### 实现DEMATEL-ISM模型的Python代码 #### 1. 导入必要的库 为了实现DEMATEL-ISM模型，首先需要导入一些常用的科学计算库。 ```python import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler ``` #### 2. 构建初始矩阵 构建专家打分形成的邻接矩阵 \( A \)，该矩阵表示各因素之间的直接影响关系。假设有一个简单的例子： ```python A = np.array([ [0, 1, 0], [0, 0, 1], [1, 0, 0] ]) ``` #### 3. 计算总关联矩阵 \( T \) 通过迭代求解直到收敛来获得总关联矩阵 \( T \)。这里采用行最大值法进行标准化处理[^1]。 ```python def calculate_total_matrix(A): n = A.shape[0] # 初始化T为A T = A.copy() # 进行列最大值标准化 scaler = MinMaxScaler(feature_range=(0, 1)) normalized_A = scaler.fit_transform(A.T).T # 迭代计算直至收敛 while True: new_T = normalized_A + np.dot(normalized_A, T) if np.allclose(T, new_T, atol=1e-6): break T = new_T return T ``` #### 4. 获取中心度和原因度向量 基于总关联矩阵 \( T \)，分别计算每个节点的原因度 (R) 和效果度 (C) 向量，并进一步得出各自的中心度 (D+C) 及净效应 (D-C)。 ```python def get_centrality_and_causality(T): D = np.sum(T, axis=1) C = np.sum(T, axis=0) centrality = D + C net_effect = D - C return centrality, net_effect ``` #### 5. 建立层次结构图(ISM) 根据上述分析结果建立ISM图，这一步骤通常依赖于图形绘制工具完成可视化展示，在此仅提供逻辑框架说明。 ```python def build_ISM(centrality, net_effect): sorted_indices = np.argsort(-centrality) # 按照中心度降序排列索引 levels = [] current_level = [] for idx in sorted_indices: add_to_new_level = False for existing_idx in current_level: if T[idx][existing_idx] != 0 or T[existing_idx][idx] != 0: add_to_new_level = True if add_to_new_level: levels.append(current_level) current_level = [idx] else: current_level.append(idx) levels.append(current_level) return levels ``` 以上就是利用Python实现DEMATEL-ISM模型的主要过程概述以及相应函数定义。实际应用时还需要针对具体场景调整参数设置并优化算法性能。