### 实现模糊一致性矩阵 FAHP 方法的 Python 示例 为了实现基于模糊一致性的层次分析法(FAHP)，可以采用 `pyDecision` 库，该库提供了处理多准则决策问题的功能。下面是一个完整的流程，包括构建模糊成对比较矩阵、计算权重以及执行一致性检验。 #### 安装依赖包 首先安装必要的Python库： ```bash pip install pydecision numpy pandas ``` #### 导入所需模块并定义函数 接着导入所需的Python模块，并编写用于创建模糊成对比较矩阵和计算权重的方法: ```python import numpy as np from pyDecision.algorithm import fuzzy_ahp_method import pandas as pd def create_fuzzy_comparison_matrix(criteria_count): """ 创建一个大小为 criteria_count x criteria_count 的单位模糊成对比较矩阵。 参数: criteria_count (int): 准则的数量 返回: list of lists: 初始化后的模糊成对比较矩阵 """ matrix = [[[1, 1, 1] for _ in range(criteria_count)] for __ in range(criteria_count)] return matrix def fill_fuzzy_matrix(matrix, data): """ 使用提供的三角形模糊数填充模糊成对比较矩阵。 参数: matrix (list of lists): 需要被填充值的模糊成对比较矩阵 data (dict): 包含键值对形式的数据字典，其中键表示两个标准之间的关系， 值是由三个元素组成的列表，代表三角形模糊数值[l,m,u] 修改: 对传入参数matrix进行了原位修改 """ n = len(matrix) for i in range(n): for j in range(i + 1, n): key = f'{i+1},{j+1}' if key in data: l, m, u = data[key] inv_l, inv_m, inv_u = 1/u, 1/m, 1/l # Fill the upper triangle with given values and lower triangle with their inverses. matrix[i][j] = [l, m, u] matrix[j][i] = [inv_l, inv_m, inv_u] # Example usage criteria_num = 4 fcm = create_fuzzy_comparison_matrix(criteria_num) data_input = { '1,2': [1/7, 1/5, 1/3], '1,3': [1/9, 1/8, 1/7], '1,4': [1/5, 1/4, 1/3], '2,3': [1/3, 1/2, 2/3], '2,4': [1/3, 1/2, 2/3], '3,4': [1/5, 1/4, 1/3] } fill_fuzzy_matrix(fcm, data_input) weights, consistency_ratio = fuzzy_ahp_method(np.array(fcm)) print('Weights:', weights.tolist()) if consistency_ratio < 0.1: print("The Consistency Ratio is acceptable.") else: print("Warning! The Consistency Ratio exceeds threshold.") ``` 上述代码展示了如何利用 `pyDecision` 中的 `fuzzy_ahp_method()` 来获取最终的结果，即各因素的重要性权重及其对应的一致性比率(CR)[^1]。