一种信息不完全确定的多准则语言群决策方法

在处理信息不完全确定的多准则群决策问题时，提出的是一种基于证据推理（Evidence Reasoning，ER）和两元组概念的新方法。这种方法能够处理决策者的权重和准则权重不完全确定，以及决策者的偏好信息可能以确定的语言等级出现，或者处于两个连续的语言等级之间，甚至缺失的情况。 在该方法中，利用证据推理算法计算每个方案属于各个语言等级的信念度，然后将这些信念度转换成两元组。两元组方法可以将每个方案的综合结果进行量化。此外，基于决策者权重和准则权重的不完全确定信息，以及方案与理想方案之间的距离，构建了一个非线性规划模型。通过遗传算法求解这个非线性规划模型，可以得出决策者和准则的最优权重。 接着，计算方案与理想方案之间的距离，根据距离得到方案的排列顺序。实例演示了该方法的可行性和有效性。在关键词方面，提出了“群体决策”、“证据推理”、“两元组”和“语言评估”等关键词。 接下来，我们详细探讨几个核心概念： 1. 证据推理（ER）：这是一种处理不确定信息的推理方法，尤其在群体决策的背景下，能够将多个决策者的不确定偏好整合起来，并推导出一种集体的决策偏好。 2. 两元组：两元组概念用于处理语言评估信息，它通过一种结构化的数学表达方式，将模糊或不精确的语言信息转化为可用的数值信息。在决策问题中，这种方法能够有效处理语言变量转换为精确数值的需求。 3. 群体决策问题：在群体决策问题中，多个决策者需要就某一问题达成共识或选择最佳方案。这常常涉及到不确定信息的处理，包括不完全确定的权系数和准则值。 4. 不确定性信息的表示：信息的不确定性是群体决策中的一个关键问题。这涉及到权系数信息不完全确定以及方案的准则值可能不完整（例如，某个准则的评估值可能缺失）。这种不完整性要求在评估和计算过程中必须采取特殊处理方式。 5. 非线性规划模型：在有不完全确定信息的群决策问题中，构建非线性规划模型是一种有效的数学工具，它可以处理决策者权重和准则权重的不完全确定性，并通过优化算法（如遗传算法）求解得到最优解。 6. 遗传算法：遗传算法是一种启发式搜索算法，它模拟生物进化过程，用于求解优化和搜索问题。在群体决策的背景下，遗传算法可以用来求解不完全确定性信息的优化问题，并帮助决策者找到最优权重。 7. 方案的排列顺序：最终，通过计算方案与理想方案之间的距离，我们可以得出各方案的优劣排名，这对于最终的决策至关重要。 综合上述知识点，我们可以看到，王坚强提出的这种方法针对的是复杂环境下，如何有效地在信息不完全确定的情况下做出群体决策。该方法集成了证据推理、两元组方法、非线性规划和遗传算法等现代决策分析技术，以期达到在不完全信息条件下也能做出合理决策的目标。