层次分析方法及装置、设备、存储介质与流程

1.本技术实施例涉及信息处理技术，涉及但不限于层次分析方法及装置、设备、存储介质。

背景技术：

2.层次分析法(analytic hierarchy process，ahp)是人们在对复杂问题进行分析时常用的一种评价手段，决策者在对研究对象作深入了解并掌握其发展规律后，选取指标构建层次结构进行分析，但在求解层次结构中的指标时，求解方式较为复杂，计算难度大。

技术实现要素：

3.有鉴于此，本技术实施例提供的层次分析方法及装置、设备、存储介质，利用了蚁狮优化方法中计算参数较少，计算过程简单，计算速度快的优点，能够有效降低层次分析中计算判断矩阵权重向量和一致性指标的难度。本技术实施例提供的层次分析方法及装置、设备、存储介质是这样实现的：
4.本技术实施例提供的层次分析方法，包括：根据当前候选方案的属性参数，建立层次结构模型；根据所述层次结构模型，构造判断矩阵；其中，所述判断矩阵中的元素用于表征所述属性参数之间的相对重要性；对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，所述权重向量用于表征所述当前候选方案在候选方案集合中的相对重要性，所述一致性指标用于表征所述当前候选方案的合理性；根据每一所述候选方案的权重向量和一致性指标，从所述候选方案集合中确定目标方案。
5.本技术实施例提供的层次分析装置，包括：构造模块，用于根据当前候选方案的属性参数，建立层次结构模型；所述构造模块，还用于根据所述层次结构模型，构造判断矩阵；其中，所述判断矩阵中的元素用于表征所述属性参数之间的相对重要性；处理模块，用于对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，所述权重向量用于表征所述当前候选方案在候选方案集合中的相对重要性，所述一致性指标用于表征所述当前候选方案的合理性；确定模块，用于根据每一所述候选方案的权重向量和一致性指标，从所述候选方案集合中确定目标方案。
6.本技术实施例提供的电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例所述的方法。
7.本技术实施例提供的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术实施例提供的所述的方法。
8.在本技术实施例中，提供一种层次分析方法，通过建立层次结构模型；根据所述层次结构模型，构造判断矩阵；然后对矩阵进行蚁狮优化处理，得到权重向量和一致性指标；最终根据每一候选方案的权重向量和一致性指标，从候选方案集合中确定目标方案；如此，将蚁狮优化方法应用于层次分析中求解权重向量和一致性指标，从而利用了蚁狮优化方法中计算参数较少，计算过程简单，计算速度快的优点，能够有效降低层次分析中计算判断矩
阵权重向量和一致性指标的难度。
附图说明
9.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本技术的实施例，并与说明书一起用于说明本技术的技术方案。
10.图1为本技术实施例提供的一种层次分析方法的实现流程示意图；
11.图2为本技术实施例提供的一种层次分析方法的实现流程示意图；
12.图3为本技术实施例提供的一种层次分析方法的实现流程示意图；
13.图4为本技术实施例提供的一种层次分析方法的实现流程示意图；
14.图5为本技术实施例改进的蚁狮优化算法的流程示意图；
15.图6为本技术实施例层次分析装置的结构示意图；
16.图7为本技术实施例提供的电子设备的结构示意图。
具体实施方式
17.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术的具体技术方案做进一步详细描述。以下实施例用于说明本技术，但不用来限制本技术的范围。
18.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
19.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
20.需要指出，本技术实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。
21.本技术实施例提供一种层次分析方法，该方法应用于电子设备，该电子设备在实施的过程中可以为各种类型的具有信息处理能力的计算机设备，例如所述计算机设备可以包括台式机、笔记本电脑或掌上电脑等；该电子设备还可以为移动终端，例如所述移动终端可以包括手机、车载电脑、平板电脑或等。该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该电子设备至少包括处理器和存储介质。
22.图1为本技术实施例提供的层次分析方法的实现流程示意图，如图1所示，该方法可以包括以下步骤101至步骤104：
23.步骤101，根据当前候选方案的属性参数，建立层次结构模型。
24.层次分析法是一种系统分析方法，这种方法把一个复杂的问题按属性的逻辑关系逐层分解，形成一个层次结构模型来加以分析，以降低待分析的问题的决策难度，给出复杂问题的求解结果。决策者在对研究对象作深入了解并掌握其发展规律后，选取属性参数构
建层次结构进行分析，利用数学的方法将属性参数数量化，并根据计算结果对评价事物做出判断。
25.在本技术实施例中，候选方案的属性参数是预先确定的，在确定候选方案的属性参数时，可根据方案的具体应用场景，也即根据实际需求选择。
26.该方法可以有多种应用场景，例如，用户想要从多个候选旅游地中选择最合适的地点旅游；又如，在考试系统中，教师想要从多套试卷中选择出最合理的一套试卷；再如，用户想要在多个工作机会中选择出最合适的工作。
27.以旅游地选择为例来进行说明：用户现在想要从三个候选旅游地点中选择出目标旅游地点，假设这三个地点为p1(苏州)、p2(杭州)和p3(南京)，影响用户进行方案选择的属性参数有b1(景)、b2(费用)、b3(居住)、b4(饮食)和b5(旅途)5个因素，则能够根据候选方案的5个属性参数，建立包括目标层、准则层和方案层的层次结构模型。
28.步骤102，根据层次结构模型，构造判断矩阵；其中，判断矩阵中的元素用于表征属性参数之间的相对重要性。
29.在建立层次结构模型之后，根据层次结构模型中候选方案的影响参数，构造判断矩阵。判断矩阵，是指以矩阵的形式来表述层次结构模型中每一层次中各属性参数之间的相对重要程度。其中，相对重要性，是指在构造判断矩阵时，一种属性参数相对于另一种属性参数是否更为重要，该值是根据具体应用场景事先预定好的。举例来说，在选择旅游地时，认为景这一属性参数的重要程度稍微高于费用这一属性参数的重要程度，则在构造判断矩阵时，设定景相比于费用的比值为2；认为旅途这一属性参数的重要程度明显高于居住这一属性参数的重要程度，则在构造判断矩阵时，设定旅途相比于居住的比值为5。根据这种准则，两两确定候选方案的属性参数之间的比值，最终构造出判断矩阵。
30.步骤103，对判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，权重向量用于表征当前候选方案在候选方案集合中的相对重要性，一致性指标用于表征当前候选方案的合理性。
31.在层次分析方法中，当构造出判断矩阵之后，需要计算判断矩阵的权重向量和一致性指标，根据这两个参数对候选方案进行评估。但其在计算时，计算过程较为复杂，且难度较大。
32.蚁狮优化方法是一种智能优化算法，模拟蚁狮幼虫捕食蚂蚁的行为，其寻优能力主要依赖于蚂蚁个体和蚁狮个体之间的相互作用和影响。
33.在本技术实施例中，基于蚁狮优化处理方法的寻优能力，将蚁狮优化方法应用到层次分析方法中，确定出精英个体，并将精英个体的空间位置作为权重向量，以及将精英个体的适应度函数值作为一致性指标。可见，这种将蚁狮优化算法应用于层次分析中的方法，利用了蚁狮优化算法中计算参数较少，计算过程简单，计算速度快的优点，从而能够有效降低层次分析中计算判断矩阵权重向量和一致性指标的难度。
34.步骤104，根据每一候选方案的权重向量和一致性指标，从候选方案集合中确定目标方案。
35.以旅游地选择为例，在对构造出的判断矩阵进行蚁狮优化处理后，假设得到候选方案中苏州的权重向量为0.105，杭州的权重向量为0.637，南京的权重向量为0.258。可以看出，在三个候选方案中，杭州的权重值最大，因此，杭州可能为目标方案。但在计算该方案
的权重向量时，其设置的判断矩阵中的元素的数值并不一定完全合理，因此需要继续对杭州这一候选方案的一致性指标进行判断，当确定该方案的一致性指标满足一致性要求时，也即当前方案的判断矩阵中的元素数值设置合理时，将杭州确定为目标方案。
36.图2为本技术实施例提供的层次分析方法的实现流程示意图，如图2所示，该方法可以包括以下步骤201至步骤207：
37.步骤201，根据当前候选方案的属性参数，建立层次结构模型；
38.步骤202，根据层次结构模型，构造判断矩阵；
39.步骤203，根据判断矩阵，生成蚁狮种和蚂蚁种；其中，蚁狮种的体数量、蚂蚁种的体数量与判断矩阵的维度相同。
40.在本技术实施例中，在构造出判断矩阵之后，根据判断矩阵中的元素，生成初始蚁狮种和初始蚂蚁种。例如，构造的判断矩阵为a＝(a
ij
)n×n，该判断矩阵中的行数(即横向维度)为n，列数(即纵向维度)也为n，根据判断矩阵，设置蚁狮种和蚂蚁种的体数量，其中，蚁狮种的体数量为n，蚂蚁种的体数量也为n。也即，蚁狮种的体数量和蚂蚁种的体数量与判断矩阵的维度相同。
41.步骤204，确定蚁狮种和蚂蚁种中每一个体的空间位置和适应度函数值；其中，适应度函数值用于表征个体在种中的适应程度。
42.在得到蚁狮种和蚂蚁种之后，先对蚁狮种和蚂蚁种中每一个体的空间位置进行初始化处理，初始化n个蚁狮：m
antlion_i
＝(al1,al2,...,aln),i＝1,2,...,n，n个蚂蚁：m
ant_i
＝(a1,a2,...,an),i＝1,2,...,n。其中，n为种规模，ali和ai各分量为[0，1]上的均匀随机数，从而得到初始蚂蚁种和初始蚁狮种中每一个体的空间位置。
[0043]
适应度函数值，是用来度量个体在种中的优劣指标的，也即，用来衡量某一个体在种中的适应程度，适应程度高的个体被认定为优良个体，而适应程度低的个体则被认定为不良个体。
[0044]
步骤205，根据每一个体的适应度函数值，从蚁狮种和蚂蚁种中选出精英个体。
[0045]
在一些实施例中，可以通过执行如下步骤2051至步骤2056来实现：
[0046]
步骤2051，将蚁狮种中适应度函数值满足候选条件的个体确定为候选个体。
[0047]
候选条件，可以为适应度函数值最小，也可以为适应度函数值最大。例如，将蚁狮种中每一个体的适应度函数值进行升序排列，得到排序结果，将排序结果中适应度函数值最小的个体确定为候选个体；又如，将蚁狮种中每一个体的适应度函数值进行升序排列，得到排序结果，将排序结果中适应度函数值最大的个体确定为候选个体；再如，将蚁狮种中每一个体的适应度函数值进行降序排列，得到排序结果，将排序结果中适应度函数值最小的个体确定为候选个体；还如，将蚁狮种中每一个体的适应度函数值进行降序排列，得到排序结果，将排序结果中适应度函数值最大的个体确定为候选个体。此时确定出的候选个体为初始候选个体，也即初始蚁狮种中的精英个体。
[0048]
步骤2052，根据候选个体的空间位置，更新蚂蚁种，得到更新后的蚂蚁种。
[0049]
在蚁狮优化算法中，蚂蚁个体是随机游走的，其位置时刻都在发生改变。因此，在确定出初始候选个体后，还需根据该初始候选个体的空间位置，更新蚂蚁种中蚂蚁的位置，以得到更新后的蚂蚁种。
[0050]
在一些实施例中，根据候选个体的空间位置，更新蚂蚁种中每一个体的空间位置；根据蚂蚁种中个体更新后的空间位置，更新蚂蚁种中对应个体的适应度函数值。
[0051]
可以理解地，每一个体的空间位置发生变动之后，其对应的适应度函数值也会发生改变。因此，在得到更新后的蚂蚁种中每一个体的空间位置后，还需根据蚂蚁个体的空间位置，计算其对应的适应度函数值，此时的适应度函数值也与更新前的适应度函数值不同。
[0052]
步骤2053，将更新后的蚂蚁种与蚁狮种混合，得到混合种。
[0053]
在蚂蚁种中个体的空间位置更新之后，个体的适应度函数值也会对应改变，因此，初始候选个体可能不一定为满足候选条件的个体，因此需要将更新后的蚂蚁种和初始蚁狮种混合，得到混合种，从而在混合种中，是根据每一个体更新后的适应度函数值，选择出当前满足候选条件的候选个体。
[0054]
步骤2054，对混合种中适应度函数值满足候选条件的第一个体进行更新处理，得到新的候选个体。
[0055]
在混合种中选择候选个体的方式与在初始蚁狮种中选择候选个体的方式一致，在此不再赘述。
[0056]
步骤2055，确定更新次数是否满足第一收敛条件；如果不满足，返回执行步骤2052，继续根据所述新的候选个体的空间位置，更新当前蚂蚁种，从而得到新的候选个体；如果满足，执行步骤2056。
[0057]
可以理解地，在蚁狮优化过程中，为寻最优的候选个体(即最终的精英个体)，仅对种寻优一次(更新一次)是远远不够的，需要进行多次寻优，直至寻优次数满足收敛条件为止，可将最终一次寻优得到的混合种中的候选个体确定为精英个体。
[0058]
在本技术实施例中，确定更新次数是否满足第一收敛条件，即为确定更新次数是否达到最大迭代次数。示例性地，最大迭代次数可以设置为1000，当然，具体设置次数可以根据用户需求设定，对此并不做限定。
[0059]
更新次数是指对蚂蚁种的更新次数，当确定更新次数不满足第一收敛条件时，返回执行步骤2052，即根据本次更新得到的新的候选个体的空间位置，更新蚂蚁种中每一个体的空间位置，以再次得到更新后的蚂蚁种，并再次从混合种中选择出新的候选个体；当更新次数满足最大迭代次数后，执行步骤2056，基于最后一次更新得到的混合种，确定出最后一次得到的候选个体，将其作为精英个体。
[0060]
步骤2056，将基于当前混合种得到的新的候选个体确定为精英个体。
[0061]
步骤206，将精英个体的空间位置确定为权重向量，以及将精英个体的适应度函数值确定为一致性指标。
[0062]
在本技术实施例中，将判断矩阵中权重向量的计算转化为最小优化问题；并通过事先建立的数学模型，将一致性指标的计算问题转换为蚁狮优化算法中适应度函数值的计算问题。该方法的核心思想为：根据蚁狮优化算法，确定出种中的精英个体，将精英个体的空间位置作为权重向量，以及将精英个体的适应度函数值作为一致性指标；从而将较为复杂的权重向量和一致性指标的计算问题转化为寻优问题，有效利用了蚁狮优化算法中计算参数较少，计算过程简单，计算速度快的优点，进而能够降低层次分析中计算判断矩阵权重向量和一致性指标的难度。
[0063]
步骤207，根据每一候选方案的权重向量和一致性指标，从候选方案集合中确定目标方案。
[0064]
图3为本技术实施例提供的层次分析方法的实现流程示意图，如图3所示，该方法可以包括以下步骤301至步骤318：
[0065]
步骤301，根据当前候选方案的属性参数，建立层次结构模型；
[0066]
步骤302，根据层次结构模型，构造判断矩阵；
[0067]
步骤303，根据判断矩阵，生成蚁狮种和蚂蚁种；
[0068]
步骤304，确定蚁狮种和蚂蚁种中每一个体的空间位置和适应度函数值；
[0069]
步骤305，将蚁狮种中适应度函数值满足候选条件的个体确定为候选个体；
[0070]
步骤306，根据候选个体的空间位置，更新蚂蚁种，得到更新后的蚂蚁种；
[0071]
步骤307，将更新后的蚂蚁种与蚁狮种混合，得到混合种；
[0072]
步骤308，对混合种中适应度函数值满足候选条件的第一个体的空间位置进行混沌优化处理，得到第二个体的空间位置。
[0073]
在蚁狮优化算法中，如果选取出的精英个体在局部最优邻域内并不是全局最优值，则容易带领整个种陷入局部最优，降低种的多样性。为解决上述问题，在本技术实施例中，当从混合种中确定出候选个体时，通过引入混沌优化处理方法，对候选个体进行优化。在混沌优化处理中，通过搜寻候选个体周围是否存在更优个体，以替代当前选择出的候选个体，从而能够避免种陷入局部最优，提升种的多样性。
[0074]
在一些实施例中，可以通过如下方式实现对第一个体的空间位置的混沌优化处理：将第一个体的空间位置从第一空间映射到第二空间，从而得到第二个体的映射位置；将第二个体的映射位置从第二空间逆映射至第一空间，得到第二个体的空间位置；其中，第二个体的空间位置与第一个体的空间位置不同。
[0075]
需要说明的是，对第一个体的空间位置进行映射时使用的映射函数，与对第二个体的映射位置进行逆映射时使用的逆映射函数不同。也即，第二个体与第一个体的空间位置是不同的，第二个体是经第一个体映射后产生的新个体，相应地，第二个体的适应度函数值与第一个体的适应度函数值也不同。
[0076]
步骤309，根据第二个体的空间位置，确定第二个体的适应度函数值；
[0077]
步骤310，根据第二个体的适应度函数值与第一个体的适应度函数值，确定第二个体是否满足更新条件；如果第二个体满足更新条件，执行步骤311；否则，执行步骤312。
[0078]
在本技术实施例中，更新条件是与候选条件有关的。
[0079]
当候选条件为适应度函数值最小时，则更新条件为第二个体的适应度函数值小于第一个体的适应度函数值，即，若第二个体的适应度函数值小于第一个体的适应度函数值，则执行步骤311，将第二个体更新为第一个体；若第二个体的适应度函数值大于或等于第一个体的适应度函数值，则执行步骤312，保留第一个体。
[0080]
当候选条件为适应度函数值最大时，则更新条件为第二个体的适应度函数值大于第一个体的适应度函数值，即，若第二个体的适应度函数值大于第一个体的适应度函数值，则执行步骤311，将第二个体更新为第一个体；若第二个体的适应度函数值小于或等于第一个体的适应度函数值，则执行步骤312，保留第一个体。
[0081]
步骤311，将第二个体更新为第一个体；
[0082]
步骤312，保留第一个体；
[0083]
步骤313，判断优化次数是否满足第二收敛条件，如果优化次数不满足第二收敛条件，返回执行步骤308，继续对所述第一个体的空间位置进行混沌优化处理；否则，执行步骤314，将当前得到的第一个体确定为新的候选个体。
[0084]
可以理解地，在对第一个体的空间位置进行混沌优化处理时，仅处理一次是远远不够的，因此需要进行多次优化处理，直至处理次数满足收敛条件为止。
[0085]
在本技术实施例中，确定优化次数是否满足第二收敛条件，即为确定优化次数是否达到最大处理次数。示例性地，最大处理次数可以设置为200，当然，具体设置次数可以根据用户需求设定，对此并不做限定。
[0086]
步骤314，将当前得到的第一个体确定为新的候选个体；
[0087]
步骤315，确定更新次数是否满足第一收敛条件；如果不满足，返回执行步骤306，继续根据所述新的候选个体的空间位置，更新当前蚂蚁种，从而得到新的候选个体；如果更新次数满足第一收敛条件，执行步骤316。
[0088]
步骤316，将基于当前混合种得到的新的候选个体确定为精英个体；
[0089]
步骤317，将精英个体的空间位置确定为权重向量，以及将精英个体的适应度函数值确定为一致性指标；
[0090]
步骤318，根据每一候选方案的权重向量和一致性指标，从候选方案集合中确定目标方案。
[0091]
图4为本技术实施例提供的层次分析方法的实现流程示意图，如图4所示，该方法可以包括以下步骤401至步骤415：
[0092]
步骤401，根据当前候选方案的属性参数，建立层次结构模型；
[0093]
步骤402，根据层次结构模型，构造判断矩阵；
[0094]
步骤403，根据判断矩阵，生成蚁狮种和蚂蚁种；
[0095]
步骤404，确定蚁狮种和所述蚂蚁种中每一个体的空间位置和适应度函数值；
[0096]
步骤405，将蚁狮种中适应度函数值满足候选条件的个体确定为候选个体；
[0097]
步骤406，根据候选个体的空间位置，更新蚂蚁种，得到更新后的蚂蚁种；
[0098]
步骤407，将更新后的蚂蚁种与蚁狮种混合，得到混合种；
[0099]
步骤408，对混合种中适应度函数值满足候选条件的第一个体进行更新处理，得到新的候选个体；
[0100]
步骤409，确定混合种中的不良个体。
[0101]
可以理解地，不良个体是指在种中适应度较差的个体，这些个体并不能够很好地适应种的进化方向。在混合种中，不良个体的存在，会使蚁狮优化算法的收敛速度变慢，收敛精度不高，甚至出现进化停滞现象。为解决上述问题，在本技术实施例中，当确定出混合种中的不良个体后，通过对这些不良个体进行定向变异处理，从而去除随机方向变异带来的不确定性，以使不良个体的空间位置的变异方向指向精英个体所处的空间位置，进而能够加快算法的收敛速度，提高算法的求解精度。
[0102]
在本技术实施例中，确定混合种中的哪些个体为不良个体的条件也与候选条件有关。当候选条件为适应度函数值最小时，则确定混合种中适应度函数值大于一定阈值的个体为不良个体；当候选条件为适应度函数值最大时，则确定混合种中适应度函数值
小于一定阈值的个体为不良个体。
[0103]
在一些实施例中，为方便算法实施，当候选条件为适应度函数值最小时，可以将混合种中的后n个个体确定为不良个体；当候选条件为适应度函数值最大时，可以将混合种中的前n个个体确定为不良个体。其中，n为任意值，如为混合种中体数量的1/3或1/2等，对此并不做限定。
[0104]
步骤410，对所述混合种中的不良个体的空间位置进行变异处理，以使所述不良个体的空间位置位于所述新的候选个体的空间位置的特定范围内，从而得到更新后的混合种。
[0105]
对不良个体的空间位置进行变异处理，目的是使得不良个体变异后的位置趋向于精英个体(即新的候选个体)所处的空间位置，也即，使得不良个体变异后的空间位置在精英个体所处的空间位置附近。
[0106]
在一些实施例中，对不良个体的空间位置进行变异处理，可以为对不良个体的空间位置进行贝塔(beta)变异处理，beta变异能取得较好的扰动效果，且利于算法控制变异方向及位置边界。
[0107]
在一些实施例中，可以通过执行如下步骤4101至步骤4103来实现对混合种中的不良个体的空间位置的变异处理：
[0108]
步骤4101，确定不良个体的空间位置位于新的候选个体的空间位置的特定范围内的概率。
[0109]
新的候选个体的空间位置的特定范围，是指尽可能靠近候选个体的位置的范围，该范围可以根据用户需求具体设定，对此并不做限定。
[0110]
需要说明的是，概率大小设置在区间[0，1]上，如果概率接近1，说明该不良个体本身所处位置非常接近候选个体的位置；如果概率接近0，则说明该不良个体本身所处位置距离候选个体的位置较远。
[0111]
步骤4102，确定不良个体的空间位置与新的候选个体的空间位置的差值；
[0112]
步骤4103，根据概率和差值，更新不良个体的空间位置。
[0113]
在本技术实施例中，在确定出概率σ和差值(x
id-x
elite
)之后，可以根据如下公式1来更新不良个体的空间位置。其中，x
id
表示不良个体的空间位置，x
elite
表示新的候选个体的空间位置。
[0114]
x
′
id
＝x
elite
+σ(x
id-x
elite
)
ꢀꢀꢀꢀꢀꢀ
(公式1)；
[0115]
可以理解地，概率σ位于区间[0，1]上，若σ接近1，说明不良个体本身所处位置非常接近候选个体的位置，相应地，差值(x
id-x
elite
)较小，这样，将概率σ与差值相乘之后，乘积也很小，从而使得更新后的不良个体x
′
id
的空间位置接近候选个体x
elite
的空间位置；若σ接近0，说明不良个体本身所处位置距离候选个体的位置较远，相应地，差值(x
id-x
elite
)较大，同样，将概率σ与差值相乘之后，乘积仍然很小，从而也使得更新后的不良个体xi'd的空间位置接近候选个体x
elite
的空间位置。因此，通过这种对不良个体进行beta变异的方式，能够使得不良个体的空间位置趋向于精英个体(即候选个体)所在的空间位置，从而加快算法的收敛速度，提高算法的求解精度。
[0116]
步骤411，将更新后的混合种划分为第一种和第二种，以及将第一种更新为蚁狮种，将第二种更新为蚂蚁种。
[0117]
在将混合种中的不良个体更新为靠近精英个体的较优个体之后，将更新后的混合种重新划分为两个种，其中，将混合种中适应度较好的个体划分为蚁狮种，将混合种中适应度较差的个体划分为蚂蚁种。
[0118]
步骤412，确定更新次数是否满足第一收敛条件；如果不满足，返回执行步骤406，继续根据所述新的候选个体的空间位置，更新当前蚂蚁种，从而得到新的候选个体；如果满足，执行步骤413。
[0119]
步骤413，将基于当前混合种得到的新的候选个体确定为精英个体；
[0120]
步骤414，将精英个体的空间位置确定为权重向量，以及将精英个体的适应度函数值确定为一致性指标；
[0121]
步骤415，根据每一候选方案的权重向量和一致性指标，从候选方案集合中确定目标方案。
[0122]
层次分析法是人们在对复杂问题进行分析时常用的一种评价手段，决策者在对研究对象作深入了解并掌握其发展规律后，选取指标构建层次结构进行分析，利用数学的方法将指标数量化，并根据计算结果对评价事物做出判断。由于层次分析法中的指标计算问题可以转化为最优化问题，目前主要使用智能算法技术有以下几种：
[0123]
(1)使用加速遗传层次分析法(accelerating genetic algorithm-analytic hierarchy process，aga-ahp)将判断矩阵中权重向量的计算转化为最小优化问题，在检验判断矩阵一致性的同时计算其权重向量；
[0124]
(2)使用粒子层次分析法(particle swarm optimization-analytic hierarchy process，pso-ahp)，以较高的一致性指标精度计算各元素权重；
[0125]
(3)使用改进分布估计算法(particle filter-estimation of distribution algorithms，pf-eda2)对判断矩阵排序权重的计算及其一致性检验做出改进。
[0126]
对上述三种方法进行分析可以发现，它们存在如下问题：
[0127]
(1)aga-ahp算法由于交叉和变异操作的突变性会破坏结构，影响结果的准确性；
[0128]
(2)pso-ahp算法由于参数的影响会出现早熟收敛、收敛速度比较慢、稳定性不高等问题；
[0129]
(3)pf-eda2算法在计算过程中需统计每一代的协方差矩阵，并求取矩阵分解(cholesky factorization，chol-esky)，求解过程比较繁杂。
[0130]
为解决上述问题，提出一种利用混沌优化策略和beta变异策略对基本蚁狮优化算法进行改进的方法，并应用于层次分析中判断矩阵权重向量的计算，可以综合考虑到上述存在的问题。
[0131]
基于此，下面将说明本技术实施例在一个实际的应用场景中的示例性应用。
[0132]
在本技术实施例中，提出一种混沌蚁狮层次分析算法，该方法利用混沌优化策略和beta变异策略对基本蚁狮优化算法进行改进，并应用于层次分析中判断矩阵权重向量的计算，可以有效降低判断矩阵权重向量计算问题的难度，且具有精度较高、稳定性较好的优点。
[0133]
蚁狮优化算法是一种智能优化算法，模拟蚁狮幼虫捕食蚂蚁的行为。其寻优能力主要依赖于蚂蚁和蚁狮种个体之间的相互作用和影响，如果选取的当前精英个体在局部最优邻域内并不是全局最优值，则容易带领整个种陷入局部最优，降低种的多样性，
同时适应度较差的种个体会使得算法的收敛速度变慢，收敛精度不高，甚至出现进化停滞现象。
[0134]
为了提高种的多样性，使得精英个体摆脱局部极值的约束，向局部最优邻域内的全局最优点靠拢，在本技术实施例中，在基本蚁狮优化算法中引入逻辑自映射混沌序列优化精英个体，其数学表达式为：
[0135][0136]
混沌优化的过程如下步骤1至步骤3所示：
[0137]
步骤1，在搜索过程中的某个时刻，精英蚁狮i位于d维空间内，位置为x
id
。首先按照公式3将蚁狮个体在空间位置上的每一维映射到区间[-1，1]上：
[0138][0139]
其中，a
id
表示精英蚁狮i第d维变量的下界，b
id
表示精英蚁狮i第d维变量的上界。
[0140]
步骤2，使用公式2对变换后的变量y
id
进行载波操作，将获得的新混沌变量序列y
′
id
按照公式4变换到原解空间：
[0141][0142]
步骤3，在此过程中，如果搜索到更优的解则更新原来精英蚁狮的位置为当前更优位置，否则继续进行混沌搜索，当达到最大搜索次数时停止搜索。
[0143]
蚁狮优化算法中对适应度值较差的种个体采取定向变异的方式，去除随机方向变异带来的不确定性，变异方向指向精英个体，可以加快算法的收敛速度，提高算法的求解精度。在本技术实施例中，采用beta变异策略对种个体进行变异。
[0144]
beta分布是一组定义在区间[0，1]上的连续概率分布，beta分布的概率密度函数是：
[0145][0146]
beta变异能取得较好的扰动效果，且利于算法控制变异方向及位置边界，在本技术实施例中，根据beta分布设计一种精英定向beta变异算子，用于每次迭代周期的变异，精英定向beta变异的位置变异公式如上述实施例中的公式1所示。
[0147]
图5给出了改进的蚁狮优化算法的流程图，如图5所示，执行如下步骤501至步骤512：
[0148]
步骤501，初始化蚂蚁和蚁狮的数目、位置、最大迭代次数、适应度函数、维数和边界；其中，蚂蚁种和蚁狮种的种数目均为n；
[0149]
步骤502，计算蚂蚁和蚁狮的适应度函数值并排序，存储精英蚁狮；
[0150]
步骤503，设定迭代周期t，并在每完成一次迭代之后，更新t＝t+1；
[0151]
步骤504，遍历蚂蚁种和蚁狮种中的第i个个体，确定是否满足i《2n的条件，如果i《2n，则执行步骤505；否则，执行步骤506；
[0152]
步骤505，更新蚂蚁位置；
[0153]
步骤506，令i＝i+1；
[0154]
步骤507，计算蚂蚁种和蚁狮种中每一个个体的适应度函数值，并进行排序；
[0155]
步骤508，对种中的前n个精英个体进行逻辑自映射混沌优化策略(即混沌优化处理)；
[0156]
步骤509，确定是否达到最大混沌搜索次数；如果达到最大混沌搜索次数，执行步骤510；否则，返回执行步骤508；
[0157]
步骤510，对适应度较差的后n个个体进行beta变异策略；
[0158]
步骤511，计算蚂蚁种和蚁狮种中每一个个体的适应度函数值并排序，更新蚁狮位置以及精英蚁狮；
[0159]
步骤512，确定是否达到最大迭代次数，如果达到最大迭代次数，结束蚁狮优化算法；否则，返回执行步骤503。
[0160]
层次分析法的建模主要包括5个基本步骤：(1)建立层次结构模型；(2)构造判断矩阵；(3)层次单排序；(4)判断矩阵的一致性检验；(5)层次总排序。其中，层次单排序中权重向量的求解是算法关键，在本技术实施例中，将判断矩阵权重向量的计算描述为如下最小优化问题，建立如公式6所示的权重向量数学模型：
[0161][0162]
其中，优化的变量为ωk，cif(n,ω)为非线性优化函数，也被称为一致性指标函数。
[0163]
混沌蚁狮层次分析法如下步骤1至步骤7所示：
[0164]
步骤1，给定一个判断矩阵a＝(a
ij
)n×n，初始化n个蚁狮：m
antlion_i
＝(al1,al2,...,aln),i＝1,2,...,n，n个蚂蚁：m
ant_i
＝(a1,a2,...,an),i＝1,2,...,n，n为种规模，ali和ai各分量为[0，1]上的均匀随机数，初始化最大迭代次数；
[0165]
步骤2，对蚁狮m
antlion_i
,i＝1,2,...,n，根据公式6计算cii＝cif(n,m
antlion_i
)，作为m
antlion_i
的适应度函数值；
[0166]
步骤3，对体中各个蚁狮的适应度函数值从小到大进行排序，将适应度函数值最小的蚁狮个体作为当前精英蚁狮个体；
[0167]
步骤4，更新蚂蚁的位置并计算适应度函数值；
[0168]
步骤5，对适应度值高的前n个种个体采用混沌优化策略进行优化，对适应度值低的后n个种个体采用beta变异策略产生新的个体，记录当前精英蚁狮个体；
[0169]
步骤6，若算法达到了蚁狮优化算法的最大迭代次数(即第一收敛条件的一种示例)，则停止迭代并跳转至步骤7，否则跳转至步骤4进行下一次迭代；
[0170]
步骤7，输出精英蚁狮个体所处的空间位置m
elite
＝(al1,al2,...,aln)，即为权重向量；精英蚁狮个体所对应的适应度函数值ci＝cif(n,m
elite
)，即为一致性指标，算法结束。
[0171]
在本技术实施例中，提出一种混沌蚁狮层次分析方法，在该方法中，做出了如下改进：(1)引入逻辑自映射混沌序列优化精英蚁狮个体；(2)设计beta变异算子对适应度较差
的种个体进行变异；(3)将改进的蚁狮优化算法计算层次分析法中判断矩阵权重向量。
[0172]
本技术实施例提出的混沌蚁狮层次分析算法，其特点在于：(1)提高种的多样性，使得精英个体摆脱局部极值的约束，向局部最优邻域内的全局最优点靠拢；(2)对适应度较差的种个体进行定向变异，使得算法能有效跳出局部极值，加快收敛速度，稳定性较好；(3)算法能以较高的一致性指标精度计算各元素权重，简化权重向量的求解过程。
[0173]
基于前述的实施例，本技术实施例提供一种层次分析装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过处理器实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(cpu)、微处理器(mpu)、数字信号处理器(dsp)或现场可编程门阵列(fpga)等。
[0174]
图6为本技术实施例层次分析装置的结构示意图，如图6所示，所述装置600包括构造模块601、处理模块602和确定模块603，其中：
[0175]
构造模块601，用于根据当前候选方案的属性参数，建立层次结构模型；
[0176]
所述构造模块601，还用于根据所述层次结构模型，构造判断矩阵；其中，所述判断矩阵中的元素用于表征所述属性参数之间的相对重要性；
[0177]
处理模块602，用于对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，所述权重向量用于表征所述当前候选方案在候选方案集合中的相对重要性，所述一致性指标用于表征所述当前候选方案的合理性；
[0178]
确定模块603，用于根据每一所述候选方案的权重向量和一致性指标，从所述候选方案集合中确定目标方案。
[0179]
在一些实施例中，层次分析装置600还包括生成模块和选择模块，所述生成模块，用于根据所述判断矩阵，生成蚁狮种和蚂蚁种；所述确定模块，用于确定所述蚁狮种和所述蚂蚁种中每一个体的空间位置和适应度函数值；所述选择模块，用于根据每一所述个体的适应度函数值，从所述蚁狮种和所述蚂蚁种中选出精英个体；所述确定模块，还用于将所述精英个体的空间位置确定为所述权重向量，以及将所述精英个体的适应度函数值确定为所述一致性指标。
[0180]
在一些实施例中，层次分析装置600还包括更新模块和混合模块，所述确定模块，用于将所述蚁狮种中适应度函数值满足候选条件的个体确定为候选个体；所述更新模块，用于根据所述候选个体的空间位置，更新所述蚂蚁种，得到更新后的蚂蚁种；所述混合模块，用于将所述更新后的蚂蚁种与所述蚁狮种混合，得到混合种；所述更新模块，还用于对所述混合种中适应度函数值满足所述候选条件的第一个体进行更新处理，得到新的候选个体；所述确定模块，还用于继续根据所述新的候选个体的空间位置，更新当前蚂蚁种，从而得到新的候选个体，直至更新次数满足第一收敛条件，将基于当前混合种得到的新的候选个体确定为所述精英个体。
[0181]
在一些实施例中，所述更新模块，用于根据所述候选个体的空间位置，更新所述蚂蚁种中每一个体的空间位置；根据所述蚂蚁种中个体更新后的空间位置，更新所述蚂蚁种中对应个体的适应度函数值。
[0182]
在一些实施例中，所述处理模块，用于对所述第一个体的空间位置进行混沌优化处理，得到第二个体的空间位置；所述确定模块，用于根据所述第二个体的空间位置，确定所述第二个体的适应度函数值；所述确定模块，还用于根据所述第二个体的适应度函数值
与所述第一个体的适应度函数值，确定所述第二个体是否满足更新条件；若所述第二个体满足所述更新条件，将所述第二个体更新为所述第一个体；若所述第二个体不满足所述更新条件，保留所述第一个体；所述确定模块，还用于继续对所述第一个体的空间位置进行混沌优化处理，直至优化次数满足第二收敛条件，将当前得到的第一个体确定为所述新的候选个体。
[0183]
在一些实施例中，层次分析装置600还包括映射模块，所述映射模块，用于将所述第一个体的空间位置从第一空间映射到第二空间，从而得到第二个体的映射位置；所述映射模块，还用于将所述第二个体的映射位置从所述第二空间逆映射至所述第一空间，得到所述第二个体的空间位置。
[0184]
在一些实施例中，层次分析装置600还包括划分模块，所述确定模块，用于确定所述混合种中的不良个体；所述处理模块，用于对所述混合种中的不良个体的空间位置进行变异处理，以使所述不良个体的空间位置位于所述新的候选个体的空间位置的特定范围内，从而得到更新后的混合种；所述划分模块，用于将所述更新后的混合种划分为第一种和第二种，以及将所述第一种更新为所述蚁狮种，将所述第二种更新为所述蚂蚁种。
[0185]
在一些实施例中，所述确定模块，用于确定所述不良个体的空间位置位于所述新的候选个体的空间位置的特定范围内的概率；所述确定模块，还用于确定所述不良个体的空间位置与所述新的候选个体的空间位置的差值；所述更新模块，用于根据所述概率和所述差值，更新所述不良个体的空间位置。
[0186]
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本技术装置实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0187]
需要说明的是，本技术实施例中图6所示的层次分析装置对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
[0188]
需要说明的是，本技术实施例中，如果以软件功能模块的形式实现上述的方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本技术实施例不限制于任何特定的硬件和软件结合。
[0189]
本技术实施例提供一种电子设备，图7为本技术实施例的电子设备的硬件实体示意图，如图7所示，所述电子设备700包括存储器701和处理器702，所述存储器701存储有可在处理器702上运行的计算机程序，所述处理器2执行所述程序时实现上述实施例中提供的方法中的步骤。
[0190]
需要说明的是，存储器701配置为存储由处理器702可执行的指令和应用，还可以
缓存待处理器702以及电子设备700中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(random access memory，ram)实现。
[0191]
本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的方法中的步骤。
[0192]
本技术实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法实施例提供的方法中的步骤。
[0193]
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本技术存储介质、存储介质和设备实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0194]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0195]
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如对象a和/或对象b，可以表示：单独存在对象a，同时存在对象a和对象b，单独存在对象b这三种情况。
[0196]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0197]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0198]
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
[0199]
另外，在本技术各实施例中的各功能模块可以全部集成在一个处理单元中，也可以是各模块分别单独作为一个单元，也可以两个或两个以上模块集成在一个单元中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0200]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0201]
或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得电子设备执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0202]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0203]
本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0204]
本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0205]
以上所述，仅为本技术的实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：

1.一种层次分析方法，其特征在于，所述方法包括：根据当前候选方案的属性参数，建立层次结构模型；根据所述层次结构模型，构造判断矩阵；其中，所述判断矩阵中的元素用于表征所述属性参数之间的相对重要性；对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，所述权重向量用于表征所述当前候选方案在候选方案集合中的相对重要性，所述一致性指标用于表征所述当前候选方案的合理性；根据每一所述候选方案的权重向量和一致性指标，从所述候选方案集合中确定目标方案。2.根据权利要求1所述的方法，其特征在于，所述对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标，包括：根据所述判断矩阵，生成蚁狮种和蚂蚁种；其中，所述蚁狮种的体数量、所述蚂蚁种的体数量与所述判断矩阵的维度相同；确定所述蚁狮种和所述蚂蚁种中每一个体的空间位置和适应度函数值；其中，所述适应度函数值用于表征所述个体在种中的适应程度；根据每一所述个体的适应度函数值，从所述蚁狮种和所述蚂蚁种中选出精英个体；将所述精英个体的空间位置确定为所述权重向量，以及将所述精英个体的适应度函数值确定为所述一致性指标。3.根据权利要求2所述的方法，其特征在于，所述根据每一所述个体的适应度函数值，从所述蚁狮种和所述蚂蚁种中选出精英个体，包括：将所述蚁狮种中适应度函数值满足候选条件的个体确定为候选个体；根据所述候选个体的空间位置，更新所述蚂蚁种，得到更新后的蚂蚁种；将所述更新后的蚂蚁种与所述蚁狮种混合，得到混合种；对所述混合种中适应度函数值满足所述候选条件的第一个体进行更新处理，得到新的候选个体；返回根据所述候选个体的空间位置，更新所述蚂蚁种，得到更新后的蚂蚁种并重复执行，直至更新次数满足第一收敛条件，将基于当前混合种得到的新的候选个体确定为所述精英个体。4.根据权利要求3所述的方法，其特征在于，所述根据所述候选个体的空间位置，更新所述蚂蚁种，得到更新后的蚂蚁种，包括：根据所述候选个体的空间位置，更新所述蚂蚁种中每一个体的空间位置；根据所述蚂蚁种中个体更新后的空间位置，更新所述蚂蚁种中对应个体的适应度函数值。5.根据权利要求3所述的方法，其特征在于，所述对所述混合种中适应度函数值满足所述候选条件的第一个体进行更新处理，得到新的候选个体，包括：对所述第一个体的空间位置进行混沌优化处理，得到第二个体的空间位置；根据所述第二个体的空间位置，确定所述第二个体的适应度函数值；根据所述第二个体的适应度函数值与所述第一个体的适应度函数值，确定所述第二个
体是否满足更新条件；若所述第二个体满足所述更新条件，将所述第二个体更新为所述第一个体；若所述第二个体不满足所述更新条件，保留所述第一个体；返回对所述第一个体的空间位置进行混沌优化处理，得到第二个体的空间位置并重复执行，直至优化次数满足第二收敛条件，将当前得到的第一个体确定为所述新的候选个体。6.根据权利要求5所述的方法，其特征在于，所述对所述第一个体的空间位置进行混沌优化处理，得到第二个体的空间位置，包括：将所述第一个体的空间位置从第一空间映射到第二空间，从而得到第二个体的映射位置；将所述第二个体的映射位置从所述第二空间逆映射至所述第一空间，得到所述第二个体的空间位置；其中，所述第二个体的空间位置与所述第一个体的空间位置不同。7.根据权利要求3所述的方法，其特征在于，在继续根据所述新的候选个体的空间位置，更新所述更新后的蚂蚁种之前，所述方法还包括：确定所述混合种中的不良个体；对所述混合种中的不良个体的空间位置进行变异处理，以使所述不良个体的空间位置位于所述新的候选个体的空间位置的特定范围内，从而得到更新后的混合种；将所述更新后的混合种划分为第一种和第二种，以及将所述第一种更新为所述蚁狮种，将所述第二种更新为所述蚂蚁种。8.根据权利要求7所述的方法，其特征在于，所述对所述混合种中的不良个体的空间位置进行变异处理，包括：确定所述不良个体的空间位置位于所述新的候选个体的空间位置的特定范围内的概率；确定所述不良个体的空间位置与所述新的候选个体的空间位置的差值；根据所述概率和所述差值，更新所述不良个体的空间位置。9.一种层次分析装置，其特征在于，包括：构造模块，用于根据当前候选方案的属性参数，建立层次结构模型；所述构造模块，还用于根据所述层次结构模型，构造判断矩阵；其中，所述判断矩阵中的元素用于表征所述属性参数之间的相对重要性；处理模块，用于对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，所述权重向量用于表征所述当前候选方案在候选方案集合中的相对重要性，所述一致性指标用于表征所述当前候选方案的合理性；确定模块，用于根据每一所述候选方案的权重向量和一致性指标，从所述候选方案集合中确定目标方案。10.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项所述的方法。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。

技术总结

本申请实施例公开了一种层次分析方法及装置、设备、存储介质；其中，所述方法包括：根据当前候选方案的属性参数，建立层次结构模型；根据所述层次结构模型，构造判断矩阵；其中，所述判断矩阵中的元素用于表征所述属性参数之间的相对重要性；对所述判断矩阵进行蚁狮优化处理，得到权重向量和一致性指标；其中，所述权重向量用于表征所述当前候选方案在候选方案集合中的相对重要性，所述一致性指标用于表征所述当前候选方案的合理性；根据每一所述候选方案的权重向量和一致性指标，从所述候选方案集合中确定目标方案。集合中确定目标方案。集合中确定目标方案。