利用运筹学方法解决租房问题

初来北京实习，不可避免需要处理一堆事，然而最麻烦的莫过于租房了。太近贵，太远累，搞个圆规，以公司为圆心，画个半小时地铁通行圈，又觉得分析太粗糙。58同城，赶集上又多是些浑水摸鱼的中介。面对如此杂乱的租房信息，太多的数据反而是一种负担，如果能有一种方法，可以在混乱的信息里提取出适合自己的最有价值的信息，那简直是再好不过了。

其实，在租房的选择过程中，每个人的偏好都很不一样。有的人穷，有的人富。有的人希望安全，有的人希望周边环境好，有的人喜欢住大点，有的人希望住近点。你会发现，不存在适用于所有人的绝对好的房子，这其实是一个匹配的过程，把有着不同需求的人，匹配到最适合于他们自己的房子里。

而有一种叫层次分析法的东西，又叫Analytic Hierarchy Process，经常受到诟病，原因是这种方法比较主观，寻找专家来力图趋向客观有显得不大可行。但是在租房决策中，这种方法的优势恰恰在于它的主观性，不同的人群，不同的需求，可以得出不同的答案。

这个方法主要分四步：

1， 了解你的需求，选指标
2， 填好判断矩阵
3， 整理你搜集到的住房数据
4， 计算得出最适合的5套房子

最终结果图如下：

无评分的点为公司所在位置，气泡越深，评分越高。

下面就来说说这玩意是如何用来指导我选房的

1 我的需求

我的要求很简单，我只考虑每天往来公司的时间，房租的价格，以及房屋的大小。不过这个需求完全可以更多而且更多样。你的需求可以包括周围的餐馆数目，也可以包括房屋的朝向，室友的数目。如果你是一个运动爱好者，你可能会考虑周围健身房及运动场馆的数目，另外，你可能也会将租住类型考虑在内，相同条件下，你会选择整租，而不是合租甚至隔板单间。

2 构建指标体系

这一步，你需要将你的某些抽象的需求，用具体的指标给量化出来。

3 构建判断矩阵

下图为判断矩阵量度表

这个是我构建好的判断矩阵，利用该矩阵，最后一列得出最终的各要素权重。

表一是一个评分准则，表示在你心目中，不同需求所占的分量。该矩阵的每个元素表示该元素对应行与列要素两两相比的评分。如果你觉得在你心目中，房租价格和每天上班的时间一样重要，那么就选1。如果你觉得，相对于价格，你不care住房面积，价格显然比面积重要，那么你就选5.

在构建判断矩阵的时候，对角线总是1，左下角的数据是对称的右上角数据的倒数。在你的判断矩阵建好以后，对其做归一化处理，我们可求得其最大特征根对应的特征向量，在将这个特征向量用作各指标权重之前，我们需要做一致性检验，具体的算法我就不说了，这个用相关的ahp-excel文件可以直接计算，若算出来的CR〈0.10，则该矩阵通过一致性检验，表明算出的权重通过审核。若大于0.10，则上述判断矩阵需要推倒重做。

4 数据准备及处理结果

以下，是我整理的房子的位置信息，简单上个图，并算出到达公司的最短路径。
单击各气泡可显示该地坐标及名称。

在准备数据时，我整理了各个房屋的价格，交通时间（由高德地图获得），房屋面积。 在检索你的租房信息之前，你需要明确你的预算，比如我选的3000，超过3000的数据将不在我的选择范围内。除此之外，如果你是要短租的话，那么很多只能长租的房不适用于你。甚至如果你不幸是个男生，那么很多只要女生的房你也不能选。我在自如上选了30多个房子。在对数据进行归一化处理之后，代入以上得出的权重，就可以算出来每个房子的舒适程度了。一般而言，由于一些不可观测变量的存在，前5个房子应该都适合你。接下来，你需要做的就是实地走访下前3个或者前5个，如果没啥问题的话，整套决策过程就算走完了。

最终我走访了前三家，选择了鸟巢附近的一家。

5 未来工作

看完之后，你肯定说，这个过程中最麻烦的一步，肯定是准备数据和计算。如果能有一个平台可以提供这些数据及运算，那么你唯一需要做的，就是填上你的预算，以及你的判断矩阵, 最后平台自动输出适合你的3个或者5个房子。本来需要一天的工作量，现在可以在10分钟内搞定。