改进的专家权重微调方法：多属性群决策应用

本文主要探讨了群组决策中专家权重微调整的问题，尤其是在多属性决策环境中，专家权重的合理分配对决策结果至关重要。作者提出了一种新的方法，旨在在保留专家原始信息的基础上，通过对专家初始权重进行逐次微调来优化决策过程。 该方法的核心是基于平均差的概念，对平均差系数公式进行了修改，以适应专家权重的调整。这种方法强调的是局部调整，即从每个专家的个体表现出发，逐步调整其权重，同时兼顾全局平衡，确保权重调整的适度性，既不会忽视专家的专业水平差异，也不会过度依赖某个专家。 文章提到，传统的专家赋权方法大致可以分为三类：主观赋权法，如层次分析法、德菲尔法和基于信息熵法，这些方法依赖于专家主观判断和一致性检验；客观赋权法，如主成分分析法、基于模糊熵的方法和离差最大化法，它们通过分析专家判断矩阵获取客观信息来赋予权重；组合赋权法则结合主观经验和客观数据，如基于聚类的调整方法和集成数据形成权值。 例如，高阳等人、何立华等人以及吴云燕等人先前的研究均采用了基于判断矩阵的专家聚类赋权策略，通过相似矩阵对专家进行分类，并分配类内和类间权重。而李琳的方法则是利用欧氏距离作为专家判断的相似性度量，进行分类并计算权重。陈云翔等人则提出了基于信息熵的群组聚类组合赋权法，该方法可能结合了信息熵的量化分析与聚类技术。 论文通过一个实际案例，即毕业生论文答辩情况排序，展示了这种专家权重微调整方法的有效性和实用性。结果显示，这种方法能够有效地平衡专家的个体差异，提高决策的公正性和准确性，同时保持了决策过程的简洁性。 总结来说，这篇论文研究的核心内容是对多属性群决策中专家权重的微调整策略，它提供了一种新的视角和方法，有助于优化群决策过程中的权重分配，从而提升决策的科学性和可靠性。