大群体应急决策中考虑专家犹豫的不完全信息补值方法.docx

在大群体应急决策中，面对不完全信息的情况，专家的犹豫和专业知识的差异性成为决策过程中的关键挑战。本文着重探讨了如何处理这种不完全信息，特别是专家在评估方案时表现出的犹豫特性。犹豫模糊集（Hesitant Fuzzy Set, HFS）是一种有效的工具，它允许专家使用模糊的语言术语来表达他们的偏好，例如“快”、“慢”、“差”、“好”等，这些术语反映了专家在评估时的犹豫程度。 犹豫模糊语言术语集（HFLTSs）进一步扩展了这一概念，使得专家能够使用更丰富的语言描述，如“介于不好和好之间”。这种表达方式能更好地量化专家的犹豫，提高了决策过程中的信息表达精度。例如，Dong等人提出的方法将语言术语转化为数值，以便进行信息融合。Han等人利用HFLTSs分析因果关系，而Herrera-Viedma等人则考虑了群体共识和个体一致性。 在应急决策中，由于时间紧迫、数据缺乏以及专家知识的局限性，往往会出现不完全的偏好信息。现有的研究如Xu和Gong分别通过加性一致性和最小二乘模型来处理不完全模糊偏好关系，但这些方法都依赖于已知的偏好关系。Liang等人则结合社会群体间的相互关系和专家的不一致性进行建模，但这种方法对偏好关系有特定要求。Meng等人则运用目标规划和模糊偏好关系来处理不完全信息。 然而，上述方法往往忽视了专家的心理接受度，即他们对补值的接受程度。本文提出的新模型从犹豫模糊元的偏差和数量两个角度出发，计算专家的犹豫度，从而确定专家的权重。此外，通过衡量专家对属性间的关联性和方案间的接近度，提出了一种基于属性关联和方案接近度的补值模型，以填充残缺的偏好矩阵。根据专家权重进行群体信息偏好集结，并对方案进行排序，以选出最优方案。 本文提出的模型试图更准确地捕捉专家在紧急情况下的决策心理，通过考虑专家的犹豫度和他们的权重，提供了一个更为实际和适应性的补值方法。这种方法有助于在不完全信息下提高大群体应急决策的效率和准确性，减少了因信息不全可能导致的决策失误。通过这种方式，可以更好地应对突发事件带来的复杂性和不确定性，优化决策过程。