C#毕业设计——基于C#+层次分析法+AHP的项目评审中专家遴选方法设计与实现（( 七 ) _矩阵

表 3-1 专家遴选指标体系及准则
3.2.2评价指标的计算方法
根据之前的对每个评价指标的定义，我们需要制定出每个指标的计算方法。专家评价的指标主要分为以下两类：
(1)客观评价指标。该类指标可以精确测量，例如年龄、职称等评价指标。
(2)主观评价指标。此类指标的测量依赖于人的主观意志，因此难以精确测量，例如工作作风、科研态度等指标。
而无论是主观评价指标，还是客观评价指标，该指标的值最终都需要参与运算，因此需要确定每种指标的具体计算方法，以获得具体的量化值。每个指标的计算如下：
3.2.3专家遴选算法的退避条件
在利用专家遴选算法对专家进行遴选之前，需要对专家库中的专家进行初始化，主要完成的任务就是执行退避算法，从中剔除不应该包含的评审专家，而通常的退避条件包含以下几种：
(1)是否为该项目的完成人
(2)是否为该项目的咨询专家
(3)是否为该项目的推荐专家
(4)是否在该项目的工作单位
(5)专家的年龄35岁以下
(6)专家的年龄68岁以上
如果专家满足这些回避条件中的一条，则应该把该专家从专家库中剔除。在执行了退避算法之后，再对专家运用基于层次分析法的专家遴选算法进行遴选，挑选出项目的评审专家。
3.3利用层次分析法计算专家评价指标权重
在建立了专家评价的指标体系，并确立了专家评价的标准之后，需要确定指标体系中各个指标值的权重。指标赋权值的过程会直接影响专家遴选的结果，因此选择何种指标赋权值的方法对于专家遴选算法而言特别重要，也是专家遴选算法的核心。本文算法主要使用的是主观权重分析法中的层次分析法确定专家遴选中各个指标的权重。
利用层次分析法解决指标权重赋值的问题主要有四个步骤：(1)建立层次模型(2)构造判断矩阵(3)计算各个判断矩阵的单一准则排序权重向量并检验其一致性(4)计算各个因素对于总目标的权重排序向量并检验其一致性。
3.3.1建立层次结构模型
建立问题的层次结构模型，将问题包含的因素分为三个层次，最高层为目的层，也就是我们需要从众多待选择的专家中遴选出来合适的专家组成的专家组；最底层也就是目标层，带选择的各个专家；中间层准则层，就是用来评价专家的各个指标，指标共分为两层，准则层1为一级评价指标，准则层2为二级评价指标。在专家遴选算法的层次结构模型中，准则层1中的因素只影响准则层2中的部分因素，所以专家遴选算法的层次结构模型属于不完全层次层次结构模型。
根据以上分析，专家遴选算法的层次结构模型如图3-1所示。
图3-1专家遴选算法的层次结构模型
利用该层次结构模型，我们需要根据中间层的各个因素A1、A2、A3、A4，来确定最底层的每个指标B1、B2、B3…B15对于最高层Z的权重。
3.3.2构造判断矩阵
建立层次结构模型的目的是为了确定各个指标相对于总目标的重要性权重排序，获得总目标排序权重的前提，是需要确定各个指标对其影响的上一层单一指标的影响权重，获得单一准则排序权重需要构造判断矩阵。
不同于常规层次分析法解决最底层的决策问题，如果使用常规层次分析法解决办法，需要对每个专家之间构造判断矩阵。专家库中的专家通常是数以百计，而准则层的因素也通常有数十个，因此如果为构造常规的专家之间的判断矩阵，需要构造数量庞大的判断矩阵，这无论是矩阵的构造还是矩阵的运算，都需要花费极大的精力和事件，不符合决策支持的本质。因此在本算法中，主要使用层次分析法确定专家评价指标体系中各个指标的权重问题。这样需要构造的判断矩阵数量就大大减少。在获得了各个指标权重的基础上，然后通过综合评价函数对专家进行定量的综合评价。