1. 从“拍脑袋”到“算清楚”：为什么我们需要层次分析法
做项目、选方案、评绩效，甚至决定中午吃什么，我们每天都在做决策。很多决策，尤其是涉及多个因素、多个方案的复杂决策，往往最后都变成了“拍脑袋”或者“凭感觉”。比如，公司要采购一批服务器，A品牌性能强但价格贵，B品牌性价比高但售后一般，C品牌售后好但性能中等。老板问你选哪个，你可能会说：“我觉得B不错，综合来看最好。” 但“综合”是怎么来的？每个因素在你心里到底占多大分量？这个分量合理吗？能说服别人吗？
层次分析法（Analytic Hierarchy Process, AHP）就是为了解决这个“拍脑袋”问题而生的。它由美国运筹学家托马斯·塞蒂在20世纪70年代提出，核心思想是把一个复杂的多目标决策问题，分解为目标、准则、方案等层次，然后通过两两比较的方式，计算出每个因素相对于上层因素的权重，最终得出各个方案的综合排序。简单说，就是把你的“感觉”量化成“分数”，让决策过程变得透明、可追溯、可讨论。
为什么用MATLAB来做AHP？因为AHP的核心计算——构造判断矩阵、计算权重、一致性检验——涉及矩阵运算和特征值计算。手工算一个3x3的矩阵还能应付，一旦准则层有5、6个，方案层再有4、5个，计算量就会指数级增长，而且极易出错。MATLAB作为强大的数学计算工具，处理矩阵就像计算器做加减法一样简单。你只需要输入你的“感觉”（两两比较的结果），它就能瞬间给你“算清楚”的答案。对于数学建模竞赛或者需要快速原型验证的场景，用MATLAB实现AHP是最高效的选择。
接下来，我会带你用大约六分钟的核心思路，理解AHP在MATLAB中的实现骨架。然后，我们会深入每个环节的细节、原理和避坑指南，让你不仅能“跑通代码”，更能“吃透方法”，在下次需要做决策时，能自信地拿出一个有数据支撑的方案。
2. AHP的核心四步与MATLAB实现骨架
理解AHP，关键在于抓住四个核心步骤：建立层次结构模型、构造判断矩阵、层次单排序及一致性检验、层次总排序及一致性检验。我们结合一个经典例子——为一位研究生选择最合适的大学（方案层），考虑的因素（准则层）有：学术声誉、研究资源、地理位置、生活成本。目标是选择最佳大学（目标层）。
2.1 第一步：建立层次结构模型
这一步是定性分析，把问题条理化、层次化。通常分为三层：
- 目标层（Top）：决策的最终目的。本例中就是“选择最佳研究生院校”。
- 准则层（Criteria）：衡量目标实现程度的判断标准。本例中有四个准则：C1学术声誉，C2研究资源，C3地理位置，C4生活成本。
- 方案层（Alternatives）：可供选择的实体。假设有三个备选学校：S1学校A，S2学校B，S3学校C。
用思维导图或者简单的文本层级表示出来即可，这是后续所有计算的基础。
2.2 第二步：构造判断矩阵
这是AHP定量化的开始，也是最体现决策者主观判断的一步。我们需要对同一层次的因素，针对上一层某个因素的重要性进行两两比较。 塞蒂教授引入了1-9标度法来衡量重要性：
| 标度 | 含义 |
|---|---|
| 1 | 两个因素相比，同等重要 |
| 3 | 两个因素相比，一个因素比另一个因素稍微重要 |
| 5 | 两个因素相比，一个因素比另一个因素明显重要 |
| 7 | 两个因素相比，一个因素比另一个因素强烈重要 |
| 9 | 两个因素相比，一个因素比另一个因素极端重要 |
| 2, 4, 6, 8 | 上述相邻判断的中间值 |
| 倒数 | 若因素i与j的重要性之比为a_ij，则因素j与i的重要性之比为a_ji = 1/a_ij |
例如，对于目标“选择最佳院校”，你认为“学术声誉（C1）”比“生活成本（C4）”明显重要，那么比较值a_14 = 5。反之，a_41 = 1/5。
我们需要构造多个判断矩阵：
- 准则层对目标层的判断矩阵（A）：比较四个准则（C1-C4）对于“选择最佳院校”的重要性。这是一个4x4的矩阵。
- 方案层对每个准则的判断矩阵（B1, B2, B3, B4）：分别针对每个准则，比较三个学校（S1-S3）的优劣。例如，单就“学术声誉（C1）”这个准则，比较S1, S2, S3哪个更好。这会得到四个3x3的矩阵。
在MATLAB里，我们直接以矩阵形式输入这些数据。例如，准则层矩阵A可能如下（数值为假设）：
% 准则层对目标层的判断矩阵 A % 顺序: [学术声誉(C1); 研究资源(C2); 地理位置(C3); 生活成本(C4)] A = [1, 3, 5, 7; % C1 vs C1, C2, C3, C4 1/3, 1, 3, 5; % C2 vs C1, C2, C3, C4 1/5, 1/3, 1, 3; % C3 vs C1, C2, C3, C4 1/7, 1/5, 1/3, 1]; % C4 vs C1, C2, C3, C4 % 解读：第一行表示，C1比C2稍微重要(3)，比C3明显重要(5)，比C4强烈重要(7)。2.3 第三步：层次单排序及一致性检验
这一步的目的是计算每个判断矩阵中，各因素相对于其上层因素的权重向量，并检查我们的判断逻辑是否自洽。
1. 计算权重向量（常用方法：特征值法）理论上，对于一致的判断矩阵A，其最大特征值λ_max对应的特征向量归一化后就是权重向量W。MATLAB可以轻松计算。
[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 lambda_max = max(max(D)); % 找出最大特征值 % 找到最大特征值所在列 [max_lambda_col] = find(D == lambda_max); % 取出对应的特征向量 w = V(:, max_lambda_col(1)); W = w / sum(w); % 归一化得到权重向量 disp('准则层权重W_A:'); disp(W);更常用的是一种近似简便的方法——算术平均法（和法），对于建模和一般应用足够且稳定：
% 1. 将判断矩阵A的每一列归一化 [n, ~] = size(A); A_norm = A ./ sum(A); % 按列归一化 % 2. 将归一化后的矩阵按行求和 row_sum = sum(A_norm, 2); % 3. 将行和向量归一化，即得权重向量W W = row_sum / sum(row_sum); disp('准则层权重W_A (和法):'); disp(W);2. 一致性检验人不是机器，在两两比较时难免会出现“A比B重要，B比C重要，但C又比A重要”这种逻辑矛盾。一致性检验就是用来衡量这种矛盾程度的。
- 计算一致性指标CI：
CI = (λ_max - n) / (n - 1)。其中n为矩阵阶数。 - 查询平均随机一致性指标RI：这是一个经验值，与矩阵阶数n有关。
| 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。
黄金准则：当CR < 0.1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元素。
MATLAB代码实现一致性检验：
% 接上文计算权重W后 % 计算最大特征值λ_max (近似值) lambda_max = mean((A * W) ./ W); % 计算一致性指标CI CI = (lambda_max - n) / (n - 1); % 定义RI值（这里以n=4为例） RI = 0.89; % 查表得n=4时，RI=0.89 % 计算一致性比率CR CR = CI / RI; disp(['一致性指标CI: ', num2str(CI)]); disp(['一致性比率CR: ', num2str(CR)]); if CR < 0.1 disp('一致性检验通过！'); else disp('一致性检验未通过，请调整判断矩阵！'); end2.4 第四步：层次总排序及一致性检验
这一步是汇总，目的是计算方案层（学校）对于总目标（选择最佳院校）的最终权重。
- 计算方案层对每个准则的权重：对第二步中构造的四个方案层判断矩阵B1, B2, B3, B4，分别重复第三步，得到四个权重向量W_B1, W_B2, W_B3, W_B4。每个向量表示在该准则下，各个学校的优劣。
- 合成总权重：将方案层相对于每个准则的权重，用准则层相对于目标的权重进行加权合成。
总权重向量 = [W_B1, W_B2, W_B3, W_B4] * W_A其中，W_A是准则层权重向量（4x1），[W_B1, W_B2, W_B3, W_B4]是一个3x4的矩阵，每一列是一个准则下的方案权重。 - 层次总排序的一致性检验：这是一个递推公式，通常如果每个单排序的一致性尚可，总排序的一致性也会被接受。在MATLAB中，我们可以计算总排序的一致性比率，其值也应小于0.1。
% 假设已计算出： % W_A: 准则层权重 (4x1) % W_B1, W_B2, W_B3, W_B4: 方案层对四个准则的权重 (均为3x1) % CI_A: 准则层矩阵的一致性指标 % CI_B1, CI_B2, CI_B3, CI_B4: 各方案层矩阵的一致性指标 % RI_A, RI_B1...: 对应的随机一致性指标 % 构建方案权重矩阵 (3行方案 x 4列准则) W_B_matrix = [W_B1, W_B2, W_B3, W_B4]; % 计算方案层总排序权重 Total_Weight = W_B_matrix * W_A; % (3x4) * (4x1) = (3x1) disp('各方案总权重（学校综合得分）:'); disp(Total_Weight); % 层次总排序一致性检验（可选但建议） CI_total = [CI_B1, CI_B2, CI_B3, CI_B4] * W_A; RI_total = [RI_B1, RI_B2, RI_B3, RI_B4] * W_A; CR_total = CI_total / RI_total; if CR_total < 0.1 disp('层次总排序一致性检验通过！'); else disp('层次总排序一致性未通过，请检查底层判断矩阵。'); end % 根据总权重排序，选择最优方案 [score, rank] = sort(Total_Weight, 'descend'); disp('方案排序（从优到劣）:'); disp(rank); disp('对应得分:'); disp(score);至此，一个完整的AHP流程就在MATLAB中实现了。从输入主观的两两比较数据，到输出客观的、带有一致性检验的方案排序，整个过程清晰可控。
3. 实操中的关键细节与“踩坑”指南
理论流程看起来清晰，但自己动手时，总会遇到一些代码跑不通、结果不合理的情况。下面是我在多次使用MATLAB实现AHP时总结的几个关键细节和常见问题。
3.1 判断矩阵的构造：主观性与技巧
这是AHP中最具“艺术性”也最容易出错的一步。你的判断矩阵直接决定了结果的合理性。
- 避免极端赋值：除非两个因素差异真的天壤之别，否则尽量避免使用7和9。过度夸张的重要性比较会放大主观误差，容易导致一致性检验失败。
- 先定性，后定量：在打分前，先在心里对同一层的因素排个序。比如，对于选学校，你可能认为：学术声誉 > 研究资源 ≈ 地理位置 > 生活成本。有了这个定性排序，再根据标度法去填充矩阵，会更有逻辑，矩阵也更容易满足一致性。
- 利用倒数关系：只需要填写矩阵的上三角部分（i<j的部分），下三角部分用倒数自动生成，可以保证矩阵的互反性。MATLAB中可以用循环快速构建。
% 假设我们已经有了上三角部分的比较值（不包括对角线） comp_values = [3, 5, 7; % C1 vs C2,C3,C4 3, 5; % C2 vs C3,C4 3]; % C3 vs C4 % 构建完整判断矩阵A n = 4; A = ones(n); % 初始化全1矩阵 k = 1; for i = 1:n-1 for j = i+1:n A(i, j) = comp_values(k); A(j, i) = 1 / comp_values(k); % 下三角为倒数 k = k + 1; end end % 对角线保持为1 for i = 1:n A(i, i) = 1; end disp(A);
3.2 特征值法 vs. 和积法：该选哪一个？
理论上，特征值法是AHP的“正统”方法。但在MATLAB实际使用中，特别是对于阶数不高（n<10）且一致性尚可的矩阵，和积法（算术平均法）是更稳妥、更常用的选择。
- 原因1：稳定性。
eig函数计算特征值时，对于接近一致的矩阵，最大特征值对应的特征向量可能对微小扰动敏感，有时甚至会得到复数特征值（虽然概率极低），导致权重向量计算不稳定。和积法是一种确定的算术运算，结果总是稳定的实数。 - 原因2：计算简便。和积法的逻辑简单直观，代码易于理解和调试。
- 原因3：结果近似。对于满足一致性的矩阵，两种方法结果相同；对于轻微不一致的矩阵，两种方法结果非常接近，不影响决策排序。
我的建议：在数学建模或一般应用中，优先使用和积法计算权重。特征值法可以作为验证或理论探讨使用。你可以将两种方法的结果都算出来对比，如果差异很大，那说明你的判断矩阵一致性可能很差，需要首先调整矩阵。
3.3 一致性检验未通过怎么办？
这是新手最常遇到的问题。CR > 0.1，程序提示检验不通过。
- 首先检查矩阵输入错误：这是最常见的原因。仔细核对每个上三角元素是否符合你的真实判断，检查倒数关系是否正确生成。一个数字输错（比如把3输成1/3）会彻底破坏一致性。
- 回顾你的定性排序：你的打分是否违背了心中的排序？例如，你认为A>B，B>C，那么A必须大于C。如果你的打分导致A<C，就会产生严重不一致。检查所有这种传递关系。
- 微调数值：如果逻辑没问题，只是数值上导致不一致，可以尝试微调。通常调整标度值较大的元素（如5,7,9）效果更明显。例如，把某个“明显重要(5)”稍微下调为“稍微重要(4)”或“介于两者之间(4.5)”，再重新计算CR。
- 使用MATLAB辅助调整：可以写一个简单的循环，在合理范围内随机扰动矩阵元素，寻找满足CR<0.1的矩阵。但这只是技术手段，调整后的矩阵必须经过你的主观确认，确保它仍然反映你的真实判断，否则就失去了AHP的意义。
- 接受轻微的不一致：对于高阶矩阵（n>5），完全一致几乎不可能。CR略大于0.1（如0.12）有时也可根据问题背景酌情接受，但需要在论文或报告中说明。对于重要决策，建议严格遵循CR<0.1。
3.4 权重结果解读与敏感性分析
算出总权重后，比如学校S1:0.45， S2:0.35， S3:0.20。不能只看排序就结束。
- 差距分析：S1和S2差距是0.1，S2和S3差距是0.15。这意味着S1相对于S2的优势，可能不如S2相对于S3的优势那么明显。如果某些准则的权重发生变化（敏感性分析），S1和S2的排名有可能逆转。
- 进行敏感性分析：这是很多初学者会忽略的，但却是体现分析深度的关键。改变某个你认为不确定的准则权重（比如“生活成本”的重要性），观察最终方案排序是否稳定。
通过这个分析，你可以知道你的决策结论在多大程度上依赖于某个不确定的判断，从而使你的决策建议更加稳健、有说服力。% 敏感性分析示例：改变“生活成本(C4)”的权重 W_A_original = W_A; % 原始准则权重 sensitivity_range = 0.7:0.05:1.3; % 将C4权重在70%到130%之间变化 rank_history = []; for alpha = sensitivity_range W_A_modified = W_A_original; W_A_modified(4) = W_A_original(4) * alpha; % 修改第4个准则（生活成本）的权重 W_A_modified = W_A_modified / sum(W_A_modified); % 重新归一化 Total_Weight_modified = W_B_matrix * W_A_modified; [~, rank] = sort(Total_Weight_modified, 'descend'); rank_history = [rank_history; rank']; % 记录每次的排名 end % 绘制排名变化图（需要plot） figure; plot(sensitivity_range, rank_history, '-o'); xlabel('生活成本权重变化系数'); ylabel('学校排名 (1最优, 3最差)'); legend('学校A', '学校B', '学校C'); grid on;
4. 封装与进阶：打造你的AHP工具箱
每次做AHP都重写一遍代码是低效的。我们可以将核心流程封装成函数，形成一个自己的AHP工具箱。
4.1 核心函数封装
我们可以创建三个主要函数：
ahp_weight：输入判断矩阵，输出权重向量、最大特征值、CI、CR。ahp_consistency_check：专门进行一致性检验并给出提示。ahp_sensitivity：进行简单的敏感性分析。
以下是ahp_weight函数的示例：
function [W, lambda_max, CI, CR] = ahp_weight(A, method) % AHP权重计算函数 % 输入： % A - 判断矩阵 (n x n) % method - 计算方法：'mean'为和积法（默认），'eigen'为特征值法 % 输出： % W - 权重向量 (n x 1) % lambda_max - 最大特征值 % CI - 一致性指标 % CR - 一致性比率 if nargin < 2 method = 'mean'; % 默认使用和积法 end [n, m] = size(A); if n ~= m error('判断矩阵A必须是方阵！'); end RI_table = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46, 1.49]; % RI表 switch method case 'mean' % 和积法（算术平均法） % 列归一化 A_norm = A ./ sum(A); % 按行求和并归一化 W = sum(A_norm, 2) / sum(sum(A_norm, 2)); % 计算最大特征值（近似） lambda_max = mean((A * W) ./ W); case 'eigen' % 特征值法 [V, D] = eig(A); eigenvalues = diag(D); lambda_max = max(real(eigenvalues)); % 取实部最大值 idx = find(real(eigenvalues) == lambda_max, 1); w = V(:, idx); W = w / sum(w); otherwise error('计算方法只能是 "mean" 或 "eigen"！'); end % 一致性检验 CI = (lambda_max - n) / (n - 1); if n <= length(RI_table) RI = RI_table(n); else % 对于n>10，可用近似公式 RI = 1.98*(n-2)/n RI = 1.98 * (n - 2) / n; warning('矩阵阶数n=%d > 10，使用近似RI值 %.3f。结果仅供参考。', n, RI); end CR = CI / RI; % 输出检验结果 fprintf('最大特征值 lambda_max = %.4f\n', lambda_max); fprintf('一致性指标 CI = %.4f\n', CI); fprintf('一致性比率 CR = %.4f\n', CR); if CR < 0.1 fprintf('--> 一致性检验通过 (CR < 0.1)。\n'); else fprintf('--> 警告：一致性检验未通过 (CR >= 0.1)！建议调整判断矩阵。\n'); end end4.2 处理残缺判断与群决策
现实情况可能更复杂：
- 残缺判断：有时决策者无法对某些因素进行两两比较（例如，对两个领域完全不熟悉）。AHP允许判断矩阵中存在空缺（用0或NaN表示），并通过一些算法（如对数最小二乘法）来估算缺失值并求权重。MATLAB中可以使用优化工具箱（
lsqnonlin）来求解。 - 群决策：多个专家打分如何汇总？常见方法有：
- 加权算术平均：根据专家权威性赋予不同权重，对各专家的判断矩阵元素或最终权重向量进行加权平均。
- 几何平均：对多位专家给出的标度值求几何平均数，用这个“综合”的判断矩阵进行计算。这种方法能较好地保持互反性，是更推荐的方式。
% 假设有3个专家给出的判断矩阵 A_exp1, A_exp2, A_exp3 % 计算几何平均判断矩阵 A_group = (A_exp1 .* A_exp2 .* A_exp3) .^ (1/3); % 然后对 A_group 进行常规AHP计算 [W_group, ~, ~, ~] = ahp_weight(A_group);
4.3 可视化：让结果一目了然
一长串数字不如一张图直观。我们可以用MATLAB的绘图功能增强结果展示。
- 权重条形图：直观展示各准则或各方案的权重对比。
figure('Position', [100, 100, 800, 400]); subplot(1,2,1); bar(W_A); set(gca, 'XTickLabel', {'学术声誉','研究资源','地理位置','生活成本'}); ylabel('权重'); title('准则层权重分布'); grid on; subplot(1,2,2); bar(Total_Weight); set(gca, 'XTickLabel', {'学校A','学校B','学校C'}); ylabel('综合得分'); title('方案层总排序结果'); grid on; - 雷达图（蜘蛛网图）：非常适合展示每个方案在不同准则下的表现。
figure; % W_B_matrix 是 3x4 矩阵，行是方案，列是准则 P = radarChart(W_B_matrix'); % 需要自定义或使用File Exchange中的radarChart函数 % 设置坐标轴标签 % ... (具体绘图代码略，可根据需要查找radar图绘制方法) legend('学校A', '学校B', '学校C', 'Location', 'best'); title('各方案在不同准则下的表现对比');
良好的可视化不仅能提升报告质量，也能帮助你自己和他人更快地理解决策依据和各方案的优劣。
通过以上四个部分的拆解，你已经从“知道AHP是什么”进阶到“能用MATLAB稳健地实现AHP，并理解其背后的每一个细节和潜在问题”。记住，工具（MATLAB）只是帮你从繁复计算中解脱出来，而AHP的精髓在于严谨的层次构建和审慎的两两比较。下次面对复杂决策时，不妨试着用它来把你的“直觉”梳理成有据可依的“分析”，这本身就是一种有价值的思维训练。
