取条件1（起始值为原始判断矩阵次对角元素，γ=0.100）和条件4（起始值为全1矩阵，γ=0.100）的结果进行分析，其余条件下的结果不再赘述。

条件1下，计算得到的完全一致矩阵如下B_7，1所示；条件4下，计算得到的完全一致矩阵如下B_7，2所示。

表3算例2本文方法计算结果

Tab.3 Calculation results of the example 2 by the proposed method

可以看出，选择不同的迭代初值，对最终收敛结果影响较小，以等效完全一致矩阵的改变量为衡量标准，用本文方法计算得到的矩阵总的改变量约为92，最大改变量约为5.3，远小于基本回路法和边界优化法的结果，可见本文方法更能保留原矩阵的信息。

4 结论

本方法通过权重构建一个完全一致矩阵，将其与初始判断矩阵进行拟合，采用梯度下降法求得矩阵调整量最小的完全一致矩阵，最大程度保留了原始判断矩阵信息。该方法在限定最终得到的矩阵为完全一致矩阵的条件下进行，得到的结果同时满足逻辑一致性和数值一致性。而且在计算过程中，不需要反复检验判断矩阵是否满足一致性要求，计算更为便捷。

图1层次分析法应用过程

Fig.1Process of AHP application

下载: 全尺寸图片

图2矩阵相互关系示意图

Fig.2Schematic diagram of matrix interrelationships

下载: 全尺寸图片

图3条件1参数收敛情况

Fig.3Convergence of parameters in case1

下载: 全尺寸图片

图4条件4参数收敛情况

Fig.4Convergence of parameters in case4

下载: 全尺寸图片

表1主要比较算法

下载: 全尺寸图片

表2算例1本文方法计算结果

下载: 全尺寸图片

表3算例2本文方法计算结果

下载: 全尺寸图片

图1层次分析法应用过程

Fig.1Process of AHP application

图2矩阵相互关系示意图

Fig.2Schematic diagram of matrix interrelationships

图3条件1参数收敛情况

Fig.3Convergence of parameters in case1

图4条件4参数收敛情况

Fig.4Convergence of parameters in case4

表1主要比较算法

表2算例1本文方法计算结果

表3算例2本文方法计算结果

图1层次分析法应用过程

Fig.1Process of AHP application

图2矩阵相互关系示意图

Fig.2Schematic diagram of matrix interrelationships

图3条件1参数收敛情况

Fig.3Convergence of parameters in case1

图4条件4参数收敛情况

Fig.4Convergence of parameters in case4

表1主要比较算法

表2算例1本文方法计算结果

表3算例2本文方法计算结果

SAATY T L. The analytic hierarchy process:planning,setting priorities,resource allocation[M]. New York: McGraw-Hill International Book Co.,1980.

申佳美, 王拥兵. 层次分析法在智慧农业信息化技术的应用[J]. 哈尔滨商业大学学报(自然科学版),2019,35(4):436-438,457. SHEN J M, WANG Y B. Application of analytic hierarchy process in intelligent agricultural information technology[J]. Journal of Harbin University of Commerce(Natural Sciences Edition),2019,35(4):436-438,457.(in Chinese)

SRDJEVIC B. Linking analytic hierarchy process and social choice methods to support group decision-making in water management[J]. Decision Support Systems,2007,42(4):2261-2273.

AHMAD S, TAHAR R M. Selection of renewable energy sources for sustainable development of electricity generation system using analytic hierarchy process:a case of Malaysia[J]. Renewable Energy,2014,63:458-466.

刘帅, 王瑞, 张宏江, 等. 装甲装备在沙漠环境下的适用性评估技术[J]. 火力与指挥控制,2021,46(10):164-169,176. LIU S, WANG R, ZHANG H J,et al. Study on applicability evaluation technology of armored equipment in desert environment[J]. Fire Control & Command Control,2021,46(10):164-169,176.(in Chinese)

赵倩, 邓咏梅. 基于层次分析法的三维人体扫描仪的选择[J]. 纺织学报,2021,42(4):155-161. ZHAO Q, DENG Y M. Selection of three-dimensional body scanner based on analytic hierarchy process[J]. Journal of Textile Research,2021,42(4):155-161.(in Chinese)

路永鑫, 魏云冰, 赵启承, 等. 基于层次分析法和改进A*算法的电力应急机器人路径规划[J]. 电力系统保护与控制,2021,49(9):82-89. LU Y X, WEI Y B, ZHAO Q C,et al. Path planning of a power emergency robot based on an analytic hierarchy process and improved A* algorithm[J]. Power System Protection and Control,2021,49(9):82-89.(in Chinese)

GOVINDAN K, KALIYAN M, KANNAN D,et al. Barriers analysis for green supply chain management implementation in Indian industries using analytic hierarchy process[J]. International Journal of Production Economics,2014,147:555-568.

TSENG T Y, LIN S W, HUANG C L,et al. Inconsistency adjustment in the AHP using the complete transitivity convergence algorithm[C]//Proceedings of IEEE International Conference on Systems, Man and Cybernetics,2006.

PONIS S T, GAYIALIS S P, TATSIOPOULOS I P,et al. An application of AHP in the development process of a supply chain reference model focusing on demand variability[J]. Operational Research,2015,15(3):337-357.

吴诗辉, 刘晓东, 贾月岭, 等. 一种调整AHP不一致判断矩阵的优化方法[J]. 控制与决策,2016,31(11):2106-2112. WU S H, LIU X D, JIA Y L,et al. Optimization method to improve inconsistent comparison matrix in analytic hierarchy process[J]. Control and Decision,2016,31(11):2106-2112.(in Chinese)

XU Z S, WEI C P. A consistency improving method in the analytic hierarchy process[J]. European Journal of Operational Research,1999,116(2):443-449.

WU S H, XIE J, LIU X D,et al. Marginal optimization method to improve the inconsistent comparison matrix in the analytic hierarchy process[J]. Journal of Systems Engineering and Electronics,2017,28(6):1141-1151.

叶跃祥, 糜仲春, 王宏宇, 等. AHP判断矩阵一致性调整的前瞻算法[J]. 系统工程,2006,24(10):117-121. YE Y X, MI Z C, WANG H Y,et al. A foresight method of consistency regulation for AHP judgment matrix[J]. Systems Engineering,2006,24(10):117-121.(in Chinese)

李伟, 张明生, 陈德强. 基于AHP判断矩阵一致性调整的一种新方法[J]. 海南热带海洋学院学报,2019,26(2):67-72. LI W, ZHANG M S, CHEN D Q. A new method for consistency adjustment based on AHP judgment matrix[J]. Journal of Hainan Tropical Ocean University,2019,26(2):67-72.(in Chinese)

江正华. AHP中正互反判断矩阵一致性调整的新方法[J]. 南京大学学报(数学半年刊),2013,30(2):224-237. JIANG Z H. A new consistency regulating method of judgment matrix in AHP[J]. Journal of Nanjing University(Mathematical Biquarterly),2013,30(2):224-237.(in Chinese)

解江, 吴诗辉. 基于基本回路修正的AHP一致性调整方法研究[J]. 运筹与管理,2020,29(4):147-157. XIE J, WU S H. Research on consistency modification method for AHP decision making based on basic loops analysis[J]. Operations Research and Management Science,2020,29(4):147-157.(in Chinese)

朱建军. 层次分析法的若干问题研究及应用[D]. 沈阳: 东北大学,2005. ZHU J J. Research on some problems of the analytic hierarchy process and its application[D]. Shenyang: Northeastern University,2005.(in Chinese)

DUCHI J C, HAZAN E, SINGER Y. Adaptive subgradient methods for online learning and stochastic optimization[J]. Journal of Machine Learning Research,2011,12:2121-2159.

郭竹梅. AHP中判断矩阵一致性改进的一种新方法[J]. 齐齐哈尔大学学报(自然科学版),2010,26(6):84-86. GUO Z M. A new method for improving the consistency of the judgement matrix in AHP[J]. Journal of Qiqihar University(Natural Science Edition),2010,26(6):84-86.(in Chinese)

首页

期刊介绍

投稿指南

编委会

出版声明

开放获取声明

联系我们

期刊订阅

Rss

English

AI检索

1 问题描述

2 算法步骤

3 算例分析

4 结论