层次分析法（AHP）的程序可以通过多种编程语言实现，包括Python、Matlab等。以下是使用Python实现AHP程序的一个简单示例：
```python
import numpy as np
def ahp（matrix）:
n = len（matrix）
eigen_values, eigen_vectors = np.linalg.eig（matrix）
max_eigen_value = max（eigen_values）
index = np.where（eigen_values == max_eigen_value）
weights = eigen_vectors[:, index].real
weights /= sum（weights）
return weights
输入决策问题的层次结构矩阵
matrix = np.array（[[1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1]]）
调用层次分析法函数计算权重
weights = ahp（matrix）
输出最终的权重结果
for i, weight in enumerate（weights）:
print（f"权重{chr（65+i）}: {weight}"）
```
在这个示例中，我们定义了一个名为`ahp`的函数，该函数接受一个层次结构矩阵作为参数，并使用numpy库计算矩阵的特征值和特征向量。然后，找到最大特征值对应的特征向量，将其作为最终权重，并输出结果。
如果你需要更复杂的层次分析法的实现，包括判断矩阵的一致性检验和层次总排序等步骤，可以参考以下代码示例：
```python
import numpy as np
def ahp（matrix）:
n = len（matrix）
eigen_values, eigen_vectors = np.linalg.eig（matrix）
max_eigen_value = max（eigen_values）
index = np.where（eigen_values == max_eigen_value）
weights = eigen_vectors[:, index].real
weights /= sum（weights）
return weights
def consistency_check（matrix）:
n = len（matrix）
CI = （np.linalg.eigvals（matrix） - np.ones（n）） / （n - 1）
CR = CI / 0.01
return CR
输入决策问题的层次结构矩阵
matrix = np.array（[[1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1]]）
调用层次分析法函数计算权重
weights = ahp（matrix）
进行一致性检验
CR = consistency_check（matrix）
if CR < 0.1:
print（"判断矩阵具有一致性"）
else:
print（"判断矩阵需要调整"）
输出最终的权重结果
for i, weight in enumerate（weights）:
print（f"权重{chr（65+i）}: {weight}"）
```
在这个示例中，我们添加了一个名为`consistency_check`的函数，用于计算判断矩阵的一致性指标（CI）和一致性比率（CR），并进行一致性检验。如果判断矩阵具有一致性，则可以直接使用计算得到的权重进行决策；否则，需要对判断矩阵进行调整，直到满足一致性要求。