D1 · AHP 层次分析法 + 熵权法¶

今天的目标：不是"看懂"这两个方法，而是能独立构造一个判断矩阵/数据表，手推出权重，用代码验证，并写出一段经得起追问的论文文字。

1. AHP 到底在解决什么问题¶

当你面对多个评价指标（比如"成本""时间""舒适度"），但它们量纲完全不同、没法直接相加时，AHP 让你通过两两比较的方式，把"我觉得成本比舒适度重要得多"这种主观判断，转换成可以直接乘进模型的数字权重。它的价值不在数学多复杂，而在于把说不清楚的"重要性"量化成了可追溯的过程——这也是为什么评委爱看：你不是拍脑袋给的权重，是有一套流程支撑的。

2. 五步流程¶

建层次结构：目标层 → 准则层（指标）→ 方案层。指标不要超过 7±2 个，太多两两比较会自相矛盾。
构造判断矩阵：对每一对指标，按 Saaty 1-9 标度打分（下表），a_ji = 1/a_ij。
计算权重：三种常见算法（选一种即可，特征值法最标准）：
- 算术平均法：每列归一化后按行取平均 —— 手算最快，写论文可以说"简化处理"
- 几何平均法：每行元素连乘后开 n 次方再归一化 —— 对不一致矩阵更稳健
- 特征值法：取矩阵最大特征值对应的特征向量并归一化 —— 教材标准做法，代码里默认用这个
一致性检验：CI = (λmax − n)/(n − 1)，CR = CI / RI，CR < 0.1 才算通过。
不通过怎么办：不是重新瞎猜，是回头检查哪一对比较和其他比较逻辑矛盾（比如你说 A 比 B 重要，B 比 C 重要，却说 C 比 A 重要），调整后重新算。

标度	含义
1	两者同等重要
3	前者比后者稍微重要
5	前者比后者明显重要
7	前者比后者强烈重要
9	前者比后者极端重要
2,4,6,8	相邻判断的中间值

关键概念

RI（随机一致性指标）是查表值，只和指标个数 n 有关，不用自己算：n=3 时 RI=0.58，n=4 时 0.90，n=5 时 1.12（完整表在代码里）。CR 本质是在问："如果我是瞎填的，一致性会有多差？你实际填的比瞎填好多少？"

3. 例题精算（手推，不跳步）¶

场景：从成本、时间、舒适度三个指标比较三种出行方式的重要性，判断矩阵如下：

例子

        成本    时间    舒适度
成本     1      3       5
时间    1/3     1       3
舒适度  1/5    1/3      1

列求和：成本列 1+1/3+1/5 = 1.5333；时间列 3+1+1/3 = 4.3333；舒适度列 5+3+1 = 9
每列归一化后按行平均，得权重：成本 w₁=0.633，时间 w₂=0.261，舒适度 w₃=0.106（三者相加=1）
用权重反乘回矩阵估算 λmax：算出三行的 (Aw)ᵢ/wᵢ 分别约为 3.071 / 3.033 / 3.012，取平均 λmax ≈ 3.039
CI = (3.039 − 3) / (3 − 1) = 0.0194
CR = CI / RI = 0.0194 / 0.58 = 0.033 —— 小于 0.1，通过一致性检验，权重可用

易错

很多人算完权重就直接用了，压根没做一致性检验——CR 没过关意味着你打的分自相矛盾，权重是不可信的，评委一眼能看出你根本没做这一步。

4. 代码逐行拆解¶

ahp_weight.py

import numpy as np

def ahp_weight(A):
    n = A.shape[0]
    eigvals, eigvecs = np.linalg.eig(A)      # 求全部特征值/特征向量
    idx = np.argmax(eigvals.real)            # 取最大特征值的位置
    w = eigvecs[:, idx].real                 # 对应的特征向量就是权重(未归一)
    w = w / w.sum()                          # 归一化，使权重和为1
    lam_max = eigvals[idx].real
    CI = (lam_max - n) / (n - 1)
    RI = {1:0,2:0,3:0.58,4:0.9,5:1.12,6:1.24,7:1.32,8:1.41,9:1.45}[n]
    CR = CI / RI if RI else 0
    return w, CR

注意：np.linalg.eig 返回的可能是复数（虚部通常是 0），所以要 .real 取实部；eigvecs[:, idx] 里正负号可能反过来，如果权重全是负数，整体取相反数即可。

5. 熵权法：让数据自己说话¶

AHP 靠人的主观判断；熵权法反过来，看一个指标在各方案之间差异有多大：差异越大，说明这个指标越能区分方案优劣，权重就该越高；如果所有方案在某个指标上几乎一样，这个指标就是"废话"，权重趋近于 0。

易错

所有指标要先正向化（成本型指标，比如"价格"，值越小越好，要先转换成"越大越好"：常用 max−x 或取倒数），再归一化，才能算熵值——漏了这一步，算出来的权重会是反的。

6. 例题精算：为什么"没有差异的指标权重为0"¶

3 个方案 A/B/C，2 个已经正向化的指标：

例子

        指标1(有差异)   指标2(无差异)
方案A       4              7
方案B       6              7
方案C       8              7

归一化（每列除以列和）：指标1列和=18 → P=(0.222, 0.333, 0.444)；指标2列和=21 → P=(0.333, 0.333, 0.333)
常数 k = 1/ln(3) = 0.9102
指标1 熵值 e₁ = −k·Σ(P·lnP) = 0.9657；指标2 熵值 e₂ = 1.0000（完全无差异时熵恒为1，这是理论最大值）
差异系数 d = 1 − e：d₁ = 0.0343，d₂ = 0
归一化得权重：w₁ = 1.000，w₂ = 0.000

关键概念

这个例子是刻意设计的极端案例：指标2 在三个方案里完全相同，携带的信息量为零，熵权法直接把它的权重判为 0——这就是"熵"在直觉上的意思：越"意外"（越有差异）的信息，权重越高。

7. 代码逐行拆解¶

entropy_weight.py

import numpy as np

def entropy_weight(X):
    # X: n个方案 x m个指标，必须已经正向化 + 归一化到同一量纲
    X = X + 1e-12                     # 防止 log(0)
    P = X / X.sum(axis=0)             # 每列(每个指标)内部占比
    k = 1 / np.log(len(X))            # len(X)=方案数 n
    e = -k * (P * np.log(P)).sum(axis=0)   # 每个指标的熵值
    d = 1 - e                         # 差异系数：熵越低，差异系数越高
    return d / d.sum()                # 归一化为权重

+1e-12 是工程技巧：如果某方案在某指标上取值为 0，log(0) 会报错/得到 -inf，加一个极小值规避，不影响结果精度。

8. 进阶：组合赋权¶

实战中很少单用一种赋权法——AHP 有主观性，熵权法完全依赖数据、可能和常识相悖（比如碰巧本次样本里一个重要指标恰好差异很小）。常见做法是组合权重：

例子

w_combined = α · w_AHP + (1-α) · w_entropy

α 取 0.5 最简单（写论文可以说"等权重组合，兼顾主客观信息"）；更严谨的做法是用博弱组合赋权（求一组线性组合系数使组合权重与两组权重的离差平方和最小），属于加分项，时间够再做。

9. 写作表达¶

论文里"确定权重"这段的标准结构：为什么需要权重 → 用什么方法 → 关键结果（带数字）→ 结果为何合理。用今天例题的真实数字填一遍：

论文里可以这么写

由于成本、时间、舒适度三项指标难以直接量化比较，本文采用层次分析法确定各指标权重。通过构造两两比较判断矩阵，并计算一致性比率 CR = 0.033 < 0.1，通过一致性检验，得到权重向量为 (0.633, 0.261, 0.106)，其中成本权重最高，符合出行决策中成本因素通常被优先考量的实际情况。

把方括号内容换成你自己任务的真实数字和场景描述，其余句式基本可以照搬。

10. 今日任务清单¶

[ ]

任务1：跑通 AHP —

用本文的判断矩阵跑 ahp_weight，核对你的 CR 是否也在 0.03 附近（允许小数点后差异，特征值法和算术平均法结果会略有不同）

[ ]

任务2：自己编一组熵权法数据 —

4 个方案 × 3 个指标，其中至少 1 个是成本型（记得先正向化），跑 entropy_weight，检查哪个指标权重最高，想一想是否符合你对"差异大小"的直觉

[ ]

任务3：写一段权重确定的论文文字 —

套用第9节模板，用任务2的真实数字重写一遍

自查

自查：这4个问题答不上来，别进 D2¶

CR 是用来检验什么的？如果 CR = 0.15 你会怎么处理？
熵权法为什么要求指标先"正向化"？不做会怎样？
如果某个指标在所有方案里数值都相同，熵权法算出的权重会是多少？为什么？
AHP 和熵权法分别适合什么场景？能不能各举一个国赛题目里可能出现的例子？

参考答案

参考答案¶

CR 检验判断矩阵的一致性，即你的两两打分之间有没有逻辑矛盾（说 A>B、B>C，却又说 C>A）。CR = 0.15 > 0.1 不通过，需要修正矩阵。定位问题元素的方法：完全一致时 a_ij = w_i/w_j，因此计算 a_ij · w_j / w_i − 1，绝对值最大的那个元素就是矛盾来源，把它往 w_i/w_j 拉近后重算。注意同步修改倒数位置 a_ji = 1/a_ij，否则矩阵不再是互反矩阵，后续计算全部失效。
正向化服务于综合评价的打分逻辑，不是为了修正权重方向。 熵权法量的是离散程度：一个成本型指标只要方案间差异大，无论正不正向化，算出的权重都高——所以指标权重的排序并不会翻。真正翻掉的是方案排序，因为加权求和默认"每列数值越大越好"。用一组数据看后果（价格成本型，评分效益型）：
```
        价格(万元)   评分
方案A      10        8
方案B      50        7
方案C      90        6
```
指标权重几乎不受影响：不正向化 (0.973, 0.027)，正向化后 (0.985, 0.015)，价格始终占主导。但综合得分完全不同：

方案不正向化正向化后

A（价10 / 评8） 0.075 0.663 ①

B（价50 / 评7） 0.333 0.333 ②

C（价90 / 评6） 0.591 ① 0.004 ③

不正向化时最贵、评分最低的 C 排第一，因为 90 万的价格被当成了优点。补充：正向化确实会让权重数值变化（0.973→0.985），因为 max−x 改变了该列的占比结构 P，但这是副作用而非目的。
权重为 0。该指标各方案取值相同 → 归一化后 P 每项都是 1/n → 熵值 e_j 达到理论最大值 1 → 差异系数 d_j = 1 − e_j = 0 → 权重为 0。含义是：这个指标对区分方案毫无贡献，信息量为零。

	AHP	熵权法
前提	不需要数据，只要有领域判断	必须有多方案实测数据
国赛例子	"评价一项政策的社会效益"，指标是安全性/公平性/可持续性——根本没有客观数据，只能靠专家两两比较	"给 30 个城市的宜居程度排名"，已给出 GDP/绿化率/房价等实测表格，用数据定权更有说服力
失效模式	指标超过 7~9 个时人的判断必然自相矛盾，CR 难过关	样本依赖：公认重要的指标若碰巧在本次样本里差异很小，权重被压到接近 0，结论违背常识

熵权法的失效模式无法靠它自己修复，必须引入主观信息——这就是组合赋权存在的真正理由。论文里写 w = α·w_AHP + (1−α)·w_entropy 时，理由应写成"避免客观赋权受样本分布影响导致关键指标失权"，而不是"兼顾主客观"这种套话。

11. 把正向化写进函数签名¶

正向化是最容易漏的一步，别靠记性。把它做成熵权法函数的必填参数，漏写直接报错而不是静默出错：

entropy_weight_safe.py

import numpy as np

def positivize(X, kinds):
    """kinds: 每列一个, 'max'=效益型(越大越好), 'min'=成本型(越小越好)"""
    X = np.asarray(X, dtype=float).copy()
    for j, kind in enumerate(kinds):
        if kind == 'min':
            X[:, j] = X[:, j].max() - X[:, j]
    return X

def entropy_weight(X, kinds):
    X = positivize(X, kinds)        # 从签名上就不可能"忘记"
    X = X + 1e-12
    P = X / X.sum(axis=0)
    k = 1 / np.log(len(X))
    e = -k * (P * np.log(P)).sum(axis=0)
    d = 1 - e
    return d / d.sum()

# w = entropy_weight(data, kinds=['min', 'max', 'max'])

设计意图：把易错步骤变成函数签名的必填参数，比在注释里写"记得正向化"可靠得多。后面每个模板都会沿用这个思路。

方案	不正向化	正向化后
A（价10 / 评8）	0.075	0.663 ①
B（价50 / 评7）	0.333	0.333 ②
C（价90 / 评6）	0.591 ①	0.004 ③