不确定信息教学课件1层次解析法.docVIP

第一单元 层次分析法——AHP简介 PAGE  1–PAGE 18 第一单元 层次分析法——AHP简介 第一单元 层次分析法—AHP简介 (The Analytic Hierarchy Process AHP) 前言 最优化技术在决策分析中占着极重要的位置，数学模型在最优化技术中占着统治地位；由于系统越来复杂，数学模型也越来越复杂，掌握运用困难很多，并且随着复杂性增加，模型解与实际要求距离也在增加。事实上，数学模型也非万能，决策中大量因素无法定量表示，所以，有时人们不得不回到决策的起点和终点：——人的选择和判断，需要认真地研究选择和判断的规律，这就是AHP产生的背景。 匹兹堡大学Saaty教授于七十年代中期提出层次分析法AHP。于80年代初由Saaty的学生介绍到我国。 层次分析AHP的特点： 1. 输入信息主要是决策者的选择和判断。决策过程充分反映了决策者对决策问题的认识； 2. 简洁性：基于高中知识，可不用计算机完成计算； 3. 实用性：能进行定量分析，也可定性分析；而通常最优化方法只能用于定量分析； 4. 系统性： 人们决策大致分三种：（因果判断、概率推断和系统推断），AHP把问题看作一个系统属于第三种，真正要搞清楚AHP原理，需要深刻的数学背景。好在我们只重应用，并不过多涉及AHP的数学背景。 AHP的主要不足在于： 1. AHP只能用于选择方案，而不能生成方案；主观性太强，从层次结构建立，判断矩阵的构造，均依赖决策人的主观判断，选择，偏好，若判断失误，即可能造成决策失误。 规划论——采用较严格的数学计算，把人的主观性降到最低程度；但有些决策结果令决策人难以接受。 AHP——从本质上讲是试图使人的判断条理化，所得结果基本上依据人的主观判断，当决策者的判断因受个人偏好影响对客观规律歪曲时，AHP的结果显然靠不住，所以，AHP中通常是群组判断方式。 尽管AHP在理论上尚不完善，应用中也有缺陷；但由于AHP简单、实用，仍被视为是多目标决策的有效方法，至今仍被广泛应用的一种无结构决策方法。 §1 预备知识 1. 特征值与特征向量 1.1特征值与特征向量的概念 设为n阶方阵，若常数和非零n维向量满足 （1） 则称为矩阵的一个特征值（或特征根），非零向量为矩阵的属于特征值的特征向量。 1.2特征值与特征向量的求法 由（1）知 ， 所以，是齐次线性方程组的非零解，所以有 （2） 称（2）式为矩阵的特征方程。它是一个一元次方程，由代数基本定理知，该方程有且只有个根。 解的特征方程，可求得的个特征值。 解齐次线性方程组，其非零解为的全部特征向量。 利用MATERLAB软件，可以很容易地求出的个特征值及相应的特征向量。 2. 重量模型 设为个物体，重量分别为。设准则C为“重量大为好”，要在准则C下对个物体按其重量大小排序。 如果的值已知，则可按重量大小对个物体排序。 设的值未知，令 ， 显然满足 ：对任意的，有 ，； ； 。 满足1）的矩阵称为正矩阵。 满足1）、2）的矩阵称为正互反矩阵。 满足1）、2）、3）的矩阵称为一致性判断矩阵。 如果已知一致性判断矩阵，可根据的任一行（列）元素对个物体按重量大小排序，且按不同行（列）的排序结果完全相同。 设为一致性判断矩阵，由 可求得的个特征值为 解齐次线性方程组，可得的特征向量为 由此可得，如果为一致性判断矩阵，则的最大特征值为，其余特征值为零。且的特征向量为 由于当时，的分量与的分量有相同的排序。所以只要求出的特征向量任意一个分量全为正的特征向量，则可按此特征向量的分量大小顺序对个物体排序。 3 Perro-Frobineus定理 正矩阵存在重数为1的正特征根，其它特征根的模均小于这个正特征根，该正特征根对应的特征向量可以全部由正分量组成，经“归一化”处理后该特征向量是惟一的。 §2 AHP模型 如果对一致性判断矩阵有一个小的扰动，即不再是真实重量的比值，这时显然不满足一致性条件（是正互反矩阵），此时的最大特征值不再是；因扰动很小，希望与相差不大，这时对应的特征向量虽然不会是个物体的真实重量的倍数，但变动也不会太大。 我们设想：如果对的扰动不大，则离n就不远，此时对应的特征向量与差不多，如果不改变的各分量的大小次序，则的分量同样给出个物体按重量大小的真实排序。 这样，对不满足一致性的正互反矩阵，我们求其最大特征根，再求与对应的特征向量，则可按的分量大小对个物体按重量大小排序。 但是，这种做法有几个问题：①当不满足一致性时，还有没有最大正特征根；②既使有最大特征根，那么，这个最大特征根对应的特征向量的分量能否全是正数？ 上一节的Perron定理明确告诉我们，对正的