层次分析法（AHP）原理、MATLAB实现与数学建模应用指南

1. 从“拍脑袋”到“结构化”：为什么我们需要层次分析法

在数学建模、项目评估、决策分析甚至日常生活的很多场景里，我们常常面临一个经典难题：如何从一堆各有优劣的方案中，选出一个“最好”的？或者，如何给一堆影响因素排个优先级？比如，公司要选供应商，看价格、质量、交货期、服务；个人要买辆车，看预算、品牌、油耗、外观、安全性。这些因素重要性不同，直接拍脑袋决定，难免主观武断，说服力也不够。

这时候，层次分析法就登场了。它不是什么高深莫测的黑科技，本质上是一套帮你“把复杂决策结构化、把主观判断定量化”的思维工具和计算方法。我第一次在数学建模竞赛里用它，是为了给一个区域水资源承载力评价体系中的各个指标赋权。当时的感觉是，这方法太“聪明”了——它不要求你一开始就给出精确的权重数字，而是让你通过两两比较，用“A比B稍微重要”、“B比C明显重要”这种更符合人类思维习惯的语言来表达判断，然后通过一套数学转换，把这些模糊的、相对的比较，变成精确的、绝对的权重值。

这个方法的核心魅力在于，它既承认了决策中主观判断的必然性，又通过数学逻辑为这种主观性套上了“缰绳”，使其变得可追溯、可检验。你不再只是说“我觉得质量比价格重要”，而是要说“质量相比价格，我认为其重要性程度大约是3倍（一个具体数值）”。更重要的是，AHP还会帮你计算一个叫“一致性比率”的东西，来检验你的判断是否自相矛盾。比如，如果你认为A比B重要，B比C重要，但又认为C比A重要，这就构成了逻辑上的循环，一致性检验就会亮红灯，提醒你重新审视自己的判断。这相当于给你的决策逻辑加了一道“数学安检”。

在数学建模中，AHP尤其适合解决那些评价指标多、指标间关系复杂、且缺乏客观历史数据支撑的决策问题。它构建的层次结构模型，能清晰地将目标、准则、方案层层分解，让整个决策过程一目了然。接下来，我们就深入这个模型的内部，看看它是如何一步步搭建起来的。

2. 构建决策的“骨架”：层次结构模型详解

使用AHP的第一步，也是至关重要的一步，就是建立层次结构模型。这个模型是你整个分析过程的蓝图，建得好不好，直接决定了后续分析的效率和结果的可靠性。它通常分为三个基本层次：目标层、准则层和方案层。

目标层位于最顶层，只有一个元素，就是你最终要达成的目的。比如“选择最优供应商”、“评估城市可持续发展水平”、“确定个人职业发展方向”。

准则层是中间层，包含了所有影响目标实现的评价准则或因素。这一层可以很复杂，如果准则太多，还可以进一步细分为子准则层。例如，在“选择最优供应商”的目标下，准则层可能包括“商务能力”、“技术能力”、“服务质量”、“风险控制”四个一级准则。而“商务能力”下可能又包含“报价”、“付款方式”、“财务状况”等子准则。

方案层是最底层，列出了所有待评价、待选择的具体对象。比如三家候选供应商A、B、C。

构建这个模型时，最忌讳的就是“想当然”和“大杂烩”。你需要遵循几个原则：

1. 独立性原则：同一层次的元素应尽可能相互独立，避免内涵重叠。比如，“产品质量”和“产品合格率”说的可能就是同一回事，需要合并或明确区分。
2. 可操作性原则：最底层的方案或指标，应该是可以获取信息、进行评价的具体对象。你不能把一个无法衡量的抽象概念放在方案层。
3. 适度分解原则：分解不是越细越好。过多的元素会导致后续两两比较的矩阵异常庞大（比较次数呈几何级数增长），增加判断负担和一致性通过的难度。通常，一个准则下的元素最好不超过7个，这是基于心理学中人类对信息一次性处理能力的“7±2”原则。

以一个简化的大学生择业模型为例：

• 目标层：选择最合适的职业。
• 准则层：薪资福利、发展前景、工作强度、个人兴趣、城市偏好。
• 方案层：互联网公司程序员、金融机构分析师、公务员、科研院所研究员。

这个模型搭建好后，它就为我们后续的定量分析提供了一个清晰的框架。我们所有的比较和计算，都将在这个框架内进行。接下来，我们要在这个框架里填充最关键的“血肉”——判断矩阵。

3. 判断矩阵：将主观比较转化为数字的桥梁

模型建好了，接下来就要给各层元素的重要性进行评判。AHP的精妙之处在于，它不让你直接给每个元素打分（比如直接说薪资权重是0.4），而是让你对同一层次下的元素进行两两比较。这种方式极大地降低了直接赋权的认知难度。

比较时需要依据一个统一的标度，最常用的是1-9标度法。这个标度的含义如下：

注意：这个标度是比例标度。你说“薪资比兴趣明显重要（5:1）”，不仅意味着薪资更重要，还隐含了“其重要程度是兴趣的5倍”这层数量关系。这是AHP能将定性比较转为定量权重的数学基础。

假设在择业模型的准则层，我们对五个准则进行两两比较。经过思考（这个过程本身就是决策者价值观的体现），我可能得到如下判断：

• 薪资福利 vs. 发展前景：我觉得薪资稍微更重要一点，打3分。
• 薪资福利 vs. 工作强度：薪资明显更重要，打5分。
• 个人兴趣 vs. 城市偏好：兴趣强烈更重要，打7分。
• ……

把这些两两比较的结果填写到一个矩阵里，就得到了判断矩阵。它是一个正互反矩阵，对角线元素都是1（自己比自己当然同等重要），且关于对角线对称的元素互为倒数。

例如，对于准则层（薪资S、发展D、强度W、兴趣I、城市C），一个可能的判断矩阵A如下：

A = [1, 3, 5, 2, 4; 1/3, 1, 3, 1/2, 2; 1/5, 1/3, 1, 1/4, 1/2; 1/2, 2, 4, 1, 3; 1/4, 1/2, 2, 1/3, 1]

这个矩阵的解读是：第一行表示“薪资”与其他准则的比较。A(1,2)=3表示“薪资比发展前景稍微重要（3:1）”；A(1,3)=5表示“薪资比工作强度明显重要（5:1）”，以此类推。根据互反性，A(2,1)=1/3，A(3,1)=1/5。

构建判断矩阵是整个AHP中最主观、也最核心的环节。这里有一个非常实用的心得：在填写矩阵时，最好不要按行列顺序机械地填。可以先快速确定你认为最重要的1-2个元素，以它们为基准，去比较其他元素。比如，我先确定“薪资”和“兴趣”是我最看重的两个，我判断薪资比兴趣重要程度为2（稍微重要）。然后，其他元素分别与“薪资”和“兴趣”比较，再通过逻辑传递性去校验和填充其他格子。这能有效减少思维跳跃，提高矩阵的内在一致性。

然而，人非圣贤，我们的判断难免会出现“A>B, B>C, 但C>A”这种不一致的情况。这就需要下一道关键的数学工序：一致性检验。

4. 给判断做“体检”：一致性检验的原理与实操

如果我们的判断完全符合逻辑，那么判断矩阵应该满足一个严格的数学关系：a_ij * a_jk = a_ik （对于所有i, j, k）。这意味着，如果你认为薪资是兴趣的2倍，兴趣是城市偏好的3倍，那么薪资就应该是城市偏好的6倍。这样的矩阵称为一致阵。

但现实中，人对复杂事物的判断很难做到如此完美的一致。AHP允许一定程度的不一致，但必须将其控制在一个可接受的范围内。这就是一致性检验的目的。

检验的步骤如下：

4.1 计算最大特征值及其特征向量对于判断矩阵A，我们首先要求解其最大特征值 λ_max 以及对应的特征向量 w。这个特征向量 w 经过归一化（使各分量之和为1）后，就是我们要求的权重向量。它反映了各元素相对于其上层元素的重要性排序。

4.2 计算一致性指标CI一致性指标 CI 衡量了矩阵偏离一致性的程度。CI = (λ_max - n) / (n - 1)其中 n 是矩阵的阶数（即比较元素的个数）。对于完全一致的矩阵，λ_max = n， CI = 0。CI 值越大，不一致性越严重。

4.3 查询平均随机一致性指标RIRI 是一个只与矩阵阶数 n 相关的常数，它是通过随机生成大量判断矩阵并计算其CI的平均值得到的。常用的RI值表如下：

4.4 计算一致性比率CRCR = CI / RI一致性检验的关键判据就是：当 CR < 0.10 时，认为判断矩阵的一致性是可以接受的。如果 CR >= 0.10，则说明我们的判断逻辑矛盾过于严重，需要重新调整矩阵中的标度值。

实操技巧：在实际建模，尤其是限时竞赛中，手动计算特征值和特征向量非常繁琐。我们通常借助数学软件。以MATLAB为例，计算权重向量和一致性比率可以非常高效。假设我们有了判断矩阵A，一段核心的MATLAB代码如下：

[n, ~] = size(A); [V, D] = eig(A); % 求特征值和特征向量 lambda_max = max(max(D)); % 最大特征值 [row, ~] = find(D == lambda_max, 1); % 找到最大特征值的位置 w = V(:, row); % 取出对应的特征向量 w = w / sum(w); % 归一化得到权重向量 CI = (lambda_max - n) / (n - 1); RI = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46, 1.49]; % RI表 CR = CI / RI(n); if CR < 0.10 disp('一致性检验通过！权重向量为：'); disp(w); else disp(['一致性检验未通过，CR=', num2str(CR), '。请调整判断矩阵。']); end

这段代码先求出矩阵A的所有特征值和特征向量，找到最大特征值及其对应的特征向量，归一化后即为权重。然后计算CI，根据矩阵阶数n查找RI，最后计算CR并判断。在竞赛中，这几乎是标准操作流程。

4.5 调整不满足一致性的矩阵如果CR超标，就需要回头调整判断矩阵。这不是漫无目的地瞎改，而是有策略的：

1. 查看软件计算出的权重向量，找到权重异常高或异常低的元素，检查它与其它元素的比较值是否过于极端。
2. 重点关注那些可能引起矛盾的“三角关系”。例如，如果A:B=3, B:C=2，那么理论上A:C应该接近6。如果实际填的是4或8，就可能是不一致的来源。
3. 调整时，优先修改那些你自信心最弱、最不确定的比较值。通常微调（比如把3改成2或4）就能显著改善CR。
4. 一个经验是，对于3阶或4阶矩阵，CR很容易通过。阶数越高（5阶以上），通过一致性检验的难度越大，这也反过来说明将单层元素控制在7个以内是多么重要。

通过了所有层次判断矩阵的一致性检验，我们就获得了一套自洽的、局部的权重。下一步，就是把这些局部权重“组装”起来，得到针对总目标的全局权重。

5. 权重的合成与方案排序：从局部到全局的决策

经过上一步，我们得到了两组关键的权重向量：

1. 准则层相对于目标层的权重：比如，薪资、发展、强度、兴趣、城市这五个准则，在“选择最合适职业”这个总目标下，各自的权重是多少。假设我们计算得到权重向量 W_criteria = [0.35, 0.20, 0.10, 0.25, 0.10]。
2. 方案层相对于每个准则的权重：我们需要针对每一个准则，分别对方案层（程序员、分析师、公务员、研究员）进行两两比较，构建判断矩阵，并通过一致性检验，得到每个准则下的方案权重。
   • 针对“薪资福利”准则，方案的权重向量可能是：W_salary = [0.40, 0.35, 0.15, 0.10]（假设程序员薪资最高）。
   • 针对“发展前景”准则，方案的权重向量可能是：W_development = [0.30, 0.40, 0.10, 0.20]。
   • 针对“工作强度”准则，方案的权重向量可能是：W_workload = [0.10, 0.20, 0.50, 0.20]（假设公务员工作强度最轻）。
   • 针对“个人兴趣”准则，方案的权重向量可能是：W_interest = [0.45, 0.25, 0.10, 0.20]。
   • 针对“城市偏好”准则，方案的权重向量可能是：W_city = [0.30, 0.40, 0.20, 0.10]。

现在，我们要计算每一个方案（职业）相对于总目标的最终权重，即合成权重。计算过程是一个简单的加权平均：

对于第 j 个方案（比如“程序员”，j=1），其最终得分（权重）为：Final_Score(j) = W_criteria(1) * W_salary(j) + W_criteria(2) * W_development(j) + ... + W_criteria(5) * W_city(j)

用矩阵运算来表示会更加清晰。我们将所有准则下的方案权重向量排列成一个矩阵，称为方案层权重矩阵P（每一列代表一个方案，每一行代表一个准则）。那么，方案层对于目标层的合成权重向量就是：W_final = W_criteria * P

代入我们的假设数据：

P = [0.40, 0.35, 0.15, 0.10; % 薪资行 0.30, 0.40, 0.10, 0.20; % 发展行 0.10, 0.20, 0.50, 0.20; % 强度行 0.45, 0.25, 0.10, 0.20; % 兴趣行 0.30, 0.40, 0.20, 0.10]; % 城市行 W_criteria = [0.35, 0.20, 0.10, 0.25, 0.10]; W_final = W_criteria * P;

计算后，我们可能得到 W_final = [0.335, 0.315, 0.185, 0.165]。

这个结果告诉我们，在给定的判断标准（准则权重）和各项表现（方案层权重）下，“互联网公司程序员”的综合得分最高（0.335），其次是“金融机构分析师”（0.315），然后是“公务员”和“科研院所研究员”。至此，一个基于层次分析法的定量决策就完成了。

重要提示：这个结果严重依赖于你最初构建的判断矩阵。它反映的是在你设定的价值体系下的最优解。如果换一个人，他对准则重要性的判断不同，结果可能完全相反。因此，AHP的结果不是“客观真理”，而是“主观偏好的数学镜像”。在论文或报告中，必须清晰展示你的判断矩阵和权重计算过程，这样别人才能理解你的决策逻辑，甚至可以通过修改你的判断矩阵来进行敏感性分析，探讨不同价值观下的结果变化。

6. MATLAB实战：自动化计算与可视化呈现

对于数学建模而言，手动计算上述过程是不可想象的，尤其是当层次较多、元素较多时。MATLAB因其强大的矩阵运算和可视化能力，成为实现AHP的理想工具。下面，我将分享一个比前面更完整、更工程化的MATLAB实现方案，并附上一些提升效率的脚本技巧。

6.1 封装核心计算函数我们可以将一致性检验和权重计算封装成一个函数，方便反复调用。

function [w, CR, lambda_max] = ahp_judgment_matrix(A) % AHP判断矩阵计算函数 % 输入：A - 正互反判断矩阵 % 输出：w - 归一化后的特征向量（权重） % CR - 一致性比率 % lambda_max - 最大特征值 [n, ~] = size(A); % 计算特征值和特征向量 [V, D] = eig(A); lambda_max = max(max(D)); [row, ~] = find(D == lambda_max, 1); w = V(:, row); w = w / sum(w); % 归一化 % 一致性检验 CI = (lambda_max - n) / (n - 1); % RI表，可扩展 RI = [0, 0, 0.52, 0.89, 1.12, 1.26, 1.36, 1.41, 1.46, 1.49]; if n > length(RI) RI(n) = 1.49 + 0.03*(n-10); % 对于大于10阶的近似估计，实际中应避免 end CR = CI / RI(n); end

6.2 主程序流程示例假设我们有前面提到的择业模型数据。

%% 1. 准则层判断矩阵及权重计算 A_criteria = [1, 3, 5, 2, 4; 1/3, 1, 3, 1/2, 2; 1/5, 1/3, 1, 1/4, 1/2; 1/2, 2, 4, 1, 3; 1/4, 1/2, 2, 1/3, 1]; [w_criteria, CR_cri, ~] = ahp_judgment_matrix(A_criteria); fprintf('准则层权重: \n'); disp(w_criteria'); fprintf('准则层一致性比率 CR = %.4f\n', CR_cri); if CR_cri >= 0.10 error('准则层判断矩阵一致性检验未通过，请调整！'); end %% 2. 方案层相对于各准则的判断矩阵 % 这里为了示例，随机生成一些合理的矩阵。实际应用中需要根据调研或专家打分填写。 % 矩阵顺序：薪资、发展、强度、兴趣、城市 准则下的方案比较矩阵（方案：程序员、分析师、公务员、研究员） A_salary = [1, 2, 5, 6; 1/2, 1, 4, 5; 1/5, 1/4, 1, 2; 1/6, 1/5, 1/2, 1]; % 假设薪资：程序员>分析师>公务员>研究员 A_development = [1, 1/2, 4, 3; 2, 1, 5, 4; 1/4, 1/5, 1, 1/2; 1/3, 1/4, 2, 1]; A_workload = [1, 1/2, 1/5, 1/3; 2, 1, 1/4, 1/2; 5, 4, 1, 2; 3, 2, 1/2, 1]; % 假设工作强度：公务员最轻松 A_interest = [1, 3, 6, 4; 1/3, 1, 4, 2; 1/6, 1/4, 1, 1/2; 1/4, 1/2, 2, 1]; A_city = [1, 1/2, 3, 4; 2, 1, 4, 5; 1/3, 1/4, 1, 2; 1/4, 1/5, 1/2, 1]; % 将五个准则下的方案权重计算出来，并存入矩阵P P = zeros(5, 4); % 5个准则，4个方案 [A_list, name_list] = deal({A_salary, A_development, A_workload, A_interest, A_city}, ... {'薪资','发展','强度','兴趣','城市'}); for i = 1:5 [w_temp, CR_temp, ~] = ahp_judgment_matrix(A_list{i}); fprintf('%s准则下方案权重: ', name_list{i}); disp(w_temp'); fprintf('一致性比率 CR = %.4f\n', CR_temp); if CR_temp >= 0.10 warning('%s准则下判断矩阵一致性不佳，请注意。', name_list{i}); end P(i, :) = w_temp'; % 填充矩阵P end %% 3. 合成总权重 W_final = w_criteria' * P; % 注意w_criteria是列向量，需要转置为行向量 fprintf('\n========== 最终方案综合权重 ==========\n'); scheme_names = {'程序员', '分析师', '公务员', '研究员'}; for j = 1:4 fprintf('%s: %.4f\n', scheme_names{j}, W_final(j)); end % 排序并输出推荐结果 [~, idx] = sort(W_final, 'descend'); fprintf('\n推荐排序: '); for j = 1:4 fprintf('%s (%.2f%%)', scheme_names{idx(j)}, W_final(idx(j))*100); if j < 4, fprintf(' > '); end end fprintf('\n');

6.3 结果可视化为了让结果更直观，我们可以用MATLAB绘制简单的图表。

%% 4. 可视化 figure('Position', [100, 100, 1200, 500]) % 子图1：准则层权重分布 subplot(1,2,1) bar(w_criteria); set(gca, 'XTickLabel', {'薪资','发展','强度','兴趣','城市'}); ylabel('权重'); title('准则层权重分布'); grid on; % 子图2：方案综合得分雷达图/柱状图 subplot(1,2,2) bar(W_final); set(gca, 'XTickLabel', scheme_names); ylabel('综合得分'); title('方案层综合得分'); grid on; % 或者在方案得分旁添加文本 for j = 1:4 text(j, W_final(j)+0.01, sprintf('%.3f', W_final(j)), ... 'HorizontalAlignment', 'center', 'FontSize', 10); end

运行这段代码，你将得到准则权重的对比柱状图和各方案最终得分的柱状图，一目了然。

6.4 敏感性分析（进阶）一个严谨的AHP分析不应止步于一个结果。我们可以通过微调准则层权重，观察最终排序是否稳定，这称为敏感性分析。例如，如果你对“薪资”和“兴趣”的权重比例不确定，可以写一个循环，让“薪资”权重从0.3变化到0.4，“兴趣”权重相应从0.3变化到0.2，观察最终排名是否发生变化。如果在小范围内排名就易主，说明你的决策对这个准则的权重很敏感，需要更审慎地确定其标度值。

7. 避坑指南：AHP应用中的常见误区与应对策略

尽管AHP思路清晰，但在实际应用，特别是数学建模竞赛中，新手很容易踩一些坑。这里总结几个我见过和经历过的典型问题。

7.1 层次结构设计不合理这是最根源的问题。常见错误包括：

• 元素过多：一个准则层下塞了10个指标，导致构建9阶判断矩阵，一致性极难通过，且判断过程本身已失去意义（人无法有效区分10个元素的细微重要性差别）。
  • 对策：聚类合并。将相似指标合并成一个大类。例如，将“团队沟通能力”、“文档撰写能力”、“客户协调能力”合并为“软技能”。
• 元素间不独立：比如同时存在“研发投入”和“创新能力”，两者高度相关，导致判断时逻辑混乱。
  • 对策：明确界定。要么只保留一个，要么将其定义为上下级关系（如“创新能力”作为“研发投入”的子准则）。
• 方案层不互斥：方案之间存在包含关系或可同时执行。
  • 对策：在建模初期就明确方案的定义和边界，确保它们是在同一维度上并列的可选项。

7.2 判断矩阵随意填写为了赶时间或者觉得麻烦，随意给判断矩阵赋值，比如全部填1（同等重要）或者按顺序填1,3,5,7,9。这完全违背了AHP的初衷，得出的权重毫无意义。

• 对策：认真对待每一次两两比较。可以邀请多人（如果适用）独立填写，然后取几何平均作为最终判断矩阵，这能在一定程度上减少个人偏见。对于非常重要的决策，甚至可以设计详细的打分表或问卷。

7.3 忽视一致性检验或强行通过有的同学看到CR=0.11，觉得只超了一点点，就手动把某个值从3改成2，让CR变成0.09，然后宣称“通过检验”。这是自欺欺人。一致性检验不通过，说明你的判断逻辑存在显著矛盾，需要的是反思和修正判断，而不是“修正数据”。

• 对策：诚实地面对不通过的检验。回顾判断过程，找出可能产生矛盾的那组比较（通常软件会提示不一致性最大的地方），思考最初的判断是否合理，进行调整。如果多次调整仍无法通过，可能需要回头审视层次结构是否合理。

7.4 误用AHP的适用范围AHP不是万能的。它适用于方案优选、指标赋权这类定性定量相结合、缺乏大量历史数据的决策问题。如果你的问题有充足的客观数据（例如，用历史销量预测未来销量），那么回归分析、时间序列等纯粹的定量方法可能更合适。AHP的优势在于处理那些需要融入专家经验、政策导向、主观偏好的问题。

• 对策：在建模报告中选择方法时，要明确说明为什么选用AHP，即问题的哪些特性（多准则、主观性、结构性）使得AHP成为合适的选择。

7.5 软件使用不熟练导致计算错误在MATLAB中，求特征值和特征向量时，要注意eig函数返回的特征向量矩阵V的每一列对应一个特征值，并且特征向量可能不是归一化的。前面代码中通过find定位最大特征值对应的列索引是正确做法。直接取第一列或对矩阵按列求和归一化，都是错误的。

• 对策：严格测试你的计算函数。用一个已知的、简单的一致阵（如A = [1,2,4; 1/2,1,2; 1/4,1/2,1]）进行测试，看计算出的权重是否符合预期（应为[4/7, 2/7, 1/7]），CR是否为0。

8. 超越基础：AHP的变体与结合应用

掌握了经典的AHP，你会发现它在处理一些复杂情况时仍有局限。例如，当专家对某个比较的判断存在模糊性时（“大概是3到5之间”），经典AHP的确定数值就显得有些僵硬。这时，可以了解它的几个重要变体和拓展应用。

8.1 模糊层次分析法FAHP是为了处理判断的不确定性和模糊性而生的。在FAHP中，判断值不再是一个确定的数，而是一个三角模糊数或梯形模糊数，比如用(3,4,5)表示“介于稍微重要和明显重要之间”。其计算过程涉及模糊数的运算和去模糊化，最终得到权重的可能分布区间。这在专家意见分歧较大或信息不完整时特别有用。实现FAHP的MATLAB代码会复杂很多，需要定义模糊数的运算规则。

8.2 与熵权法结合（AHP-熵权法组合赋权）这是一个非常经典的思路，用于平衡主观与客观。AHP的权重完全源于主观判断，而熵权法是一种客观赋权法，它根据各指标数据本身的离散程度（信息熵）来确定权重，数据差异越大，权重越高。

• 思路：先用AHP得到主观权重向量 W_ahp，再用熵权法基于实际数据得到客观权重向量 W_entropy。然后通过一个线性组合得到综合权重：W_combined = α * W_ahp + (1-α) * W_entropy。其中α是一个介于0和1之间的系数，反映了你对主客观权重的偏好。α=1就是纯AHP，α=0就是纯熵权法。
• 优势：既考虑了决策者的经验和意图，又尊重了数据本身的规律，使得权重分配更加科学、稳健。在数学建模中，这种“主客观结合”的赋权方式往往能获得更高的评价。

8.3 群决策AHP当决策由一组专家或利益相关者共同做出时，就需要群决策AHP。核心问题是如何聚合多个判断矩阵。常用的方法有：

1. 判断矩阵聚合：将每位专家给出的判断矩阵的每个元素进行几何平均，得到一个新的综合判断矩阵，然后对这个综合矩阵进行AHP计算。
2. 权重向量聚合：先让每位专家独立完成AHP分析，得到各自的权重向量，然后对这些权重向量进行加权平均（可以根据专家权威性设定不同权重）。 群决策能汇聚集体智慧，减少个人偏见，但组织成本和协调难度也会增加。

在实际的数学建模竞赛中，我强烈推荐尝试AHP-熵权法组合。它的逻辑清晰，实现起来也不复杂（熵权法有固定计算步骤），而且能很好地体现你对问题“既有主观考量，又尊重客观数据”的全面思考，容易在论文中写出亮点。具体实现时，你需要先收集各方案在不同指标下的实际数据矩阵，然后分别编写AHP和熵权法的计算模块，最后按你设定的α值进行合成。这会让你的模型层次和说服力都上一个台阶。