在这里讲解了数学建模常见的方法和写论文的要点，同时up主贴心地有所有方法的源码实现，但是全部都是matlab的代码。作为计算机人，python对我肯定是要比matlab熟悉的，所以我自己在学习过程中研究了如何用python实现这些方法，在这里分享给各位！
一、层次分析法 层次分析法（Analytic Hierarchy Process）是一种由美国运筹学家托马斯·萨蒂（Thomas L. Saaty）于20世纪70年代提出的多准则决策方法。它将复杂问题分解为层次结构，通过定量与定性结合的方式，对备选方案进行优先排序。核心思想是通过构建判断矩阵，量化决策者的主观判断，最终计算各元素的权重。
主要分为以下几个步骤：（图片内容来自up主的 ppt） image 当然，讲解这个方法不是我这篇文章的重点，详细方法请到视频中观看，下面介绍如何使用python实现层次分析方法。
二、Python实现层次分析法 1.导入相关库 层次分析法主要对矩阵进行操作，所以主要使用的是numpy库，各位如果想详细了解numpy库的各种操作，可以见我的这篇博客：
[numpy学习笔记]（blog.csdn.net/2401_833720…
接下来主要就是代码的实现展示，我就不一一讲解numpy的操作了，大家可以照着我上面的博客来查用法，当作字典用即可。所有涉及用法上面均有！！！
import numpy as np 2.读取矩阵 A.size返回的是矩阵的尺寸是长乘宽的结果，shape是返回以元组形式储存的长和宽。层次分析法的矩阵都是方阵，所以随便保存一个即可。 输入矩阵： [[1,2,5],[1/2,1,2],[1/5,1/2,1]]
A=np.array(eval(input("请输入矩阵A="))) print(A) n=A.size #这里的size结果是3*3=9 n=A.shape[0] #这里才是获取了行数 [[1. 2. 5. ] [0.5 1. 2. ] [0.2 0.5 1. ]]
3.算数平均法求权重 #按照列求总值 A_sum=np.sum(A,axis=0) stand_A=A/A_sum print(stand_A) print("算数平均法求权值的结果为：") w1=np.sum(stand_A,axis=1)/n print(w1) image
4.特征值法求权重 A_elg=np.linalg.eig(A) print(A_elg) #eigenvalues是特征值，eigenvectors是特征向量 max_elg=np.max(A_elg[0]).real print(max_elg) #获取最大特征值处的特征向量 w2=A_elg[1][:,A_elg[0]==max_elg] print("特征值法求权值的结果为：") #归一化 print(w2/np.sum(w2.real)) #我们可以将两种方法平均 w3=(w1+w2)/2 w3 image
层次分析法中，我们可以将两种方法结合起来，求个均值来作为我们的权重，当然要是不结合，更推荐使用特征值法求权重。
特征值和特征向量的计算会带上虚数，这里使用A.real来只是用实数部分。
注意， np.linalg.eig()函数会返回两个值，第一个是特征值第二个是特征向量，和matlab的相反。
5.计算一致性比例CR 注意：第一步就应该要检验矩阵是否符合一致性，写此处只是为了编程方便！！！ CI=(max_elg-n)/(n-1) RI=np.array( [0.00, 0.00, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51, 1.54, 1.56, 1.58, 1.59] www.hefeilaws.com/) #注意RI最大支持RI是n=15！！！ CR=CI/RI[n-1] if CR<0.1: print("一致性检验通过") print(CR) else: print("一致性检验未通过") print("请重新输入数据") 一致性检验通过 0.0047716480504293775
当然，RI是查表得到的，这个数据根据文献不同数值上可能有微小差距，影响不会太大。
