简介AHP分析法..docVIP

简介AHP层次分析法 By Misoo团队AHPDoDAF小组 July 2006 1. 何谓AHP呢? 层次分析法((Analytical Hierarchy Process, 简称AHP)是个很有趣又很有用的东西，它提供一个有效的方法去进行复杂的决策，无论在一般生活、商业或学术研究上，都有很精采的应用。例如： 软件开发管理之应用 ---- 在微软的MSDN文件里，其利用AHP方法来评析与比较3个信息系统的质量，以决定那一个系统的质量最好。请参阅： /msdnmag/issues/05/06/TestRun/default.aspx Test Run: The Analytic Hierarchy Process -- MSDN Magazine, June 2005 一般生活上之应用 ---- 例如本章所举的例子，想找一个理想的工作，其所谓理想的评选标准有三：钱多、事少、离家近。那么就可以利用AHP方法来从多个工作机会中评选出一个比较合乎理想的工作了。 商业上之应用 ---- 例如全球性运输公司利用AHP方法评选最佳转运港口。请参阅： /article/palmarecl/ v_3A6_3Ay_3A2004_3Ai_3A1_3Ap_3A70-91.htm 简而言之，AHP是将复杂的决策情境切分为数个小部份，再将这些部分组织成为一个树状的层次结构。然后，对每一个部份的相对重要性给予权数值，然后进行分析出各个部份优先权。对决策者而言，以层次结构去组织有关替代方案(alternative)的评选条件或标准(criteria)、权数(weight)和分析(analysis)，非常有助于对事物的了解。此外，AHP可协助捕捉主观和客观的评估测度，检验评估的一致性，以及团队所建议的替代方案，减少团队决策之失误，如失焦、无计划、无参予等。AHP将整个问题细分为多个较不重要的评估，但还维持整体的决策。 AHP方法是由Thomas L. Saaty教授所研究发展出来的，其适合多评选标准(Multi-Criteria)的复杂决策。目前市面上有许多软件工具可用，包括最著名的Expert Choice软件系统，以及免费网络上AHP软件或服务，例如： http://www.di.unipi.it/~morge/software/JAHP.html 可下载Java版本的AHP系统。 2. AHP的分析步骤 AHP分析包含4个步骤： Step-1. 分解(Decomposing) 将整个问题分解为多个小问题。例如，整个问题是：想找一个理想的工作。各项工作都有三个属性(attribute)，因而将理想分为三个评选条件：「钱多、事少、离家近」。 Step-2. 加权(Weighing) 赋予三个评选条件的权数，例如：钱多(0.643)、事少(0.283)、离家近(0.074)。其表示主观上认定「钱多」比其它两项重要。如图12-1所示。从图中可看出，相对上Job-2对「离家近」的贡献度高于Job-1；但是在决策者心目中「离家近」的相对权数只有0.074而已，意味着决策者并不太在意「离家近」这项条件。 图1 问题之分解与加权 Step-3. 评估(Evaluating) 针对Job-1 Job-1对「钱多」的贡献度为0.2，而「钱多」对总目标(即「理想」)的贡献度为0.643，所以Job-1透过「钱多」对总目标的贡献度为：0.2 * 0.643 = 0.129。Job-1对「事少」的贡献度为0.875，而「事少」对总目标(即「理想」)的贡献度为0.283，所以Job-1透过「事少」对总目标的贡献度为：0.875 * 0.283 = 0.248。Job-1对「离家近」的贡献度为0.111，而「离家近」对总目标(即「理想」)的贡献度为0.074，所以Job-1透过「离家近」对总目标的贡献度为：0.111 * 0.074 = 0.008。于是可算出Job-1所表现的理想度为：0.129 + 0.248 + 0.008 = 0.385。 针对Job-2 依据同样的程序，可算出Job-2的情形： Job-2透过「钱多」对总目标的贡献度为：0.8 * 0.643 = 0.514。 Job-2透过「事少」对总目标的贡献度为：0.125 * 0.283 = 0.035。 Job-2透过「离家近」对总目标的贡献度为：0.889 * 0.074 = 0.066。 于是可算出Job-2所表现的理想度为：0.514 + 0.035 + 0.066 = 0.615。 Step-4. 选择(Selecting) 从上述Step-3分析出： Job-1的理想度为0.38