1. 层次分析法入门：从旅游选择到数学建模
第一次接触层次分析法(AHP)是在大三参加数学建模比赛时，当时我们团队遇到了一个典型的评价类问题——如何科学地选择最佳旅游目的地。面对苏杭、北戴河和桂林三个选项，我们需要综合考虑景色、花费、居住、饮食、交通五个指标。正是这个看似简单的选择题，让我领略到了AHP的强大之处。
AHP的核心思想非常符合人类日常决策的思维方式：分解-判断-综合。就像我们买手机时会先比较价格、性能、拍照，再综合考虑做出决定一样。但AHP的厉害之处在于，它把这种模糊的主观判断转化为了精确的数学计算。举个例子，当我觉得"景色比交通重要2倍"时，AHP会用数字2来量化这个判断，并通过一套严谨的数学方法保证整个决策系统的逻辑一致性。
在实际建模中，AHP特别适合解决这类评价问题。比如去年帮学校实验室选购设备时，我们就用AHP在性能、价格、售后、扩展性等多个维度进行了量化比较。相比凭感觉做决定，AHP得出的结论明显更让人信服。不过要注意，AHP处理的因素不宜过多，一般建议不超过9个，否则判断矩阵会变得过于复杂，影响结果准确性。
2. 构建判断矩阵的实战技巧
2.1 从旅游案例看矩阵构造
让我们回到那个旅游选择的例子。假设经过团队讨论，我们得出以下重要性比较：
- 景色比花费略重要（2倍）
- 景色比居住明显重要（4倍）
- 景色比饮食稍重要（3倍）
- 景色与交通同等重要（1倍）
这就构成了判断矩阵的第一行：[1,2,4,3,1]。根据AHP的互反性规则，花费相对于景色的重要性就是1/2，依此类推完成整个矩阵。我在最初学习时经常犯的一个错误是忽略了这种互反关系，导致矩阵不对称，结果自然就出了问题。
2.2 一致性检验的关键作用
记得有一次校赛，我们没做一致性检验就直接用了权重结果，导致推荐方案明显不符合常识。后来检查发现CR值高达0.25，远超过0.1的阈值。这个问题其实很常见——当因素较多时，我们的判断很容易出现"景色>饮食，饮食>交通，但交通>景色"这种矛盾情况。
一致性检验的数学原理其实很直观：完全一致的矩阵其特征值λ_max等于阶数n，我们通过计算CI=(λ_max-n)/(n-1)来衡量偏离程度。在实际操作中，可以直接用MATLAB的eig()函数求出特征值。如果CR=CI/RI>0.1，就必须调整矩阵。我常用的方法是检查那些a_ik ≠ a_ij × a_jk的元素，重点修正明显不符合传递性的比较值。
3. 三种权重计算方法的MATLAB实现
3.1 算术平均法代码详解
算术平均法是最直观的权重计算方法，对应MATLAB代码如下：
Sum_A = sum(A); % 按列求和 SUM_A = repmat(Sum_A,n,1); % 复制n行 Stand_A = A ./ SUM_A; % 归一化 weights = sum(Stand_A,2)/n; % 按行平均这个方法的优势是计算简单，适合手工验算。我曾在一次比赛中遇到电脑故障，就靠着手算算术平均权重完成了部分分析。不过它对极端值比较敏感，如果某一列存在特别大或小的数，会影响整体结果。
3.2 几何平均法的独特优势
几何平均法的MATLAB实现同样简洁：
Prduct_A = prod(A,2); % 按行相乘 Prduct_n_A = Prduct_A.^(1/n); % 开n次方 weights = Prduct_n_A./sum(Prduct_n_A);这种方法特别适合处理比率数据，能有效减弱极端值影响。在去年分析供应链风险时，我们发现几何平均法得出的权重分布最为合理。不过要注意，当矩阵中含有零元素时，直接使用会导致错误，需要先对数据进行适当处理。
3.3 特征值法的理论依据
特征值法是最符合AHP理论的方法：
[V,D] = eig(A); Max_eig = max(max(D)); [r,c] = find(D == Max_eig,1); weights = V(:,c)./sum(V(:,c));这个方法直接求解判断矩阵的特征向量，数学上最为严谨。但在实际使用时我发现，当矩阵接近不一致时，最大特征值对应的特征向量可能不稳定。因此建议三种方法都计算，取平均值作为最终权重，这样结果更稳健。
4. 完整MATLAB实战：从数据到决策
4.1 旅游决策案例完整代码
下面这个增强版的MATLAB代码不仅计算权重，还会自动生成决策建议：
% 输入判断矩阵 A = [1 2 4 3 1; 1/2 1 3 2 1/2; 1/4 1/3 1 1/2 1/4; 1/3 1/2 2 1 1/3; 1 2 4 3 1]; % 一致性检验 [~,D] = eig(A); lambda_max = max(diag(D)); CI = (lambda_max-size(A,1))/(size(A,1)-1); RI = [0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49]; CR = CI/RI(size(A,1)); if CR < 0.1 % 三种方法计算权重 w1 = sum(A./sum(A),2)/size(A,1); % 算术平均 w2 = prod(A,2).^(1/size(A,1)); w2 = w2/sum(w2); % 几何平均 [V,~] = eig(A); w3 = V(:,diag(D)==lambda_max); w3 = w3/sum(w3); % 特征值 final_weights = mean([w1,w2,w3],2); % 综合权重 % 方案评分 options = {'苏杭','北戴河','桂林'}; scores = [0.6 0.3 0.1; % 景色 0.2 0.5 0.3; % 花费 0.3 0.4 0.3; % 居住 0.4 0.3 0.3; % 饮食 0.2 0.3 0.5]; % 交通 total_scores = scores * final_weights; % 输出结果 disp('各准则权重:'); disp(final_weights'); disp('各方案得分:'); for i=1:length(options) fprintf('%s: %.3f\n',options{i},total_scores(i)); end [~,best] = max(total_scores); fprintf('\n推荐选择：%s\n',options{best}); else error('一致性检验未通过，请调整判断矩阵！'); end4.2 实际应用中的注意事项
在真实项目中应用AHP时，有几个容易踩的坑需要特别注意：
指标数量控制：我一般遵循"7±2"原则，即选择5-9个关键指标。太多会导致判断矩阵难以保持一致性，太少则可能遗漏重要因素。
数据标准化处理：当不同指标量纲差异很大时，需要先进行归一化。比如价格指标可能是几千元，而满意度评分只有1-5分。
多人决策处理：团队使用时，可以采用德尔菲法先达成共识，或者计算各人判断矩阵的几何平均。
敏感性分析：改变某个判断值，观察结果变化程度。这能帮助我们识别哪些判断对最终结果影响最大，需要更谨慎评估。
记得在一次企业咨询项目中，我们通过敏感性分析发现，客户特别看重的"品牌形象"权重其实对最终选择影响很小，反而是他们不太在意的"运维成本"起了决定性作用。这个发现直接改变了他们的决策方向。