【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:
- 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 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})
相关文章:
【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…...
K8S日常运维手册
Kubernetes(简称 K8S)是一种广泛使用的容器编排平台,能够自动化部署、扩展和管理容器化应用。对于运维人员来说,掌握 Kubernetes 的日常运维技能是确保系统稳定运行的关键。本文将介绍一些 Kubernetes 日常运维的基本操作与技巧&a…...
现在的Java面试都这么扯淡了吗?
在开始前刚好我有一些资料,是我根据网友给的问题精心整理了一份「java的资料从专业入门到高级教程」, 点个关注在评论区回复“666”之后私信回复“666”,全部无偿共享给大家!!!开发兼过半年面试官 刚开始…...
安全加固 MariaDB 和 MySQL 数据库
安全加固 MariaDB 和 MySQL 数据库 在今天的网络环境中,保护数据库安全至关重要,特别是像 MariaDB 和 MySQL 这样的流行数据库。本文将介绍一些关键的安全加固步骤,以确保数据库系统的安全性和稳定性。 1. 数据库版本和基础设置 首先&…...
【计算机毕业设计】167校园失物招领微信小程序
🙊作者简介:拥有多年开发工作经验,分享技术代码帮助学生学习,独立完成自己的项目或者毕业设计。 代码可以私聊博主获取。🌹赠送计算机毕业设计600个选题excel文件,帮助大学选题。赠送开题报告模板ÿ…...
yum的概念、相关命令、ftp http部署步骤;NFS共享文件操作步骤
目录 yum 配置文件 缓存功能操作步骤 创建并配置本地仓库文件 yum相关命令 yum install __ yum repolist yum list __ yum info __ yum search __ yum whatprovides __ yum remove __ yum -y update __ yum history yum grouplist yum groupinstall "__&q…...
Spire.PDF for .NET【文档操作】演示:如何删除 PDF 中的图层
借助Spire.PDF,我们可以在新建或现有pdf文档的任意页面中添加线条、图像、字符串、椭圆、矩形、饼图等多种图层。同时,它还支持我们从pdf文档中删除特定图层。 Spire.PDF for .NET 是一款独立 PDF 控件,用于 .NET 程序中创建、编辑和操作 PD…...
【c语言】二级指针
1,定义 本质还是从指针的角度去理解,只不过存的指针的值 2,使用方法...
心理健康测试系统设计
心理健康测试系统设计需要综合考虑多个方面,以确保系统的准确性、易用性和有效性。以下是一个心理健康测试系统设计方案: 一、设计目标 准确性:确保测试结果能够准确反映被测者的心理健康状况。 易用性:设计简洁明了的界面和操作…...
webcomponents学习
一、新建index.html文件 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8" /><meta name"viewport" content"widthdevice-width, initial-scale1.0" /><title>Document</title>…...
2024会展行业发展趋势预测
在当今这个数字化浪潮汹涌的时代,会展行业也迎来了自己的变革时刻。 根据《2023中国会展主办机构数字化调研报告》,我们可以清晰地看到几个显著的趋势: 首先,数字化转型已经不再是一道选择题,而是必答题。 超过90%的…...
达梦(DM8)数据库备份与还原(逻辑备份)二
一、达梦数据库的逻辑备份分四种级别的导出(dexp)与导入(dimp)的备份 第一种是:数据库级:导出或导入数据库中所有的对象。主要参数是:FULL 第二种是:用户级别:导出或导…...
ThreeJS-截屏下载pdf或者图片时白屏
JS-页面截图下载为pdf 关于如何下载为 pdf 在上面的这篇文章中有写,大家可以看下,下载图片代码在最下面 这时我们发现 three 部分是空白的如下: 这就多少有点尴尬了,这时我们习惯性的看下后台报错 是不是发现了惊喜,…...
redis以后台的方式启动
文章目录 1、查看redis安装的目录2、Redis以后台的方式启动3、通过客户端连接redis4、连接后,测试与redis的连通性 1、查看redis安装的目录 [rootlocalhost ~]# cd /usr/local/redis/ [rootlocalhost redis]# ll 总用量 112 drwxr-xr-x. 2 root root 150 12月 6…...
力扣随机一题 哈希表 排序 数组
博客主页:誓则盟约系列专栏:IT竞赛 专栏关注博主,后期持续更新系列文章如果有错误感谢请大家批评指出,及时修改感谢大家点赞👍收藏⭐评论✍ 2491.划分技能点相等的团队【中等】 题目: 给你一个正整数数组…...
昇思25天学习打卡营第01天|基本介绍
作为曾经的javaer,本着不断学习的初心,报名了昇思25天的课程,希望自己能学会点东西的目的。 昇思MindSpore介绍 昇思MindSpore是一个全场景深度学习框架,旨在实现易开发、高效执行、全场景统一部署三大目标。 其中,…...
问题:1、金属基复合材料界面的物理结合是指 #学习方法#媒体
问题:1、金属基复合材料界面的物理结合是指 A.与化学作用有关,既有化学键力存在,又有范德华力存在 B.是一种纯的物理作用,与化学作用无关,即无化学键力存在,但有范德华力存在 C&a…...
突发!OpenAI停止不支持国家API,7月9日开始执行
6月25日凌晨,有部分开发者收到了OpenAI的信,“根据数据显示,你的组织有来自OpenAl目前不支持的地区的API流量。从7月9日起,将采取额外措施,停止来自不在OpenAI支持的国家、地区名单上的API使用。” 但这位网友表示&am…...
大数据集群数据传输
简单的服务器间的通信示例 netcat,简写为 nc,是 unix 系统下一个强大的命令行网络通信工具,用于在两台主机之间建立 TCP 或者 UDP 连接,并提供丰富的命令进行数据通信。nc 在网络参考模型属于应用层。使用 nc 可以做很多事情&…...
css-vxe列表中ant进度条与百分比
1.vxe列表 ant进度条 <vxe-column field"actualProgress" title"进度" align"center" width"200"><template #default"{ row }"><a-progress:percent"Math.floor(row.actualProgress)"size"s…...
(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)
题目:3442. 奇偶频次间的最大差值 I 思路 :哈希,时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况,哈希表这里用数组即可实现。 C版本: class Solution { public:int maxDifference(string s) {int a[26]…...
铭豹扩展坞 USB转网口 突然无法识别解决方法
当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…...
linux之kylin系统nginx的安装
一、nginx的作用 1.可做高性能的web服务器 直接处理静态资源(HTML/CSS/图片等),响应速度远超传统服务器类似apache支持高并发连接 2.反向代理服务器 隐藏后端服务器IP地址,提高安全性 3.负载均衡服务器 支持多种策略分发流量…...
【磁盘】每天掌握一个Linux命令 - iostat
目录 【磁盘】每天掌握一个Linux命令 - iostat工具概述安装方式核心功能基础用法进阶操作实战案例面试题场景生产场景 注意事项 【磁盘】每天掌握一个Linux命令 - iostat 工具概述 iostat(I/O Statistics)是Linux系统下用于监视系统输入输出设备和CPU使…...
【快手拥抱开源】通过快手团队开源的 KwaiCoder-AutoThink-preview 解锁大语言模型的潜力
引言: 在人工智能快速发展的浪潮中,快手Kwaipilot团队推出的 KwaiCoder-AutoThink-preview 具有里程碑意义——这是首个公开的AutoThink大语言模型(LLM)。该模型代表着该领域的重大突破,通过独特方式融合思考与非思考…...
Spring AI 入门:Java 开发者的生成式 AI 实践之路
一、Spring AI 简介 在人工智能技术快速迭代的今天,Spring AI 作为 Spring 生态系统的新生力量,正在成为 Java 开发者拥抱生成式 AI 的最佳选择。该框架通过模块化设计实现了与主流 AI 服务(如 OpenAI、Anthropic)的无缝对接&…...
NFT模式:数字资产确权与链游经济系统构建
NFT模式:数字资产确权与链游经济系统构建 ——从技术架构到可持续生态的范式革命 一、确权技术革新:构建可信数字资产基石 1. 区块链底层架构的进化 跨链互操作协议:基于LayerZero协议实现以太坊、Solana等公链资产互通,通过零知…...
关于 WASM:1. WASM 基础原理
一、WASM 简介 1.1 WebAssembly 是什么? WebAssembly(WASM) 是一种能在现代浏览器中高效运行的二进制指令格式,它不是传统的编程语言,而是一种 低级字节码格式,可由高级语言(如 C、C、Rust&am…...
多模态图像修复系统:基于深度学习的图片修复实现
多模态图像修复系统:基于深度学习的图片修复实现 1. 系统概述 本系统使用多模态大模型(Stable Diffusion Inpainting)实现图像修复功能,结合文本描述和图片输入,对指定区域进行内容修复。系统包含完整的数据处理、模型训练、推理部署流程。 import torch import numpy …...
【前端异常】JavaScript错误处理:分析 Uncaught (in promise) error
在前端开发中,JavaScript 异常是不可避免的。随着现代前端应用越来越多地使用异步操作(如 Promise、async/await 等),开发者常常会遇到 Uncaught (in promise) error 错误。这个错误是由于未正确处理 Promise 的拒绝(r…...
