联想S50组合权重：
0.2018*0.0323+0.1015*0.0399+0.1600*0.1875+0.3699*0.1895+0.0727*0.3406+0.0458*0.1100+0.0676*0.1003=0.1468
三星SGH-D848组合权重：
0.1030*0.0323+0.1605*0.0399+0.2471*0.1876+0.3059*0.1895+0.4374*0.3406+0.3026*0.1100+0.2460*0.1003=0.3203
我们用柱状图表示五种手机所占的组合权重如下图：
0.350.30.250.20.150.10.050诺基亚6300索尼爱立信W600c三星SGH-D848组合权重
最后我们经过对五种手机综合评价得出：
13
三星SGH-D848>诺基亚6300>摩托罗拉ROKR E2>索尼爱立信W600c>联想S50,所以应选择三星SGH-D848.
六、模型的评价
6.1 模型的优点：
1. 系统性的分析方法
本文采用层次分析法把手机对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，不割断各个因素对结果的影响，而层次分析法中每一层的权重设置最后都会直接或间接影响到结果，而且在每个层次中的每个因素对结果的影响程度都是量化的，非常清晰、明确.
2. 简洁实用的决策方法
本文采用的层次分析法既不单纯追求高深数学，又不片面地注重行为、逻辑、推理，而是把定性方法与定量方法有机地结合起来，使复杂的系统分解，能将人们的思维过程数学化、系统化，便于人们接受，且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题，通过两两比较确定同一层次元素相对上一层次元素的数量关系后，最后进行简单的数学运算.计算也经常简便，并且所得结果简单明确，容易为决策者了解和掌握.
3. 所需定量数据信息较少
层次分析法主要是从评价者对评价问题的本质、要素的理解出发，比一般的定量方法更讲求定性的分析和判断.由于层次分析法是一种模拟人们决策过程的思维方式的一种方法，层次分析法把判断各要素的相对重要性的步骤留给了大脑，只保留人脑对要素的印象，化为简单的权重进行计算.这种思想能处理许多用传统的最优化技术无法着手的实际问题.
6.2 模型的缺点：
1. 模型的使用成本只是考虑耳机、电池、外壳、屏保、维修费用等方面，选取的参考指标较少，可以进一步改进；
2. 对手机进行评价时知识考虑：使用成本、待机时间、外观、显示屏幕大小、功能、性能的稳定性、使用寿命，没有全方位的选取指标；
6.3 模型改进：
14
1. 模型对手机的使用成本可以采用更多的量化指标进行评价；
2. 模型中手机耳机的使用寿命不一定相同；
6.4 模型的推广：
层次分析把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策.把定量和定性的方法结合起来，能处理许多传统的最优化技术中无法着手的实际问题，应用范围很广,具有中等文化程度以上的人即可了解层次分析的基本原理和掌握它的基本步骤，计算也非常简便.但也有它的局限性.
我们可以用粗略、主观等词来概括，第一，它只能从原有的方案中选优，不能生成新方案；第二，它的比较判断直到结果都是粗糙的；第三，人主观因素的作用很大，当然，采取专家群体判断的方法是克服这个缺点的一种途径.比如可以解决循环比赛的名次、社会经济系统的冲凉过程、价格指数的波动、公平的选举规则等进行模型验证.
七、参考文献
[1].姜启源、谢金星、叶俊编，数学模型第四版，高等教育出版社,2010/8/； [2].百度百科 http://baike.http://www.wodefanwen.com//view/1028.htm 2012/7/22；
[3].百度文档 http://wenku.http://www.wodefanwen.com//view/b1385871f242336c1eb95e17.html
2012/7/22；
[4].中关村手机在线
http://detail.zol.com.cn/cell_phone_index/subcate57_613_list_1000_s533_1_1_0_1.html 2012/7/21；
八、附录
矩阵的最大特征值与对应的特征向量
P1=[1 1/4 2 1 3 4 1 3 2 4 1/2 1/3 1 1/3 1/2 1 1/2 3 1 2 1/3 1/4 2 1/2 1] [v,d]=eig(P1);
15
%最大特征值
tbmax=max(d(:)); %得到行数和列数 [m,n]=size(v); %将特征向量标准化 sum = 0; for i=1:m
sum = sum + v(i,1); end
tbvector = v(:,1); for i=1:m
tbvector(i,1)= v(i,1)/sum; end
disp('========================================'); disp('输入的矩阵为：');
disp('所有的特征向量和特征值为：'); v d
disp('最大的特征值为：'); tbmax
disp('最大的特征值对应的特征向量为（标准化后的）：'); tbvector
P2=[1 5 1/2 3 3 1/5 1 1/6 1/2 1/3 2 6 1 3 2 1/3 2 1/3 1 1/2 1/3 3 1/2 2 1] [v,d]=eig(P2); %最大特征值
tbmax=max(d(:)); %得到行数和列数 [m,n]=size(v); %将特征向量标准化 sum = 0; for i=1:m
sum = sum + v(i,1); end
tbvector = v(:,1); for i=1:m
tbvector(i,1)= v(i,1)/sum;
16
end
disp('========================================'); disp('输入的矩阵为：');
disp('所有的特征向量和特征值为：'); v d
disp('最大的特征值为：'); tbmax
disp('最大的特征值对应的特征向量为（标准化后的）：'); tbvector
P3=[1 3 2 1/3 1/5 1/3 1 1/2 3 1/2 1/2 2 1 3 3 3 1/3 1/3 1 1 5 2 1/3 1 1] [v,d]=eig(P3); %最大特征值
tbmax=max(d(:)); %得到行数和列数 [m,n]=size(v); %将特征向量标准化 sum = 0; for i=1:m
sum = sum + v(i,1); end
tbvector = v(:,1); for i=1:m
tbvector(i,1)= v(i,1)/sum; end
disp('========================================'); disp('输入的矩阵为：');
disp('所有的特征向量和特征值为：'); v d
disp('最大的特征值为：'); tbmax
disp('最大的特征值对应的特征向量为（标准化后的）：'); tbvector
17