当前位置：首页 > news >正文

网站开发公司的推广费用做推广哪个平台效果好

news 2025/8/18 8:45:15

网站开发公司的推广费用,做推广哪个平台效果好,那些卖外挂的怎么做的网站,商标转让费用多少目录 1.算法流程简介 2.算法核心代码 3.算法效果展示 1.算法流程简介 """ AHP:层次分析法,层次分析法还是比较偏向于主观的判断的,所以在建模的时候尽可能不要去使用层次分析法不过在某些创新的评价方法上,也是能够运用层次分析使得评价变得全面一些,有可…

1.算法流程简介

2.算法核心代码

3.算法效果展示

1.算法流程简介

"""
AHP:层次分析法,层次分析法还是比较偏向于主观的判断的,所以在建模的时候尽可能不要去使用层次分析法
不过在某些创新的评价方法上,也是能够运用层次分析使得评价变得全面一些,有可能险中求胜,获得评委的青睐的
"""
具体流程如下:
#1.首先进行预备信息的求解便于一致性检验
#2.进行一致性检验,判断是否可以使用层次分析法
#3.求解权重的三种方法(算术平均值法,几何平均值法,特征向量法)

2.算法核心代码

"""
AHP:层次分析法,层次分析法还是比较偏向于主观的判断的,所以在建模的时候尽可能不要去使用层次分析法
不过在某些创新的评价方法上,也是能够运用层次分析使得评价变得全面一些,有可能险中求胜,获得评委的青睐的
"""
import numpy as np
class AHP:
#1.首先进行预备信息的求解便于一致性检验def __init__(self,cmatrix):self.arr=cmatrix#导入比较矩阵#获取比较矩阵的相关数据self.n=cmatrix.shape[0]#比较矩阵的大小#设置RI便于一致性检验self.RI= [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]#求解特征值和特征向量np.linalg.eig()会一起返回self.eig_val, self.eig_vector = np.linalg.eig(self.arr)#求解矩阵的最大特征值self.max_eig_val = np.max(self.eig_val)#矩阵最大特征值对应的特征向量self.max_eig_vector = self.eig_vector[:, np.argmax(self.eig_val)].real#矩阵的一致性指标CIself.CI_val = (self.max_eig_val - self.n) / (self.n - 1)#矩阵的一致性比例CRself.CR_val = self.CI_val / (self.RI[self.n - 1])
#2.进行一致性检验,判断是否可以使用层次分析法def consist_test(self):#一致性指标CIprint("比较矩阵的CI值为:",str(self.CI_val))#一致性指标CRprint("比较矩阵的CR值为:",str(self.CR_val))if self.n==2:print("仅有两个子因素,不存在一致性冲突问题")else:if self.CR_val<0.1:#CR<0.1,一致性问题通过print("比较矩阵CR值为:",str(self.CR_val),"<0.1,通过一致性检验!")return Trueelse:print("比较矩阵CR值为:",str(self.CR_val),">0.1,未通过一致性检验,不能使用层次分析法!")return False
#3.求解权重的三种方法:
#1.算术平均法def Arithmetic_averaging_method(self):#求每一列的和sum_col=np.sum(self.arr,axis=0)#归一化处理array_std=self.arr/sum_col#计算权重向量weight_Arithmetic_averaging=np.sum(array_std,axis=1)/self.nprint("算术平均法求得的权重为:",weight_Arithmetic_averaging)return weight_Arithmetic_averaging#2.几何平均法def Geometric_averaging_method(self):# 求矩阵的每列的积col_plus = np.product(self.arr, axis=0)# 将得到的积向量的每个分量进行开n次方array_power = np.power(col_plus, 1 / self.n)# 将列向量归一化weight_Geometric_averaging = array_power / np.sum(array_power)# 打印权重向量print("几何平均法求得的权重为:", weight_Geometric_averaging)# 返回权重向量的值return weight_Geometric_averaging#3.特征值权重法def Eigenvalue_weighting_method(self):# 将矩阵最大特征值对应的特征向量进行归一化处理就得到了权重weight_Eigenvalue_weighting = self.max_eig_vector / np.sum(self.max_eig_vector)# 打印权重向量print("特征值权重法法求得的权重为:", weight_Eigenvalue_weighting)# 返回权重向量的值return weight_Eigenvalue_weightingdef test_run_demo():#comparsion_matrix可以随意修改comparsion_matrix=np.array([[1,1/4,1/9],[4,1,1/2],[9, 2, 1]])weight1 = AHP(comparsion_matrix).Arithmetic_averaging_method()weight2 = AHP(comparsion_matrix).Geometric_averaging_method()weight3 = AHP(comparsion_matrix).Eigenvalue_weighting_method()#运行区域:
test_run_demo()