混合偏好信息集结：直觉模糊与证据理论结合的方法

"这篇文章主要探讨了如何处理混合型偏好信息的集结问题，通过结合直觉模糊理论和证据理论，提出了一种新的方法。作者利用直觉模糊将五类不同的混合型偏好信息统一起来，解决了多样性偏好信息的整合挑战。接着，文章引入了冲突系数和Jousselme距离来综合评估证据之间的冲突程度，以此计算专家的权重。在确定了专家权重之后，文章应用Dempster's组合规则对修正后的证据进行组合，以反映多数专家的一致意见。实例分析证实了该方法的有效性，能够在保持方案优先顺序不变的同时，增强决策结果的代表性。关键词包括直觉模糊、证据理论以及偏好信息。" 本文深入研究了在决策支持系统中的偏好信息处理，特别是面对混合型偏好信息时的挑战。直觉模糊理论提供了一个框架，允许处理不确定性和不完整性信息，而证据理论则用于处理矛盾和冲突的信息。作者创新性地将两者结合，首先通过对混合型偏好信息进行直觉模糊化处理，实现不同类型的偏好信息的统一表达。这一过程确保了不同类型偏好信息之间的可比性。 接着，为了评估专家意见的相对重要性并处理可能存在的冲突，文章提出了一个基于冲突系数和Jousselme距离的证据冲突度量模型。这种度量方法能够量化专家意见的不一致程度，并据此分配专家权重。专家权重的计算不仅考虑了专家间的观点差异，还考虑了他们的专业知识和经验。 在确定了专家权重之后，文章采用了Dempster-Shafer框架下的Dempster组合规则，对经过权重修正的证据进行集成，从而得到一个综合的决策输出。Dempster的组合规则是一种处理不一致证据的有效方法，它可以融合来自不同来源的证据，同时减少或解决冲突。 实例分析部分证明了这种方法在实际应用中的有效性。它成功地保持了原始偏好信息中方案的优先级，而且通过调整专家权重，使得最终的决策更倾向于多数专家的一致意见，提高了决策的准确性和实用性。 这篇文章提供了一种结合直觉模糊和证据理论的混合型偏好信息处理方法，对于处理复杂决策环境中的不确定性问题具有重要的理论和实践意义。该方法对于决策支持系统的设计者和用户来说，是处理多元、模糊和冲突信息的一种有价值的工具。