《Array》:A New Group-Consistency Best–Worst Method (GC-BWM) for Robust Decision Making under Uncertainty
编辑推荐:
最优最差法(Best–Worst Method, BWM)已成为一种有效的多准则决策(Multi-Criteria Decision-Making, MCDM)方法,相较于传统两两比较方法具有优势,所需判断更少。尽管判断数量的减少简化了数据收集过程,但该优势伴
最优最差法(Best–Worst Method, BWM)已成为一种有效的多准则决策(Multi-Criteria Decision-Making, MCDM)方法,相较于传统两两比较方法具有优势,所需判断更少。尽管判断数量的减少简化了数据收集过程,但该优势伴随一个重要局限:BWM对噪声高度敏感,输入参数的微小变化可导致所得权重显著变异。为应对此局限,研究人员开发了BWM的群体一致性及受访者筛选扩展,称为群体一致性最优最差法(Group-Consistency Best–Worst Method, GC-BWM),用于群体决策问题。所提公式并非将偏好聚合与受访者评价视为完全分离的阶段,而是在统一优化框架中联合考虑个体BWM一致性、受访者筛选及受访者间权重对齐。因此,贡献主要在于通过基于优化的机制扩展BWM,以在预定义一致性要求下识别相互对齐的受访者子集。数值实验表明,在扰动下GC-BWM比常规后聚合BWM及贝叶斯BWM基准产生更稳定的排序。
研究背景与问题提出
多准则决策(Multi-Criteria Decision-Making, MCDM)方法广泛支持复杂决策,最优最差法(Best–Worst Method, BWM)由Rezaei于2015年提出,仅需2n?3次比较,显著降低认知负担。然而BWM基于有限比较且以最优与最劣准则为参照,派生权重对输入高度敏感;文献指出在五准则购车案例中,Best-to-Others向量单值由4改为3即改变排序,蒙特卡洛模拟显示BWM排序违背率可达97%。现有群体BWM扩展多采用前聚合(pre-aggregation)或后聚合(post-aggregation),前聚合模糊个体异质偏好,后聚合虽保个体一致性却忽视群体间概念错位,集成方法如信念BWM(Belief-Based BWM, BBWM)与贝叶斯BWM(Bayesian BWM)增加复杂度且传播而非消除噪声。为此,研究人员开展群体一致性最优最差法(Group-Consistency Best–Worst Method, GC-BWM)研究,将全体受访者判断同时作为优化直接输入,在统一混合整数线性规划(Mixed-Integer Linear Programming, MILP)中联合最小化个体不一致与受访者间权重偏离,并引入二元变量筛选满足一致性阈值的对齐子集。论文发表于《Array》。数值实验表明GC-BWM在扰动下排序稳定度优于常规后聚合BWM与贝叶斯BWM基准。
主要关键技术方法
研究人员采用五准则施工延误风险案例,构建含5名资深项目经理的群体判断矩阵(Best-to-Others与Others-to-Worst向量)。方法上先将经典BWM极小极大问题改写为线性规划,再将多目标GC-BWM经Theorem 1二元乘积线性化、Theorem 2绝对差三不等式线性化、Theorem 3 McCormick/Big-M连续-二元双线性线性化,转为单目标带一致性约束的MILP;以平均一致性阈值ξ与最少入选数r为用户输入,筛选子集并求各入选者权重后平均得最终准则权。灵敏度分析采用受控单值扰动与1000次重复蒙特卡洛模拟,对比对象为后聚合BWM与文献[10]贝叶斯BWM。
研究结果
4.1 经典BWM敏感性:单受访者情形
以Example 1五准则集控制实验,仅将Best-to-Others首元素由2依次改3、4、5,排序由基准变至完全不同甚至并列,证实少量输入变动即引发排序翻转,单受访者下BWM高敏。
4.2 群体层面结果
Example 2中5名经理同选最优最劣准则但中间准则偏好分裂为两派(1–2号排C3>C4,3–5号反序)。传统前/后聚合随入选子集不同得出[3,1,4,2,5]、[4,1,2,3,5]等多重排序;GC-BWM在r=2–5与ξ=0.11–0.45共44情景中,39情景输出稳定排序[4,1,2,3,5],自动选出对齐子集(如ξ宽松时全选,ξ紧时选3–5号),证明无需外部指定组合即可获稳健共识。
4.3 不一致受访者纳入敏感性
在5名高一致基准者外随机注入1–5名合成受访者(由隐权重反推BO/OW并保证内洽)。千次重复显示:n=1时GC-BWM稳定度近100%,贝叶斯BWM约94%;n=5时GC-BWM仍近双倍于贝叶斯BWM(后者降至41%),表明受访者筛选机制吸收异质噪声。
4.4 个体判断扰动敏感性
4.4.1 后聚合BWM:单受访者单值±1改动,排序不变率约60%,±3时超50%情形翻转。
4.4.2 GC-BWM:同设±1改动不变率超90%;±8极端扰动下不变率仍高于65%,而后聚合BWM同条件降至约30%。稳健性源自群体对齐项抑制离群判断。
4.5 计算复杂度
模型含wij(mK连续)、zi(K二元)及双线性辅助变量,变量数随受访者K二次增长、准则m线性增长;K>100时MILP求解吃力。研究人员将最少入选r改为精确入选r重列式(20),提升求解效率。
讨论与结论翻译
讨论指出,GC-BWM将“聚合”与“优化”融合,避免前聚合的信息抹平与后聚合的群体错位,以优化方式在预设一致性下辨识相互对齐受访者子集;被排除者仅表示在给定参数下与当选子集低对齐,非判定其判断无效。最小入选数r属建模选择,过高会排除有效异议而走向人为一致。结论部分:研究人员扩展了BWM数学结构,提出GC-BWM在统一框架中联合个体一致性、受访者筛选与组间权重对齐;数值与灵敏度实验证实其在扰动与异质受访者注入下排序稳定度均优于后聚合BWM与贝叶斯BWM,为不确定性下群体MCDM提供稳健替代。