专家交互下群组DEMATEL决策法的改进与应用

专家交互情境下不完备群组DEMATEL决策方法是一种创新的决策分析工具，针对现有群组分析方法在处理群组专家间的信息交互以及不完备判断数据时的局限性进行了改进。群组DEA（Decision Making Trial and Evaluation Laboratory）方法原本是用于评估复杂系统中多个相互作用因素的影响，但在实际应用中，当专家提供的信息存在部分缺失或不完整时，传统的处理方式可能无法准确反映问题的真实情况。 该研究首先基于社交网络的信任关系理论，强调了专家之间的信任度在信息交流中的重要性。通过建立信任关系模型，可以更好地推断出在专家交互情境下，当某个专家的信息不完全时，其对其他专家判断的影响程度。这一步旨在弥补信息的不完整性，使得决策过程更加全面。 凝聚层次聚类理论在此框架下被运用，帮助确定专家群体内部的相似性，从而识别出在处理不完备信息时哪些专家的观点可能更具代表性或影响力。这种层次结构的分析有助于减少信息噪音，提高决策的准确性。 提出的实现步骤包括以下几个关键环节： 1. 收集和整理群组专家的初始直接影响矩阵，同时识别并处理其中的缺失值。 2. 基于信任关系和专家交互，推导和完善不完备信息的处理策略。 3. 通过多轮专家交互，不断调整和修正直接影响矩阵，增强专家间的共识度。 4. 应用修正后的矩阵进行群组DEMATEL分析，得出决策结果。 5. 对比分析多轮交互前后决策结果的可靠性和一致性，验证方法的有效性。 通过算例对比，研究者发现，随着专家交互的进行，群组内共识度显著提高，决策结果的可靠性也随之增强，这验证了该方法在实际问题中的适用性和有效性。这种方法不仅适用于一般性的群组决策问题，也能在涉及复杂网络结构和信息不确定性的领域，如无人飞行器路径规划、动态大群体应急决策、高炉操作优化等，提供更精确的决策支持。 孙永河、张思雨和缪彬在《控制与决策》期刊上发表的研究为处理专家群体决策中的不完备信息问题提供了一种创新且实用的方法，对于提高决策质量和效率具有重要的理论和实践价值。