AHP权重计算：
需求：前端记录矩阵维度、上三角值，后端构建比较矩阵、计算权重值并将结果返回给前端
比较矩阵构建
如果你想要根据上三角（不包括对角线）的值来构建对称矩阵，那么你可以稍作修改上述的
generate_symmetric_matrix函数。在这个情况下，你将从矩阵的左上角开始填充上三角的值，然后利用对称性填充下三角的值。
def generate_symmetric_matrix_from_upper(i, upper_triangle_values):
"""
根据上三角（不包括对角线）的值和矩阵维度生成对称矩阵
:param i: 矩阵的维度（i x i）
:param upper_triangle_values: 上三角（不包括对角线）的值列表
:return: 生成的对称矩阵
"""
if len(upper_triangle_values) > i * (i - 1) // 2:
raise ValueError("提供的上三角值数量超过了上三角（不包括对角线）的元素总数。")
# 初始化矩阵
matrix = [[1] * i for _ in range(i)] # 对角线初始化为1
# 填充上三角（不包括对角线）的值
index = 0
for row in range(i):
for col in range(row + 1, i): # 从当前行的下一个元素开始（跳过对角线）
matrix[row][col] = upper_triangle_values[index]
index += 1
# 填充下三角的值（利用对称性）
for row in range(i):
for col in range(row): # 只遍历到当前行的前一个元素（不包括对角线）
matrix[row][col] = 1/matrix[col][row] # 下三角的值等于上三角的值
return matrix
# 示例使用
i = 3 # 矩阵维度
upper_triangle_values = [0.6, 3, 5] # 上三角（不包括对角线）的值
matrix = generate_symmetric_matrix_from_upper(i, upper_triangle_values)
# 打印矩阵
for row in matrix:
print(row)
- 在这个函数中，我们首先检查提供的上三角值的数量是否超过了实际需要的数量。然后，我们初始化一个所有对角线元素都为1的矩阵。接着，我们遍历上三角（不包括对角线）并填充提供的值。最后，我们利用对称性来填充下三角的值。
- 当你运行这个示例时，它将输出一个3x3的对称矩阵，其中上三角的值由
upper_triangle_values列表提供，而下三角的值则通过对称性从上三角复制而来。对角线上的值保持为1。
AHP权重计算
层次分析法（Analytic Hierarchy Process, AHP）是一种常用的多属性决策方法，它允许决策者将复杂的决策问题分解为多个子问题或属性，并通过两两比较的方式来确定这些子问题或属性的相对重要性。以下是一个简化的Python示例，展示了如何使用层次分析法求解权重值：
- 构造判断矩阵（通过专家打分等方式）
- 一致性检验
- 求解权重值
import numpy as np def calculate_consistency_ratio(ci, n): # 一致性指标RI的值与n（判断矩阵的阶数）有关 ri_values = { 1: 0.0, 2: 0.0, 3: 0.58, 4: 0.9, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49 } ri = ri_values[n] cr = ci / ri return cr def calculate_ci(matrix): # 计算一致性指标CI n = matrix.shape[0] eigenvalues, _ = np.linalg.eig(matrix) max_eigenvalue = np.max(eigenvalues) ci = (max_eigenvalue - n) / (n - 1) return ci def calculate_weights(matrix): # 计算权重值 eigenvalues, eigenvectors = np.linalg.eig(matrix) max_eigenvalue = np.max(eigenvalues) max_eigenvector = eigenvectors[:, eigenvalues == max_eigenvalue] weights = max_eigenvector.flatten().real / np.sum(max_eigenvector.flatten().real) return weights def ahp_analysis(matrix): # AHP分析主函数 n = matrix.shape[0] ci = calculate_ci(matrix) cr = calculate_consistency_ratio(ci, n) if cr < 0.1: # 一般情况下，当CR<0.1时，认为判断矩阵的一致性是可以接受的 weights = calculate_weights(matrix) print("一致性检验通过，权重值为：", weights) else: print("一致性检验未通过，需要重新调整判断矩阵") # 示例判断矩阵（假设） # 注意：这里的判断矩阵应该是通过专家打分或其他方式构造的，并且应该满足互反性 A = np.array([ [1, 3, 5], [1/3, 1, 3], [1/5, 1/3, 1] ]) ahp_analysis(A)注意：
- 上述代码中的判断矩阵
A是假设的，实际应用中需要根据实际情况构造。- 一致性检验的阈值通常是0.1，但也可以根据具体需求进行调整。
- 判断矩阵的构造应该遵循AHP方法的规则，即对角线元素为1，且满足互反性（即
A[i][j] = 1 / A[j][i]）。- 权重值是通过求解判断矩阵的最大特征值对应的特征向量得到的，并且需要对该特征向量进行归一化处理。
前后端设计
在前后端通信中，当前端需要传递两个参数给后端，其中一个参数是数组，另一个是int类型时，你需要在前端正确地构造请求，并在后端Flask应用中设计相应的路由和请求处理函数来接收这些参数。
前端（JavaScript 使用 fetch API）
假设你正在使用JavaScript的fetch API来发送POST请求，你可以将数组和int值作为JSON对象的一部分发送。这里是一个例子：
// 假设你的后端API的URL是'http://example.com/api/data'
const arrayParam = [1, 2, 3]; // 数组参数
const intParam = 42; // int类型参数
// 将参数包装在一个对象中
const dataToSend = {
arrayParam: arrayParam,
intParam: intParam
};
// 将对象转换为JSON字符串
const jsonData = JSON.stringify(dataToSend);
fetch('http://example.com/api/data', {
method: 'POST',
headers: {
'Content-Type': 'application/json'
},
body: jsonData
})
.then(response => response.json())
.then(data => console.log(data))
.catch((error) => {
console.error('Error:', error);
});后端（Flask）
在后端，你需要在Flask应用中创建一个路由，并使用request.json来获取前端发送的JSON数据。这里是一个例子：
from flask import Flask, request, jsonify
app = Flask(__name__)
@app.route('/api/data', methods=['POST'])
def receive_data():
if request.method == 'POST':
# 从JSON中解析参数
array_param = request.json.get('arrayParam', []) # 默认值为空数组
int_param = request.json.get('intParam', None) # 默认值为None，你可以根据需要设置默认值
# 检查int_param是否为int类型
if int_param is not None and not isinstance(int_param, int):
return jsonify({'error': 'intParam must be an integer'}), 400
# 在这里处理你的数据...
# 例如，你可以返回接收到的参数作为确认
return jsonify({'message': 'Data received!', 'arrayParam': array_param, 'intParam': int_param}), 200
else:
return jsonify({'error': 'Invalid request method'}), 405
if __name__ == '__main__':
app.run(debug=True)在这个例子中，
receive_data函数首先检查请求方法是否为POST。然后，它从request.json中获取arrayParam和intParam。注意，我使用了get方法来安全地获取这些值，并为它们提供了默认值（对于arrayParam是一个空数组，对于intParam是None）。然后，它检查intParam是否是一个整数，如果不是，则返回一个错误响应。最后，它返回一个包含接收到的参数的JSON响应。
postman测试：
后端模块与接口 ：
AHP.py
import json
import numpy as np
def calculate_consistency_ratio(ci, n):
# 一致性指标RI的值与n（判断矩阵的阶数）有关
ri_values = {
1: 0.0, 2: 0.0, 3: 0.58, 4: 0.9, 5: 1.12,
6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49
}
ri = ri_values[n]
cr = ci / ri
return cr
def calculate_ci(matrix):
# 计算一致性指标CI
n = matrix.shape[0]
eigenvalues, _ = np.linalg.eig(matrix)
max_eigenvalue = np.max(eigenvalues)
ci = (max_eigenvalue - n) / (n - 1)
return ci
def calculate_weights(matrix):
# 计算权重值
eigenvalues, eigenvectors = np.linalg.eig(matrix)
max_eigenvalue = np.max(eigenvalues)
max_eigenvector = eigenvectors[:, eigenvalues == max_eigenvalue]
weights = max_eigenvector.flatten().real / np.sum(max_eigenvector.flatten().real)
return weights
def ahp_analysis(matrix):
# AHP分析主函数
n = matrix.shape[0]
ci = calculate_ci(matrix)
cr = calculate_consistency_ratio(ci, n)
if cr < 0.1: # 一般情况下，当CR<0.1时，认为判断矩阵的一致性是可以接受的
weights = calculate_weights(matrix)
print("一致性检验通过，权重值为：", weights)
else:
print("一致性检验未通过，需要重新调整判断矩阵")
return weights
def generate_symmetric_matrix_from_upper(i, upper_triangle_values):
"""
根据上三角（不包括对角线）的值和矩阵维度生成对称矩阵
:param i: 矩阵的维度（i x i）
:param upper_triangle_values: 上三角（不包括对角线）的值列表
:return: 生成的对称矩阵
"""
if len(upper_triangle_values) != i * (i - 1) / 2:
raise ValueError("提供的上三角值数量不匹配。")
# 初始化矩阵
matrix = [[1] * i for _ in range(i)] # 对角线初始化为1
# 填充上三角（不包括对角线）的值
index = 0
for row in range(i):
for col in range(row + 1, i): # 从当前行的下一个元素开始（跳过对角线）
matrix[row][col] = upper_triangle_values[index]
index += 1
# 填充下三角的值（利用对称性）
for row in range(i):
for col in range(row): # 只遍历到当前行的前一个元素（不包括对角线）
matrix[row][col] = 1/matrix[col][row] # 下三角的值等于上三角的值
return matrix
# 方法，前端传来矩阵维数+上三角值【row1Value1,row1Value2,row2Value2】数组，自动生成矩阵并返回AHP分析结果值
def cal_AHP_res(matrixDimension,upper_triangle_values):
matrix = generate_symmetric_matrix_from_upper(matrixDimension,upper_triangle_values)
A = np.array(matrix)
matrix_res=json.dumps(matrix)
arr= ahp_analysis(A)
# 将其转换为 Python 列表
list_arr = arr.tolist()
# 将列表转换为 JSON 字符串
res = json.dumps(list_arr)
return matrix_res,res
if __name__ == '__main__':
# 生成矩阵示例
i = 3 # 矩阵维度
upper_triangle_values = [3, 0.75, 0.5] # 上三角（不包括对角线）的值
matrix_res, res=cal_AHP_res(i,upper_triangle_values)
//flask接口
@app.route('/ahp', methods=['POST'])
def getAHPRes():
matrix_dimension=request.json.get('matrix_dimension')
value = request.json.get('upper_values',[]) # 获取数值型值 values
print(len(value))
matrix,weight= cal_AHP_res(matrix_dimension,value)
return jsonify({'matrix': matrix,'weight':weight})
