做综合评价的朋友，大概率都遇到过这样一个尴尬：层次分析法（AHP）算出来的权重看着挺合理，可判断矩阵的一致性比率CR就是压不进0.1。手动改矩阵吧，改一处又影响另一处，越调越乱。我当时被这个问题卡了两天，最后把粒子群算法（PSO）塞进AHP的权重求解环节，才算真正把流程理顺。这篇文章就把这套PSO-AHP模型的构建思路、适应度设计、Matlab代码与一个供应商评估实例完整写出来，希望对正在做方案评价或论文建模的人有帮助。

1. 为什么要把粒子群算法和层次分析法放在一起

1.1 AHP在综合评价里的两个老毛病

AHP应该是做多指标评价绕不开的一套框架，它把人的主观经验拆成两两比较，最终算出一组成权重。思路确实经典，但实际用起来有两个问题非常折磨人。

第一个是指标一致性。专家打分本质上是主观的，每个人对“重要性”的理解都有偏差。比如一位专家说质量比交付重要2倍，交付比服务重要3倍，按数学逻辑质量相对服务应该是6倍，但专家打表的时候可能随手填了个4或者5。一个5阶矩阵里这样的偏差只要出现两三处，CR就很容易超过0.1。《层次分析法》教材都会告诉你“此时应当调整判断矩阵”，但调过的人都懂：这是个牵一发动全身的工程，改一个数，权重变了，别人问起来还说不清为什么改。

第二个问题更隐蔽：权重对打分的变化极度敏感。同一个判断矩阵，某个元素从3改成4，最终权重可能移动好几个百分点，靠后的方案甚至可能直接翻到前面。做综合评价时，评审专家盯着的是最终排名清单，你很难解释“为什么我只是微调了一个标度，第一名就换人了”。这也让我意识到，手工调整判断矩阵这条路其实走不通，必须引入某种自动搜索机制，在保留专家原始意见的基础上做“最小修正”。

1.2 两种主流的PSO-AHP结合方式

把PSO和AHP结合，网上搜索会发现有两条路线，很多人都容易搞混。我在这里把两者对比清楚：

两种方式我都写过测试代码，最终在项目里采用的是方式一：让粒子去搜索判断矩阵的上三角元素，适应度函数包含两部分，一部分是修正后矩阵的一致性比率CR，另一部分是修正后矩阵与专家原始打分之间的偏离程度。为什么用方式一？因为综合评价项目里，评审专家看到“你把我1到9标度打的分做了小幅修正”比“你直接给一组我不知道从哪来的权重”更容易接受，而且方式一保证了每个判断矩阵元素最终都落在原始打分的附近，决策逻辑可追溯。方式二虽然也能用，但要处理权重和等于1以及每个权重必须非负这些约束，粒子在演化过程中经常把约束破坏掉，代码量和调参难度反而更大。

1.3 什么情况下才值得上PSO

并不是所有AHP场景都值得上PSO，我在刚接触这个方法的时候走过弯路，拿一个3阶矩阵去跑PSO，浪费时间又没有必要。建议你按下面三条来对号入座：

判断矩阵阶数n在3到9之间的时候，PSO效果很稳定；一旦超过10，上三角元素个数会迅速膨胀到45个以上，搜索空间太大，收敛速度和结果稳定性都明显下降。如果指标层超过10个指标，先做指标合并，或者把整个评价拆成几个子模型分别处理。

判断矩阵经常出现CR不合格，手工调整几轮都压不下来的情况，PSO-AHP能直接把“调整”这个过程自动化，省的时间非常可观。

综合评价结果要作为投标、立项、排名等正式依据，需要把权重的生成过程固化成一段可复现的脚本。评审时直接拿出一份“修正前CR、修正后CR、每个元素改动幅度”的对比表，比靠嘴解释有说服力得多。

反过来讲，如果CR本身在0.05以下，矩阵只有3阶或者4阶，手工处理几分钟就能搞定，那就没必要引入PSO。不要把算法当成装饰品，解决实际问题的成本才是第一位的。

2. 模型构建前需要吃透的两个基础模块

2.1 层次分析法：从判断矩阵到一致性指标CR

要用好PSO-AHP，AHP本身的底层逻辑必须先吃透。AHP的完整流程大致是四步：建立层次结构、构造判断矩阵、求权重、一致性检验。

构造判断矩阵时，常用的是1到9标度，a_ij表示指标i相对指标j的重要程度，a_ij = 5就表示i比j明显重要，同时a_ji取1/5。判断矩阵的主对角线永远是1。求权重的方法有很多，特征向量法和几何平均法用得最多。几何平均法的公式不复杂：先把每一行的元素连乘后开n次方，得到一组中间值，再把这组值归一化。比如对某个矩阵的第i行，它的权重估计就是：

w_i = (a_i1 * a_i2 * ... * a_in)^(1/n)，然后除以所有行中间值的总和。

得到权重w之后，再计算最大特征值λmax，通常用公式λmax = (1/n) * Σ(Aw)_i / w_i。接着算CI = (λmax - n) / (n - 1)，再引入随机一致性指标RI来消除阶数影响，最终得到CR = CI / RI。

RI的标准值建议直接查表，1到10阶分别是：0、0、0.58、0.90、1.12、1.24、1.32、1.41、1.45、1.49。判断规则很简单：CR < 0.1认为一致性可以接受，否则就需要修正判断矩阵。

我拿一个3阶矩阵演示一下CR超标的实际现象。假设专家给出矩阵：

[1 3 1/3 1/3 1 1/3 3 3 1]

用几何平均法算出来权重大约是0.28、0.14、0.58左右，最后算出的CR约0.12，刚好超过0.1的门槛。问题出在哪里？矩阵里指标1相对指标3打了3倍重要，而指标3相对指标1又打了3倍重要，这本身就是互相矛盾的一对判断。3阶矩阵都算不出合格的一致性，说明人工打分出现循环偏好是很自然的事情。这也是后面PSO要发挥价值的地方。

2.2 粒子群优化：位置、速度与全局最优

PSO的灵感来自鸟群觅食，理解起来并不难。每个粒子代表解空间里的一个候选点，它有三个关键信息：当前位置x_i，当前速度v_i，自己历史最优位置pbest_i；整个种群还有一个共享的全局最优位置gbest。

每一轮迭代，粒子根据下面两条规则更新自己：

v_i(t+1) = w * v_i(t) + c1 * r1 * (pbest_i - x_i(t)) + c2 * r2 * (gbest - x_i(t))

x_i(t+1) = x_i(t) + v_i(t+1)

这里的w是惯性权重，控制粒子保留多少原来的速度；c1和c2是个体学习因子与社会学习因子，分别代表粒子向自己经验和群体经验靠拢的倾向；r1和r2是0到1之间的随机数，给搜索过程加一点随机性。

PSO在这类问题上的优势很明显：不需要目标函数可导，只需要能算出数值的大小；参数少，实现起来比遗传算法省很多事；在维度不高的情况下，收敛也比较快。权重求解本质上就是连续变量优化，判断矩阵里的每个元素都是连续值，PSO天然适合。像是“修正后矩阵与原始矩阵偏离尽量小”这种平滑目标，用PSO在局部范围内搜索，效果比穷举或者随机试错都好得多。

2.3 适应度函数的选取是整个模型最关键的一步

很多初版PSO-AHP代码跑出来的结果让人想摔键盘，不是因为PSO没收敛，而是适应度函数设计得不合理。适应度函数就是给每个粒子打分的函数，它决定了“什么样的判断矩阵才是好矩阵”。

我在项目里用的适应度函数是：

F = CR(M) + α * D(M, A_original)

其中M是粒子解码后得到的判断矩阵，A_original是专家原始判断矩阵，D是两个矩阵之间的偏离程度，α是惩罚系数。这个函数有两层意思：第一层，一致性要优先满足，CR必须尽量小；第二层，也不能为了把CR压到0，把原始判断矩阵改得面目全非，所以在目标里加入偏离惩罚。

为什么不能用线性域的距离来度量偏离程度？因为1到9标度是乘性区间，不是加性区间。专家认为3和5的差距，和1/3与1/5的差距在语义上应该是对称的，但线性差一个等于2，另一个等于0.133，相差15倍。如果直接用线性距离，算法会偏向修改较小的倒数那侧，结果很诡异。解决方法是把判断矩阵元素放到以2为底的对数域里比较，log2(5) - log2(3) = 0.737，log2(1/3) - log2(1/5)也等于0.737，两边完全对称。这就是判断矩阵的代数结构决定的，代码里我对上三角元素做log2变换，也正是这个原因。

α的取值也值得说。我自己的经验是0.01到0.05之间比较合适。α太小，算法会把矩阵拉成某个近似一致的形态，但和专家打分的距离很远；α太大，CR又会修不干净。实际项目里可以先固定CR为高优先级，然后观察修正后矩阵每个元素的变化幅度，如果某个元素被动了超过两个标度，就把α调大一点。

3. Matlab代码实现与关键环节拆解

3.1 整体代码架构：一个脚本加三个局部函数

完整代码我整理成了四个部分：一个入口脚本和三个局部函数。入口脚本负责输入判断矩阵、设置PSO参数和输出结果；三个函数分别承担适应度计算、AHP权重与CR计算、PSO主循环搜索。

这里要提一个兼容性问题：Matlab R2016b之前不支持在脚本里直接写局部函数，如果用的是旧版本，需要把下面这些函数逐个保存成独立的function文件，文件名和函数名保持一致。我在公司和学校导师合作的项目里，经常看到旧版本报错，就是这个原因。

3.2 主循环与粒子初始化逻辑

粒子编码是整个实现的精髓。我的做法是只对判断矩阵上三角元素进行编码，因为一个n阶正互反矩阵只需要上三角的n(n-1)/2个元素，下三角完全由倒数关系确定。例如5阶矩阵，上三角正好10个元素，粒子维度就是10。

把上三角元素做log2变换后，粒子每个维度的取值范围就在log2(1/9)到log2(9)之间，也就是约-3.1699到3.1699。初始化种群时，我不建议完全随机撒点，更稳的做法是以专家原始矩阵为基准生成扰动：

% 上三角索引位置 idx = find(triu(ones(n), 1)); dim = numel(idx); % 以专家矩阵对应的对数值为均值，加20%扰动 center = log2(A(idx))'; X = repmat(center, pop, 1) .* (1 + 0.2 * randn(pop, dim)); X = min(max(X, log2(1/9)), log2(9)); V = zeros(pop, dim);

为什么不完全随机初始化？两个原因。第一，以专家矩阵为中心，相当于告诉算法“不要跑太远，就在原始判断附近找最优解”，收敛速度会快很多。第二，修正后的矩阵更容易向评审解释，你拿到的是一个“在专家打分基础上做了微调”的版本，而不是凭空生成的另一个矩阵。扰动系数0.2是我常用的经验值，如果原始矩阵CR离0.1差距很大，可以放到0.4到0.5，但最好不要超过0.5，否则修正幅度过大，专家会不认账。

主循环的PSO更新部分也比较常规，重点说一下惯性权重的处理。我用的是线性递减策略，从0.9慢慢降到0.4，这样前期的搜索范围大，后期收敛稳：

for it = 1:maxiter w_cur = 0.9 - (0.9 - 0.4) * it / maxiter; for i = 1:pop V(i,:) = w_cur * V(i,:) ... + c1 * rand(1,dim) .* (pbestX(i,:) - X(i,:)) ... + c2 * rand(1,dim) .* (gbestX - X(i,:)); X(i,:) = X(i,:) + V(i,:); % 边界截断，保证所有元素仍在有效标度内 X(i,:) = min(max(X(i,:), log2(1/9)), log2(9)); val = psObj(X(i,:), A, n, alpha); % 更新个体最优和全局最优 if val < pbestVal(i) pbestVal(i) = val; pbestX(i,:) = X(i,:); end end end

边界截断这个动作很关键。如果不截断，粒子可能在解空间中飞出去，解码出来的判断矩阵会出现超过1到9标度的元素，这在AHP框架里是没有意义的。整个搜索过程跑完之后，全局最优粒子的对数编码再通过指数变换映射回判断矩阵上三角。

3.3 适应度计算与权重还原

适应度函数是这段代码里最需要理解清楚的部分，我直接贴完整代码：

function fitness = psObj(x_log, A, n, alpha) idx = find(triu(ones(n), 1)); M = ones(n); M(idx) = 2 .^ x_log(:); % 对数编码还原成标度值 for i = 1:n for j = 1:n if i > j M(i,j) = 1 / M(j,i); % 下三角取倒数 end end end [~, CR] = ahpCR(M); dist = norm(x_log(:) - log2(A(idx)), 2) / sqrt(numel(idx)); fitness = CR + alpha * dist; end function [w, CR] = ahpCR(A) n = size(A, 1); w = prod(A, 2) .^ (1/n); % 几何平均法求权重 w = w / sum(w); Aw = A * w; lambda_max = mean(Aw ./ w); CI = (lambda_max - n) / (n - 1); RI = [0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49]; if n > 10 RI_n = 1.49; else RI_n = RI(n); end CR = CI / RI_n; end

为什么这里用几何平均法求权重而不是直接用eig函数做特征向量法？特征向量法在理论上最标准，但需要在代码里对特征值排序、取最大特征值对应的特征向量，再归一化，对不熟悉Matlab线性代数接口的读者而言，代码理解成本会高不少。几何平均法本质上是特征向量法在一致性接近时的良好近似，在综合评价场景里足够稳定，而且代码一眼就能看懂。如果你面对的是要发核心期刊的学术场景，可以用eig替换掉ahpCR内部实现，两种方法算出来的权重差异一般只有千分之几。

这里还藏着一个细节：dist计算时除以sqrt(numel(idx))，目的是让偏离惩罚项不受矩阵阶数影响。一个5阶矩阵的10个元素和7阶矩阵的21个元素，如果不对距离做归一化，高阶矩阵的累计偏离天然就更大，α的通用性会很差。做一次平均处理后，α的取值在3到9阶之间都能直接复用。

3.4 运行输出与结果解读

把代码整理好后，调用方式可以封装成下面这个样子：

opts = struct('pop', 30, 'maxiter', 300, 'w', 0.6, ... 'c1', 2.0, 'c2', 2.0, 'alpha', 0.01, 'runs', 20); [w0, CR0] = ahpCR(A); fprintf('原始判断矩阵：CR = %.4f\n', CR0); [bestX, bestScore, M_opt] = PSO_AHP_opt(A, opts); [w_opt, CR_opt] = ahpCR(M_opt); fprintf('PSO修正后：CR = %.4f\n', CR_opt); disp(w_opt);

运行结果要怎么读？首先看CR0，这是不修正的直接结果。以我的项目经验，5阶以上专家打分CR落在0.05到0.10区间是非常常见的。PSO跑完后看修正后的CR，一般能压到0.04以下，有些矩阵甚至能到0.02。这里有个度的问题：不要追求CR无限接近0，因为判断矩阵修得越漂亮，偏离专家原始判断就越多，评审反而会质疑你改动了他们的意思。把CR压到0.1以下、最好0.05左右，同时每个元素的改动幅度不超过一个标度，这才是理想状态。

4. 综合评价实例：从指标打分到方案排序

4.1 指标体系与数据准备

用一个我实际做过的设备采购评估案例来演示整个流程。目标是评估5家供应商，指标体系选择五个维度：质量、价格竞争力、交付速度、服务满意度、创新能力。这五个指标都是正向量，评分越高越好，于是省去了负向指标倒扣的麻烦。

原始评估数据如下：

由于各指标的取值范围都在0到100之间，我直接用最大值归一化处理，每个值除以该列最大值，得到一个无量纲的0到1矩阵，便于加权平均。比如质量列最大值为92，A的质量标准化后为1.0000，B为0.9565，以此类推。

4.2 用PSO-AHP计算权重的过程

接下来需要专家对五个指标的重要性做两两比较。这里我模拟一组判断矩阵，质量相对价格竞争力是2倍重要，相对交付速度是4倍重要，价格竞争力相对服务是2倍重要，服务相对创新是3倍重要，整体构造合理且带有少量不一致：

A = [1 2 4 2 5; 1/2 1 2 1 3; 1/4 1/2 1 1/2 2; 1/2 1 2 1 3; 1/5 1/3 1/2 1/3 1]

把这段代码接入PSO_AHP_demo后，会得到原始CR和修正后CR两组数据。从实际经验来看，这类5阶矩阵的原始CR通常在0.06到0.08之间，PSO跑完后能压到0.04以下。修正后的权重大概在质量0.37到0.40、价格竞争力0.21到0.25、交付速度0.11到0.13、服务满意度0.19到0.21、创新能力0.06到0.08这个区间附近。因为PSO是随机算法，每次运行权重在小数点后第三位会有波动，建议用opts.runs多次独立运行取历史最优。

4.3 综合排序与结果解读

得到权重w_opt后，综合得分就是标准化矩阵乘以权重向量：score = X_norm * w_opt。最终可以整理出排名表：

D胜出的原因很直观：质量和服务满意度两个高分维度权重恰好都在前列，B的价格竞争力虽然最高，但质量和交付相对弱，综合下来被D反超。这里想提醒一句：权重对排名的影响非常直接，如果调整判断矩阵导致权重波动，排序可能会随之变化。所以综合评估报告里应当附上权重来源、CR修正前后的对比，以及最终每个供应商得分的构成明细，这样结论才是可考证的。

5. 常见问题、参数调优与避坑笔记

5.1 一致性怎么都修不过去

遇到过几次PSO跑完CR仍然在0.1以上的情况，排查后大多指向两类原因。

第一类是判断矩阵存在明显的循环偏好。比如a_12 = 5表示指标1比指标2重要很多，a_23 = 5表示指标2比指标3重要很多，但a_13却只打了1，这种互相矛盾的信息强度太高，单纯做局部的“最小修正”已经救不回来。我的处理方式是先把原始打分记录翻出来，找专家确认是否存在填错标度的可能，同时把alpha从0.01降到0.005，让算法更侧重于一致性。如果矩阵本身冲突太剧烈，则需要重新开会打分。

第二类是指标层设计问题。当阶数n大于9时，上三角元素个数超过36，搜索空间太大，PSO的收敛质量明显下降。AHP本身就不适合在同一个准则层下面挂超过9个指标，建议先合并同类指标，或者把一个大模型拆成两个子模型分别评价。与其强行让算法去解决超过能力范围的搜索，不如回到指标体系设计层面做减法。

5.2 PSO结果不稳定，每次跑权重都不一样

这个问题很多第一次用PSO的人都会遇到。原因是随机初始化加上目标函数本身存在多个局部最优解，粒子群在单次运行中很容易被某个局部最优困住。这不是代码写错，是随机优化算法的天然属性。

我的做法是把runs设到20到50，每次独立运行后记录全局最优结果，最终在所有运行里取适应度最好的那一次。如果你还关心权重的稳定性，可以把每次运行的最优权重都存下来，计算每组权重所有维度上的均值与标准差。标准差超过0.02，就说明判断矩阵中某些信息冲突强烈，权重估计不够稳，需要重新审视指标设计或者增加专家打分轮次。收敛曲线的绘制也很实用，把每代全局最优适应度存到数组里，用plot画出来，可以直观判断有没有陷入早熟。

5.3 权重被拉得太平或过于集中

有朋友问过我，为什么PSO跑出来的权重全部落在0.1到0.3之间，区分度很低。这个问题的根源通常不在算法，而在判断矩阵的标度跨度。如果专家打分时给出的都是2、1、3这种小标度，矩阵本身就表达不出“某个指标特别重要”的信息，权重自然挤在一起。建议让专家把“相对重要性”理解为比值，而不是“打一个分数”，比如“质量的重要性是价格竞争力的3倍”而不是“质量打3分，价格打1分”。

如果业务上确实要求某指标权重大于等于0.2，可以在解码后加投影处理，把低于下限的维度抬上去再重新归一化；或者直接在适应度里加罚项，违反权重约束就给一个很大的惩罚值。后者更保险，因为粒子在搜索过程中就会避开不可行区域，而不是靠最后一步硬修正。不过这类额外约束加得越多，搜索空间越复杂，能不加就不加。

5.4 参数速查表与使用建议

最后整理一份PSO-AHP参数调节速查表，是我跑项目时沉淀下来的经验取值：

我自己的习惯是先用默认参数试跑两三次，看一眼CR和权重是否落在合理范围。如果CR合格但矩阵改动超过两个标度，把alpha往0.03方向调。如果CR不合格而改动不大，把alpha往0.005方向调。把收敛曲线画出来观察最后50代的变化也非常关键，如果曲线已经平了很久，加大maxiter也不会有本质提升，问题大概率出在初始化策略上。

用了PSO-AHP一段时间之后，我另一个深刻的体会是：把每轮专家打分的原始矩阵、PSO参数、修正后矩阵和CR前后对比全部存档，这件事比调算法还要重要。综合评价最后面对的问题，往往不是“算法好不好”，而是“你这权重怎么来的、凭什么这么改”。PSO-AHP的优势在于修正量最小、目标函数可解释，配合完整存档，才能让评审真正认可整个评价过程。这套代码后面还可以继续扩展，比如结合熵权法做组合赋权，或者把修正过程做成界面工具，但先把判断矩阵跑通，后面自然就顺了。