1. 从“拍脑袋”到“算脑袋”：为什么我们需要层次分析法
在数学建模、项目评估、方案决策甚至日常生活中，我们常常面临一个经典难题：当多个因素交织在一起，共同影响一个最终目标时，我们该如何科学地、量化地做出最优选择？比如，你要选一款手机，需要考虑价格、性能、拍照、续航、品牌等多个维度；一个城市要评估几个新区的发展规划，得权衡经济、环境、社会、成本等不同指标。如果只是凭感觉“拍脑袋”决定，往往说服力不足，也容易陷入主观偏见。
层次分析法，正是为了解决这类复杂的多准则决策问题而生的“算脑袋”工具。它由美国运筹学家托马斯·塞蒂在20世纪70年代提出，其核心思想是把一个复杂的决策问题分解为目标、准则、方案等层次，通过两两比较的方式，将人的主观判断进行量化，最终计算出各方案的权重或优劣排序。它巧妙地将定性与定量分析相结合，特别适合那些没有统一度量标准、难以完全用数据描述的决策场景。
简单来说，AHP帮你把“我觉得A比B好一点，C和D差不多”这种模糊的感觉，变成了“A的权重是0.35，B是0.25，C是0.20，D是0.20”这样清晰的数字。这不仅让决策过程变得透明、可追溯，也极大地提升了结论的说服力。无论是大学生参加数学建模竞赛，还是企业管理者进行战略评估，掌握AHP都相当于拥有了一把将主观经验转化为客观依据的钥匙。
2. AHP的核心四步：搭建框架、构造矩阵、计算权重与一致性检验
层次分析法的实施流程可以清晰地分为四个步骤，这四步环环相扣，构成了AHP方法论的骨架。理解并走通这四步，你就掌握了AHP的八成精髓。
2.1 第一步：建立层次结构模型
这是整个分析的基石，也是最需要思考和经验的一步。你需要把决策问题条理化、层次化，构建一个像金字塔一样的结构。
- 目标层（最高层）：问题的最终目的，即你要决策什么。例如：“选择最优的手机”、“评估最佳城市规划方案”。
- 准则层（中间层）：为实现总目标而设立的各项判断准则、子目标或属性。它可以有多层。例如，选择手机的准则层可以包括“硬件性能”、“用户体验”、“成本”等；而“硬件性能”下又可以细分为“处理器”、“内存”、“存储”等子准则。
- 方案层（最底层）：待选的各个方案、措施或对象。例如：“华为Mate 60”、“iPhone 15”、“小米14”。
搭建模型时，要确保同一层次的元素大致属于同一量级，且对上一层次的某个因素产生影响。一个好的层次结构应该要素齐全、逻辑清晰、层次分明。我个人的经验是，在建模初期，可以先用思维导图工具（如XMind）进行头脑风暴，罗列所有可能因素，再进行归类和分层，这样不容易遗漏重要准则。
2.2 第二步：构造判断（成对比较）矩阵
这是AHP将主观判断量化的关键步骤。对于从属于上一层次每个因素的同一层次诸因素，我们需要进行两两比较。比较时，塞蒂教授引入了一个1-9的标度法，来量化我们的判断。
1-9标度法的含义：
- 1：表示两个因素相比，具有同等重要性。
- 3：表示两个因素相比，一个因素比另一个因素稍微重要。
- 5：表示两个因素相比，一个因素比另一个因素明显重要。
- 7：表示两个因素相比，一个因素比另一个因素强烈重要。
- 9：表示两个因素相比，一个因素比另一个因素极端重要。
- 2, 4, 6, 8：表示上述相邻判断的中间值。
- 倒数：若因素i与因素j的重要性之比为a_ij，则因素j与因素i的重要性之比为a_ji = 1 / a_ij。
假设在“选择手机”的目标下，准则层有“性能(A)”、“拍照(B)”、“续航(C)”三个因素。我们针对“性能”这个上层因素，来比较这三个准则的重要性。经过思考，你认为：
- 性能比拍照明显重要（标度5）
- 性能比续航稍微重要（标度3）
- 拍照比续航介于稍微不重要和同等重要之间（标度1/2？这里需要谨慎，我们稍后讨论）
那么，我们就可以构造出一个3x3的判断矩阵：
| 性能(A) | 拍照(B) | 续航(C) | |
|---|---|---|---|
| 性能(A) | 1 | 5 | 3 |
| 拍照(B) | 1/5 | 1 | ? |
| 续航(C) | 1/3 | ? | 1 |
注意，矩阵的对角线元素都是1（自己比自己同等重要）。根据倒数规则，A比B是5，那么B比A就是1/5；A比C是3，那么C比A就是1/3。现在剩下B和C的比较值未知，需要你再次判断。如果你认为拍照比续航“稍微不重要”，那么标度可以取“稍微重要”的倒数，即1/3。但这里你感觉是介于“同等重要(1)”和“稍微不重要(1/3)”之间，这可能对应标度1/2。这里有一个非常重要的实操技巧：尽量避免使用偶数标度（2,4,6,8）及其倒数，除非你非常确信你的判断恰好处于两个奇数标度的正中间。因为奇数标度的语义更明确，而偶数标度容易引入歧义。在初期练习时，建议强迫自己在1,3,5,7,9及其倒数中做出选择，这能训练你的判断力。所以，这里我们或许可以重新评估：拍照和续航相比，是“同等重要(1)”还是“稍微不重要(1/3)”？假设我们最终判定为“同等重要”，则矩阵补充完整如下：
| 性能(A) | 拍照(B) | 续航(C) | |
|---|---|---|---|
| 性能(A) | 1 | 5 | 3 |
| 拍照(B) | 1/5 | 1 | 1 |
| 续航(C) | 1/3 | 1 | 1 |
这个矩阵就称为针对“选择手机”目标，其准则层元素之间的判断矩阵。
2.3 第三步：层次单排序与一致性检验
构造好判断矩阵后，我们需要计算这个矩阵的特征向量，这个特征向量就代表了各因素相对于其上层因素的权重，这个过程称为“层次单排序”。最常用的计算方法是“算术平均法”或“几何平均法”。
以算术平均法为例：
将判断矩阵的每一列归一化：即每一列的元素除以该列所有元素之和。 对于我们上面的矩阵： 第一列和：1 + 1/5 + 1/3 = 1 + 0.2 + 0.3333 = 1.5333 第二列和：5 + 1 + 1 = 7 第三列和：3 + 1 + 1 = 5
归一化后矩阵为：
性能(A) 拍照(B) 续航(C) 性能(A) 1/1.5333≈0.6522 5/7≈0.7143 3/5=0.6000 拍照(B) 0.2/1.5333≈0.1304 1/7≈0.1429 1/5=0.2000 续航(C) 0.3333/1.5333≈0.2174 1/7≈0.1429 1/5=0.2000 将归一化后的矩阵的每一行相加： 性能(A)行和：0.6522 + 0.7143 + 0.6000 = 1.9665 拍照(B)行和：0.1304 + 0.1429 + 0.2000 = 0.4733 续航(C)行和：0.2174 + 0.1429 + 0.2000 = 0.5603
将行和向量归一化，即得到权重向量W： 总和：1.9665 + 0.4733 + 0.5603 = 3.0001 性能权重 W_A = 1.9665 / 3.0001 ≈ 0.6555 拍照权重 W_B = 0.4733 / 3.0001 ≈ 0.1578 续航权重 W_C = 0.5603 / 3.0001 ≈ 0.1867
所以，权重向量 W = [0.6555, 0.1578, 0.1867]^T。这意味着，在“选择手机”时，你认为“性能”的权重高达65.55%，“拍照”占15.78%，“续航”占18.67%。
接下来是至关重要的一步：一致性检验。由于判断矩阵基于人的主观评分，可能会出现逻辑矛盾。例如，如果你认为A比B重要（3），B比C重要（3），那么理论上A应该比C重要（至少是3*3=9？）。但如果你在矩阵中给A比C的标度是2，这就产生了不一致。一致性检验就是用来衡量这种矛盾程度的。
计算最大特征值 λ_max：
- 首先计算判断矩阵A乘以权重向量W，得到一个新的向量AW。
A * W = |1 5 3| |0.6555| |1*0.6555 + 5*0.1578 + 3*0.1867| |1.9665| |1/5 1 1| * |0.1578| = |0.2*0.6555 + 1*0.1578 + 1*0.1867| ≈ |0.4733| |1/3 1 1| |0.1867| |0.3333*0.6555+1*0.1578+1*0.1867| |0.5603| - 然后，λ_max 近似等于 AW 的每个分量除以 W 对应分量的平均值。 λ_max ≈ (1.9665/0.6555 + 0.4733/0.1578 + 0.5603/0.1867) / 3 ≈ (3.000 + 3.000 + 3.000) / 3 = 3.000 （这是一个理想情况，因为我们的矩阵是完全一致的）
- 首先计算判断矩阵A乘以权重向量W，得到一个新的向量AW。
计算一致性指标 CI： CI = (λ_max - n) / (n - 1)，其中n为矩阵阶数（本例中n=3）。 CI = (3.000 - 3) / (3 - 1) = 0
查询平均随机一致性指标 RI： 这是一个通过随机实验得到的标准值，与矩阵阶数n有关。常用RI值如下表：
n 1 2 3 4 5 6 7 8 9 10 RI 0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 计算一致性比率 CR： CR = CI / RI 当CR < 0.10时，认为判断矩阵的一致性是可以接受的。否则，就需要调整判断矩阵中的标度值。
在本例中，CI=0，所以CR=0 < 0.1，通过检验。在实际操作中，由于主观判断的模糊性，CR很难为0，但只要小于0.1，我们就认为这个权重分配是合理可信的。
2.4 第四步：层次总排序与决策
层次单排序得到了每一层元素相对于其上一层某元素的权重。层次总排序，就是计算最底层（方案层）各元素相对于最高层（目标层）的权重总排序。这个过程是从最高层到最底层逐层合成的。
假设我们有三个手机方案：P1, P2, P3。我们已经得到了准则层对目标层的权重 W_Criteria = [0.6555, 0.1578, 0.1867]（性能、拍照、续航）。
现在，我们需要针对每一个准则，让专家或决策者对三个手机进行两两比较，构造新的判断矩阵，并计算每个手机在该准则下的权重（即层次单排序）。例如：
- 针对“性能”准则，比较P1, P2, P3的性能，得到权重向量 W_Performance = [w_p1, w_p2, w_p3]。
- 针对“拍照”准则，得到 W_Camera = [w_c1, w_c2, w_c3]。
- 针对“续航”准则，得到 W_Battery = [w_b1, w_b2, w_b3]。
那么，手机P1相对于总目标“选择最优手机”的最终得分（总权重）为：总权重(P1) = W_性能 * w_p1 + W_拍照 * w_c1 + W_续航 * w_b1= 0.6555 * w_p1 + 0.1578 * w_c1 + 0.1867 * w_b1
同理计算P2和P3的总权重。总权重最高的方案，即为最优方案。
注意：在计算方案层对每个准则的单排序时，同样需要进行一致性检验。只有当所有判断矩阵的一致性都可接受时，最终的总排序结果才是可靠的。
3. MATLAB实战：让AHP计算飞起来
手工计算AHP，对于3阶、4阶矩阵尚可应付，一旦准则和方案增多，计算量将急剧增大，且容易出错。这时，MATLAB就成为了我们的得力助手。下面我将演示如何用MATLAB实现AHP的核心计算，并分享一些实用的代码片段和技巧。
3.1 判断矩阵的输入与权重计算
首先，我们在MATLAB中定义判断矩阵。假设我们有一个4阶的判断矩阵（例如，准则层有4个因素）。
% 定义判断矩阵A A = [1, 3, 5, 7; 1/3, 1, 2, 5; 1/5, 1/2, 1, 3; 1/7, 1/5, 1/3, 1]; % 这是一个示例矩阵，体现了A1最重要，A4最不重要接下来，我们使用特征值法计算权重。特征值法的思想是，判断矩阵A的最大特征值对应的特征向量，归一化后就是权重向量。MATLAB的eig函数可以方便地计算特征值和特征向量。
% 方法一：特征值法 (更贴近AHP原理) [V, D] = eig(A); % V是特征向量矩阵，D是对角矩阵，对角线上是特征值 eigenvalues = diag(D); % 提取特征值 [max_eigval, max_index] = max(eigenvalues); % 找到最大特征值及其位置 weight_vector = V(:, max_index); % 取出对应的特征向量 weight_vector = abs(weight_vector); % 取绝对值（特征向量可能为复数或负值，AHP中取正） weight_vector = weight_vector / sum(weight_vector); % 归一化得到权重向量W1 disp('使用特征值法计算的权重：'); disp(weight_vector');除了特征值法，我们也可以实现之前提到的算术平均法（和法）和几何平均法（根法）作为对比或验证。
% 方法二：算术平均法（和法） [n, ~] = size(A); Sum_A = sum(A); % 对每一列求和 Stand_A = A ./ repmat(Sum_A, n, 1); % 矩阵每一列归一化 W2 = sum(Stand_A, 2) / n; % 对归一化后的矩阵每一行求和，再除以n disp('使用算术平均法计算的权重：'); disp(W2'); % 方法三：几何平均法（根法） Prod_A = prod(A, 2); % 对每一行求积 Prod_n_A = Prod_A .^ (1/n); % 开n次方 W3 = Prod_n_A / sum(Prod_n_A); % 归一化 disp('使用几何平均法计算的权重：'); disp(W3');运行后，你会发现三种方法计算出的权重向量非常接近。在实际应用中，特征值法是标准方法，但和法与根法计算简单，易于理解，且对于一致性较好的矩阵，结果差异很小。
3.2 一致性检验的自动化实现
一致性检验是AHP不可或缺的一环，我们必须用代码来实现它。
% 接上文，假设我们使用特征值法得到的权重向量 W = weight_vector % 最大特征值 max_eigval 前面已求得 % 1. 计算一致性指标 CI CI = (max_eigval - n) / (n - 1); % 2. 定义平均随机一致性指标 RI (这里定义到n=10) RI_Table = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46, 1.49]; if n <= length(RI_Table) RI = RI_Table(n); else % 对于大于10的阶数，可以使用近似公式 RI = 1.98*(n-2)/n RI = 1.98 * (n - 2) / n; warning('矩阵阶数n=%d > 10，RI值使用近似公式计算，结果仅供参考。', n); end % 3. 计算一致性比率 CR CR = CI / RI; disp(['最大特征值 λ_max = ', num2str(max_eigval)]); disp(['一致性指标 CI = ', num2str(CI)]); disp(['随机一致性指标 RI = ', num2str(RI)]); disp(['一致性比率 CR = ', num2str(CR)]); if CR < 0.10 disp('一致性检验通过！CR < 0.10，判断矩阵的一致性可以接受。'); else disp('一致性检验未通过！CR >= 0.10，请调整判断矩阵。'); % 这里可以添加一些辅助调整的建议，例如找出最不一致的元素 % 计算每个元素的相对贡献度（一种方法） AW = A * W; lambda_i = AW ./ W; % 每个分量近似的特征值 inconsistency = abs(lambda_i - max_eigval); [~, idx] = max(inconsistency); [row, col] = ind2sub(size(A), idx); fprintf('建议重点关注矩阵中第%d行第%d列的元素 a(%d,%d)=%.4f，其一致性贡献最大。\n', row, col, row, col, A(row, col)); end这段代码不仅完成了检验，还在未通过时给出了调整建议。它通过计算AW./W得到一组近似的特征值，与最大特征值偏差最大的那个分量，对应的原始判断矩阵元素可能最值得怀疑，调整它可能最有效地降低CR值。
3.3 封装成函数与层次总排序计算
为了提高代码的复用性，我们可以将AHP单层权重计算和一致性检验封装成一个函数。
function [W, CR, lambda_max] = ahp_weight(A) % AHP单层权重计算与一致性检验函数 % 输入：A - 判断矩阵 (方阵) % 输出：W - 权重向量 % CR - 一致性比率 % lambda_max - 最大特征值 % CI - 一致性指标 [n, m] = size(A); if n ~= m error('输入矩阵A必须为方阵！'); end % 使用特征值法计算权重 [V, D] = eig(A); eigenvalues = diag(D); [lambda_max, max_index] = max(real(eigenvalues)); % 取实部 W = real(V(:, max_index)); % 取实部 W = abs(W); % 取绝对值确保为正 W = W / sum(W); % 归一化 % 一致性检验 CI = (lambda_max - n) / (n - 1); RI_Table = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46, 1.49]; if n <= length(RI_Table) RI = RI_Table(n); else RI = 1.98 * (n - 2) / n; % 近似公式 end CR = CI / RI; end有了这个函数，层次总排序的计算就变得非常清晰。假设我们有3个准则，对目标的权重向量为W_Criteria，每个准则下针对3个方案的判断矩阵分别为A1, A2, A3。
% 假设数据 W_Criteria = [0.6; 0.3; 0.1]; % 准则层权重 % 方案层对每个准则的判断矩阵 A1 = [1, 2, 4; 1/2, 1, 3; 1/4, 1/3, 1]; % 准则1下的方案比较 A2 = [1, 1/3, 1/5; 3, 1, 1/2; 5, 2, 1]; % 准则2下的方案比较 A3 = [1, 5, 7; 1/5, 1, 3; 1/7, 1/3, 1]; % 准则3下的方案比较 % 计算每个准则下方案的权重 [W1, CR1] = ahp_weight(A1); [W2, CR2] = ahp_weight(A2); [W3, CR3] = ahp_weight(A3); % 检查一致性 if CR1<0.1 && CR2<0.1 && CR3<0.1 disp('所有方案层判断矩阵一致性检验通过。'); else error('存在方案层判断矩阵未通过一致性检验，请调整。'); end % 构造方案层权重矩阵 (每一列是一个方案在不同准则下的权重) Scheme_Weights = [W1, W2, W3]; % 注意：这里W1, W2, W3是列向量，拼成3x3矩阵 % 层次总排序：方案最终权重 = 准则层权重 * 方案层权重矩阵 Final_Weights = W_Criteria' * Scheme_Weights'; % 或者用 sum(W_Criteria .* Scheme_Weights, 1) % 更清晰的写法： Final_Weights = zeros(size(W1)); for i = 1:length(W_Criteria) Final_Weights = Final_Weights + W_Criteria(i) * Scheme_Weights(:, i); end disp('方案最终权重（总排序）：'); for i = 1:length(Final_Weights) fprintf('方案P%d: %.4f\n', i, Final_Weights(i)); end [~, best_idx] = max(Final_Weights); fprintf('\n最优方案是：P%d\n', best_idx);通过这样的代码组织，一个完整的AHP分析流程就自动化了。你可以轻松修改输入矩阵，快速得到不同决策场景下的结果。
4. 避坑指南：AHP实战中的常见陷阱与应对策略
层次分析法原理看似清晰，但在实际应用，尤其是数学建模竞赛中，新手很容易踩坑。下面我结合多年评审和指导经验，梳理出几个最常见的陷阱及应对策略。
4.1 准则层构建的“粒度”陷阱
问题：准则划分过粗或过细。过粗（如只分“技术”、“经济”、“社会”）导致每个准则下包含太多异质因素，难以进行合理的两两比较。过细则会导致层次结构过于庞大，构造的判断矩阵数量激增，工作量大且容易混乱，更重要的是，细化的准则之间可能存在高度相关性，违反AHP的独立性假设。
对策：遵循“MECE”原则（Mutually Exclusive, Collectively Exhaustive，相互独立，完全穷尽）。每个准则应相对独立，且同一层所有准则加起来能完整描述上一层次因素。一个实用的技巧是，将准则数量控制在3-7个。心理学研究表明，人对超过7个事物进行两两比较时，判断的一致性会显著下降。如果初始因素很多，可以先进行聚类，形成几个大的维度（一级准则），每个维度下再细分二级准则。
4.2 判断矩阵的“标度随意性”陷阱
问题：填写1-9标度时凭感觉乱填，导致矩阵一致性极差（CR远大于0.1），或者虽然CR勉强通过，但权重分布明显不合理（如某个极次要因素权重过高）。
对策：
- 建立比较锚点：先找出这组因素中最重要和最不重要的两个，赋予一个你认为合理的标度（如9或1/9）。然后以它们为基准，去评估其他因素。
- 反复提问：比较因素i和j时，不要想“i比j重要多少”，而是问“为了总目标，提升i的效用是提升j的效用的多少倍？”这有助于将模糊的“重要性”转化为更具体的“效用比”。
- 逆向检查：构造完矩阵后，看看计算出的权重是否符合你的整体直觉。如果某个你认为“一般重要”的因素权重却高达0.5，那肯定有问题，需要回头检查对应的标度。
- 团队决策时使用加权几何平均：如果有多位专家打分，不要简单算术平均他们的判断矩阵。应对每位专家给出的标度取几何平均数，再用这个平均标度构造综合判断矩阵。几何平均能更好地保持倒数关系。
4.3 一致性检验的“唯CR论”陷阱
问题：过分追求CR<0.1，甚至通过反复微调标度来“凑”出一个漂亮的CR值，而忽略了调整后的标度是否真实反映了你的判断。这本质上是“用数学修正主观”，本末倒置。
对策：理解一致性检验的本质是“逻辑自洽性检查”，而不是“准确性检查”。CR<0.1只说明你的判断没有大的逻辑矛盾，不代表你的判断一定正确。正确的流程是：先基于你的真实认知构造矩阵 -> 计算CR -> 如果CR过大（比如>0.2），说明你的判断可能存在矛盾，需要重新审视你的认知，而不是直接改数字 -> 在重新思考后，或许会发现之前对某个因素的定位有误，这时再修正标度 -> 重新计算。整个过程，主观判断是主导，数学工具是辅助验证和发现思维盲点的。
4.4 方案层比较的“标准缺失”陷阱
问题：在方案层进行两两比较时，感到无从下手。例如，比较两款手机的“性能”，你知道A芯片比B芯片好，但好多少？对应标度3还是5？
对策：为每个准则建立具体的、可操作的比较标准。例如：
- 性能：查芯片跑分（如Geekbench），计算分数比值。比值在1-1.2倍可视为同等重要(1)，1.2-1.5倍可视为稍微重要(3)，以此类推。或者，如果跑分是120分 vs 100分，那么重要性比例可以是120/100=1.2，近似对应标度1或3？这里需要引入一个映射规则。
- 价格：直接使用价格的倒数比或差值比。例如，价格越低越好。A手机3000元，B手机4000元。对于“成本”准则，A相对于B的重要性可以是 (4000/3000) ≈ 1.33，对应标度3？更稳健的做法是设定价格区间，低于某个值为“极端重要(9)”，位于某个区间为“明显重要(5)”等。
- 定性指标：如“外观设计”，可以分解为几个子维度（材质、手感、色彩），先对子维度用AHP，再综合，或者采用德尔菲法（专家背对背打分）确定标度。
核心在于：尽可能为比较找到客观依据，即使不能完全量化，也要建立清晰的评价等级描述，让判断有据可依。
4.5 MATLAB计算中的“特征向量”陷阱
问题：在MATLAB中使用eig函数时，直接取第一个特征向量或对复数/负值特征向量处理不当。
对策：
- 确保取最大特征值对应的特征向量：使用
[max_eigval, max_index] = max(diag(D));定位。 - 处理复数：判断矩阵是正互反矩阵，理论上最大特征值是实数，但由于计算精度，
eig函数可能返回极小的虚部。用real()函数取实部即可。 - 处理负值：特征向量可能所有分量同号，也可能有正有负。AHP中权重应为正数。通常取绝对值
abs()。但更严谨的做法是，如果特征向量分量有正有负，说明你的判断矩阵可能存在问题（如标度设置导致矩阵性质改变），需要回头检查。 - 归一化：最后一定要对特征向量进行归一化，使其和为1。
- 验证：用简单的算术平均法或几何平均法计算权重，与特征值法的结果进行交叉验证。如果差异很大，优先检查判断矩阵和特征值计算代码。
5. 超越基础：AHP的局限性与进阶方法探讨
没有任何方法是万能的，AHP也不例外。了解它的局限性，并知道在什么情况下可以寻求更高级的方法，是成为建模高手的必经之路。
5.1 AHP的固有局限性
- 主观性依赖：AHP的根基是主观判断矩阵。专家的知识、经验和偏见会直接影响结果。所谓“垃圾进，垃圾出”。
- 标度局限：1-9标度法虽然经典，但有时不足以精细区分差异。例如，当两个因素重要性相差20倍时，最大标度9也显得力不从心。
- 独立性假设：AHP要求同一层次的元素相互独立。现实中很多因素存在相关性（如“GDP”和“财政收入”），强行使用AHP会扭曲权重。
- 方案增减敏感性：增加或减少一个方案，可能会导致原有方案的排序发生变化，这在某些决策中是不希望看到的（称为“排名逆转”问题）。
- 层次结构固定：AHP要求预先确定完整的层次结构。对于动态的、元素间关系复杂的系统问题，构建静态层次结构可能过于简化。
5.2 模糊层次分析法
为了处理判断的模糊性，模糊集理论被引入AHP，形成了模糊层次分析法。它允许专家用三角模糊数（如“大约5”，表示为(3,5,7)）或梯形模糊数来表示判断，而不是一个确切的数字。这更符合人类“模糊判断”的思维方式。计算过程涉及模糊数的运算和去模糊化，最终得到权重。FAHP能更好地容纳不确定性，但计算更为复杂。
5.3 与熵权法结合（AHP-熵权法组合赋权）
这是数学建模中非常流行且实用的策略，用于克服AHP纯主观的缺点。
- AHP（主观赋权）：体现决策者的经验和战略意图。
- 熵权法（客观赋权）：基于各方案在不同指标下的实际数据，利用信息熵计算指标的离散程度。数据离散程度越大（即该指标区分方案的能力越强），熵权越大。
- 组合赋权：将AHP得到的主观权重与熵权法得到的客观权重，通过线性加权（如各占50%）、乘法合成等方法结合起来，得到综合权重。
这种方法既考虑了主观偏好，又尊重了客观数据，使得评价结果更加全面、可靠。在建模论文中，采用这种组合模型通常能显著提升模型的科学性和说服力。
5.4 网络层次分析法
当系统内元素存在复杂的相互依存和反馈关系，而不仅仅是简单的层次关系时，T.L. Saaty又提出了ANP。ANP将系统元素分为控制层和网络层，允许同层或不同层元素之间相互影响，用“超矩阵”来刻画这种复杂的网络关系，最终计算极限超矩阵得到权重。ANP能处理更复杂的决策问题，但建模和计算难度也大大增加。
如何选择？
- 对于元素关系清晰、相对独立的简单或中等复杂决策，经典AHP足矣。
- 如果决策者判断模糊，或需要容纳不确定性，考虑模糊AHP。
- 如果同时拥有专家经验和客观数据，强烈推荐AHP-熵权法组合，这是竞赛中的“加分项”。
- 如果元素间存在明显的相互影响、依赖和反馈（如供应链评价、生态系统分析），则需要研究ANP。
掌握层次分析法，不仅仅是学会一套计算流程，更是掌握了一种将复杂问题结构化、将主观思维量化的系统思维方式。从小心翼翼地构造第一个判断矩阵，到用MATLAB一键生成分析报告，再到洞察其局限并融合其他方法，这个过程本身，就是建模能力成长的缩影。在实际应用中，不妨多问自己几个“为什么”：为什么选这几个准则？这个标度3的依据是什么？如果换一组专家，结果会大变吗？这些思考，远比机械地跑通程序更有价值。
