Главная страница

Система и поддержка принятия решений лаба 1. Отчет. Метод анализа иерархий (маи) по курсу Компьютерные системы поддержки принятия решений


Скачать 100.62 Kb.
НазваниеМетод анализа иерархий (маи) по курсу Компьютерные системы поддержки принятия решений
АнкорСистема и поддержка принятия решений лаба 1
Дата26.12.2022
Размер100.62 Kb.
Формат файлаdocx
Имя файлаОтчет.docx
ТипЛабораторная работа
#864481

Отчет

Лабораторная работа №1

Тема: Метод анализа иерархий (МАИ)

по курсу «Компьютерные системы поддержки принятия решений»

Цель: Изучение метода анализа иерархий для поддержки принятия решений.

Ход работы:

Этап 1.

Решение задачи альтернативного выбора с помощью программной системы.

Практическое освоение МАИ в лабораторной работе начинается с простой задачи выбора школы.

Был проведен анализ трех школ А, В, С по шести критериям:

  1. учеба;

  2. друзья;

  3. школьная жизнь;

  4. профессиональное обучение;

  5. подготовка к колледжу;

  6. обучение музыке.


В качестве матрицы парных сравнений важности используемых критериев на этом этапе предлагается использовать следующую матрицу:

.





Номера столбцов и строк матрицы М0 совпадают с номерами критериев

Оценки школ относительно шести критериев представлены матрицами Мi i=[1,6].














Запуск программы осуществляется инициированием исполняемого файла mai3.exe в ОС Windows.

Дальнейшая работа с программой объясняется после инициирования окна «Настройки»



Шаг №1

Выберем и нажмем на кнопку «Настройки»



Заполним матрицу попарных значений для характеристик:



Заполним матрицу попарных значений для объектов:
  1. учеба;




  1. друзья;



  1. школьная жизнь;



  1. профессиональное обучение;




  1. подготовка к колледжу;




  1. обучение музыке.





Нажмем на кнопку «Расчет»

Результат:



Приступаем к Этапу №2

Этап 2. Проверка найденных решений с помощью таблицы Excel.

Этап 2. С помощью таблицы Excel, используя соотношение (1) и табл.1, а также методику оценки согласованности локальных приоритетов (раздел 4) проверить полученные результаты.


Матрица парных сравнений важности используемых критериев:







n-характеристика

1

2

3

4

5

6

1

1

4

3

1

3

4

2

0,25

1

7

3

0,2

1

3

0,333333333

0,142857143

1

0,2

0,2

0,166667

4

1

0,333333333

5

1

1

0,333333

5

0,333333333

5

5

1

1

3

6

0,25

1

6

3

0,333333333

1


Оценки школ относительно шести критериев:

Критерий

Объект

Школа A

Школа B

Школа C

M1

Школа A

1

0,333333333

0,5

Школа B

3

1

3

Школа C

2

0,333333333

1

M2

 

Школа A

Школа B

Школа C

Школа A

1

1

1

Школа B

1

1

1

Школа C

1

1

1

M3

 

Школа A

Школа B

Школа C

Школа A

1

5

1

Школа B

0,2

1

0,2

Школа C

2

5

1

M4

 

Школа A

Школа B

Школа C

Школа A

1

9

7

Школа B

0,111111111

1

0,2

Школа C

0,142857143

5

1

M5

 

Школа A

Школа B

Школа C

Школа A

1

0,5

1

Школа B

2

1

2

Школа C

2

0,5

1

M6

 

Школа A

Школа B

Школа C

Школа A

1

6

4

Школа B

0,166666667

1

0,333333333

Школа C

0,25

3

1


Компонента собственного вектора:

n-характеристика

Результат

1

3,464101615

2

1,012272234

3

0,133481894

4

0,863340021

5

2,236067977

6

1,10668192


Нормализация компоненты собственного вектора:

n-характеристика

До нормализации

После нормализации,a

1

3,464101615

0,216506351

2

1,012272234

0,081307007

3

0,133481894

0,065340787

4

0,863340021

0,099616156

5

2,236067977

0,14583052

6

1,10668192

0,095540885


Оценка вектора приоритета характеристик:

n-характеристика

Норм. Компонента собственного вектора

Оценка вектора

1

0,216506351

1,657027998

2

0,081307007

1,016374565

3

0,065340787

0,214137674

4

0,099616156

0,847606262

5

0,14583052

1,337477087

6

0,095540885

0,970477847


Оценка вектора приоритета для объектов:

M1

Школа A

Школа B

Школа C

НеНорм. Компонента собственного вектора

Норм. Компонента собственного вектора

Оценка вектора

Школа A

1

0,333333333

0,5

0,638943104

0,34851442

0,566533

Школа B

3

1

3

1,732050808

0,24743583

2,106221

Школа C

2

0,333333333

1

0,903602004

0,271080601

1,050588

M2

Школа A

Школа B

Школа C

НеНорм. Компонента собственного вектора

Норм. Компонента собственного вектора

Оценка вектора

Школа A

1

1

1

1

0,333333333

1

Школа B

1

1

1

1

0,333333333

1

Школа C

1

1

1

1

0,333333333

1

M3

Школа A

Школа B

Школа C

НеНорм. Компонента собственного вектора

Норм. Компонента собственного вектора

Оценка вектора

Школа A

1

5

1

1,495348781

0,213621254

2,033098

Школа B

0,2

1

0,2

0,447213595

0,319438282

0,40662

Школа C

2

5

1

1,77827941

0,222284926

2,246719

M4

Школа A

Школа B

Школа C

НеНорм. Компонента собственного вектора

Норм. Компонента собственного вектора

Оценка вектора

Школа A

1

9

7

2,817313247

0,165724309

3,863654

Школа B

0,111111111

1

0,2

0,386097395

0,294481064

0,342826

Школа C

0,142857143

5

1

0,919322715

0,149657186

1,645737

M5

Школа A

Школа B

Школа C

НеНорм. Компонента собственного вектора

Норм. Компонента собственного вектора

Оценка вектора

Школа A

1

0,5

1

0,840896415

0,336358566

0,763494

Школа B

2

1

2

1,414213562

0,282842712

1,526988

Школа C

2

0,5

1

1

0,285714286

1,099853

M6

Школа A

Школа B

Школа C

НеНорм. Компонента собственного вектора

Норм. Компонента собственного вектора

Оценка вектора

Школа A

1

6

4

2,213363839

0,201214894

3,019045

Школа B

0,166666667

1

0,333333333

0,485491772

0,323661181

0,430186

Школа C

0,25

3

1

0,930604859

0,218965849

1,240253


Оценка обобщенного приоритета:

Объект

M1

M2

M3

M4

M5

M6

Оценка обобщенного приоритета

Школа A

0,566533331

1

2,033097593

3,863654189

0,763494208

3,019045

0,833032406

Школа B

2,106220894

1

0,406619519

0,342826313

1,526988416

0,430186

0,820718601

Школа C

1,050588052

1

2,246718848

1,645737408

1,099852774

1,240253

0,779902508


Результат:

Школа А является наиболее выгодным решением, т.к. в процессе анализа был получен наибольший результат.


написать администратору сайта