### 多专家层次分析法（Multi-Expert AHP）的Python实现 多专家层次分析法是一种扩展的传统AHP方法，允许多个决策者提供输入并综合他们的意见来得出最终结果。以下是其实现的关键步骤以及相应的代码示例。 #### 1. 数据准备 在多专家AHP中，每位专家都需要构建自己的判断矩阵，并对其进行一致性检验。假设我们有 \( n \) 名专家，则需要收集他们各自的判断矩阵。 ```python import numpy as np # 定义专家数量和准则数 num_experts = 3 criteria_count = 4 # 初始化存储所有专家的判断矩阵 judgment_matrices = [] for i in range(num_experts): matrix = np.random.rand(criteria_count, criteria_count) # 将随机生成的矩阵转换为对称正互反矩阵 for j in range(criteria_count): for k in range(j, criteria_count): if j == k: matrix[j][k] = 1 else: matrix[k][j] = 1 / matrix[j][k] judgment_matrices.append(matrix) print("Judgment matrices from experts:") for idx, mat in enumerate(judgment_matrices): print(f"Expert {idx + 1}:\n{mat}\n") ``` #### 2. 计算单个专家的一致性比率 (CR) 对于每个专家的判断矩阵，需验证其是否满足一致性条件。如果 CR 超过阈值（通常为0.1），则该矩阵不可接受[^2]。 ```python def calculate_consistency_ratio(matrix): eigenvalues = np.linalg.eigvals(matrix) max_eigenvalue = np.max(eigenvalues.real) consistency_index = (max_eigenvalue - len(matrix)) / (len(matrix) - 1) random_indices = { 1: 0, 2: 0, 3: 0.58, 4: 0.9, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45 } ri = random_indices.get(len(matrix), 1.45) cr = consistency_index / ri return cr cr_values = [] for expert_matrix in judgment_matrices: cr = calculate_consistency_ratio(expert_matrix) cr_values.append(cr) print("Consistency Ratios:", cr_values) ``` #### 3. 综合多位专家的意见 通过加权平均或其他聚合技术，将各专家的权重向量汇总成单一的全局优先级向量[^4]。 ```python def normalize_vector(vector): total_sum = sum(vector) normalized = vector / total_sum return normalized global_priority_vector = None for expert_matrix in judgment_matrices: eigenvector = np.linalg.eig(expert_matrix)[1][:, 0].real priority_vector = normalize_vector(np.abs(eigenvector)) if global_priority_vector is None: global_priority_vector = priority_vector.copy() else: global_priority_vector += priority_vector global_priority_vector /= num_experts print("Global Priority Vector:", global_priority_vector) ``` #### 4. 结果展示 最后可以可视化或打印出全球优先级向量作为输出结果。 --- ### 注意事项 上述代码仅为演示目的设计，在实际应用中可能还需要考虑更多细节，例如异常处理、更复杂的聚合策略等。 ---