模糊测度下的专家偏好关联群决策方法及应用验证

本文主要探讨了群决策过程中专家偏好的重要性和处理方法。在传统的群决策中，专家的个人意见往往被独立考虑，而忽略了他们之间的潜在关联。作者提出了一种创新的群决策方法，特别关注专家间的偏好关联。这种方法首先从两个核心维度出发：一是专家的知识结构相似性，即假设具有相似专业知识背景或经验的专家对同一问题的看法可能存在一致性；二是判断结果的相似性，即专家在类似决策情境下的决策偏好可能相互影响。 为了量化这种关联，文章引入了模糊测度理论，这是一种非精确的、可以表达不确定性量化的工具。通过计算专家之间的2-可加模糊测度，能够更准确地衡量每个专家在群体决策中的相对重要性，它不仅考虑了专家的专业知识，还考虑了他们的决策一致性。模糊测度允许处理不确定性，使得专家的偏好权重更加合理。 接下来，文章采用Choquet积分这一数学工具，它是一种多值偏好聚合技术，可以整合多个专家的偏好信息。Choquet积分能有效处理模糊信息，并将专家的偏好视为一个连续的整体，从而得到群体的综合判断结果。这种方法不仅体现了个体差异，也考虑了集体智慧，提高了决策的准确性和可靠性。 最后，作者通过潜艇装备论证案例来验证所提方法的有效性和实用性。通过实际操作，结果显示，考虑专家偏好关联的群决策方法在处理复杂决策问题时，能够更好地反映专家群体的共识，提升决策质量，并减少决策偏差。 本文的研究深入探讨了如何在群决策中考虑专家之间的偏好关联，引入模糊测度和Choquet积分等数学工具，为提高决策效率和效果提供了一种新的思考路径。这不仅对于军事、工程等领域的决策制定具有重要意义，也为其他领域如商业、政策制定等领域提供了宝贵的借鉴。