AHP2: Analytic Hierarchy Process

# mapeamento = c(3,3,3,3,4) #3 critérios  #3subcriterios #3subcriterios #3subcriterios #4 alternativas
#
# #Aqui estou normalizando os pesos dos critérios
#
# valores = autoVetorN(BD3)
# matriz_criterios1 = valores[1]; matriz_criterios1
# valores = valores[-1]
# matriz_criterios2 = valores[1:mapeamento[1]]; matriz_criterios2
# matriz_alternativas = valores[seq(-mapeamento[1],-1)];matriz_alternativas
#
#
# i=0; matriz_criterios2Normalizados = lapply(matriz_criterios1[[1]], function(x){i <<- i+1;lapply(matriz_criterios2[i], function(y) return(unlist(y)*x))});matriz_criterios2Normalizados
# matriz_criterios2Normalizados = lapply(matriz_criterios2Normalizados, function(x) return(x[[1]]));matriz_criterios2Normalizados
# names(matriz_criterios2Normalizados) = names(matriz_criterios2); matriz_criterios2Normalizados
#
#
# matriz_criterios1
# matriz_criterios2Normalizados
# matriz_alternativas
#
#
#
# #Aqui estou pegando e tabelando o nome de criterios e subcriterios
# nomes = names(autoVetorN(BD3)); nomes
# nomes_criterios = names(matriz_criterios2Normalizados); nomes_criterios
# nomes_alternativas = names(matriz_alternativas); nomes_alternativas
#
# nomes = c(paste0("---",names(matriz_criterios1)))
# for( i in 1:mapeamento[1]){
#   nomes = append(nomes,paste0("--",nomes_criterios[i]))
#   for( j in 1:mapeamento[i+1]){
#     nomes = append(nomes, paste0("-",nomes_alternativas[1] ))
#     nomes_alternativas = nomes_alternativas[-1]
#   }
# }
# # tabela = tibble(Criterios = nomes)
#
# tabela
# matriz_criterios1
# matriz_criterios2Normalizados
#
# #Aqui estou dando os pesos para os criterios
# #Posso juntar o processo de gerar nome e gerar pesos para 1 único for(fazer isso depois se der tempo!)
#
# pesos_criterios1 = unlist(matriz_criterios1, use.names = F); pesos_criterios1
# pesos_criterios2 = unlist(matriz_criterios2Normalizados, use.names = F); pesos_criterios2
#
# pesos = c()
# pesos = append(pesos, sum(pesos_criterios1))
# for( i in 1:mapeamento[1]){
#   pesos = append(pesos,pesos_criterios1[i])
#   for( j in 1:mapeamento[i+1]){
#     pesos = append(pesos, pesos_criterios2[1] )
#     pesos_criterios2 = pesos_criterios2[-1]
#   }
# }
# # tabela = tibble(Criterios = nomes, Pesos = pesos);tabela
#
#
#
# #Aqui estou dando pesos as alternativas
#
# # x = unlist(matriz_criterios2Normalizados, use.names = F)
# # y = unlist(matriz_alternativas,use.names = F)
# #
# # mapply(function(x) return(x[1]), matriz_alternativas,USE.NAMES = F) * x
#
#
# mapeamento
# pesos_criterios1 = unlist(matriz_criterios1, use.names = F); pesos_criterios1
# pesos_criterios2 = unlist(matriz_criterios2Normalizados, use.names = F); pesos_criterios2
# pesos_alternativas = unlist(matriz_alternativas,use.names = F); pesos_alternativas
#
# # Função que separada os pesos da matriz_alternativas pela quantidade de alternativas
#
# separa_lista_alternativas = function(lista, qtd_alternativas,nome_alternativas = "PADRAO"){
#   separados = list()
#   if(nome_alternativas[1] == "PADRAO") nome_alternativas = LETTERS[1:qtd_alternativas]
#   for(i in 1:qtd_alternativas){
#     separados[[i]] = unlist(lapply(lista, function(x) x[i]),use.names = F)
#   }
#   names(separados) = nome_alternativas
#   return(separados)
# }
#
# pesos_alternativas = separa_lista_alternativas(matriz_alternativas, mapeamento[length(mapeamento)]);pesos_alternativas
# #Aqui eu já tenho todas os pesos das alternativas normalizados
# #falta ainda fazer a somas dos critérios de nível
# pesos_alternativas_normalizados = lapply(pesos_alternativas, function(x) x*pesos_criterios2);pesos_alternativas_normalizados
#
# #Essa função ajuda a somar os valores dos critérios de nível 2 das alternativas para chegar no valor
# #de critério do nivel 1. E depois aplica esses valores na lista para ter os pesos completos
# soma_total_criterio_alternativa = function(vetor,mapeamento){
#   inferior = 1
#   superior = 0
#   valor = c()
#   vetor_total = c()
#   for(i in 1:mapeamento[1]){
#     superior = mapeamento[i+1] + superior
#     valor[i] = sum(vetor[inferior:superior])
#     vetor_total = c(vetor_total,valor[i],vetor[inferior:superior])
#     inferior = superior + 1
#   }
#   vetor_total = c(sum(vetor),vetor_total)
#   return(vetor_total)
# }
#
# pesos_alternativas_normalizados_completos = lapply(pesos_alternativas_normalizados, function(x) soma_total_criterio_alternativa(x,mapeamento)); pesos_alternativas_normalizados_completos
#
#
#
#
# #Aqui estou organizando os erros para a tabela
#
# erros = unlist(lapply(BD3, function(x) CR(x)),use.names = F);erros
# erros_organizados = c(erros[1]);erros_organizados
# erros = erros[-1];erros
# erros_criterios = erros[1:mapeamento[1]];erros_criterios
# erros_subcriterios = erros[-c(1:mapeamento[1])]; erros_subcriterios
#
# erros_organizados
# for( i in 1:mapeamento[1]){
#   erros_organizados = append(erros_organizados,erros_criterios[i])
#   for( j in 1:mapeamento[i+1]){
#     erros_organizados = append(erros_organizados, erros_subcriterios[1] )
#     erros_subcriterios = erros_subcriterios[-1]
#   }
# }
#
#
#
# tabela = list(Criterios = nomes, Pesos = pesos)
# tabela = append(tabela,pesos_alternativas_normalizados_completos)
# tabela = append(tabela,list(CR = erros_organizados))
# tabela = dplyr::as_tibble(tabela)
# tabela
#
#
#
#