跳到主要内容

网络层次分析法（ANP）

一、直观理解：准则之间会互相“打招呼”，不再是严格树​

AHP 假设上层支配下层、同层元素相互独立。现实中常见：成本影响质量评价、质量又反馈到品牌，品牌再影响成本承受力——元素之间有依赖与反馈。网络层次分析法（Analytic Network Process, ANP）把层次推广为网络，用超矩阵描述影响，求极限权重。

像生态系统：不是简单食物链金字塔，而是有环的食物网；稳态分布才反映长期重要性。

二、适用场景与优缺点​

类型说明
适用场景准则/方案间存在依赖或反馈；复杂决策；AHP 独立性假设明显不成立。
核心优点表达相互关系；极限权重有网络意义；可退化为 AHP（无反馈时）。
局限与缺点建模与计算更重；判断矩阵数量多；极限超矩阵需随机化与收敛；可解释成本高。

三、核心原理​

1. 网络结构​

元素组成元素组（cluster）；有向弧表示影响。控制层可仍用 AHP 思想。

2. 未加权超矩阵 WW​

分块矩阵：块 WijW_{ij} 表示组 jj 中元素对组 ii 中元素的影响权重（由判断矩阵特征向量得到）。列对应“被比较的影响来源”归一。

3. 加权超矩阵​

用组间权重把 WW 列随机化，使每列和为 1，得 Wˉ\bar W。

4. 极限超矩阵​

W∞=lim⁡t→∞WˉtW^\infty=\lim_{t\to\infty}\bar W^{t}

（若周期则 Cesàro 平均）。列给出极限影响权重，进而得元素全局权重。

四、关键决策​

决策点建议
是否真需要 ANP无明确反馈时用 AHP 更干净
网络图论文必须画出依赖关系与依据
一致性每个判断矩阵仍要 CR
随机化组间权重来源写清
收敛检查幂次稳定

五、MATLAB 示例​

以下用小网络演示超矩阵幂法（数值为示意）。

% 假设 3 个元素互相影响，未加权/已列归一的超矩阵
W = [
    0.2 0.3 0.5;
    0.5 0.4 0.2;
    0.3 0.3 0.3
];
% 确认列随机
assert(all(abs(sum(W,1)-1) < 1e-10));

% 幂迭代求极限
Wt = W;
for t = 1:40
    Wt = Wt * W;
end
disp("W^40 ≈"); disp(Wt);

% 若各列相同，任取一列即极限权重
w = Wt(:,1);
w = w / sum(w);
disp("极限权重："); disp(w');

% 若出现周期振荡，用 Cesàro 平均
N = 50; S = zeros(size(W)); P = eye(size(W));
for t = 1:N
    P = P * W;
    S = S + P;
end
Wbar = S / N;
disp("Cesàro 平均列："); disp(Wbar(:,1)');

% 与“当作 AHP 无反馈”的对照权重（示例）
wAHP = [0.5; 0.3; 0.2];
disp("若忽略反馈的 AHP 权重："); disp(wAHP');

完整 ANP 需：多组判断矩阵 → 拼 WW → 组间加权 → 极限。可用专门软件核对，但赛题手写小规模网络更清晰。

六、如何解释结果​

  1. 网络图：谁影响谁；
  2. 关键判断矩阵与 CR；
  3. 极限权重 vs AHP 权重差异说明反馈的作用；
  4. 方案排序及依赖结构如何改变名次；
  5. 稳健性：删一条反馈边排序是否剧变。

七、常见误区​

1. 无依赖硬上 ANP 装复杂​

增加任意性，不加工服力。

2. 超矩阵未列归一就求极限​

概率解释崩溃。

3. 不检查收敛/周期性​

直接取 W20W^{20} 可能误导。

4. 判断过多导致随意填数​

网络越大，主观负担越重。

5. 只给最终权重不给结构​

无法复核。

附：建模论文中的写法要点​

  1. 问题对应：用一两句话说明为何该方法匹配题目数据结构与目标（分类/分群/排序/效率）。
  2. 符号与步骤：按“输入 → 预处理 → 核心计算 → 输出指标”列出编号步骤，公式与代码变量名一致。
  3. 参数表：列出全部可调参数、取值、选取依据（CV、信息准则、业务约束或灵敏度）。
  4. 结果呈现：主结果用表格；辅以 1–2 张图（边界、树状图、得分条形图、效率分解等）。
  5. 稳健性：至少做一种扰动——删点、换权重、换距离、换初值或换阈值，观察结论是否保持。
  6. 局限：主动写明假设（球状簇、线性可分、CRS、完全补偿等）及适用边界，避免被质询时被动。

若主方法结论与合理基线（如 K-means 对 GMM、加权和对 TOPSIS、CCR 对 BCC）严重冲突，应回到数据质量与指标方向检查，而不是只报告“更好看”的一种结果。

附：计算检查清单​

在提交结果前，建议按下列清单快速自检：

  1. 输入矩阵：行/列含义是否与正文一致，有无缺失、重复行、单位混用。
  2. 方向与尺度：极小型是否已正向化；聚类/距离类是否已标准化；评价类权重是否归一。
  3. 参数来源：所有阈值、簇数、核宽、理想解定义能否在正文找到依据。
  4. 数值稳定：协方差/相关是否接近奇异；DEA 线性规划是否全部求解成功；对数/除零是否加保护。
  5. 随机性：涉及随机初值的算法是否固定种子并报告多次结果的稳定性。
  6. 验证协议：分类任务是否严格隔离测试集；重采样/SMOTE 是否仅用于训练折。
  7. 图表编号：主结论表与图在正文中被引用，而不是只放附录。
  8. 可复现：给出软件版本（如 MATLAB R20xx）与关键函数名，使读者能重跑最小示例。

不满足清单中任一项时，优先修正流程，再讨论“方法先进性”。对综合评价题，额外检查：更换一种合理权重后，前三名是否大体稳定；若剧烈跳动，应降低对精细名次的措辞强度。

八、小结​

ANP 用超矩阵编码元素间依赖与反馈，以极限影响作为权重，是 AHP 在网络关系下的推广。

仅当题目明确存在相互影响且能画清网络时使用；否则 AHP 或组合赋权更简洁稳健。