【前后端实现】AHP权重计算

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：

  1. 构造判断矩阵（通过专家打分等方式）
  2. 一致性检验
  3. 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 jsonimport numpy as npdef 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 / rireturn crdef calculate_ci(matrix):# 计算一致性指标CIn = matrix.shape[0]eigenvalues, _ = np.linalg.eig(matrix)max_eigenvalue = np.max(eigenvalues)ci = (max_eigenvalue - n) / (n - 1)return cidef 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 weightsdef 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 weightsdef 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 = 0for 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,resif __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 valuesprint(len(value))matrix,weight= cal_AHP_res(matrix_dimension,value)return jsonify({'matrix': matrix,'weight':weight})

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/35253.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

量化交易面临的难题

量化交易面临的难题

量化交易面临的难题 1、监管机构对于算法交易、量化交易的监管越来越严格3、回测场景于实盘交易场景的不匹配性4、策略并非100%有效&#xff0c;并非100%的收益5、股票、基本面、市场新闻之间的关系时刻在变化并且难以捉摸6、很难使用一套通用的交易规则去匹配所有的股票/市场/…
阅读更多...
U盘数据恢复实战：两大方案助您找回珍贵数据

U盘数据恢复实战：两大方案助您找回珍贵数据

在数字化时代&#xff0c;U盘作为我们随身携带的数据存储工具&#xff0c;承载着无数重要的文件和信息。然而&#xff0c;由于误操作、系统崩溃或硬件故障等原因&#xff0c;U盘中的数据可能会突然消失&#xff0c;给我们带来极大的困扰。本文将深入探讨U盘数据恢复的概念、方法…
阅读更多...
常见大功率蓝牙应用有哪些？

常见大功率蓝牙应用有哪些？

在无线通信技术飞速发展的今天&#xff0c;蓝牙技术以其低功耗和易用性优势成为短距离无线通信的佼佼者。然而&#xff0c;随着智能家居、工业4.0等新型应用的兴起&#xff0c;蓝牙应用设备对通信距离和稳定性的要求越来越高。为了满足更大范围的无线通信需求&#xff0c;大功率…
阅读更多...
山寨币大额解锁抛压拖累比特币：10X Research 深度剖析市场动荡

山寨币大额解锁抛压拖累比特币：10X Research 深度剖析市场动荡

加密货币市场大幅下跌&#xff0c;山寨币损失惨重 在经历了几个月的强劲表现后&#xff0c;加密货币市场最近经历了一轮大幅下跌&#xff0c;特别是山寨币损失惨重。10X Research 最近在其Newsletter中发表了观点&#xff0c;认为山寨币大额解锁所带来的抛压正在拖累比特币。本…
阅读更多...
使用Birdeye访问Sui上加密市场数据

使用Birdeye访问Sui上加密市场数据

是一个链上加密交易数据聚合器&#xff0c;于2024年4月开始整合Sui数据。 个人DeFi用户可以在Birdeye的首页找到丰富的数据&#xff0c;包括关于主流区块链上的tokens、交易和交易者钱包的详细信息。 Birdeye提供API和WebSockets数据服务&#xff0c;涵盖token价格和其他DeFi…
阅读更多...
聚星文社ai工具下载

聚星文社ai工具下载

您可以在聚星文社官方网站上下载他们的AI工具。请访问他们的官方网站&#xff0c; 然后找到下载页面&#xff0c;从中选择并下载所需的AI工具。下载 如果您对下载过程有任何问题&#xff0c;建议您直接联系聚星文社的客服人员寻求帮助。
阅读更多...
计算机SCI期刊，中科院3区，1个月录用，易过审

计算机SCI期刊，中科院3区，1个月录用，易过审

一、期刊名称 Visual Computer 二、期刊简介概况 期刊类型&#xff1a;SCI 学科领域&#xff1a;计算机科学 影响因子&#xff1a;3.5 中科院分区&#xff1a;3区 三、期刊简介 视觉计算机发表有关捕获、识别、建模、分析和生成形状和图像的所有研究领域的文章。 计算机…
阅读更多...
DDMA信号处理以及数据处理的流程---doa估计

DDMA信号处理以及数据处理的流程---doa估计

Hello，大家好，我是Xiaojie，好久不见，欢迎大家能够和Xiaojie一起学习毫米波雷达知识，Xiaojie准备连载一个系列的文章—DDMA信号处理以及数据处理的流程，本系列文章将从目标生成、信号仿真、测距、测速、cfar检测、测角、目标聚类、目标跟踪这几个模块逐步介绍，这个系列的…
阅读更多...
苏宁易购通用卡怎么使用？

苏宁易购通用卡怎么使用？

现在还有人用苏宁的礼品卡吗 前两天618&#xff0c;想买点家电&#xff0c;但是在苏宁上看价格还不如京东淘宝优惠 最后手里的苏宁卡也没用出去 本来想着要不送人算了&#xff0c;但是收卡云的价格也还不错&#xff0c;最后就卖出去了 500块钱的苏宁卡买了475&#xff0c;到…
阅读更多...
google浏览器无法访问大端口的处理方式

google浏览器无法访问大端口的处理方式

属性的目标中添加后缀内容或者修改后台端口为常用端口&#xff0c;比如8080等。 “C:\Program Files\Google\Chrome\Application\chrome.exe” --explicitly-allowed-ports8888
阅读更多...
【Excel】单元格如何设置可选项、固定表头

【Excel】单元格如何设置可选项、固定表头

设置可选项 固定表头&#xff1a;视图---冻结窗口
阅读更多...
埃特巴什码加解密小程序

埃特巴什码加解密小程序

埃特巴什码加解密小程序 这几天在看CTF相关的课程&#xff0c;涉及到古典密码学和近代密码学还有现代密码学。 简单替换密码 Atbash Cipher 埃特巴什码(Atbash Cipher)其实可以视为下面要介绍的简单替换密码的特例&#xff0c;它使用字母表中的最后 一个字母代表第一个字母…
阅读更多...
springboot学习01-[springboot介绍、配置文件介绍、自动配置读取原理]

springboot学习01-[springboot介绍、配置文件介绍、自动配置读取原理]

springboot介绍、配置文件介绍、自动配置读取原理 springBoot学习代码说明为什么java -jar springJar包后项目就可以启动 配置文件介绍配置文件加载顺序其他约定配置文件加载顺序profile配置文件加载配置文件绑定类属性通过Value的方式进行属性注入通过ConfigurationProperties…
阅读更多...
力扣62 不同路径

力扣62 不同路径

一个机器人位于一个 m x n 网格的左上角 &#xff08;起始点在下图中标记为 “Start” &#xff09;。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角&#xff08;在下图中标记为 “Finish” &#xff09;。 问总共有多少条不同的路径&#xff1f; 输入&…
阅读更多...
FedCache 2.0引领联邦边缘学习性能与通信效率革新

FedCache 2.0引领联邦边缘学习性能与通信效率革新

FedCache 2.0引领联邦边缘学习性能与通信效率革新 在今天的数字化时代&#xff0c;边缘计算正迅速成为推动终端设备智能化的核心技术之一&#xff1b;如何在保证数据隐私的同时提高数据在网络边缘的处理效率和效果&#xff0c;已成为业界面临的一大挑战。最近&#xff0c;《Fe…
阅读更多...
电巢科技CIOE中国光博会:激光雷达技术应用研讨会圆满落幕！

电巢科技CIOE中国光博会:激光雷达技术应用研讨会圆满落幕！

2024年6月20日&#xff0c;由CIOE中国光博会与电巢科技联合主办的“激光雷达技术应用”线上研讨会成功举行。本次线上研讨会是CIOE中国光博会与电巢科技首次联合主办的论坛&#xff0c;旨在借助双方自身资源优势&#xff0c;为行业发展提供可靠的交流平台。接下来&#xff0c;C…
阅读更多...
Android焦点机制结合WMS

Android焦点机制结合WMS

文章前提&#xff1a; 了解WMS基本作用了解window的概念&#xff0c;phoneWindow&#xff0c;rootViewImpl了解view的事件分发 开始&#xff1a; 讲三件事情&#xff1a; window的创建&#xff0c;更新焦点的更新事件的分发 Window的创建&#xff0c;更新&#xff1a; wi…
阅读更多...
基于 Redis 实现秒杀资格判断，提升并发性能

基于 Redis 实现秒杀资格判断，提升并发性能

在互联网电商平台上&#xff0c;秒杀活动往往会吸引大量用户同时抢购&#xff0c;如何高效地处理高并发请求&#xff0c;保证用户体验&#xff0c;是一个重要的技术挑战。本文将介绍如何基于 Redis 实现秒杀资格的判断&#xff0c;提高并发性能。 基本思路 秒杀活动的核心流程…
阅读更多...
AI 编程还有前景嘛？

AI 编程还有前景嘛？

自从各个大厂相继出品 AI 编程助手之后&#xff0c;AI 在编程领域的发展&#xff0c;可谓是几无寸进。 相比于 AI 在多模态领域火热&#xff0c;AI 在编程领域的热度已经完全下来了。 阿七在公众号搜索了关键词「AI编程」&#xff0c;发现搜索出来的公众号寥寥无几&#xff0…
阅读更多...
LLM生成模型在生物蛋白质应用：ESM3

LLM生成模型在生物蛋白质应用：ESM3

参考&#xff1a; https://github.com/evolutionaryscale/esm 通过GPT模型原理&#xff0c;输入蛋白质序列等模态输出预测的蛋白质序列及结构 使用 参考&#xff1a;https://colab.research.google.com/github/evolutionaryscale/esm/blob/main/examples/generate.ipynb#sc…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023