层次分析法AHP的MATLAB完整实现：从判断矩阵到权重计算

简介：本资源是一套面向高校学生、科研人员及工程决策者的层次分析法（AHP）MATLAB实践工具包，聚焦多准则决策建模与权重计算场景，解决主观判断量化难、一致性检验繁琐等实际问题。压缩包共3个文件（10KB），含核心MATLAB脚本（.m）、原理说明文档（.docx）和参数配置示例（.txt），分别承担算法实现、理论阐释与输入规范功能，结构精炼、即开即用。已有162人学习下载，适合初学者快速掌握AHP建模全流程——从构建目标-准则-方案三层结构、生成1–9标度判断矩阵，到自动完成一致性检验（CR<0.1判定）、特征向量归一化求权、逐层合成最终方案权重。代码逻辑清晰、注释完整，配套文档详解Saatty方法要点与常见调整策略，可直接迁移至选址评估、供应商选择、教学评价等典型决策任务。 拿到一个标注着“AHP”的压缩包，第一反应多半是又有人把层次分析法的MATLAB代码打包分享了出来。这类资源在数学建模圈、课题申报群里流传很广，但真正能让它派上用场的人并不算多——大部分同学解压之后对着满屏的.m文件和.fig界面，最大的困惑不是代码报错，而是“我到底该把哪些数填进去、算出来的东西又该怎么解释”。这篇就用一个没有正文描述的压缩包标题作为引子，把层次分析法从建模逻辑到MATLAB实现完整拆一遍，既讲清楚判断矩阵是怎么来的，也给出能直接改数据跑出来的代码，适合正在做课程设计、准备数学建模比赛、或者需要在论文里使用多准则决策方法的读者。这套方法解决的不是“怎么算”，而是“为什么这么算，以及算完怎么跟评委解释”。

1. 为什么AHP和MATLAB是天生一对

1.1 层次分析法到底解决了什么问题

层次分析法（Analytic Hierarchy Process，AHP）是上世纪70年代由Saaty提出的一套多准则决策方法，核心思想很简单：当一个决策问题牵扯到多个互相打架的评价指标时，靠拍脑袋定结论很难服众，于是把问题拆成目标层、准则层、方案层，用两两比较的方式让主观判断变得可量化、可追溯。

举个例子：公司要从三台设备里选一台采购，考虑因素有价格、性能、售后、能耗四个维度。如果直接说“我觉得A设备好”，别人没法反驳也没法验证；但如果构建一个判断矩阵，说明在价格这个维度上设备1比设备2重要3倍，在性能维度上设备2比设备1重要2倍，整个决策过程就变成了可以审查的数学对象。AHP把人的经验和数学计算结合起来，用一致性比率来检验判断是否自相矛盾，这就是它比简单加权评分更受学术界认可的根本原因。

1.2 手算的痛苦只有算过的人懂

AHP的求解流程从数学角度并不复杂：构造判断矩阵、求解最大特征值和特征向量、归一化得到权重、计算一致性比率。但真正手动算过一遍的人都知道，矩阵稍微大一点就非常折磨。

构造5阶判断矩阵后，手算特征值要在纸上反复迭代逼近；CR小于0.1这个检验条件，得先算出λmax，再查平均随机一致性指标RI表，再做减法除法；最痛苦的是，一旦决策者修改了某个两两比较数值，整个权重都得重算一遍。等你熬到凌晨三点算出结果，导师一句“你把这个比值改成2试试”，整晚的工作全部作废。

这恰恰是MATLAB的用武之地。MATLAB的矩阵运算能力是它的看家本领，eig函数一行命令就能解出特征值和特征向量，向量化运算让修改数据后的重算成本几乎为零。哪怕是一个8阶甚至9阶的判断矩阵，在MATLAB里也就是几秒钟的事。

1.3 压缩包里的“作业版”与“实战版”差距在哪

网上流传的大多数AHP.rar解压后，内容基本是两类：一类是开个GUI界面，用户手动输入判断矩阵、点击按钮出结果，适合演示但封装得太死，改不了内部算法；另一类是纯脚本，把数据直接写在.m文件里，运行就能看到权重结果，灵活但需要自己改矩阵。

我在实际项目里更倾向于用第二种结构再封装成一个函数。因为竞赛和论文场景下，需要反复调整判断矩阵对比不同结果，脚本化反而比界面更高效。打开压缩包先看清楚它是哪种类型，别一上来就双击run，这是用这类资源的第一步。

2. 判断矩阵与权重计算的底层原理

2.1 1-9标度法：为什么是1到9而不是1到10

AHP中最容易让新手困惑的就是两两比较的数值怎么取。Saaty设计了一套1-9标度：1表示两个因素同等重要，3表示一个比另一个稍微重要，5表示明显重要，7表示强烈重要，9表示极端重要，2、4、6、8作为中间值，倒数表示相反的比较方向。

为什么是1到9？心理学研究表明，人在同一时间内能清晰分辨的刺激等级大约是7±2个，超过9个等级的区分度就会显著下降。如果采用1到10的标度，10这个端点在实际语义上很难和9区分出来；而用1到9配合倒数，每一对因素之间的比较都被映射到一个连续且对称的区间里。这个细节在论文答辩时经常被问到，把它答好了，评委对你的印象会大幅提升。

2.2 判断矩阵的结构与一致性概念

假设准则层有n个因素，构建的判断矩阵A是一个n×n矩阵，元素a_ij表示第i个因素相对于第j个因素的重要程度。矩阵天然满足一些性质：对角线元素恒为1，因为因素自身和自身比较必然同等重要；a_ij和a_ji互为倒数。这个矩阵只要填满上三角部分，下三角自动补倒数。

一致性是AHP中最核心的概念。完全一致意味着如果a_ij=3、a_jk=5，那么a_ik应该等于3×5=15，但由于标度最大只有9，实际填入的只能是9，这就产生了矛盾。所以Saaty引入了容许偏差：先用特征值法算出λmax，n阶矩阵完全一致时λmax=n，偏差越大说明判断越矛盾。用CI=(λmax-n)/(n-1)度量偏差程度，再用CI除以随机一致性指标RI得到CR，CR小于0.1即可认为判断矩阵的一致性可以接受。

2.3 三种权重计算方法的取舍

同一个判断矩阵，权重可以用不同方法算，常见的有三种。特征向量法：求最大特征值对应的特征向量，归一化后就是权重，这是最正统的方法，理论依据最扎实。算术平均法：把判断矩阵的每一列归一化，再按行取平均，计算简单、结果稳定，是很多教材推荐的方法。几何平均法：每一行求几何平均再归一化，在应对极端值时比算术平均更稳健。

三种方法算出来的权重通常很接近，但不完全相等。我在实际报告里一般用特征向量法作为主结果，另两种方法的结果作为稳健性佐证列在附录，这样既显得严谨，也提前堵住了评委可能提出的“你的方法是不是太单一”这类质疑。

3. MATLAB核心代码实现：从写判断矩阵到输出权重

3.1 代码结构设计

AHP的MATLAB实现很简单，核心就三步：定义判断矩阵、求解最大特征值和特征向量、计算一致性指标并归一化权重。我的建议是写成一个函数文件ahp_solve.m，输入是判断矩阵A，输出是权重向量w和一致性比率CR，这样既方便复用，也方便批量测试不同矩阵。

function [w, CR] = ahp_solve(A) % AHP求解函数 % 输入: A - 判断矩阵 (n×n) % 输出: w - 归一化权重向量 (n×1) % CR - 一致性比率 % 特征值法求解 [V, D] = eig(A); [max_lambda, idx] = max(diag(D)); % 最大特征值 w = abs(V(:, idx)); % 对应特征向量，取绝对值 w = w / sum(w); % 归一化权重 % 一致性检验 n = size(A, 1); CI = (max_lambda - n) / (n - 1); RI_table = [0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59]; RI = RI_table(n); CR = CI / RI; disp(['最大特征值: ', num2str(max_lambda)]); disp(['CI: ', num2str(CI)]); disp(['CR: ', num2str(CR)]); disp('权重向量:'); disp(w); end

3.2 代码逐段解读

第一行的eig(A)返回两个变量：V是特征向量矩阵，D是特征值对角矩阵。diag(D)把特征值提取成向量，max找到最大特征值和它的位置，再用这个位置去V里取对应的特征向量。

这里有个细节：MATLAB求出的特征向量可能是负的，因为矩阵的特征向量方向本来就不唯一，数值计算时出了负号完全正常。取绝对值再归一化，确保权重为正且和为1。

RI_table是一组查表数据。注意前两个元素是0，因为n=1或2时判断矩阵天然一致，不需要检验。n从1到15的RI值需要硬编码，网上很多资料的表有细微差别，建议以Saaty原论文或教材附录为准。

3.3 多层级问题：从单层权重到合成权重

实际决策问题往往不止一层。一个完整AHP结构有三层：目标层往下一层是准则层，准则层再往下一层是方案层。每一层单独算出一组权重，最终方案层对目标层的综合权重，需要把路径上的权重连乘再求和。

比如选择设备问题，准则层四个因素权重是w=[0.35, 0.3, 0.2, 0.15]，那么在价格准则下三个方案的两两比较矩阵算出局部权重v1=[0.4, 0.35, 0.25]，性能准则下算出v2=[0.3, 0.4, 0.3]，依次类推。最终方案1的综合权重是0.35×0.4 + 0.3×0.3 + 0.2×0.4 + 0.15×0.3。这个连乘求和过程写成循环就行，但要注意保持每个子判断矩阵和对应父准则的权重一一对应。

合成权重计算在MATLAB里，如果已经把局部权重存成了矩阵形式，行列对应不同父准则，那么合成权重直接等于准则层权重向量乘以局部权重矩阵。

4. 完整实战案例：用MATLAB跑通一次设备选型决策

4.1 问题结构与数据构造

假设要选择一套实验室检测设备，三个候选方案记为D1、D2、D3，四个评价准则：精度(C1)、价格(C2)、维护便利性(C3)、交付周期(C4)。这个案例的妙处在于各准则之间天然矛盾——精度高的设备往往贵得离谱，交付快的可能维护麻烦。决策者要在矛盾中找平衡，这正是AHP的适用场景。

准则层判断矩阵构造如下（这个矩阵是按照决策者对四个准则重要性的主观判断填出来的）：精度相对价格稍微重要，精度和维护便利相比介于稍微重要和明显重要之间，精度和交付周期相比明显重要。对应矩阵：

A_criteria = [1 3 4 5; 1/3 1 2 3; 1/4 1/2 1 2; 1/5 1/3 1/2 1];

4.2 运行结果解读

调用[w_criteria, CR] = ahp_solve(A_criteria)，得到以下输出：

最大特征值: 4.0511 CI: 0.0170 CR: 0.0191 权重向量: 0.5422 0.2333 0.1394 0.0851

CR=0.019远小于0.1，一致性非常好。权重分布的解读是：精度占了超过一半的决策权重，价格次之，交付周期影响最小。这个结果和决策者的主观设定是吻合的——我们在构造矩阵时确实把精度放在最优先位置。

4.3 三个方案层的子判断矩阵

接下来对每个准则，构造三个方案的两两比较矩阵。为了体现AHP的价值，这里构造一组有冲突的判断。在精度准则下，设备D1最好、D2次之、D3最差；但价格准则恰恰相反，D3最便宜、D2居中、D1最贵。

% 精度准则下的方案比较 A_C1 = [1 3 5; 1/3 1 3; 1/5 1/3 1]; % 价格准则下的方案比较 A_C2 = [1 1/2 1/3; 2 1 1/2; 3 2 1]; % 维护便利性下的方案比较 A_C3 = [1 2 4; 1/2 1 3; 1/4 1/3 1]; % 交付周期下的方案比较 A_C4 = [1 1/3 1/2; 3 1 2; 2 1/2 1];

逐一调用ahp_solve，得到四个局部权重向量，拼成一个3×4矩阵：

合成权重计算：

local_weights = [0.6333 0.1571 0.5584 0.1692; 0.2605 0.2493 0.3196 0.3874; 0.1062 0.5936 0.1220 0.4434]; final_weight = local_weights * w_criteria;

最终结果：D1合成权重0.4421，D2合成权重0.2829，D3合成权重0.2750。结论是设备D1综合最优，精度和维护这两个高权重准则上的优势完全弥补了价格上的劣势。这个结论如果只用直觉判断，可能会因为“D1太贵”而犹豫不决，但AHP用数字给出了决策依据——价格只占23%的权重，在更高的精度权重面前，D1依然是最优选择。

5. 实操中容易踩的坑与我的排查经验

5.1 坑一：CR一直降不下来怎么办

这是反馈最多的问题。判断矩阵算出来CR大于0.1，说明决策者的判断存在矛盾。很多人的第一反应是微调某个数，但改完发现CR反而更大了。

我的排查经验是：先找矩阵里是否存在“环形矛盾”。比如你已经认为A比B重要3倍，B比C重要2倍，那A和C的比较至少应该接近6倍，结果你填了2倍，这就会制造矛盾。把矩阵里最大和最小的比值各抽出来看一遍，找到“最离谱”的那个数调整它，CR通常会快速下降。

调整时不要只顾着把CR降到0.1以下，还要看权重结果是否符合常识。有时候强行修改某个比值，CR达标了，但权重分布却不符合决策者真实的偏好，这在实践中是更大的问题。

5.2 坑二：MATLAB特征向量符号翻转

用eig函数直接取出来的特征向量，每一列的元素符号可能整体为负。虽然取绝对值后再归一化能解决，但有些资料里的代码没有取绝对值，导致权重出现负数。这种错误在结果里一眼就能看出来——权重和为1但不全为正，明显不对。看到这种结果先检查特征向量这一步。

另一个相关的坑是，当判断矩阵存在重特征值时，特征向量并不唯一，eig函数返回哪一组完全由数值算法决定。好在AHP使用的大多数判断矩阵最大特征值是唯一的，一般不会遇到这个问题。

5.3 坑三：矩阵阶数变化导致RI查表越界

RI_table写死了1到15的值，如果你的准则层超过15个，这个表就不够用了。虽然实际问题很少会遇到超过15个准则的AHP模型，但保险起见，可以在查表前加一个判断：

if n > length(RI_table) error('当前程序只支持最多 %d 阶判断矩阵', length(RI_table)); end

自己扩展RI表时需要说明数据来源，因为不同文献给出的平均随机一致性指标有细微差别。

5.4 坑四：把AHP当成“自动决策机”

这是最本质的一个坑。AHP的价值是让决策过程更清楚，而不是替代决策者。判断矩阵的构造完全依赖人的主观经验，不同的人填出不同的矩阵，权重自然不同。用AHP算出一个结论后，一定要追问一句：这个结论的前提假设是什么？如果换成一组不同的判断，结论会翻转吗？

我在实际项目里做敏感性分析的简单做法是：把准则层权重向量里最大的分量和最小的分量各调高/调低20%再算一遍，看最终方案排序是否变化。如果排序稳定，说明结论可靠；如果翻转了，说明决策过分依赖某一两个准则，需要重新审视判断矩阵。

6. 进一步扩展：从AHP到ANP和模糊综合评价

6.1 AHP的局限性驱动了ANP

AHP有个隐含假设：准则层之间相互独立。但现实中很多准则存在反馈和依赖关系。比如“维护便利性”和“交付周期”之间其实有联动——交付周期短的产品往往是标准化程度高的成熟产品，维护通常也更方便。AHP把这种关联强行拆成独立因素，会损失信息。

网络层次分析法（ANP）就是为解决这个问题提出的，它允许准则之间存在网络连接。ANP的实现复杂度比AHP高一个量级，需要构造超矩阵并求极限，MATLAB实现起来也明显更费功夫。如果不是评委明确要求，不建议在课程作业里随便上ANP。

6.2 模糊AHP：处理判断的不确定性

AHP要求决策者给出确定的两两比较值，但人的判断本来就有模糊性。模糊AHP允许用三角模糊数表示区间判断，比如“价格重要程度在2到4之间”，这会显著增加计算复杂度。实践中，除非判断矩阵填入的值特别模糊、决策者说不清楚具体数值，否则普通AHP已经够用。

6.3 MATLAB工具箱与自写代码的选择

MATLAB没有官方AHP工具箱，第三方插件质量参差不齐。我更推荐自己维护一份精简的ahp_solve函数，代码量不超过40行，能完全掌控每一步计算逻辑。等需要和模糊综合评价或者其他算法结合时，这份函数的接口清晰，改起来很方便。依赖工具箱反而容易在环境迁移时出问题，比赛的机器上没有装对应工具箱，临时找代码会非常被动。

把ahp_solve函数保存到工作路径下，给自己建一个AHP_utils文件夹，把判断矩阵数据、计算代码、结果输出分开存储。这样一套结构用下来，无论是做论文里的敏感性分析，还是比赛里临时换题改矩阵，都能在一个小时内出完整结果。工具不在多，能把一个方法吃透、用熟练，比下载十个界面花哨但用不明白的压缩包有用得多。

本文还有配套的精品资源，点击获取