基于共识度与优先系数的大规模群决策VPC方法技术

本发明专利技术涉及一种基于共识度与优先系数的大规模群决策VPC方法，属于大数据智能决策领域，包括以下步骤：S1：通过模糊聚类分析对决策模型进行聚类；S2：使用优先级系数方法来确定决策者的权重；S3：对备选方案的排序进行定量分析，达成群体共识；S4：通过VPC方法选择最优方案。本方法不仅考虑决策者的个人经验和知识，还考虑了决策者的主观倾向和偏好信息，不但可以分析最终综合评价结果的优劣，还能根据各具体属性的得分分析各属性对综合评价结果的影响程度，从而可以发现方案具有的优势和需要改进的劣势。要改进的劣势。要改进的劣势。

【技术实现步骤摘要】
基于共识度与优先系数的大规模群决策VPC方法


[0001]本专利技术属于大数据智能决策领域，涉及一种基于共识度与优先系数的大规模群决策VPC方法。

技术介绍

[0002]随着社会的发展，大数据信息时代的到来，许多大规模群决策问题在新的环境下变得更加复杂多变，蕴含着不确定性、模糊性和犹豫性等。如何在复杂信息下对问题进行客观有效的决策成为了国内外学者关注的热点问题。在群决策过程中，由于客观事物的复杂性，为了准确地表达评价信息，决策者通常通过语言评估信息来给出自己对事物的理解和判断。近年来，许多学者致力于语言评价信息决策方法的研究。在语言评价信息转换的处理中，主要使用区间模糊集、直觉模糊集、概率语言术语集、犹豫模糊集等方法。Gou使用双层犹豫模糊语言来表示大规模群决策中的信息，这可以更真实和完整地描述一些复杂的评估信息。
[0003]随着决策民主化和科学化的要求，参与决策的人数与日俱增。群体决策的规模太大，这使得一些现有的决策模型无法在这方面应用。通常，大规模群决策的过程分为两个阶段。第一阶段是聚类分析。通过决策者(DM)的合理聚类，可以更快本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于共识度与优先系数的大规模群决策VPC方法，其特征在于：包括以下步骤：S1：通过模糊聚类分析对决策模型进行聚类；S2：使用优先级系数方法来确定决策者的权重；S3：对备选方案的排序进行定量分析，达成群体共识；S4：通过VPC方法选择最优方案。2.根据权利要求1所述的基于共识度与优先系数的大规模群决策VPC方法，其特征在于：步骤S1所述通过模糊聚类分析对决策模型进行聚类，具体包括以下步骤：S11：获得每个决策者的原始评价矩阵；假设K＝{k1,k2,k3,,k
x
}是由x名决策者组成的决策者群组，A＝{a1,a2,a3,,a
m
}表示有m个备选方案，C＝{c1,c2,c3,,c
n
}代表每个备选方案具有n个属性；双层次犹豫模糊语言术语集来构建每个决策者的原始评价矩阵，其中K
r
是第r名决策者的评价信息矩阵，r∈{1,2,3,,x}；S12：建立模糊相似矩阵，通过距离测度来计算决策者评价信息之间的相似度系数s
ij
，然后通过得到的相似度系数构建模糊相似矩阵S
x
×
x
；；S13：建立模糊等价矩阵，从S12中得到的模糊相似矩阵，然后使用平方法求得传递闭包矩阵，即模糊等价矩阵：S14：动态生成决策者聚类结果，从大到小取一组λ∈[0，1]，不同的λ值获得不同的分类结果，从而形成动态聚类。3.根据权利要求1所述的基于共识度与优先系数的大规模群决策VPC方法，其特征在于：步骤S2所述使用优先级系数方法来确定决策者的权重包括以下步骤：S21：构造优先级系数矩阵P，每名决策者既是评估者，也是评估对象；当评估者的评估对象是其自身时，将其优先级系数设置为1：
其中x代表着共有x名决策者，{e1,e2,,e
x
}是评价者，是评价对象；p
ij
(i,j＝1,2,,x)是第i个评估者给予第j个评估对象的优先级系数；S22：根据优先级系数矩阵，通过以下公式计算每个决策者的优先级系数的期望值p*，从而确定每个决策者的权重：从而确定每个决策者的权重：从而确定每个决策者的权重：4.根据权利要求1所述的基于共识度与优先系数的大规模群决策VPC方法，其特征在于：步骤S3所述达成群体共识的过程包括以下步骤：S31：基于每个决策者的不同权重和评估矩阵，获得加权决策矩阵：S32：在通过模糊聚类方法获得合理聚类后，通过加权算子聚合决策信息，得到每个子类的...

【专利技术属性】
技术研发人员：鲜思东，闫照玉，吴琳，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：