引言

层次分析法 (Analytic Hierarchy Process, AHP) 是一种常用的多准则决策分析方法，最早由美国运筹学家托马斯·萨蒂 (T.L. Saaty) 在20世纪70年代提出。该方法将复杂的决策问题分解为若干层次，通过对各个层次的因素进行两两比较，来确定其相对重要性，并通过一致性检验确保决策的合理性。AHP 既能处理定性问题，也能处理定量问题，被广泛应用于管理决策、工程项目选择、政策制定、技术评估等多个领域。

AHP 的基本思想是将复杂问题系统化，将其分解为不同的准则层、子准则层和方案层，使得决策者能够对各个层次中的各项因素进行评估和排序。通过构建判断矩阵并计算权重，决策者能够做出合理的、符合逻辑的决策。本文将从层次分析法的理论基础、主要步骤、应用场景及 MATLAB 实现等方面进行深入探讨。

---

AHP 的基本原理

AHP 的关键思想是通过层次结构将问题分解，并利用数学模型将主观判断量化。整个过程包括构建层次结构、构造判断矩阵、计算权重向量、进行一致性检验等步骤。

步骤1：构建层次结构

层次结构通常由目标层、准则层和方案层组成：

1. 目标层：代表最终的决策目标。例如，在投资决策中，目标层可能是“选择最优投资项目”。
2. 准则层：影响目标实现的关键因素。比如在项目选择中，准则层可能包括“风险”、“回报”、“时间成本”等因素。
3. 方案层：备选的具体方案。每个方案都是需要在多个准则下进行评价的对象。

通过构建层次结构，将复杂问题分解为不同的层次和要素，使得问题更加条理化和结构化。

步骤2：构造判断矩阵

判断矩阵是层次分析法的核心，通过两两比较同一层次下的各因素，确定它们相对重要性。Saaty 提出了1到9的标度来衡量两个因素的重要性差异，具体表示如下：

• 1：两者同样重要
• 3：一个因素比另一个稍微重要
• 5：一个因素明显比另一个重要
• 7：一个因素比另一个更强烈地重要
• 9：一个因素比另一个绝对重要

例如，若在投资项目选择中，回报比风险重要，且重要程度为5，那么判断矩阵中相应的位置可以填入5。

步骤3：计算权重向量

在构造好判断矩阵后，接下来是计算权重。权重表示每个因素在实现目标时的重要程度。计算权重的过程通常使用特征值法，即通过求解判断矩阵的最大特征值及对应的特征向量来得到权重向量。

步骤4：一致性检验

由于判断矩阵是基于主观判断构造的，因此有可能存在不一致性。为保证判断矩阵的一致性，AHP 提供了一个一致性检验机制。若判断矩阵的一致性比率 (CR) 小于 0.1，则认为该矩阵具有可接受的一致性；否则，需要重新调整判断矩阵。

其中，CI是一致性指标，RI是随机一致性指标，根据判断矩阵的阶数 n取定。若 CR<0.1，则判断矩阵通过一致性检验。 

表格总结：AHP 的主要步骤

步骤	描述
步骤1：构建层次结构	将决策问题分解为目标层、准则层和方案层，构建出多层次结构。
步骤2：构造判断矩阵	对同一层次的各因素进行两两比较，确定其相对重要性，构造判断矩阵。
步骤3：计算权重向量	通过特征值法计算判断矩阵的特征向量，得到每个因素的权重。
步骤4：一致性检验	通过计算一致性比率 (CR) 检查判断矩阵的一致性，确保判断结果合理。

---

AHP 的具体应用与实例分析

层次分析法在实际应用中具有非常广泛的使用场景，特别是那些涉及到多个因素决策的问题。以下列举几个 AHP 典型的应用场景，并通过示例进行详细说明。

1. 项目选择

假设某公司需要在多个投资项目中选择一个最优项目。项目的评价标准包括“投资回报率”、“风险”、“市场潜力”和“技术可行性”。通过 AHP 方法，公司可以构建层次结构，将这些标准作为准则层，然后通过两两比较构造判断矩阵，最终计算各个项目的权重并选择最优方案。

2. 人力资源管理

在招聘过程中，企业可能需要根据候选人的“工作经验”、“学历背景”、“技能水平”和“团队合作能力”进行综合评估。AHP 可以将这些因素作为准则层进行两两比较，确定它们的权重，进而帮助企业做出最佳的招聘决策。

3. 城市规划

在城市规划中，AHP 可以用于选择最佳的发展方案。例如，在交通网络建设中，可以根据“交通流量”、“建设成本”、“环境影响”和“社会效益”这几个因素，构建 AHP 模型，帮助决策者评估不同的规划方案。

---

MATLAB 中 AHP 的实现

以下是 MATLAB 实现层次分析法的代码示例，展示如何计算权重向量并进行一致性检验。

% 输入准则层判断矩阵
disp('请输入准则层判断矩阵A(n阶)');
A = input('A=');

% 计算特征向量和最大特征值
[n,~] = size(A);
[V,D] = eig(A);
[maxEig, index] = max(diag(D));
w = abs(V(:,index)); % 权重向量
w = w / sum(w); % 归一化

% 一致性检验
CI = (maxEig - n) / (n - 1);
RI = [0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45]; % 随机一致性指标
CR = CI / RI(n); % 一致性比率

if CR < 0.1
    disp('判断矩阵的一致性可以接受');
else
    disp('判断矩阵的一致性检验失败，请重新调整判断矩阵');
end

% 输出权重向量
disp('权重向量为：');
disp(w);

代码分析：

• eig 函数用于计算判断矩阵的特征值和特征向量，通过最大特征值对应的特征向量计算出权重。
• 一致性检验部分通过计算一致性比率 (CR) 来判断判断矩阵的合理性，若 CR < 0.1，则判断矩阵一致性通过。

---

AHP 的优势与局限性

优势：

1. 处理复杂决策问题：AHP 能有效处理包含多个层次和准则的复杂决策问题，特别适用于难以量化的定性问题。
2. 兼具定性与定量分析：AHP 能够将主观判断转化为定量数据，使得决策过程更加系统化、逻辑化。
3. 结构清晰：AHP 通过层次结构将复杂问题分解，使得每个层次的问题都得到清晰的表达和解决。

局限性：

1. 主观性较强：AHP 的判断矩阵依赖于决策者的主观判断，可能存在一定的主观偏差。
2. 计算复杂度较高：当层次结构较为复杂、准则较多时，构建判断矩阵和进行一致性检验的计算量较大。
3. 无法处理模糊性和不确定性：AHP 依赖于明确的数值比较，无法直接处理带有不确定性或模糊性的判断。

---

表格总结：AHP 的优势与局限性

优势	描述
处理复杂问题	适用于多准则、多层次的复杂决策问题，尤其是难以量化的定性问题。
兼具定性与定量	将主观判断量化，使得决策过程更加系统化和逻辑化。
结构清晰	层次结构使得问题分解更加清晰明确，有助于条理化分析。

局限性	描述
主观性较强	决策者的主观判断可能导致一定的偏差。
计算复杂度高	对于复杂的层次结构，构建判断矩阵和一致性检验的计算量较大。
处理模糊性有限	无法处理带有模糊性或不确定性的判断，只能用于明确的数值比较。

---

结论

层次分析法 (AHP) 是一种高效的多准则决策工具，能够将复杂的决策问题系统化、结构化处理。AHP 的广泛应用证明了其在工程管理、政策制定、投资项目选择等方面的重要性。通过 MATLAB 等工具的实现，AHP 的应用变得更加简单和直观。未来，随着对决策问题复杂性的深入研究，AHP 仍将在多准则决策问题中发挥重要作用，并与其他先进的决策方法结合使用，以解决更加复杂的现实问题。