3. 层次分析法（AHP）基础：原理、矩阵、检验与权重

层次分析法，圈里人常叫它 AHP。说白了，就是把那些说不清、道不明的复杂决策，拆成一层一层的比较。你想想看，故障定位时，我们经常要判断“哪个指标更重要”——是响应延迟更关键，还是丢包率更致命？AHP 就是干这个的。

我个人习惯，在开始任何多准则故障评分之前，先拿 AHP 把权重定下来。不然你拍脑袋给个权重，回头别人一问“为什么这个因子占 0.3”，你答不上来，那就尴尬了。

3.1 AHP 的核心原理

AHP 是 Thomas Saaty 在 70 年代提出的。它的核心就三句话：

• 分解：把问题拆成目标、准则、方案三层。
• 比较：同一层的元素，两两比，看谁更重要。
• 综合：把比较结果算成权重，排个序。

我在项目中遇到过一件事：有个同事直接拿专家打分求平均，结果两个专家意见完全相反，平均下来变成了“中等重要”。这合理吗？不合理。AHP 的好处就是，它通过一致性检验，能揪出这种矛盾。

3.2 判断矩阵的构建

这是 AHP 最实操的一步。你要构建一个 n × n 的矩阵，矩阵里的元素 a_ij 表示“第 i 个因素相对于第 j 个因素的重要程度”。

怎么量化这个“重要程度”？Saaty 给出了 1-9 标度法：

举个例子。假设我们要评估三个故障指标：响应延迟 (L)、丢包率 (P)、CPU 使用率 (C)。我凭经验觉得：

• 延迟比丢包稍微重要 → 3
• 延迟比 CPU 明显重要 → 5
• 丢包比 CPU 介于稍微和明显之间 → 4

那么判断矩阵就是：

       L    P    C
L  [ 1.0, 3.0, 5.0 ]
P  [ 0.33, 1.0, 4.0 ]
C  [ 0.2, 0.25, 1.0 ]

3.3 一致性检验

为什么需要一致性检验？你想想看，如果你说 A > B，B > C，但又说 C > A，这就矛盾了。人的判断不可能完全一致，但也不能太离谱。

一致性检验的步骤：

1. 计算一致性指标 CI：
   CI = (λmax - n) / (n - 1)
   其中 λ_max 是矩阵的最大特征值，n 是矩阵阶数。
2. 查平均随机一致性指标 RI：

3. 计算一致性比率 CR：
   CR = CI / RI
4. 判断：如果 CR < 0.1，一致性可以接受；否则需要调整矩阵。

拿刚才的 3x3 矩阵举例。我算过它的 λ_max ≈ 3.086，那么：

CI = (3.086 - 3) / (3 - 1) = 0.043
CR = 0.043 / 0.58 ≈ 0.074

0.074 < 0.1，通过。说明我的判断还算靠谱。

3.4 权重计算

权重计算有几种方法。最常用的是 特征向量法 和 几何平均法。我个人偏爱几何平均法，因为它计算简单，手算也能搞定。

几何平均法步骤：

1. 对矩阵的每一行，计算所有元素的几何平均数。
2. 将这些几何平均数归一化（加起来等于 1），就得到权重向量。

还是用刚才的矩阵：

行 1 (L): (1 × 3 × 5)^(1/3) = 15^(1/3) ≈ 2.466
行 2 (P): (0.33 × 1 × 4)^(1/3) = 1.32^(1/3) ≈ 1.097
行 3 (C): (0.2 × 0.25 × 1)^(1/3) = 0.05^(1/3) ≈ 0.368

总和 = 2.466 + 1.097 + 0.368 = 3.931

权重：
W_L = 2.466 / 3.931 ≈ 0.627
W_P = 1.097 / 3.931 ≈ 0.279
W_C = 0.368 / 3.931 ≈ 0.094

结果很清楚：延迟占 62.7%，丢包占 27.9%，CPU 占 9.4%。这个权重就可以直接用到后续的故障评分里。

3.5 知识结构图

下面这张图把 AHP 的完整流程串起来了。从构建矩阵到一致性检验，再到权重计算，每一步都有对应的数学工具。