JavaScript实现层次分析法AHP工具：权重计算与一致性检验全解析

简介：这是一款基于JavaScript实现的可视化层次分析法（AHP）工具，面向需要开展多准则权重评估的个人或团队，帮助用户完成判断矩阵构建、一致性检验与权重计算等环节。该仓库提供完整前端源码，采用轻量设计，包含14个文件，涵盖JS逻辑模块、CSS样式、HTML页面入口、JSON配置、license与README说明等类型，整体压缩包约476KB，结构紧凑，便于按模块阅读和二次修改。开发者在README中注明目前暂无数据持久化功能，建议输入数据时同步记录到电子表格，并欢迎提交拉取请求扩充功能，这也是理解软件工程迭代边界的真实案例。已有814人在线学习浏览，适合对决策算法感兴趣的前端开发者、产品经理及AHP方法初学者参考。

1. 层次分析法（AHP）工具：先算对权重，再谈决策

做过多方案比选的人都有体会：最耗时间的不是收集数据，而是把脑子里的“这个指标比那个重要一点”变成可比较的数值。层次分析法（AHP）就是解决这个问题的经典方法，但在实际项目中，手算判断矩阵的特征向量和一致性比率很容易出错，尤其是超过5个指标时，矩阵乘法、归一化、查随机一致性指标表，每一步都可能悄悄引入误差。我这次拆的这份资源是一套用JavaScript实现的ahp-tool工具源码，它把AHP的完整计算流程封装成了可直接调用的函数，输入判断矩阵就能输出权重、特征值、一致性比例。适合正在做决策分析、方案比选、指标权重评估的开发者，以及需要把AHP嵌入到前端页面里的从业者。下面从原理到代码，一点一点说清楚它是怎么工作的。

2. 为什么用JavaScript写AHP：矩阵运算的前端可行性

AHP听起来像数学建模课上的内容，很多人第一反应是用Python或者MATLAB。但当我第一次需要在一个纯前端的选型工具里嵌入权重计算时，发现JavaScript完全能胜任，而且有些场景比后端方案更合适。

2.1 AHP的核心计算流程与矩阵特征值

AHP的起点是构造一个n×n的判断矩阵A，元素a_ij表示第i个指标相对于第j个指标的重要程度。通常采用1-9标度法，1表示同等重要，9表示极端重要，且要求a_ij = 1 / a_ji。我们要从矩阵中算出每个指标的相对权重，数学上就是求矩阵A的最大特征值λ_max对应的特征向量，归一化后就是权重向量。

手算时常用近似算法：将矩阵按列归一化，再按行求平均值。这个方法叫和积法，精度对大多数决策场景足够。但工具实现时我倾向于直接用幂法或者用雅可比法求特征向量，因为当矩阵阶数变高（比如7阶以上），和积法的误差会让后续一致性检验变得没什么意义。ahp-tool源码里默认采用“列归一化+行平均”的算法，因为它计算量小、容易理解，但同时也保留了特征向量迭代求解的接口，方便需要更高精度的场景。

// 和积法实现：返回归一化权重向量 function eigenVectorBySumProduct(matrix) { const n = matrix.length; // 第一步：按列归一化 const colNormalized = Array.from({ length: n }, () => new Array(n).fill(0)); for (let j = 0; j < n; j++) { let sum = 0; for (let i = 0; i < n; i++) sum += matrix[i][j]; for (let i = 0; i < n; i++) colNormalized[i][j] = matrix[i][j] / sum; } // 第二步：按行求和并归一化 const weights = []; for (let i = 0; i < n; i++) { let rowSum = 0; for (let j = 0; j < n; j++) rowSum += colNormalized[i][j]; weights.push(rowSum / n); } return weights; }

这段代码的逻辑很直白：先对每一列求和，把每个元素除以该列总和，得到列归一化矩阵；再把每一行的归一化值加起来除以阶数n。这样得到的权重向量满足所有权重的和为1。注意这里的实现假设传入的matrix已经是一个合法的正互反矩阵，也就是说对角线为1且对应位置互为倒数。如果输入不满足这个条件，计算结果会偏离真实权重，这是后期最容易踩的坑之一。

2.2 为什么不用后端库，而用JavaScript原生实现

我之前也犹豫过，团队里已有Python后端，为什么不在服务端算好权重再返回结果？后来发现几个实际问题：第一，很多决策表单是纯前端工具，希望直接在浏览器里实时看到调整某个打分后权重的变化，如果每次都请求后端，交互延迟会很大；第二，AHP的矩阵规模通常很小（常见是3到9阶），JavaScript的数组运算完全够用，矩阵乘法不过是三层循环，性能根本不是瓶颈；第三，部署时减少一个后端依赖，整个工具可以做成静态页面，放到任意环境就能跑。

用JavaScript实现还有一个额外优势：可以直接嵌入到诸如Vue、React这类框架的组件里，和表单控件联动。比如用户拖动滑块修改某个相对重要程度，前端立即重新计算权重并刷新图表。这个交互在后端方案里很难做到流畅。当然，JavaScript的浮点精度问题确实存在，但AHP里涉及的数值范围基本在0到9之间，矩阵乘法最多也就几百次运算，误差完全可以接受。真正需要小心的是判断矩阵本身的一致性，而不是计算精度。

不过有一个点要注意：JavaScript没有内置真正的矩阵类型，二维数组就是普通数组嵌套。这意味着在传递或修改矩阵时，一不小心就会引用同一个多维数组，导致原矩阵被意外改动。我在封装工具时，所有函数内部都会先做一次深拷贝，避免对外部传入的数据产生副作用。这个习惯减少了大量难以排查的bug。

所以，选择JavaScript既是因为场景驱动，也是因为AHP的计算特性决定它很适合在前端做。如果你需要把计算结果分享给同事或导出报告，前端算完直接生成CSV或图片，反而比后端再串一条链路更省事。接下来我会直接演示怎么安装并跑通这个工具。

3. 安装与第一个算例：从npm包到一次性判断矩阵

拿到ahp-tool源码后，第一步是把它跑起来。这个工具被设计成标准的npm包，同时也支持直接在浏览器里用script标签引入。我先介绍最常用的npm方式，再给一个完整的计算示例。

3.1 安装与导入方式

假设你已经有一个Node.js环境，版本建议14以上，因为源码中使用了ES Module语法。安装命令很简单：

npm install ahp-tool

如果你不想走npm，也可以直接在HTML中引用：

<script type="module"> import { calculateWeights } from './ahp-tool/src/index.js'; // 然后就可以用了 </script>

这个工具的包结构很清晰：src/index.js是主入口，导出calculateWeights、checkConsistency、aggregateGroup等函数。主入口文件并不依赖任何第三方库，所以浏览器里也能直接用。安装完成后，你可以在Node脚本里这样导入：

const ahp = require('ahp-tool'); // CommonJS 方式 // 或者 ESM 方式 import { calculateWeights } from 'ahp-tool';

导入的calculateWeights接收一个二维数组作为判断矩阵，返回一个对象，包含权重向量weights、最大特征值lambdaMax、一致性指标CI、一致性比率CR。我第一次使用这个函数时，最惊讶的是它不需要我传指标名称，只需要按顺序提供矩阵数值，输出也同样按顺序排列，减少了参数传递的出错可能。

3.2 构造判断矩阵与输出权重向量

先看一个最经典的三指标决策场景，例如比较“价格、性能、服务”三个指标对最终选型的影响。我假设价格比性能略重要（打分3），价格比服务明显重要（打分5），性能比服务略重要（打分2）。构造判断矩阵如下：

在代码里传入这个矩阵，由于JavaScript不能直接用分数，我通常写成浮点数：

import { calculateWeights } from 'ahp-tool'; const matrix = [ [1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1] ]; const { weights, lambdaMax, CI, CR } = calculateWeights(matrix); console.log('权重向量:', weights); console.log('最大特征值:', lambdaMax); console.log('CR:', CR);

运行后输出的权重大致是[0.6483, 0.2297, 0.1220]，也就是说价格权重最高，服务最低，这符合当初设置的“价格最重要”的判断。lambdaMax会在3.003左右，CR远小于0.1，说明这个判断矩阵的一致性可以接受。注意，calculateWeights函数默认采用和积法，所以精度对于三位小数完全没问题。如果你需要更高精度的特征值，源码里还有calculateEigen函数，用幂法迭代，但通常用不到。

3.3 参数说明：RI取值表与一致性比率CR

任何一个AHP算例都必须报告一致性比率CR，它的公式是CR = CI / RI，其中CI = (lambdaMax - n) / (n - 1)，而RI是随机一致性指标，只与矩阵阶数n有关。这个工具内置了1到15阶的RI表，我在这里列出一个常用范围，方便你对照检查：

在调用calculateWeights时，工具会自动根据矩阵的阶数n去查表。一个容易忽略的地方是，1阶和2阶矩阵的一致性指标永远合理，因为它们的CR会变成除以0，源码里做了特殊处理直接返回0。如果你自己写类似的代码，千万别忘了处理n小于3的情况，否则会出现除零错误。另外，如果判断矩阵中出现了0或负数，工具会直接抛出异常，因为AHP的标度必须是正数。这个参数说明反映了一个关键点：不是所有矩阵都能算出权重，必须先保证矩阵合法。

当你拿到一个CR大于0.1的结果时，工具不会自动帮你调整矩阵，而只是把这个值返回给你。因为调整判断矩阵本身是一个决策行为，工具不应该越俎代庖。后面的实战章节我会具体讲，当CR超出阈值时，从矩阵的哪个位置入手做修改更合理。

4. 核心功能代码实战：一致性检验与权重聚合

这一章的代码是资源里最核心的部分。除了基础的权重计算，ahp-tool还提供了几个我在项目里经常用到的函数：一致性检验的独立接口、多人打分聚合、以及和Excel/CSV的数据对接。逐个拆开来看。

4.1 一致性比例CR的计算：RI怎么查表

如果不想在每次计算时都带上一致性结果，你可以只调用checkConsistency函数，它接收判断矩阵，返回CI和CR。这个函数的内部实现里有一个小细节：它会把矩阵中的所有元素都取绝对值后再检查正互反性，这样即使用户在输入时由于手误传入了负数，工具也能给出更明确的提示而不是直接崩溃。

import { checkConsistency } from 'ahp-tool'; const validation = [1, 2, 5, 1/2, 1, 3, 1/5, 1/3, 1]; // 错误示例？这里其实是传成了一位数组，函数内部会尝试重构矩阵 console.log(checkConsistency(validation));

等等，这个示例是我故意写错的。checkConsistency和calculateWeights一样，都要求传入二维数组。如果传入一维数组，函数会认为维度不对，抛出“Matrix dimension error”。我在第一次使用时就吃过这个亏，因为从CSV读取的数据经常是扁平的。后来我写了一个小工具函数把一维扁平数组重塑成n×n矩阵。这个场景很常见，所以源码里也附带了一个reshapeMatrix函数，只是没有在主入口导出，需要从src/utils.js里单独引入。

RI查表并非只是简单的数组索引。对于n大于9的矩阵，传统的RI表不够用，工具采用了常用文献里的经验公式来推算，也就是用随机生成的判断矩阵去模拟平均值。不过在你的实际决策里，很少会超过9个指标，所以这个扩展功能主要用于教学展示。

4.2 多决策者权重聚合：几何平均与加权平均

当多个人对同一组指标打分时，不能直接对所有判断矩阵取平均值，因为AHP的判断矩阵是正互反的，简单算术平均会破坏互反性。标准做法是用几何平均来聚合每个位置的元素。ahp-tool里提供了aggregateGroup函数，输入一组判断矩阵，输出一个聚合后的判断矩阵。

import { aggregateGroup } from 'ahp-tool'; const matrixA = [ [1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1] ]; const matrixB = [ [1, 2, 4], [1/2, 1, 2], [1/4, 1/2, 1] ]; const aggregated = aggregateGroup([matrixA, matrixB], { method: 'geometric' }); console.log(aggregated);

输出结果中，第0行第1列的值会是Math.sqrt(3 * 2)，也就是两个打分几何平均后的值。为什么不用算术平均？因为如果一个人觉得A比B重要3倍，另一个人觉得A比B重要1/3倍，算术平均会得到约1.17，而几何平均会得到1，恰好反映两人意见完全相左。几何平均在正数域上是可逆的，不会破坏正互反性。这个函数还支持method: 'weighted'，可以传入每个决策者的权重，比如某个专家有更高的话语权。参数里有一个weights数组，默认等权重。

const aggregated = aggregateGroup([matrixA, matrixB], { method: 'weighted', weights: [0.6, 0.4] });

加权平均同样用的是几何加权，即每个元素进行一次方幂相乘。多个决策者的场景下，最终算权重前，还需要对聚合矩阵再做一步一致性检验，因为不同决策者的打分差异可能让聚合后的矩阵失去一致性。这里建议的流程是：先聚合，再检验，最后计算权重。

4.3 导入导出：Excel/CSV格式的边界处理

工具本身不直接解析Excel文件，但它提供了一个从二维数组转换到CSV字符串的函数toCSV，和一个从CSV解析出二维数组的函数fromCSV。这两个函数的亮点在于能处理缺失值。

import { toCSV, fromCSV } from 'ahp-tool'; // 把判断矩阵保存成CSV字符串 const matrix = [ [1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1] ]; const csvStr = toCSV(matrix); console.log(csvStr); // "1,3,5\n0.3333333333333333,1,2\n0.2,0.5,1" // 从CSV字符串解析回矩阵 const parsed = fromCSV(csvStr); console.log(parsed.length); // 3

fromCSV在解析时会把空白行忽略掉，但要求每行的列数一致。如果列数不一致，它不会强制补全，而是抛出一个包含行号的错误。这个设计我觉得很符合实际——CSV文件在Excel里编辑后，经常会有最后一列缺失的情况。另外要注意，当用Excel保存CSV时，1/3会直接变成0.3333333333，解析后是浮点数，计算精度足够，但如果你习惯用精确分数形式，建议在代码里直接把浮点转换成分数对象再做计算。ahp-tool没有内置分数对象，处理方式是统一使用浮点数。

我一般会建议用户在Excel里维护判断矩阵时，使用小数而不是分数，因为分数容易被Excel自动换算成日期。比如输入1/3，Excel可能显示成一月三日。这是我自己的血泪经验。所以工具里的fromCSV会默认把1/3当成浮点数0.3333，而不是字符串拼接，也算是一种防御策略。

页面表单中的矩阵数据，往往还需要进行校验。ahp-tool导出了一个validateMatrix函数，它会检查：长度是否大于1且不是空数组、每个元素是否为正数、矩阵第i行第j列与第j行第i列的乘积是否接近于1。这里的“接近”允许了1e-6的误差，避免浮点运算导致的误报。如果校验不通过，函数会返回一个错误对象，包含错误位置和具体原因，方便工具集成方直接展示给用户。

5. 常见问题排查：从“特征值算不对”到“NaN满天飞”

这个工具我自己的团队用了很久，最常见的问题反而不是工具本身的bug，而是使用习惯和数据边界问题。这里整理四条真实的踩坑记录，每一条都对应一个具体的现象、原因和解决方式。

5.1 现象：CR一直大于0.1，怎么调整判断矩阵

跑出CR是0.22，明显超了0.1的阈值。很多人的第一反应是调大某个对角线附近的数值，让它“看起来”更合理，结果越调越乱。原因是判断矩阵的一致性取决于最大特征值接近n的程度，而最大特征值受到矩阵所有元素共同影响。只改一个元素往往需要连带改它对称位置的倒数，还要考虑与其他指标的传递性。正确的做法是：先找出最大特征值的特征向量，然后计算每个元素与对应权重的比值的差异，也就是一致性偏差最大的那个格子。工具里没有直接给出调整建议，但我一般会在拿到weights后，手动计算matrix[i][j] / (weights[i] / weights[j])，哪个值偏离1最多，就优先调整哪一对。例如一个三阶矩阵中，如果第1行第2列的计算结果是1.8，说明用户认为性能比价格的重要程度大约是权重比的1.8倍，此时应该把打分从3降到2左右，再重新计算CR。这样迭代两三次，通常就能降到0.1以下。经验是每次只调整一组，不要同时改多个位置。

5.2 现象：二阶矩阵报错？RCI表缺失

调用calculateWeights时，传了一个2×2矩阵，结果函数返回的CR是0，不是报错。但另一个项目里，有人用了一个自定义的RI数组，里面对n=2的RI填写了0.58，结果CR直接变成无穷大。这是因为很多人从网上复制的RI表没有明确说明1阶和2阶的RI为0。标准文献中，2阶判断矩阵不存在不一致问题，因为只有一个独立判断，所以CR没有意义。解决方式是：要么显式判断n小于等于2时直接跳过一致性检验，要么在查表前检查RI是否为0。ahp-tool源码里已经处理了这个情况，但如果你自己扩展RI表，就要格外小心。我后来在代码里加了这类注释：

// 当n<=2时，CI=0, RI=0, CR定义为0

5.3 现象：浮点误差导致特征向量归一化后不收敛

使用幂法迭代求解最大特征值时，如果迭代次数太少，权重向量可能还没有收敛到稳定值。有一次我在一个7阶矩阵上对比和积法与幂法，幂法迭代20次后和和积法的结果在小数点后第4位有差异。原因很简单：幂法要求初始向量尽量接近真实特征向量，否则收敛速度会慢。解决方式有两个：一是增大迭代次数到100次；二是把初始向量设为所有元素为1/n。后者更关键。源码里的eigenVectorByPower默认迭代次数是100，并保留了每次迭代后的delta值，用来判断收敛程度。如果你发现权重不规律摆动，可以打印出delta，如果它仍然大于1e-8，说明迭代没收敛，手动增加迭代次数即可。

5.4 现象：多人打分数据合并时权重越界

使用aggregateGroup聚合几位评审的打分时，算出来的权重和每个人单独算的权重差很多，甚至有的指标权重变成了负数。这个让我排查了很久。后来发现是输入数据有问题：一个人填写的判断矩阵中，对角线下方的元素不是对角线上方的倒数，而是直接填了和上方一样的值。也就是说，他矩阵里第i行第j列和第j行第i列都是3，而不是3和1/3。这样聚合后的矩阵失去了正互反性，特征向量计算就乱套了。解决方式：聚合之前先对每个个体矩阵做一次validateMatrix，如果发现对应位置乘积与1的偏差超过1e-6，就拒绝参与聚合，并提醒该个人重新填写。这个校验逻辑现在被我用在表单提交的前端拦截上，比后端的返回报错更友好。从那以后，我每次收集多人打分都会强制跑一遍矩阵校验，避免数据进到算法里才暴露问题。

除了这些，还有一个关于随机数生成的问题值得一提。如果你用fromCSV导入数据，CSV中包含了表头或指标名称，工具不会自动跳过，你需要预先处理掉第一行。很多二次开发的同学在这里卡住，因为他们误以为工具会自动识别文本。实际上，fromCSV的设计只接受纯数字矩阵，一旦遇到非数字字符会抛出“Cannot parse number”的异常，这在很大程度上避免了几何平均时混入非数字的数据。

6. 一个进阶技巧：把AHP集成进Vue/React的实时决策表单

如果你不仅想要命令行里计算权重，还想做成交互式的决策工具，这里分享一个我常用的集成套路。以React为例，核心思想是把判断矩阵放在组件的state里，每次矩阵变化时触发一次计算，并用useMemo缓存结果，避免不必要的重复计算。

6.1 表单状态管理与计算时机

我习惯用一个二维数组来绑定所有打分单元格。每个单元格是一个input输入框，值改变时更新对应位置，并自动更新对称位置为1/x。这样用户只需要填写矩阵的上三角部分，下三角自动补齐，既能减少输入负担，也能保证判断矩阵始终是正互反的，从源头守住一致性检验的基础。

import React, { useState, useMemo } from 'react'; import { calculateWeights } from 'ahp-tool'; function AhpMatrix({ n }) { const [matrix, setMatrix] = useState(() => Array.from({ length: n }, (_, i) => Array.from({ length: n }, (_, j) => (i === j ? 1 : '')) ) ); const handleCell = (i, j, value) => { const num = parseFloat(value); if (isNaN(num) || num <= 0) return; setMatrix(prev => { const next = prev.map(row => [...row]); next[i][j] = num; next[j][i] = 1 / num; return next; }); }; const result = useMemo(() => { const numericMatrix = matrix.map(row => row.map(v => (typeof v === 'number' ? v : parseFloat(v) || 1)) ); return calculateWeights(numericMatrix); }, [matrix]); return <div>{result.weights.map(w => w.toFixed(3)).join(', ')}</div>; }

这段代码里有两个要注意的点：一是handleCell中把输入的字符串转成浮点数，如果解析失败就默认忽略，这种静默处理比弹窗提示更友好，用户知道自己输入的是什么；二是useMemo的依赖数组是matrix，只要矩阵内容变化就重新计算。对于3阶到9阶矩阵，这种计算开销可以忽略不计。一旦用户调整某个值，页面上的权重刷新几乎没有延迟。

6.2 用自写hook封装AHP结果缓存

当矩阵规模增长或者需要同时展示多个决策层时，每次计算都输出整个对象可能造成组件多次渲染。我习惯写一个自定义hook，把权重、CR、以及最近一次计算时间缓存起来。

function useAhpResult(matrix) { const prev = useRef(null); const result = useMemo(() => { const key = JSON.stringify(matrix); if (prev.current && prev.current.key === key) { return prev.current.data; } const data = calculateWeights(matrix); prev.current = { key, data }; return data; }, [matrix]); return result; }

这个hook的核心逻辑就是在useMemo里加一层缓存判断，用JSON.stringify生成矩阵快照作为指纹。如果矩阵没有变化，直接返回上一次的结果，连计算都不做。这个优化在矩阵阶数达到9阶以上时能明显减少卡顿。我后来把这个hook放到了之前一个备件选型的工具里，配合图表库显示权重条形图，用户每次拖动滑块都能看到权重实时变化。整个集成过程最大的收获是：计算函数保持纯函数，输入矩阵输出结果，状态管理只放在组件层，不要混进计算逻辑。

从那次以后，我每次接新项目，只要涉及多指标打分，都强制走一遍“先做校验函数，再写矩阵表单，最后才接图表”这个顺序。这条流程让我排除了很多奇怪的数据问题，也让我敢于放心地把前端计算结果直接用于决策报告。希望这次拆解的ahp-tool能帮你在做权重分析时少踩一些坑，有需要就直接下载源码跑一遍，它的导出函数覆盖了我能想到的大部分场景。

本文还有配套的精品资源，点击获取