模糊判断矩阵下群决策的大型算法改进与应用

本文主要探讨了在大型群决策问题中，如何有效地利用模糊判断矩阵来集成专家们的共识。传统的模糊C均值算法（FCM）在处理这类问题时可能存在局限性，因此作者对FCM进行了扩展，以适应群决策的复杂性和多样性。 在群决策过程中，决策者通常会基于有限的方案集，通过构建模糊判断矩阵来表达他们对各个方案的偏好。这种矩阵反映了决策者对每个方案的好坏程度的主观评价，是衡量决策者观点的重要工具。然而，如何从众多专家的个体模糊判断矩阵中提炼出一致的意见，以形成群体决策，是一个关键挑战。 文章引用了WAA（Weighted Aggregation Averaging）算子、OWA（Ordered Weighted Averaging）算子和IOWA（Interval-Ordered Weighted Averaging）算子作为常用的集结算子。这些算子通过不同的加权方式，如WAA算子考虑了所有权重的平均，OWA算子则依据顺序和权重赋予不同程度的重视，IOWA算子则考虑了权重和间隔关系，以融合个体意见。 集结权重的设定是另一个核心问题。在理想情况下，可能会假设所有专家具有相同的重要性，但实际情况中，每个专家的影响力可能因背景、专业知识和偏好差异而异。因此，文献中提出了一种方法，即通过目标规划或二次规划模型来动态确定每个专家或判断矩阵的个性化权重，以更准确地反映他们在决策过程中的作用。 作者的扩展模糊判断矩阵方法旨在克服传统方法的不足，通过获取模糊划分矩阵和聚类原型，不仅能够反映专家间的相似性和差异，还能确保群决策的科学性、合理性和有效性。通过实例验证，该方法证明了在模糊判断矩阵环境下处理大型群决策问题的有效性和实用性。 总结来说，这篇论文深入研究了如何结合模糊判断矩阵理论与群决策策略，通过改进的算法处理专家们的意见分歧，以及如何根据专家特性调整集结权重，以实现高效、客观的群决策。这为处理大规模、多维度的决策问题提供了一种创新且实用的方法。