ahp（暗黑破坏神）

本篇文章给大家谈谈ahp
，以及暗黑破坏神对应的知识点，希望对各位有所帮助 ，不要忘了收藏本站喔
。

数码资讯一览：

• 1、层次分析法cr为什么要小于0.1?
• 2 、AHP和FAHP有什么区别?
• 3
  、请问ahp层次分析法输出结果里面ci,ri,cr是指什么?

层次分析法cr为什么要小于0.1?

层次分析法（ahp）中的一致性检验是评估判断矩阵是否合理的重要步骤。一致性指标CI不能小于0
，而CR（一致性比率）则需小于0.1，以确保判断矩阵达到一致性要求 。尽管有时CR可以等于0 ，但这并不意味着矩阵完全一致
。如果CR为负值
，则可能表明数值输入有误。

CI不能为负值，如果C.I为负值的话 ，那么CR=CI/RI
，CR也就为负值了，CR小于0.1才满足一致性 。CI如果为负值 ，要么是计算错误了
，检查一下计算过程；另一种，要么是你构建的判断矩阵有问题 ，再调整矩阵里面数值的两两比较关系
。最后，还有一种
，此判断矩阵无法通过一致性检验。

层次分析法中一致性检验指标CI不可以小于0，CR小于0.1判断矩阵才满足一致性检验 ，有时候可以等于0
，但不能为负 。若为负的话，说明数值错了
。层次分析法（Analytic Hierarchy Process ，简称AHP）是将与决策总是有关的元素分解成目标、准则 、方案等层次
，在此基础之上进行定性和定量分析的决策方法。

CR值是CI值与RI值的比值，用于评估判断矩阵的一致性程度 。若CR值小于0.1 ，则矩阵满足一致性检验
。以CI值0.024与RI值0.890为例
，计算得到的CR值为0.027，小于0.1 ，表明判断矩阵通过一致性检验。AHP层次分析法可借助SPSSAU等在线工具进行计算
，操作简便 。

AHP和FAHP有什么区别?

1
、建立的判断矩阵不同：在AHP中是通过元素的两两比较建立判断一致矩阵；而在FAHP中通过元素两两比较建立模糊一致判断矩阵。求矩阵中各元素的相对重要性的权重的方法不同：在模糊层次分析中，作因素间的两两比较判断时 ，如果不用三角模糊数来定量化，而是采用一个因素比另一个因素的重要程度定量表示
，则得到模糊判断矩阵
。

2、FAHP通过将传统AHP中的定量判断转化为模糊数，能够更准确地反映这种现实中的不确定性 ，从而为决策者提供更可靠的决策依据。与层次分析法的关系层次分析法（AHP）本身是一种定性与定量相结合的系统分析方法 。

3 、与传统的层次分析法（AHP）相比
，FAHP对AHP的某些问题进行了改进，提高了决策过程的准确性
。FAHP主要有两种形式：基于模糊数的处理和基于模糊一致性矩阵的方法。后者特别适用于具有多个评价指标和相对复杂系统的决策问题 。FAHP为选择最佳方案提供了量化的参考依据 ，并在多个领域得到了广泛应用
。

4
、模糊法：模糊法适用于处理具有模糊性的评价问题。它通过构建模糊评价矩阵
，利用模糊数学的理论和方法，对评价对象的多个指标进行综合评价 ，从而确定各指标的权重 。模糊层次分析法（FAHP）：模糊层次分析法是层次分析法与模糊法的结合
。

5、层次分析法（AHP）通过构建判断矩阵进行两两比较
，计算指标权重，适用于结构复杂 、需分层分析的场景；模糊层次分析法（FAHP）在其基础上引入模糊数学 ，增强了对不确定性的处理能力。优序图法采用0-0.5-1三值评分机制
，通过两两比较确定指标优先级，操作简单但主观性较强 。

6
、AHP层次分析法 简介：AHP层次分析法是一种定性和定量的计算权重的研究方法 ，采用两两比较的方法建立矩阵，利用数字大小的相对性原理
，最终计算得到每个因素的重要性
。适用场景：适用于有多个层次的综合评价中。

请问ahp层次分析法输出结果里面ci,ri,cr是指什么?

RI值则代表随机一致性指标，可根据矩阵阶数查阅对应表格获取 。CR值是CI值与RI值的比值 ，用于评估判断矩阵的一致性程度。若CR值小于0.1
，则矩阵满足一致性检验
。以CI值0.024与RI值0.890为例，计算得到的CR值为0.027 ，小于0.1
，表明判断矩阵通过一致性检验。AHP层次分析法可借助SPSSAU等在线工具进行计算，操作简便 。

在层次分析法（AHP）中 ，求取最大特征根λmax、一致性指标CI 、随机一致性指数RI和一致性比率CR是评估判断矩阵一致性的关键步骤
。首先
，CI的计算公式为CI=λmax-n/（n-1），其中λmax是通过求解成对比较矩阵Q的特征值得到的 ，公式为λ=∑（aijWj）/Wi
，aij是矩阵中的元素，Wi是每个元素的权重。

层次分析法（AHP）中 ，求最大特征根λmax、一致性指标CI和随机一致性指标RI的计算方法可以分为以下步骤： **计算λmax和对应特征向量W**：通过矩阵Q（成对比较矩阵）进行特征值分解，`[v
， d] = eig（Q）`，其中`lamda`是最大特征值 ，`lamda = max（max（d）` 。