CN104834987A - 基于层次分析的量化决策方法及系统 - Google Patents

Abstract

本发明提供了一种基于层次分析的量化决策方法，包括：对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；根据所述递阶层次结构，生成各准则的判断矩阵；对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验，若未通过一致性检验，则对所述判断矩阵进行调整；根据所述层次总排序的权值，得到最终的决策方案。本发明提供了一种基于层次分析的量化决策系统，包括建模模块、判断矩阵生成模块、检验模块、调整模块及决策模块。本发明能够降AHP方法的主观随意性，更合理地对一些较为负载和模糊的问题作出决策。

Description

基于层次分析的量化决策方法及系统

技术领域

本发明涉及数据挖掘技术领域，尤其涉及基于层次分析的量化决策方法及系统。

背景技术

现代作战指挥量化决策的特点主要体现在三个方面：一是决策的层次性，作战行动要求严格的集中统一指挥。指挥决策必须符合上级意图，表现为决策目标的层次性。层次性指本级目标是上级达到目标的手段，而下级目标是本级达到目标的手段。因此，决策时确定本级目标同时要考虑上级目标和下级目标，分清目标与手段。二是决策条件的盖然性。作战指挥决策的条件带有极大地不确定性。常常在情报资料不完全，可靠程度有限的条件下决策。指挥决策必须考虑不确定性因素，选择情况的大略要点，选择带有较大适应范围的决策或带有适当可承受风险的决策，而不是企求从精确性方面把握事物演变的细节或追求唯一正确的决策。三是决策目的的对抗性。作战双方都力图用自己的决策影响对方，决策指挥不仅要考虑自己方面环境的约束，还必须考虑自己每一行动可能引起敌方的反应行动，并针对敌方的可能行动预计下一步的对策。

现有的作战指挥量化决策方法可以分为三类：一是传统的运筹学方法，这种方法适用于良性结构的决策问题，能给出一定意义上的最佳解。技术层次的决策问题和部分战术决策问题，常常使用这种方法。二是人工智能方法。目前用于决策人工智能技术主要是专家系统或更广泛意义上的知识基系统。三是判断分析方法。辅助决策者根据自己的判断和偏好，从多个备选方案中选择一个优选方案的一套概念和形式逻辑方法，要求决策者对每一备选方案的各个可能结果的似然性及对结果的偏好程度做出判断，是分析人员与决策人员交互、定性与定量相结合的方式辅助决策的有力工具，特别适用于半结构性的决策问题。层次分析法(Analytic Hierarchy Process，AHP)是一种综合了定性与定量分析、使人脑决策思维模型化的评估方法，是由美国著名运筹学家匹兹堡大学教授R.L.Saaey萨迪提出的，专为解决复杂系统评估的方法。运用层次分析法建模，大体上可按下面四个步骤进行：建立递阶层次结构模型；构造各层次所有判断矩阵；层次单排序及一致性检验；层次总排序及一致性检验。层次分析法针对由相互关联、相互制约的众多因素构成的复杂系统，提供了一种简洁、实用的评估方法。

从整体上看，层次分析法是一种测度难于量化的复杂问题的手段，它能在复杂决策过程中引入定量分析，并充分利用评估者在两两比较中给出的偏好信息进行分析与决策支持，既有效地吸收了定性分析的结果，又发挥了定量分析的优势，从而使评估过程具有很强的条理性和科学性。适于人的定性判断起重要作用的、对评估结果难于直接准确计量的场合。但是，在层次分析法的使用过程中，无论建立层次结构还是构造判断矩阵，人的主观判断、选择、偏好对结果的影响极大，判断失误即可能造成评估失误。这就使得使用层次分析法进行评估存在的主观成分很大。当评估者的判断过多地受到其主观偏好影响，而产生某种对客观规律的歪曲时，比如因考虑不周全、顾此失彼而使评估者提出与他实际认为的重要性程度不相一致的数据，甚至有可能提出一组隐含矛盾的数据，层次分析法的结果就偏离实际了。

发明内容

针对现有技术中的缺陷，本发明提供一种基于层次分析的量化决策方法及系统，能够降低传统层次分析法(Analytic Hierarchy Process，AHP)的主观随意性，将定性指标与定量指标结合，主观权重与客观权重结合，从而更合理地对一些较为负载和模糊的问题作出决策。

第一方面，本发明提供了一种基于层次分析的量化决策方法，包括：

对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；

根据所述递阶层次结构，生成各准则的判断矩阵；

对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验，若未通过一致性检验，则对所述判断矩阵进行调整；

根据所述层次总排序的权值，得到最终的决策方案。

优选地，所述递阶层次结构包括目标层、准则层及方案层。

优选地，所述根据所述递阶层次结构，生成各准则的判断矩阵，包括：

采用图论中的可达矩阵，生成所述递阶层次结构中各准则的判断矩阵。

优选地，所述对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验，若一致性检验不合格，则对所述判断矩阵进行调整推理，包括：

对所述判断矩阵进行层次单排序，并进行一致性检验，若通过一致性检验，则将所述判断矩阵作为最终的判断矩阵；若未通过一致性检验，则对所述判断矩阵进行调整；

对所述判断矩阵进行层次总排序，并进行一次性检验，若通过一致性检验，则根据所述层次总排序得到最终决策方案；若未通过一致性检验，则对所述判断矩阵进行调整。

优选地，所述对所述判断矩阵进行调整，包括：

采用上位取整函数，生成比较矩阵；

根据所述判断矩阵及所述比较矩阵，构造相对误差矩阵，并获得矩阵相异度；

根据所述相对误差矩阵及所述矩阵相异度调整所述判断矩阵，获得满足一致性要求且矩阵相异度最小的判断矩阵。

第二方面，本发明提供了一种基于层次分析的量化决策系统，所述系统包括：

建模模块，用于对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；

判断矩阵生成模块，用于根据所述递阶层次结构，生成各准则的判断矩阵；

检验模块，用于对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验；

调整模块，用于当未通过一致性检验时，对所述判断矩阵进行调整；

决策模块，用于根据所述层次总排序的权值，得到最终的决策方案。

优选地，所述递阶层次结构包括目标层、准则层及方案层。

优选地，所述判断矩阵生成模块，具体用于：

采用图论中的可达矩阵，生成所述递阶层次结构中各准则的判断矩阵。

优选地，所述检验模块，具体用于：

对所述判断矩阵进行层次单排序，并进行一致性检验，若通过一致性检验，则将所述判断矩阵作为最终的判断矩阵；若未通过一致性检验，则对所述判断矩阵进行调整；

对所述判断矩阵进行层次总排序，并进行一次性检验，若通过一致性检验，则根据所述层次总排序得到最终决策方案；若未通过一致性检验，则对所述判断矩阵进行调整。

优选地，所述调整模块，具体用于：

采用上位取整函数，生成比较矩阵；

根据所述判断矩阵及所述比较矩阵，构造相对误差矩阵，并获得矩阵相异度；

根据所述相对误差矩阵及所述矩阵相异度调整所述判断矩阵，获得满足一致性要求且矩阵相异度最小的判断矩阵。

由上述技术方案可知，通过本发明提供的一种基于层次分析的量化决策方法及系统，能够降低传统AHP方法的主观随意性，将定性指标与定量指标结合，主观权重与客观权重结合，从而更合理地对一些较为负载和模糊的问题作出决策。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种基于层次分析的量化决策方法的流程示意图；

图2为专家系统的结构示意图；

图3是本发明另一实施例提供的某装甲旅选择突破口的简化层次模型；

图4是本发明一实施例提供的一种基于层次分析的量化决策系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

如图1所示，本发明一实施例提供了一种基于层次分析的量化决策方法，该方法包括如下步骤：

S1：对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；

S2：根据所述递阶层次结构，生成各准则的判断矩阵；

S3：对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验，若未通过一致性检验，则对所述判断矩阵进行调整；

S4：根据所述层次总排序的权值，得到最终的决策方案。

本实施例中，步骤S1中所述递阶层次结构包括目标层、准则层及方案层。

本实施例中，步骤S1具体包括：

过人机接口查询确定所决策问题是否在知识库中存在，若存在直接返回该问题的递阶层次结构，若不存在，则首先由n个领域专家对决策问题进行有向图建模，生成决策问题的递阶层次结构(含目标层、准则层和方案层)。具体步骤如下：

设G(V,E)为决策问题的一个合理加权决策关系，将n置为1，

G(V,E)⁽ⁿ⁾＝G(V,E)        (1)

其中，V＝{v₁,v₂,…v_n}表示决策因素结合，E＝{e₁,e₂,e₃,…e_n}表示从属关系集合。

然后进行以下计算：

A01、分层：从G(V,E)⁽ⁿ⁾中找到所有A(v_i)＝φ的决策因素v_i，设：

L_n＝{v_i｜A(v_i)＝φ}        (2)

其中，L_n表示决策因素v_i的集合。

A02、令G(V,E)⁽ⁿ⁺¹⁾＝G(V\L_n,E)⁽ⁿ⁺¹⁾，保持原来的决策因素序号，判断G(V,E)⁽ⁿ⁺¹⁾中决策因素的个数是否为0，若为0，则分层过程结束，否则令n＝n+1，转至步骤A01；

A03、建立层间关系。对于决策因素v_i∈L_n，其支配的决策因素为：

上述专家系统的结构图2如下所示：

该系统由三个主要部分组成：知识库、推理机和解释器。知识库用于存放专家经验知识和原理性知识，推理机是整个专家系统的中枢，根据一定的推理算法完成推理，解释器为用户对系统的推理过程给出解释，人机接口给出系统的最终决策结果以及其它交互信息。用户和领域专家通过人机接口和知识处理模块与知识库完成交互，使知识库不断得到维护更新。

本实施例中，步骤S2具体包括：

现有方法中通常引用数字1～9及其倒数作为判断矩阵的比较标度，但是从人类认知的角度来看，分级太多会超越人们的判断能力，既增加了作判断的难度，又容易因此而提供虚假数据。为了便于各因素间进行比较并得到量化的判断矩阵，本实施例中采用表1中所示的“1～5”标度作为判断矩阵因素的标度。

表1.判断矩阵比较标度

对于目标层、准则层及方案层的三层结构，存在两种类型的判断矩阵：目标-准则判断矩阵和准则-措施判断矩阵。前者主要用于计算准则层的各个指标的相对权重，后者用于计算某准则下的各个方案层之间的相对权重。

则采用图论中的可达矩阵，生成所述递阶层次结构中各准则的判断矩阵：

B01、计算G(V,E)的可达矩阵P＝(p_ij)；

B02、取v_i∈V,A_i＝(a_ij)是决策因素v_i的判断矩阵，若a_ij表示支配因素v_m，v_n的相对权重，则：

$a_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{p_{\mathrm{im}}}{p_{\mathrm{in}}}& (i\≠j)\\ 1& (i=j)\end{array}\right.---\left(4\right)$

B03、求出判断矩阵中每个元素的最大值A_max和最小值A_min，若A_max≤5，则决策因素的判断矩阵即为{a_ij}，转至步骤B04，否则令

$a_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{a_{\mathrm{ij}}-A_{\min }}{A_{\max }-A_{\min }}\×4+1,A_{\max }\≠A_{\min },a_{\mathrm{ij}}>1(i\≠j)\\ 1,A_{\max }=A_{\min }\end{array}\right.---\left(5\right)$

B04、对判断矩阵中任意元素a_ij进行判断，若a_ij≥1，则对其四舍五入后，令

B05、判断是否通过一致性检验，若通过一致性检验，则转至步骤B06，否则对所述判断矩阵进行调整后，转至步骤B01；

B06、令V＝V\{v_i}，若V＝φ，则结束，否则转至步骤B02。

本实施例中，步骤S3具体包括如下步骤：

S31：对所述判断矩阵进行层次单排序，并进行一致性检验，若通过一致性检验，则将所述判断矩阵作为最终的判断矩阵；若未通过一致性检验，则对所述判断矩阵进行调整；

S32：对所述判断矩阵进行层次总排序，并进行一次性检验，若通过一致性检验，则根据所述层次总排序得到最终决策方案；若未通过一致性检验，则对所述判断矩阵进行调整。

步骤S31中对判断矩阵进行层次单排序，并进行一致性检验，具体过程如下：

计算判断矩阵S的每一行元素的乘积：

$M_i={\mathrm{\Π}}_{j=1}^n{s}_{\mathrm{ij}},i=\mathrm{1,2},...n---\left(6\right)$

其中，M_i表示判断矩阵S第i行的乘积，s_ij表示判断矩阵S中第i行第j列的元素，判断矩阵S总共有n行。

再计算M_i的n次方根，并对其进行归一化处理：

$\stackrel{\‾}{w_i}=\sqrt[n]{M_i},i=\mathrm{1,2},...,n---\left(7\right)$

$w_i=\stackrel{\‾}{w_i}/\left({\mathrm{\Σ}}_{i=1}^n\stackrel{\‾}{w_i}\right),i=\mathrm{1,2},...,n---\left(8\right)$

相应权向量W＝[w₁,w₂,…w_n]^T即为所求的特征向量的近似值。

计算判断矩阵S的最大特征值λ_max：

${\mathrm{\λ}}_{\max }={\mathrm{\Σ}}_{i=1}^n\frac{{\left(\mathrm{sw}\right)}_i}{{\mathrm{nw}}_i}---\left(9\right)$

其中，(sw)_i为向量SW中的第i个元素。

接下来对判断矩阵进行一致性检验的步骤如下：

C01、计算一致性指标CI：

$\mathrm{CI}=\frac{{\mathrm{\λ}}_{\max }-n}{n-1}---\left(10\right)$

C02、从下表2中查找相应的平均随机一致性指标RI。

表2.平均随机一致性指标RI值

n	1	2	3	4	5
						RI	0	0	0.58	0.90	1.12

求出最大特征值的平均值，并定义：

$\mathrm{RI}=\frac{{\mathrm{\λ}}_{\max }^{\′}-n}{n-1}---\left(11\right)$

C03、计算一致性比例CR：

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}---\left(12\right)$

当CR<0.10时，则认为判断矩阵的一致性是合格的，否则对判断矩阵进行调整。

步骤S32中对判断矩阵进行层次总排序，并进行一次性检验，具体过程如下：

聚合各层相对权重以得到合成权重向量。上述步骤S31得到的是一组元素对其上一层中某元素的权重向量，最终要得到各元素，特别是最低层中各方案对于目标的排序权重，从而进行方案选择。

则若设上一层次(A层)的层次总排序权重分别为a₁,…a_m，其后的下一层次(B层)关于A_j的层次单排序分别为b_1j,…b_nj，则B层中各因素关于总目标的权重即层次总排序权重为：i＝1,…n。

设B层中与A_j相关的因素的成对比较判断矩阵在单排序中经一致性检验，求得单排序一致性指标为CI(j)，(j＝1,2,…n)，相应的平均随机一致性指标为RI(j)，则B层总排序随机一致性比例为：

$\mathrm{CR}=\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{CI}\left(j\right)a_j}{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{RI}\left(j\right)a_j}---\left(13\right)$

当CR<0.10时，则认为层次总排序结果具有较满意的一致性并将阶段一生成的递阶层次结构和阶段二生成的判断矩阵插入知识库，根据层次总排序结果做出最终的决策，否则对判断矩阵进行调整。

步骤S3中所述的对判断矩阵进行调整，具体过程如下：

D01、采用上位取整函数，生成比较矩阵；

D02、根据所述判断矩阵及所述比较矩阵，构造相对误差矩阵，并获得矩阵相异度；

D03、根据所述相对误差矩阵及所述矩阵相异度调整所述判断矩阵，获得满足一致性要求且矩阵相异度最小的判断矩阵。

具体过程如下：

如果以上得出的判断矩阵不满足一致性要求，则对目标因素集进行预排序生成修正判断矩阵，再由上位取整函数生成比较矩阵，对于每个同阶的比较矩阵，产生一个与修正判断矩阵相同的过渡判断矩阵，然后按照过渡判断矩阵和比较矩阵构造相对误差矩阵，并在相对误差矩阵和矩阵相异度的控制下逐步调整过渡判断矩阵，最后生成满足一致性要求和矩阵相异度最小的目标判断矩阵。其中，矩阵相异度是指经标准化处理后的两个矩阵之间的距离，如矩阵A＝(a_ij)n×n和B＝(b_ij)n×n的相异度为：

$d(A,B)=\sqrt{{\mathrm{\&Sigma;}}_{k=1}^n{|Z_A^k-Z_B^k|}^2}---\left(14\right)$

和分别是矩阵A和B的标准化矩阵，标准化处理过程如下：

$Z_{\mathrm{ij}}^k=\frac{a_{\mathrm{ij}}^k-\stackrel{\&OverBar;}{a_j}}{{\mathrm{\&sigma;}}_j},i,j=\mathrm{1,2},...n---\left(15\right)$

式中，为指标的平均值：

$\stackrel{\&OverBar;}{a_j}=\frac{{\mathrm{\&Sigma;}}_{i=1}^n{a}_{\mathrm{ij}}^k}{n}---\left(16\right)$

σ_j为指标的均方差：

${\mathrm{\&sigma;}}_j^2=\frac{{\mathrm{\&Sigma;}}_{i=1}^n{(a_{\mathrm{ij}}^k-\stackrel{\&OverBar;}{a_j})}^2}{n-1}---\left(17\right)$

得到标准化矩阵为：

$Z^k={\left[Z_{\mathrm{ij}}^k\right]}_{n\&times;n}=\left[\begin{array}{cccc}{Z}_{\mathrm{1,2}}^k& Z_{\mathrm{1,2}}^k& ...& Z_{1,n}^k\\ Z_{\mathrm{2,1}}^k& Z_{\mathrm{2,2}}^k& ...& Z_{2,n}^k\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ Z_{n,1}^k& Z_{n,2}^k& ...& Z_{n,n}^k\end{array}\right]---\left(18\right)$

为了更清楚地说明本发明，下面通过一个具体的实施例来说明一种基于层次分析的量化决策方法：

步骤一：先由n个领域专家对决策问题进行有向图建模，找出所有决策因素：

{决策因素|选择最佳的主要突破口；符合上级意图；最优利用地形条件；灵活运用战术原则；上级集中兵力、兵器的地域；对全局的影响；完成本级任务的情况；有良好的冲击出发阵地；便于隐蔽接敌；便于冲击和突破；便于协调作战；便于保障；有利于向纵深发展；敌人的防御要害；敌人火力障碍的弱点；便于分割围歼敌人；敌人的接合部；突破口的比高；突破口的坡度；突破口的通视度；突破口的地幅纵深度；突破口的敌火力；突破口的敌工事；……}

然后，根据入口一中所述算法过程自动生成决策问题的递阶层次结构，本例中“把选择最佳的主要突破口”这个决策因素作为评估目标，放在层次结构最高层。第二层是衡量目标的决策因素指标，它们是“符合上级意图；最优利用地形条件；灵活运用战术原则”。第三层是指标的属性。如符合上级意图可包括：上级集中兵力、兵器的地域；对全局的影响；完成本级任务的情况。地形条件包括：有良好的冲击出发阵地；便于隐蔽接敌；便于冲击和突破；便于协调作战；便于保障；有利于向纵深发展。运用战术原则包括：敌人的防御要害；敌人火力障碍的弱点；便于分割围歼敌人；敌人的接合部。第四层是方案属性层。包括待选突破口的比高、坡度、通视度、地幅纵深度、敌火力、敌工事等等。第五层是最底层，列出备选的突破口。图3是简化的选择突破口模型。为了简化举例，图中省略了指标属性层和方案属性层，这并不影响对步骤的说明。

步骤二：采用图论中可达矩阵，自动生成各准则的判断矩阵，本实施例的判断矩阵包括：

·各指标(B₁，B₂，B₃)对突破口选择(A)重要性的两两比较结果；

·各方案(C₁，C₂，C₃)关于上级意图(B₁)的两两比较结果；

·各方案(C₁，C₂，C₃)关于地形条件(B₂)的两两比较结果；

·各方案(C₁，C₂，C₃)关于战术原则(B₃)的两两比较结果；

表3.各指标关于突破口选择重要性的两两比较判断矩阵

突破口选择(A)	上级意图	地形条件	战术原则
				上级意图	1	3	2
地形条件	1/3	1	1/2
				战术原则	1/2	2	1

表4.各方案关于上级意图的两两比较判断矩阵

上级意图(B1)	方案1	方案2	方案3
				方案1	1	1/2	1/3
方案2	2	1	1/2
				方案3	3	2	1

表5.各方案关于地形条件的两两比较判断矩阵

地形条件(B2)	方案1	方案2	方案3
				方案1	1	1/3	1/5
方案2	3	1	1/2
				方案3	5	2	1

表6.各方案关于战术原则的两两比较判断矩阵

战术原则(B3)	方案1	方案2	方案3
				方案1	1	1/2	1/5
方案2	2	1	1/3
				方案3	5	3	1

步骤三：分别进行层次单排序和层次总排序及一致性检验，部分代码和计算结果如下：

由此可见，CI和CR值均小于1，因此以上自动产生的判断矩阵的不一致程度都在允许范围之内，如果以上得出的判断矩阵不满足一致性要求，还需要根据阶段五所述步骤进行判断矩阵的自动调整。

由以上分析可知，某装甲旅选择主要突破口的最佳方案是方案三，其次方案二，最差是方案一，其排序权值分别为1.3730、0.6666和0.3407。

本实施例提供的基于层次分析的量化决策方法，非常适合现代作战指挥量化决策的三个特点：即层次性、盖然性和对抗性。提供的多准则系统分析方法具有很强的推广应用价值和军事经济效益，不但有助于实现高效、正确的作战指挥量化决策，还能够用于复杂系统固有效能评估、作战能力量化评估，维修器材保障能力量化评估等领域。

如图4所示，本发明另一实施例提供了一种基于层次分析的量化决策系统，该系统包括建模模块401、判断矩阵生成模块402、检验模块403、调整模块404及决策模块405。

其中，建模模块401，用于对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；

判断矩阵生成模块402，用于根据所述递阶层次结构，生成各准则的判断矩阵；

检验模块403，用于对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验；

调整模块404，用于当未通过一致性检验时，对所述判断矩阵进行调整；

决策模块405，用于根据所述层次总排序的权值，得到最终的决策方案。

本实施例中，所述递阶层次结构包括目标层、准则层及方案层。

本实施例中，所述判断矩阵生成模块402，具体用于：

采用图论中的可达矩阵，生成所述递阶层次结构中各准则的判断矩阵。

本实施例中，所述检验模块403，具体用于：

对所述判断矩阵进行层次单排序，并进行一致性检验，若通过一致性检验，则将所述判断矩阵作为最终的判断矩阵；若未通过一致性检验，则对所述判断矩阵进行调整；

对所述判断矩阵进行层次总排序，并进行一次性检验，若通过一致性检验，则根据所述层次总排序得到最终决策方案；若未通过一致性检验，则对所述判断矩阵进行调整。

本实施例中，所述调整模块404，具体用于：

采用上位取整函数，生成比较矩阵；

根据所述判断矩阵及所述比较矩阵，构造相对误差矩阵，并获得矩阵相异度；

根据所述相对误差矩阵及所述矩阵相异度调整所述判断矩阵，获得满足一致性要求且矩阵相异度最小的判断矩阵。

本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

以上所述，仅为本发明的具体实施方式，但是，本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替代，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于层次分析的量化决策方法，其特征在于，包括：

对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；

根据所述递阶层次结构，生成各准则的判断矩阵；

对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验，若未通过一致性检验，则对所述判断矩阵进行调整；

根据所述层次总排序的权值，得到最终的决策方案。

2.根据权利要求1所述的方法，其特征在于，所述递阶层次结构包括目标层、准则层及方案层。

3.根据权利要求1所述的方法，其特征在于，所述根据所述递阶层次结构，生成各准则的判断矩阵，包括：

采用图论中的可达矩阵，生成所述递阶层次结构中各准则的判断矩阵。

4.根据权利要求1所述的方法，其特征在于，所述对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验，若一致性检验不合格，则对所述判断矩阵进行调整推理，包括：

对所述判断矩阵进行层次单排序，并进行一致性检验，若通过一致性检验，则将所述判断矩阵作为最终的判断矩阵；若未通过一致性检验，则对所述判断矩阵进行调整；

对所述判断矩阵进行层次总排序，并进行一次性检验，若通过一致性检验，则根据所述层次总排序得到最终决策方案；若未通过一致性检验，则对所述判断矩阵进行调整。

5.根据权利要求4所述的方法，其特征在于，所述对所述判断矩阵进行调整，包括：

采用上位取整函数，生成比较矩阵；

根据所述判断矩阵及所述比较矩阵，构造相对误差矩阵，并获得矩阵相异度；

根据所述相对误差矩阵及所述矩阵相异度调整所述判断矩阵，获得满足一致性要求且矩阵相异度最小的判断矩阵。

6.一种基于层次分析的量化决策系统，其特征在于，所述系统包括：

建模模块，用于对决策问题进行有向图建模，生成所述决策问题的递阶层次结构；

判断矩阵生成模块，用于根据所述递阶层次结构，生成各准则的判断矩阵；

检验模块，用于对所述判断矩阵进行层次单排序和层次总排序，并进行一致性检验；

调整模块，用于当未通过一致性检验时，对所述判断矩阵进行调整；

决策模块，用于根据所述层次总排序的权值，得到最终的决策方案。

7.根据权利要求6所述的系统，其特征在于，所述递阶层次结构包括目标层、准则层及方案层。

8.根据权利要求6所述的系统，其特征在于，所述判断矩阵生成模块，具体用于：

采用图论中的可达矩阵，生成所述递阶层次结构中各准则的判断矩阵。

9.根据权利要求6所述的系统，其特征在于，所述检验模块，具体用于：

对所述判断矩阵进行层次单排序，并进行一致性检验，若通过一致性检验，则将所述判断矩阵作为最终的判断矩阵；若未通过一致性检验，则对所述判断矩阵进行调整；

对所述判断矩阵进行层次总排序，并进行一次性检验，若通过一致性检验，则根据所述层次总排序得到最终决策方案；若未通过一致性检验，则对所述判断矩阵进行调整。

10.根据权利要求6所述的系统，其特征在于，所述调整模块，具体用于：

采用上位取整函数，生成比较矩阵；

根据所述判断矩阵及所述比较矩阵，构造相对误差矩阵，并获得矩阵相异度；

根据所述相对误差矩阵及所述矩阵相异度调整所述判断矩阵，获得满足一致性要求且矩阵相异度最小的判断矩阵。