CN113792943B - 一种群体决策方法和装置 - Google Patents

一种群体决策方法和装置 Download PDF

Info

Publication number
CN113792943B
CN113792943B CN202111351370.6A CN202111351370A CN113792943B CN 113792943 B CN113792943 B CN 113792943B CN 202111351370 A CN202111351370 A CN 202111351370A CN 113792943 B CN113792943 B CN 113792943B
Authority
CN
China
Prior art keywords
expert
consensus
group
degree
evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111351370.6A
Other languages
English (en)
Other versions
CN113792943A (zh
Inventor
经小川
华真
杜婉茹
刘萱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Hongkang Intelligent Technology Beijing Co ltd
Original Assignee
Aerospace Hongkang Intelligent Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aerospace Hongkang Intelligent Technology Beijing Co ltd filed Critical Aerospace Hongkang Intelligent Technology Beijing Co ltd
Priority to CN202111351370.6A priority Critical patent/CN113792943B/zh
Publication of CN113792943A publication Critical patent/CN113792943A/zh
Application granted granted Critical
Publication of CN113792943B publication Critical patent/CN113792943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

提供了一种群体决策方法和装置。所述方法包括：使用区间毕达哥拉斯模糊集IVPFS表征专家对于各方案在各属性下的评估以获得基于区间毕达哥拉斯模糊IVPF的决策矩阵，基于专家集合的子集的λ‑模糊测度获得专家集合的广义沙普利Shapley值；基于所述决策矩阵和专家集合的广义Shapley值获得专家群评估；基于专家群评估确定群体层次上的共识程度是否大于预设阈值；响应于确定群体层次上的共识程度大于所述预设阈值，计算属性集的最优模糊测度；基于最优模糊测度计算属性集的广义Shapley值；以及利用计算出的属性集的广义Shapley值，将群评估按照属性集成以获得对各方案的评价。

Description

一种群体决策方法和装置
技术领域
本申请涉及多属性群决策技术领域，更具体地，涉及一种群体决策方法和装置。
背景技术
随着经济和技术的不断发展，专家综合集成研讨相关的群体决策问题变得越来越复杂。因此，多属性群决策（Multi-criteria group decision-making，MCGDM）最近成为了研究的热点，MCGDM 涉及可有效支持相关专家通过综合集成研讨过程在一组备选方案中获得最佳解决方案的一系列技术。该过程一般涉及以下三个要素：信息表达和融合；专家共识达成过程(Consensus reaching process，CRP)；以及备选方案排序方法。
现有的针对MCGDM信息融合方案不能全面反映例如专家集和属性集内普遍存在的交互现象（例如，冗余或协同），因此无法全面分析每个元素的重要性。
另外，引导专家达到指定的共识模型主要包括具有迭代过程的基于识别和方向规则 (IDR) 的模型和基于优化的模型。然而，前者由于需要专家修改意见，因此具有较低的共识达成效率，后者虽然可以显着提高共识效率，但仅从数学模型得出的结果无法保证专家参与度。
因此，亟需一种多群体决策方法，使得尽可能全面反映专家集和属性集内部的交互现象，并且兼顾共识达成效率和专家参与度。
发明内容
本发明的目的在于提供一种群体决策方法和装置，使得能够更全面地反映专家集合属性集内各元素的相互关系，同时兼顾共识达成效率和专家参与度，以最大程度地提高群体共识。
根据本公开的实施例的一方面，提供了一种群体决策方法，所述方法包括：使用区间毕达哥拉斯模糊集IVPFS表征专家对于各方案在各属性下的评估以获得基于区间毕达哥拉斯模糊IVPF的决策矩阵，基于专家集合的子集的λ-模糊测度获得专家集合的广义沙普利Shapley值；基于所述决策矩阵和专家集合的广义Shapley值获得专家群评估；基于专家群评估确定群体层次上的共识程度是否大于预设阈值；响应于确定群体层次上的共识程度大于所述预设阈值，计算属性集的最优模糊测度；基于最优模糊测度计算属性集的广义Shapley值；以及利用计算出的属性集的广义Shapley值，将群评估按照属性集成以获得对各方案的评价。
可选地，专家集合的子集的广义沙普利Shapley值通过如下公式计算：
Figure 443842DEST_PATH_IMAGE001
其中，
Figure 687742DEST_PATH_IMAGE002
分别表示专家集合中的专家总数和子集中的专家数，
Figure 205311DEST_PATH_IMAGE003
表示专家集合的子集的λ-模糊测度，
其中，专家群评估通过以下公式计算：
Figure 275773DEST_PATH_IMAGE004
其中，
Figure 654932DEST_PATH_IMAGE005
表示专家
Figure 18918DEST_PATH_IMAGE006
针对方案
Figure 956656DEST_PATH_IMAGE007
关于属性
Figure 140512DEST_PATH_IMAGE008
的评估，
Figure 510314DEST_PATH_IMAGE009
是
Figure 479538DEST_PATH_IMAGE010
上的一种排序，使得
Figure 338910DEST_PATH_IMAGE011
且
Figure 259330DEST_PATH_IMAGE012
，
Figure 229560DEST_PATH_IMAGE013
，
Figure 115607DEST_PATH_IMAGE014
是
Figure 395148DEST_PATH_IMAGE015
在专家集合
Figure 491280DEST_PATH_IMAGE016
上关于模糊测度
Figure 265201DEST_PATH_IMAGE017
的广义Shapley值,其中，
Figure 943438DEST_PATH_IMAGE018
和
Figure 144612DEST_PATH_IMAGE019
分别表示隶属度区间和非隶属度区间的下限值，
Figure 914991DEST_PATH_IMAGE020
和
Figure 492603DEST_PATH_IMAGE021
分别表示隶属度区间和非隶属度区间的上限值。
可选地，所述方法还包括：
计算评估水平上的共识程度：
Figure 461565DEST_PATH_IMAGE022
,其中
Figure 958274DEST_PATH_IMAGE023
；
计算方案水平上的共识程度：
Figure 28998DEST_PATH_IMAGE024
，其中
Figure 144722DEST_PATH_IMAGE025
；
计算专家水平上的共识程度：
Figure 984502DEST_PATH_IMAGE026
， 其中
Figure 465162DEST_PATH_IMAGE027
；
计算群体层次上的共识程度：
Figure 226444DEST_PATH_IMAGE028
其中，
Figure 817963DEST_PATH_IMAGE029
是
Figure 682888DEST_PATH_IMAGE030
在
Figure 600029DEST_PATH_IMAGE031
集合上关于模糊测度
Figure 583028DEST_PATH_IMAGE032
的广义Shapley值 ，
Figure 978237DEST_PATH_IMAGE033
是
Figure 792610DEST_PATH_IMAGE034
的一种排列方式，使得
Figure 287176DEST_PATH_IMAGE035
且
Figure 554209DEST_PATH_IMAGE036
，
Figure 64694DEST_PATH_IMAGE037
。
可选地，所述方法还包括：
响应于群体层次上的共识程度不大于所述预设阈值，对共识程度不大于所述预设阈值的专家评估进行更改；基于更改后的专家评估更新决策信息；以及基于更新的决策信息重新确定专家群评估。
可选地，所述方法还包括：
定位对群体达成共识贡献较低的专家：
Figure 733573DEST_PATH_IMAGE038
；
针对EXPS集里的元素，定位共识程度较低的方案：
Figure 726936DEST_PATH_IMAGE039
；
针对ALS集合里的元素，确定共识程度不大于所述预设阈值
Figure 684528DEST_PATH_IMAGE040
的专家评估：
Figure 421540DEST_PATH_IMAGE041
。
可选地，对共识程度不大于所述预设阈值的专家评估进行更改的步骤包括：
基于最优模型求得调整系数
Figure 617029DEST_PATH_IMAGE042
，基于
Figure 46873DEST_PATH_IMAGE043
所述调整系数获得更改后的专家评估，
其中，所述最优模型以群体共识提升取最大值为目标函数，
Figure 288499DEST_PATH_IMAGE044
的计算公式如下：
Figure 766885DEST_PATH_IMAGE045
其中，
Figure 410356DEST_PATH_IMAGE046
和
Figure 807839DEST_PATH_IMAGE047
分别表示更改专家评估前的群体层次上的共识程度和更改专家评估后的群体层次上的共识程度，
其中，更改后的专家评估计算公式如下：
Figure 536761DEST_PATH_IMAGE048
。
可选地，通过以下公式求得属性集的最优模糊测度：
Figure 615575DEST_PATH_IMAGE049
其中
Figure 307629DEST_PATH_IMAGE050
表示群评估，
Figure 79276DEST_PATH_IMAGE051
和
Figure 233177DEST_PATH_IMAGE052
分别表示正负理想最优解，
Figure 115682DEST_PATH_IMAGE053
是评估
Figure 140270DEST_PATH_IMAGE054
相对于负理想解NIS的接近系数, 其中
Figure 82818DEST_PATH_IMAGE055
是
Figure 724015DEST_PATH_IMAGE056
与
Figure 144632DEST_PATH_IMAGE057
之间的距离，
Figure 617202DEST_PATH_IMAGE058
是属性
Figure 42236DEST_PATH_IMAGE059
关于模糊测度
Figure 967466DEST_PATH_IMAGE060
的广义Shapley值，
Figure 863878DEST_PATH_IMAGE061
表示已知的属性权重信息。
根据本公开的另一方面，提供了一种群体决策装置，包括：处理器；以及，存储器，存储有当由处理器运行时执行如上所述的群体决策方法。
根据本公开的另一方面，提供了一种存储有计算机程序的计算机可读存储介质，其中，当所述计算机程序被处理器执行时实现如上所述的群体决策方法。
附图说明
通过下面结合示例性地示出一例的附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：
图1是示出根据本公开的实施例的群体决策方法的流程图；
图2是根据本公开的实施例的更新决策信息的示例方法的流程图；
图3是根据本公开的实施例的群体决策装置的结构的框图；以及
图4是根据本公开的另一实施例的群体决策装置的结构的框图。
具体实施方式
在下文中，参照附图对本公开的各种实施例进行描述，其中，相同的标号用于表示相同或相似的元件、特征和结构。然而，不旨在由本文所述的各种实施例将本公开限制于具体实施例，并且旨在于：本公开覆盖本公开的所有修改、等同物和/或替代物，只要它们在所附权利要求及其等同物的范围内。在以下说明书和权利要求书中使用的术语和词语不限于它们的词典含义，而是仅被用于使得能够清楚和一致地理解本公开。因此，对于本领域技术人员应显而易见的是：提供本公开的各种实施例的以下描述仅用于说明的目的，而不是为了限制由所附权利要求和它们的等同物限定的本公开的目的。
应理解，除非上下文另外明确指出，否则单数形式包括复数形式。本文使用的术语“包括”、“包含”和“具有”指示公开的功能、操作或元件的存在，但不排除其它功能、操作或元件。
例如，表述“A或B”、或“A和/或B中的至少一个”可指示A和B、A或者B。例如，表述“A或B”或“ A和/或B中的至少一个”可指示（1）A、（2）B或（3）A和B两者。
在本公开的各种实施例中，意图是：当组件（例如，第一组件）被称为与另一组件（例如，第二组件）“耦接”或“连接”或者被“耦接”或者“连接”到另一组件（例如，第二组件）时，所述组件可被直接连接到所述另一组件，或者可通过另一组件（例如，第三组件）被连接。相比之下，当组件（例如，第一组件）被称为与另一组件（例如，第二组件）“直接耦接”或“直接连接”或者被直接耦接到或直接连接到另一组件（例如，第二组件）时，在所述组件和所述另一组件之间不存在另一组件（例如，第三组件）。
在描述本公开的各种实施例中使用的表述“被配置为”可以例如根据情况与诸如“适用于”、“具有…的能力”、“被设计为”、“适合于”、“被制造为”和“能够”的表述互换使用。术语“被配置为”可不一定指示按照硬件“被专门设计为”。相反，在一些情况下的表述“被配置为...的装置”可指示所述装置和另一装置或者部分“能够…”。例如，表述“被配置为执行A、B和C的处理器”可指示用于执行相应操作的专用处理器（例如，嵌入式处理器）或用于通过执行存储在存储器装置中的至少一个软件程序来执行相应的操作的通用处理器（例如，中央处理单元CPU或应用处理器（AP））。
本文使用的术语在于描述本公开的某些实施例，但并不旨在限制其它实施例的范围。除非本文另外指出，否则本文使用的所有术语（包括技术或科学术语）可具有与本领域技术人员通常理解的含义相同含义。通常，词典中定义的术语应被视为具有与相关领域中的上下文含义相同的含义，并且，除非本文明确地定义，否则不应被不同地理解或被理解为具有过于正式的含义。在任何情况下，本公开中定义的术语也不旨在被解释为排除本公开的实施例。
本文使用的术语在于描述本公开的某些实施例，但并不旨在限制其它实施例的范围。除非本文另外指出，否则本文使用的所有术语（包括技术或科学术语）可具有与本领域技术人员通常理解的含义相同含义。通常，词典中定义的术语应被视为具有与相关领域中的上下文含义相同的含义，并且，除非本文明确地定义，否则不应被不同地理解或被理解为具有过于正式的含义。在任何情况下，本公开中定义的术语也不旨在被解释为排除本公开的实施例。
为了更好地理解本公开，首先对现有技术中针对MCGDM的相关内容进行描述。
在实际的专家综合集成研讨问题中，传统的信息表达结构无法适用于具有很强不确定性和模糊性的情况。为了解决这个问题，学者们近年来研究的信息表达结构主要包括：
模糊集
模糊集由Zadeh 在 1965 年提出，然而，模糊集并不能充分反映人类在感知上的犹豫程度。
直觉模糊集（IFS）
IFS要求的隶属度和非隶属度的总和保持在[0,1]的范围内，但这是不现实的，因为很多情况不能完全适应这个约束。
毕达哥拉斯模糊集（PFS）
PFS允许隶属度和非隶属度之和大于1，但它们的平方和小于1。
区间值毕达哥拉斯模糊集 (IVPFS)
对于IVPFS，隶属度、非隶属度以及不确定度被表征为区间值，而不再是单一的数值，因此，IVPFS 具有很强的模糊性表征能力，以及对实际群体决策过程进行建模的能力。
专家集和属性集内都普遍存在着交互现象，例如，冗余或协同，因此融合方式应尽可能的反映交互现象以便全面分析每个元素的重要性。
区间值毕达哥拉斯模糊加权平均算子和区间值毕达哥拉斯模糊加权几何算子可成功聚合多源区间值毕达哥拉斯模糊数，但这些集成算子无法反映输入参数之间的相关性。模糊测度和 Choquet 积分可以克服加性测度的不足，已在一些模糊环境中进行了应用，然而，Choquet 积分只考虑了相邻元素组合之间的相互作用，因此无法全面反映专家集和属性集内都普遍存在的交互现象。
此外，在综合集成研讨过程中，专家的意见可能会有很大差异。为了引导专家达到一个指定的共识水平，以确保大多数人对群评估感到满意以利于进一步实施决策结果。近年来，已经开发了多种专家一致性提升与共识达成模型，它们通常可以分为两类：一类是具有迭代过程的基于识别和方向规则 (IDR) 的模型，然而该模型由于需要专家修改意见，因此具有较低的效率；另一类是基于优化的模型，然而，基于优化的共识模型虽然可以显着提高共识效率，但仅从数学模型得出的结果无法保证专家参与度。
如上所述，针对MCGDM，现有群体决策方法无法全面反映专家集和属性集内部的交互现象，并且无法兼顾共识达成效率和专家参与度。
本公开的目的在于提供一种群体评估方法，使得能够全面分析每个元素的重要性，并兼顾共识达成效率和专家参与度。
根据本公开的实施例的群体决策方法和装置可被用于失效模式与影响分析（Failure Mode and Effects Analysis ，FMEA）、区块链平台评估、风险管理问题等领域。
例如，针对输电设备、机电系统的FMEA，传统的FMEA方法没有考虑到风险因素之间的相互关联，仅通过1-10之间的数字对3种风险因素（发生率（O）、严重度（S）和难检度（D））进行标定，并且将三者的乘积作为风险优先数（RPN）进行风险评估，存在不足。本文提出的方法可以有效考虑风险因素（属性）的关联，并且通过区间毕达哥拉斯模糊数对专家评估进行表征，可以更好的刻画专家不确定信息。最后，通过提出的区间毕达哥拉斯Shapley集成算子集成评估意见，对风险模式进行综合评估。
图1是示出根据本公开的实施例的群体决策方法的流程图。
参照图1，在步骤S101，使用区间毕达哥拉斯模糊集IVPFS表征专家对于各方案在各属性下的评估以获得基于区间毕达哥拉斯模糊IVPF的决策矩阵。
以起重机的故障风险分析为例，门式起重机主要存在以下8种故障模式（即方案）：轨道变形（FM1）、轨面磨损（FM2）、主梁下沉（FM3）、主梁弯曲（FM4）、齿轮震颤（FM5）、制动器打滑（FM5）、箱体发热（FM7）、箱体漏油（FM8）。风险因素（即属性）为发生率（Ｏ）、严重度（Ｓ）和难检度（Ｄ）。通过本公开的群体决策方法，可以对8种故障模式出现的风险进行排序，从而提示用户应当更多的关注哪些故障。本领域技术人员应当理解，针对起重机的故障风险分析仅是示例，根据本公开的实施例的群体决策方法和装置可用于其他多属性群体决策领域。
具体地，使用IVPFS表征专家
Figure 925375DEST_PATH_IMAGE062
对于方案
Figure 209726DEST_PATH_IMAGE063
在各属性
Figure 825515DEST_PATH_IMAGE064
下的评估，并组成IVPF-评估矩阵
Figure 853514DEST_PATH_IMAGE065
。
根据本公开的实施例，基于区间毕达哥拉斯模糊集的评估矩阵可全面地表征专家模糊信息。
在步骤S102，基于专家集合的子集的λ-模糊测度获得专家集合的广义沙普利值（generalized Shapley index）。
下面对获取专家集合的子集的λ-模糊测度的方案进行描述。
根据以下公式（1）：
Figure 97413DEST_PATH_IMAGE066
（1）
可得到公式（2）：
Figure 287086DEST_PATH_IMAGE067
（2），
利用公式（2）可求得
Figure 498494DEST_PATH_IMAGE068
，从而计算出专家集合的子集的模糊测度
Figure 64604DEST_PATH_IMAGE069
，其中，
Figure 428590DEST_PATH_IMAGE070
表示专家集合的子集。具体地，基于已知的专家权重
Figure 789164DEST_PATH_IMAGE071
和关于模糊测度计算的公式
Figure 848387DEST_PATH_IMAGE072
, 可以求得专家集合的子集的模糊测度
Figure 218188DEST_PATH_IMAGE073
，其中，A和B表示相应集合的子集。由于计算专家集的子集的模糊测度为现有技术，故在此不做赘述。
作为示例，专家集合的子集的广义沙普利Shapley值通过如下公式（3）计算：
Figure 108784DEST_PATH_IMAGE074
（3）
其中，
Figure 109101DEST_PATH_IMAGE075
分别表示专家集合中的专家总数和子集中的专家数，
Figure 717937DEST_PATH_IMAGE076
表示专家集合的子集的λ-模糊测度，上文中已对专家集合的子集的λ-模糊测度的计算方法进行了描述，在此不做赘述。
本领域技术人员应当理解，以上描述了针对专家集的
Figure 203013DEST_PATH_IMAGE077
-模糊测度以及广义Shapley值的计算方法，针对属性集的
Figure 213695DEST_PATH_IMAGE078
-模糊测度以及广义Shapley值可通过类似的公式获得，即将公式（2）和（3）中相应的参数更改为与属性集相应的参数即可。
本领域技术人员应当理解，根据本公开的各种实施例的模糊测度表示
Figure 243968DEST_PATH_IMAGE079
-模糊测度。
在步骤S103, 基于所述决策矩阵和专家集合的广义Shapley值获得专家群评估。
作为示例，专家群评估可通过公式（4）计算：
Figure 340100DEST_PATH_IMAGE080
（4）
其中，
Figure 51704DEST_PATH_IMAGE081
表示专家
Figure 729941DEST_PATH_IMAGE082
针对方案
Figure 868798DEST_PATH_IMAGE007
关于属性
Figure 514543DEST_PATH_IMAGE083
的评估，
Figure 764259DEST_PATH_IMAGE084
是
Figure 61117DEST_PATH_IMAGE085
上的一种排序，使得
Figure 370875DEST_PATH_IMAGE086
且
Figure 441600DEST_PATH_IMAGE087
，
Figure 557323DEST_PATH_IMAGE088
，
Figure 397103DEST_PATH_IMAGE089
是
Figure 690812DEST_PATH_IMAGE090
在专家集合
Figure 983254DEST_PATH_IMAGE091
上关于模糊测度
Figure 840351DEST_PATH_IMAGE092
的广义Shapley值,其中，
Figure 596955DEST_PATH_IMAGE093
和
Figure 248516DEST_PATH_IMAGE094
分别表示隶属度区间和非隶属度区间的下限值，
Figure 605417DEST_PATH_IMAGE095
和
Figure 626DEST_PATH_IMAGE096
分别表示隶属度区间和非隶属度区间的上限值。
根据本公开的实施例，基于区间值毕达哥拉斯模糊Shapley集成算子（即公式（4））来聚合具有互补、冗余或独立特征的决策信息，使得能够全面地反映输入参数的重要性以及各参数之间的相互影响。
在步骤S104, 基于专家群评估确定群体层次上的共识程度是否大于预设阈值。
下面对确定群体层次上的共识程度的过程进行描述。
首先计算评估水平上的共识程度：
令
Figure 611736DEST_PATH_IMAGE097
表示专家
Figure 699777DEST_PATH_IMAGE098
对方案
Figure 779860DEST_PATH_IMAGE099
关于属性
Figure 978760DEST_PATH_IMAGE100
的评估，
Figure 444377DEST_PATH_IMAGE101
为群评估，此时，该评估的共识指数可通过公式（5）求得：
Figure 703320DEST_PATH_IMAGE102
（5），其中
Figure 457649DEST_PATH_IMAGE103
。
基于
Figure 506245DEST_PATH_IMAGE104
计算方案水平上的共识程度：
Figure 29631DEST_PATH_IMAGE105
相对于群体在
Figure 521792DEST_PATH_IMAGE007
上的共识水平
Figure 497838DEST_PATH_IMAGE106
可通过公式（6）获得:
Figure 38541DEST_PATH_IMAGE107
（6），其中
Figure 495061DEST_PATH_IMAGE108
。
基于
Figure 830227DEST_PATH_IMAGE109
计算专家水平上的共识程度：
Figure 621466DEST_PATH_IMAGE105
相对于群体在所有评估上的平均共识水平
Figure 700280DEST_PATH_IMAGE110
可通过公式（7）获得:
Figure 509842DEST_PATH_IMAGE111
（7）， 其中
Figure 15910DEST_PATH_IMAGE112
。
计算群体层次上的共识程度：
群体共识水平
Figure 232128DEST_PATH_IMAGE113
可通过公式（8）获得:
Figure 176950DEST_PATH_IMAGE114
（8） ，
其中，
Figure 529434DEST_PATH_IMAGE115
是
Figure 285031DEST_PATH_IMAGE116
在
Figure 722966DEST_PATH_IMAGE117
集合上关于模糊测度
Figure 205900DEST_PATH_IMAGE118
的广义Shapley值 ，
Figure 678470DEST_PATH_IMAGE084
是
Figure 526340DEST_PATH_IMAGE119
的一种排列方式，使得
Figure 763155DEST_PATH_IMAGE035
且
Figure 987463DEST_PATH_IMAGE120
，
Figure 376856DEST_PATH_IMAGE121
。显然，
Figure 661207DEST_PATH_IMAGE122
， 并且
Figure 73734DEST_PATH_IMAGE123
越大意味着专家群体的共识一致性越强。其中，
Figure 649203DEST_PATH_IMAGE124
表示CL构成的集合,
Figure 830785DEST_PATH_IMAGE125
表示子集
Figure 348354DEST_PATH_IMAGE126
中的元素的数量，
Figure 248177DEST_PATH_IMAGE127
表示集合
Figure 814288DEST_PATH_IMAGE128
中的元素的数量。
在步骤S105, 响应于确定群体层次上的共识程度大于所述预设阈值，计算属性集的最优模糊测度。
作为示例，当
Figure 161961DEST_PATH_IMAGE129
大于预设阈值
Figure 788115DEST_PATH_IMAGE130
时，通过公式（9）计算属性集的最优模糊测度：
Figure 237551DEST_PATH_IMAGE131
（9），
其中
Figure 341773DEST_PATH_IMAGE132
表示群评估，
Figure 497948DEST_PATH_IMAGE133
和
Figure 108052DEST_PATH_IMAGE134
分别表示正负理想最优解，
Figure 716888DEST_PATH_IMAGE135
是评估
Figure 952697DEST_PATH_IMAGE136
相对于负理想解NIS的接近系数, 其中
Figure 963378DEST_PATH_IMAGE137
是
Figure 242919DEST_PATH_IMAGE138
与
Figure 339051DEST_PATH_IMAGE139
之间的距离，
Figure 847392DEST_PATH_IMAGE140
是属性
Figure 978159DEST_PATH_IMAGE059
关于模糊测度
Figure 117017DEST_PATH_IMAGE118
的广义Shapley值，
Figure 513494DEST_PATH_IMAGE141
表示已知的属性权重信息。
图2是示出根据本公开的实施例的更新群体觉决策的示例方法的流程图。
作为示例，如果在步骤S104确定群体层次上的共识程度不大于所述预设阈值，进行到步骤S201,在步骤S201,响应于群体层次上的共识程度不大于所述预设阈值，对共识程度不大于所述预设阈值的专家评估进行更改。
作为示例，可通过以下方式确定共识程度不大于所述预设阈值的专家评估：
定位对群体达成共识贡献较低的专家：
Figure 763210DEST_PATH_IMAGE142
；
针对EXPS集里的元素，定位共识程度较低的方案：
Figure 810800DEST_PATH_IMAGE143
；
针对ALS集合里的元素，确定共识程度不大于所述预设阈值
Figure 120559DEST_PATH_IMAGE144
的专家评估：
Figure 191283DEST_PATH_IMAGE145
。
作为示例，对共识程度不大于所述预设阈值的专家评估进行更改的步骤包括：
基于最优模型求得调整系数
Figure 556274DEST_PATH_IMAGE146
，基于
Figure 396054DEST_PATH_IMAGE147
所述调整系数获得更改后的专家评估，
其中，所述最优模型以群体共识提升取最大值为目标函数，
Figure 939031DEST_PATH_IMAGE044
的计算公式如下：
Figure 231472DEST_PATH_IMAGE148
其中，
Figure 88570DEST_PATH_IMAGE149
和
Figure 595905DEST_PATH_IMAGE150
分别表示更改专家评估前的群体层次上的共识程度和更改专家评估后的群体层次上的共识程度，
其中，更改后的专家评估计算公式如下：
Figure 247467DEST_PATH_IMAGE151
。
在步骤S202,基于更改后的专家评估更新决策信息。然后返回步骤S103。也就是说，在求得
Figure 355100DEST_PATH_IMAGE152
后，更新决策信息，并重新利用公式（4）计算专家群评估，本领域技术人员应当理解，利用公式（4）重新计算专家群评估使用的
Figure 750309DEST_PATH_IMAGE153
包括修改后的
Figure 299102DEST_PATH_IMAGE154
和无需修改的共识度大于预设阈值的
Figure 698728DEST_PATH_IMAGE155
。本领域技术人员应当理解，更新的决策信息指示各专家对各方案在各属性下的新的评估（包括因共识度不大于预设阈值而被修改的评估和共识度大于预设阈值而未被修改的评估）。然后，利用公式（5）-（8）计算群体共识水平
Figure 965762DEST_PATH_IMAGE156
，如此迭代直到
Figure 961400DEST_PATH_IMAGE157
大于预设阈值。当
Figure 630278DEST_PATH_IMAGE158
大于预设阈值时，执行步骤S105。
在步骤S106, 基于最优模糊测度计算属性集的广义Shapley值。
在步骤S107,利用计算出的属性集的广义Shapley值，将群评估按照属性集成以获得对各方案的评价。由于基于最优模糊测度计算属性集上的广义Shapley值，并基于属性集的广义Shapley值获得对各方案的评价为现有技术，故在此不做赘述。
根据本公开的实施例，通过结合了基于IDR的模型和优化模型的综合模型来达成群体一致性，使得可以兼顾共识效率和专家参与度，从而能够最大程度的提高群体共识。
以上参照图1-2对群体决策方法的进行了描述，下面参照图3-4对根据本公开的实施例的群体决策装置进行描述。
图3示出了根据本公开的实施例的群体决策装置300的框图。
参照图3，群体决策装置300可包括处理器301以及存储器302。本领域技术人员应当理解，群体决策装置300还可另外的包括其他组件，并且群体决策装置包括的组件可被拆分或被组合，在组件拆分或组合前后能够实现相同的功能。
存储器302可存储当由处理器运行时执行如上所述的群体决策方法的指令。
根据本公开的实施例的群体决策装置基于区间毕达哥拉斯模糊集处理模糊和不确定的决策信息，可以有效表达专家决策信息，通过基于广义Shapley值的区间值毕达哥拉斯模糊Shapley集成算子来融合决策信息，使得能够全面地反映输入参数的重要性，并尽可能反映各输入参数的相互影响，并且基于结合了基于IDR模型和优化模型的综合模型来提升群体一致性，可以兼顾共识达成效率和专家参与度。
图4是示出根据本公开的示例性实施例的群体决策装置的结构的框图。该群体决策装置400例如可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts GroupAudio Layer III，动态影像专家压缩标准音频层面3）、MP4(Moving Picture ExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4）播放器、笔记本电脑或台式电脑。群体决策装置400还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，群体决策装置400包括有：处理器401和存储器402。
处理器401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1001可以采用DSP（Digital Signal Processing，数字信号处理）、FPGA（FieldProgrammable Gate Array，现场可编程门阵列）、PLA（Programmable Logic Array，可编程逻辑阵列）中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU（Central ProcessingUnit，中央处理器）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器401可以在集成有GPU（Graphics Processing Unit，图像处理器），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器401还可以包括AI（Artificial Intelligence，人工智能）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器401所执行以实现本公开的训练回声消除模型和/或消除回声延迟的方法。
在一些实施例中，群体决策装置400还可选包括有：外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口403相连。具体地，外围设备包括：射频电路404、触摸显示屏405、摄像头406、音频电路407、定位组件408和电源409。
外围设备接口403可被用于将I/O（Input/Output，输入/输出）相关的至少一个外围设备连接到处理器401和存储器402。在一些实施例中，处理器401、存储器402和外围设备接口403被集成在同一芯片或电路板上；在一些其他实施例中，处理器401、存储器402和外围设备接口403中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路404用于接收和发射RF（Radio Frequency，射频）信号，也称电磁信号。射频电路404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路404将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路404包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络（2G、3G、4G及5G）、无线局域网和/或WiFi（Wireless Fidelity，无线保真）网络。在一些实施例中，射频电路404还可以包括NFC（Near Field Communication，近距离无线通信）有关的电路，本公开对此不加以限定。
显示屏405用于显示UI（User Interface，用户界面）。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏405是触摸显示屏时，显示屏405还具有采集在显示屏405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器401进行处理。此时，显示屏405还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏405可以为一个，设置在群体决策装置400的前面板；在另一些实施例中，显示屏405可以为至少两个，分别设置在终端1000的不同表面或呈折叠设计；在再一些实施例中，显示屏405可以是柔性显示屏，设置在终端1000的弯曲表面上或折叠面上。甚至，显示屏405还可以设置成非矩形的不规则图形，也即异形屏。显示屏405可以采用LCD（Liquid Crystal Display，液晶显示屏）、OLED（Organic Light-Emitting Diode,有机发光二极管）等材质制备。
摄像头组件406用于采集图像或视频。可选地，摄像头组件406包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR（Virtual Reality，虚拟现实）拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件406还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器401进行处理，或者输入至射频电路404以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器401或射频电路404的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路407还可以包括耳机插孔。
定位组件408用于定位群体决策装置400的当前地理位置，以实现导航或LBS（Location Based Service ，基于位置的服务）。定位组件408可以是基于美国的 GPS（Global Positioning System，全球定位系统）、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源409用于为群体决策装置400中的各个组件进行供电。电源409可以是交流电、直流电、一次性电池或可充电电池。当电源409包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，群体决策装置400还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于：加速度传感器411、陀螺仪传感器412、压力传感器413、指纹传感器414、光学传感器415以及接近传感器416。
加速度传感器411可以检测以终端400建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器411可以用于检测重力加速度在三个坐标轴上的分量。处理器401可以根据加速度传感器411采集的重力加速度信号，控制触摸显示屏405以横向视图或纵向视图进行用户界面的显示。加速度传感器411还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器412可以检测终端400的机体方向及转动角度，陀螺仪传感器412可以与加速度传感器411协同采集用户对终端400的3D动作。处理器401根据陀螺仪传感器412采集的数据，可以实现如下功能：动作感应（比如根据用户的倾斜操作来改变UI）、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器413可以设置在终端400的侧边框和/或触摸显示屏405的下层。当压力传感器413设置在终端400的侧边框时，可以检测用户对终端400的握持信号，由处理器401根据压力传感器413采集的握持信号进行左右手识别或快捷操作。当压力传感器413设置在触摸显示屏405的下层时，由处理器401根据用户对触摸显示屏405的压力操作，实现对UI上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器414用于采集用户的指纹，由处理器401根据指纹传感器414采集到的指纹识别用户的身份，或者，由指纹传感器414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器401授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器414可以被设置群体决策装置400的正面、背面或侧面。当群体决策装置400上设置有物理按键或厂商Logo时，指纹传感器414可以与物理按键或厂商Logo集成在一起。
光学传感器415用于采集环境光强度。在一个实施例中，处理器401可以根据光学传感器415采集的环境光强度，控制触摸显示屏405的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏405的显示亮度；当环境光强度较低时，调低触摸显示屏405的显示亮度。在另一个实施例中，处理器401还可以根据光学传感器415采集的环境光强度，动态调整摄像头组件406的拍摄参数。
接近传感器416，也称距离传感器，通常设置在群体决策装置400的前面板。接近传感器416用于采集用户与群体决策装置400的正面之间的距离。在一个实施例中，当接近传感器416检测到用户与终端400的正面之间的距离逐渐变小时，由处理器401控制触摸显示屏405从亮屏状态切换为息屏状态；当接近传感器416检测到用户与群体决策装置400的正面之间的距离逐渐变大时，由处理器401控制触摸显示屏405从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图3中示出的结构并不构成对群体决策装置400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
根据本公开的实施例，还可提供一种存储指令的计算机可读存储介质，其中，当指令被至少一个处理器运行时，促使至少一个处理器执行根据本公开的群体决策方法。这里的计算机可读存储介质的示例包括：只读存储器（ROM）、随机存取可编程只读存储器（PROM）、电可擦除可编程只读存储器（EEPROM）、随机存取存储器（RAM）、动态随机存取存储器（DRAM）、静态随机存取存储器（SRAM）、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器（HDD）、固态硬盘（SSD）、卡式存储器（诸如，多媒体卡、安全数字（SD）卡或极速数字（XD）卡）、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，此外，在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
根据本公开的实施例中，还可提供一种计算机程序产品，该计算机程序产品中的指令可由计算机设备的处理器执行以完成如上所述的群体决策方法。
根据本公开的实施例的群体决策方法、装置、电子设备、计算机可读存储介质能够最大程度地提高了群体共识，使得群体决策结果更加可靠。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

Claims (7)

1.一种群体决策方法，包括：
使用区间毕达哥拉斯模糊集IVPFS表征专家对于门式起重机的各方案在各属性下的评估以获得基于区间毕达哥拉斯模糊IVPF的决策矩阵，其中，所述各方案指示轨道变形、轨面磨损、主梁下沉、主梁弯曲、齿轮震颤、制动器打滑、箱体发热、箱体漏油，所述各属性指示针对所述各方案的发生率、严重度和难检度；
基于专家集合的子集的λ-模糊测度获得专家集合的广义沙普利Shapley值；
基于所述决策矩阵和专家集合的广义Shapley值获得专家群评估；
基于专家群评估确定群体层次上的共识程度是否大于预设阈值；
响应于确定群体层次上的共识程度大于所述预设阈值，计算属性集的最优模糊测度；
基于最优模糊测度计算属性集的广义Shapley值；以及
利用计算出的属性集的广义Shapley值，将群评估按照属性集成以获得对各方案的评价，
其中，专家集合的子集的广义沙普利Shapley值通过如下公式计算：
Figure 69098DEST_PATH_IMAGE001
其中，
Figure 593620DEST_PATH_IMAGE002
分别表示专家集合中的专家总数和子集中的专家数，
Figure 879108DEST_PATH_IMAGE003
表示专家集合的子集的λ-模糊测度，
Figure 412858DEST_PATH_IMAGE004
表示
Figure 467401DEST_PATH_IMAGE005
的除
Figure 192519DEST_PATH_IMAGE006
之外的子集，
其中，专家群评估通过以下公式计算：
Figure 965303DEST_PATH_IMAGE007
其中，
Figure 771585DEST_PATH_IMAGE008
表示专家
Figure 946214DEST_PATH_IMAGE009
针对方案
Figure 812539DEST_PATH_IMAGE010
关于属性
Figure 72619DEST_PATH_IMAGE011
的评估，
Figure 682592DEST_PATH_IMAGE012
是
Figure 711728DEST_PATH_IMAGE013
上的一种排序，使得
Figure 748954DEST_PATH_IMAGE014
且
Figure 732215DEST_PATH_IMAGE015
，
Figure 145879DEST_PATH_IMAGE016
为空集，
Figure 29522DEST_PATH_IMAGE017
是
Figure 768808DEST_PATH_IMAGE018
在专家集合
Figure 472321DEST_PATH_IMAGE019
上关于模糊测度
Figure 424097DEST_PATH_IMAGE020
的广义Shapley值,其中，
Figure 427825DEST_PATH_IMAGE021
和
Figure 72433DEST_PATH_IMAGE022
分别表示隶属度区间和非隶属度区间的下限值，
Figure 21498DEST_PATH_IMAGE023
和
Figure 511385DEST_PATH_IMAGE024
分别表示隶属度区间和非隶属度区间的上限值，K表示专家的数量，
其中，所述方法还包括：
计算评估水平上的共识程度：
Figure 104040DEST_PATH_IMAGE025
,其中
Figure 919550DEST_PATH_IMAGE026
；
计算方案水平上的共识程度：
Figure 863235DEST_PATH_IMAGE027
，其中
Figure 422392DEST_PATH_IMAGE028
；
计算专家水平上的共识程度：
Figure 135133DEST_PATH_IMAGE029
， 其中
Figure 855965DEST_PATH_IMAGE030
；
计算群体层次上的共识程度：
Figure 788411DEST_PATH_IMAGE031
其中，
Figure 885680DEST_PATH_IMAGE032
是
Figure 718507DEST_PATH_IMAGE033
在
Figure 610239DEST_PATH_IMAGE034
集合上关于模糊测度
Figure 528517DEST_PATH_IMAGE020
的广义Shapley值 ，
Figure 429476DEST_PATH_IMAGE012
是
Figure 851231DEST_PATH_IMAGE035
的一种排列方式，使得
Figure 179444DEST_PATH_IMAGE036
且
Figure 53859DEST_PATH_IMAGE037
，
Figure 522624DEST_PATH_IMAGE038
为空集，k、i、j分别表示专家的索引、方案的索引和属性的索引，n和m分别表示属性的数量和方案的数量。
2.如权利要求1所述的方法，还包括：
响应于群体层次上的共识程度不大于所述预设阈值，对共识程度不大于所述预设阈值的专家评估进行更改；
基于更改后的专家评估更新决策信息；以及
基于更新的决策信息重新确定专家群评估。
3.如权利要求2所述的方法，还包括：
定位对群体达成共识贡献较低的专家：
Figure 798885DEST_PATH_IMAGE039
；
针对EXPS集里的元素，定位共识程度较低的方案：
Figure 297999DEST_PATH_IMAGE040
；
针对ALS集合里的元素，确定共识程度不大于所述预设阈值
Figure 925289DEST_PATH_IMAGE041
的专家评估：
Figure 168052DEST_PATH_IMAGE042
。
4.如权利要求3所述的方法，对共识程度不大于所述预设阈值的专家评估进行更改的步骤包括：
基于最优模型求得调整系数
Figure 564398DEST_PATH_IMAGE043
，基于
Figure 234414DEST_PATH_IMAGE043
所述调整系数获得更改后的专家评估，
其中，所述最优模型以群体共识提升取最大值为目标函数，
Figure 349001DEST_PATH_IMAGE043
的计算公式如下：
Figure 631340DEST_PATH_IMAGE044
其中，
Figure 147772DEST_PATH_IMAGE045
表示更改专家评估后的专家水平上的共识程度，
Figure 723109DEST_PATH_IMAGE046
和
Figure 324992DEST_PATH_IMAGE047
分别表示更改专家评估前的群体层次上的共识程度和更改专家评估后的群体层次上的共识程度，
其中，
Figure 909557DEST_PATH_IMAGE048
表示更改后的专家评估。
5.如权利要求1所述的方法，通过以下公式求得属性集的最优模糊测度：
Figure 280496DEST_PATH_IMAGE049
其中
Figure 292314DEST_PATH_IMAGE050
表示群评估，
Figure 115913DEST_PATH_IMAGE051
和
Figure 238590DEST_PATH_IMAGE052
分别表示正负理想最优解，
Figure 968430DEST_PATH_IMAGE053
是评估
Figure 151149DEST_PATH_IMAGE050
相对于负理想解NIS的接近系数, 其中
Figure 727624DEST_PATH_IMAGE054
是
Figure 653992DEST_PATH_IMAGE050
与
Figure 733943DEST_PATH_IMAGE055
之间的距离，
Figure 353144DEST_PATH_IMAGE056
是属性
Figure 151335DEST_PATH_IMAGE057
关于模糊测度
Figure 881394DEST_PATH_IMAGE020
的广义Shapley值，
Figure 51737DEST_PATH_IMAGE058
表示已知的属性权重信息，
Figure 841839DEST_PATH_IMAGE059
和
Figure 127327DEST_PATH_IMAGE060
分别表示专家针对第i个方案和第j个属性的评估的隶属度区间的下限值、所述隶属度区间的上限值、专家针对第i个方案和第j个属性的评估的非隶属度区间的下限值和所述非隶属度区间的上限值。
6.一种群体决策装置，包括：
处理器；以及，
存储器，存储有当由处理器运行时执行如权利要求1-5中的任一项所述的群体决策方法的计算机程序。
7.一种存储有计算机程序的计算机可读存储介质，其中，当所述计算机程序被处理器执行时实现如权利要求1-5中的任一项所述的群体决策方法。
CN202111351370.6A 2021-11-16 2021-11-16 一种群体决策方法和装置 Active CN113792943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111351370.6A CN113792943B (zh) 2021-11-16 2021-11-16 一种群体决策方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111351370.6A CN113792943B (zh) 2021-11-16 2021-11-16 一种群体决策方法和装置

Publications (2)

Publication Number Publication Date
CN113792943A CN113792943A (zh) 2021-12-14
CN113792943B true CN113792943B (zh) 2022-05-10

Family

ID=78955428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111351370.6A Active CN113792943B (zh) 2021-11-16 2021-11-16 一种群体决策方法和装置

Country Status (1)

Country Link
CN (1) CN113792943B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493921A (zh) * 2022-01-21 2022-05-13 广东电网有限责任公司 一种关于电网安全应急事件的决策方案的排列方法及装置
CN115577353B (zh) * 2022-12-08 2023-04-25 深圳市永达电子信息股份有限公司 基于脑计算机制的网络安全防护方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210174448A1 (en) * 2019-12-04 2021-06-10 Michael William Kotarinos Artificial intelligence decision modeling processes using analytics and data shapely for multiple stakeholders
CN111582394B (zh) * 2020-05-13 2022-09-06 内蒙古工业大学 一种群体评估方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113792943A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN109522426B (zh) 多媒体数据推荐方法、装置、设备及计算机可读存储介质
CN110059744B (zh) 训练神经网络的方法、图像处理的方法、设备及存储介质
CN113792943B (zh) 一种群体决策方法和装置
CN109784351B (zh) 行为数据分类方法、分类模型训练方法及装置
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
WO2022057435A1 (zh) 基于搜索的问答方法及存储介质
CN110933468A (zh) 播放方法、装置、电子设备及介质
WO2020211607A1 (zh) 生成视频的方法、装置、电子设备及介质
CN114154068A (zh) 媒体内容推荐方法、装置、电子设备及存储介质
CN111708944A (zh) 多媒体资源识别方法、装置、设备及存储介质
CN111263009B (zh) 电话录音的质检方法、装置、设备及介质
CN112398819A (zh) 异常识别的方法及装置
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质
CN109281648B (zh) 确定油藏的合理井网密度的方法和装置
CN114298403A (zh) 预测作品的关注度的方法和装置
CN111897709A (zh) 监控用户的方法、装置、电子设备及介质
CN113256656A (zh) 图像分割方法和装置
CN113326800A (zh) 车道线位置确定方法、装置、车载终端及存储介质
CN113408809A (zh) 汽车的设计方案评价方法、装置及计算机存储介质
CN114764480A (zh) 群组类型识别方法、装置、计算机设备及介质
CN114691860A (zh) 文本分类模型的训练方法、装置、电子设备及存储介质
CN112214115A (zh) 输入方式的识别方法、装置、电子设备及存储介质
CN111159551A (zh) 用户生成内容的显示方法、装置及计算机设备
CN112908288B (zh) 节拍检测方法、装置、电子设备和存储介质
CN114511779B (zh) 场景图生成模型的训练方法、场景图生成方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant