第 26 卷 第 1 期
Vol. 26 No. 1
控 制 与 决 策
Control and Decision
2011 年 1 月
Jan. 2011
基于信息熵的专家聚类赋权方法
文章编号: 1001-0920 (2011) 01-0153-04
周 漩, 张凤鸣, 惠晓滨, 李克武
(空军工程大学 工程学院,西安 710038)
摘 要: 鉴于群组决策专家赋权方法研究中, 现有赋权方法虽然考虑了专家给出的排序向量的一致性, 但缺乏对排
序向量信息相似性的度量, 导致可能出现排序向量与群体共识相近, 但信息不确定性较大的专家被赋予了与其他专
家相同权重的问题. 基于此, 提出一种基于信息熵的专家聚类赋权方法, 运用信息相似系数对排序向量进行聚类分
析, 根据聚类结果和排序向量的信息熵来确定专家的权重. 具体算例表明, 该方法有效且可行.
关键词: 熵;信息相似系数;聚类分析
中图分类号: O236 文献标识码: A
Method for determining experts’ weights based on entropy and cluster
analysis
ZHOU Xuan, ZHANG Feng-ming, HUI Xiao-bin, LI Ke-wu
(College of Engineering,Air Force Engineering University,Xi’an 710038,China.Correspondent:ZHOU Xuan,
E-mail:zhouxuan 333@126.com)
Abstract: According to the methods of determining experts’ weights in group decision-making, the existing methods take
into account the consistency of experts’ collating vectors, but it is lack of the measure of its information similarity. So it
may occur that although the collating vector is similar to the group consensus, information uncertainty is great of a certain
expert. However, it is given the same weight to the other experts. For this, a method for deriving experts’ weights based on
entropy and cluster analysis is proposed, in which the collating vectors of all experts are classified with information similarity
coefficient, and the experts’ weights are determined according to the result of classification and entropy of collating vectors.
Finally, a numerical example shows that the method is effective and feasible.
Key words: entropy;information similarity coefficient;cluster analysis
1 引引引 言言言
在多属性、多目标决策过程中, 为了克服单个专
家主观偏见和模糊认识的影响, 通常采用专家群组决
策的方法来提高决策的正确性. 目前, 在群组决策过
程中基于判断矩阵的专家赋权方法大致可分为两类:
一类是根据专家给出的判断矩阵的一致性程度来赋
权, 判断矩阵的一致性程度越好, 相应的专家权重越
大; 另一类是利用系统聚类分析的思想, 对专家先进
行分类, 再赋权
[1]
. 传统的聚类方法有基于距离的、密
度的、网格的和相似系数的等. 文献 [2] 提出了一种基
于相似系数的专家聚类赋权方法, 以排序向量相容度
为测度, 根据专家排序向量的相似程度为专家聚类;
然后根据专家判断矩阵的一致性程度为专家赋权. 传
统的基于向量相似系数的聚类算法在描述物理位置
接近的点时起到了重要作用, 但它们对整体相似程度
较高, 而个别元素波动较大的向量之间的相似性度量
却发挥不了应有的效果. 因为它们没有考虑聚类对象
实际含有信息量的大小和信息的相似程度, 导致在专
家聚类赋权方法中可能出现虽然评判向量与群体共
识相近, 但信息不确定性大的专家被赋予了与其他专
家相同权重的问题. 根据信息分类
[3]
的要求, 被聚成
类的一组对象不仅应具有极高的相似性, 而且应反映
同一个信息, 信息的相似程度要高.
基于以上考虑, 本文提出一种基于信息熵的专家
聚类赋权方法, 利用信息相似系数度量专家意见的相
似程度, 不仅运用熵
[3-10]
的原理对专家进行聚类分析,
而且运用信息熵为类中专家赋权. 使得在整体评价
中, 排序向量信息相似系数小、共识较好、专家数目
多的类别间具有更高的权重. 在同一信息相似度内的
专家群体中, 逻辑清晰、思维严密、信息熵少的专家
收稿日期: 2009-11-02;修回日期: 2009-12-28.
作者简介: 周漩(1986−), 男, 博士生, 从事信息系统工程与智能决策等研究;张凤鸣(1963−), 男, 教授, 博士生导师, 从
事智能信息处理、智能信息系统和智能决策等研究.