模糊层次分析法(FAHP)Python实现

原创

已于 2023-04-17 17:33:50 修改 · 6.8k 阅读

标签

#模糊理论 #FAHP #多属性决策 #python

于 2023-04-17 17:29:47 首次发布

文章介绍了模糊层次分析法（FAHP），它是将模糊理论与层次分析法（AHP）结合，用于处理多准则决策问题的工具。FAHP利用三角模糊数来表示专家判断的不确定性，并提供了计算模糊权重和进行一致性检验的步骤。文章附带了一个Python代码示例，展示了如何将模糊判断矩阵转换为清晰权重并进行一致性检查的过程。

文章目录

理论基础
- 三角模糊数概念
- 参考
Python源码
测试

理论基础

$\quad$ 模糊层次分析法（ $F A H P$ ）将模糊理论（ $F u zzy S e t$ ）嵌入到基本层次分析法（ $A H P$ ）中。 $A H P$ 是一种广泛应用于各种多准则决策问题的决策工具,它将不同的备选方案与不同的标准进行成对比较，并为多标准决策问题提供了决策支持工具。在一般的AHP模型中，目标在第一层，标准和子标准分别在第二层和第三层，第四个层次为备选方案。由于基本AHP不包括个人判断的模糊性，它通过受益于模糊逻辑方法得到了改进。在FAHP中，通过语言变量对标准和备选方案进行成对比较，语言变量由三角模糊数等表示。

三角模糊数概念

$\quad$ 定义：三角模糊数 $\tilde{A}=(a_l,a_m,a_u)$ ， $a_l、a_m和a_u$ 分别为下届、中值和上届，其隶属函数表示如下：
$\mu_{\tilde{A}}=\begin{cases} \frac{x-a_l}{a_m-a_l},a_l\le x\le a_m\\ \frac{a-a_u}{a_m-a_u},a_m\le x\le a_u\\ 0,其他\\ \end{cases}$

$\quad$ 运算方法: $M_1=\left(l_1,m_1,u_1\right)$ ， $M_2=\left(l_2,m_2,u_2\right)$
$\begin{cases} M_1 \bigoplus \ M_2 = \left(l_1 + l_1, m_1 + m_2, u_1 + u_2\right) \\ M_1 \bigotimes \ M_2 \approx \left(l_1 l_2, m_1 m_2, u_1 u_2\right) \\ \frac{1}{M_1} \approx \left(\frac{1}{u},\frac{1}{m}, \frac{1}{l}\right) \\ \end{cases}$

最低0.47元/天解锁文章