文摘

提出了一种大规模集团与合作行为决策模型基于社会网络分析考虑传播决策者的偏好,这是适用于在社交网络环境中大规模的群决策问题。我们的研究的主要贡献有三个方面。首先,合作程度的一种新的计算方法,犹豫程度,和非合作的程度,认为网络状态和每个DM的偏好,从而它能更好地代表每个DM的当前状态,然后每个DM的重量的测定方法,认为个人网络中心和偏好相似度。此外,合作现状的分数被执行时,改进算法的合作程度的增加和减少非合作的程度是为了增强决策结果的质量。最后,该模型证明了有效性和优越性的基础上,通过一个实例比较和敏感分析。

1。介绍

日益复杂的决策问题,决策者(DMs)的不断增加,大规模群体决策(LSGDM)问题引起了许多学者的关注(1- - - - - -8]。LSGDM是一个过程,从许多DMs的意见选择最好的选择(至少209]),表达他们的喜好的基础上为选择提供决策信息。在LSGDM问题,DMs通常来自不同的利益集团,和他们的状态,专业知识,和对问题的理解是不同的。因此,他们往往有不同的偏好和选择评估可用的决定。DMs之间不同的偏好可能会导致组织内的决策冲突,这对整个LSGDM过程是不利的,也是不利于最终决策结果的客观性。此外,决策群体内部的不和谐也可能导致DMs之间的非合作的行为,这是非常不利于决策群体中信息的流动。因此,它有利于提高整个集团的合作程度和降低的不合作程度组LSGDM问题。

的社会成员之间的关系已经成为越来越重要和复杂。LSGDM问题,DMs之间的关系可以分为三种类型:积极、中性和负(6]。显然,越接近和更友好的关系DMs,越有利于偏好的传播在整个决策过程。如果大多数DMs积极参与LSGDM问题及其关系是积极的、友好的,更容易倾听别人的意见,达成共识。相反,如果有许多DMs持有消极态度LSGDM问题以及它们之间的关系几乎是负的,这将是很难达到理想程度的共识。具体来说,在DM表达他/她的偏好信息通过关系,其他DMs将详细考虑他们自己的偏好信息,从而修改他们的偏好信息。因此,增加合作行为和减少决策组内的非合作的行为不仅有利于偏好信息的传播,也有利于最终的决策结果的客观性。

DMs和增加合作提高到一个可接受的水平的决策活动,常用的方法是减少那些不合作的重量(4,10,11),其目的是为了减少它对整个决策过程的影响。人们普遍认为DMs之间的非合作的行为来源于不同的个人偏好的选择,从而影响达成共识的过程(CRP) (7,8]。c反应蛋白的非合作的行为的分析主要集中在影响达成集团共识和找到最好的选择12]。然而,现有的研究主要集中在减少非合作的行为,很少犹豫的DMs和合作行为的改善。在这项研究中,DMs分为合作的行为,犹豫,和非合作的行为。因此,我们的研究旨在解决以下问题:(一)在这样的背景下,如何定义合作程度,犹豫程度,为每个DM和不合作程度?(b)如何给每个DM的重量,考虑到DMs的网络状态和偏好?(c)什么是对决策结果的影响考虑到传播DMs的偏好?该模型的优点是什么?

在这项研究中,直觉模糊集理论是用来表达仿射的合作程度和不合作程度的DMs因为隶属度和nonmembership学位可以极大地代表他们。与此同时,社会网络分析(SNA)是一种有效的工具来研究社会成员之间的关系(13是用来表达和量化DMs之间的关系强度。和DMs的偏好信息的传播与强度的关系。如果两个人之间的关系是强大的,它是容易分享信息,从而影响其他的意见。相反,如果它们之间的关系是弱,信息传播的程度可能较低(14,15]。此外,在LSGDM DMs的重量也是重要的问题,这对最终的结果有很大的影响的决策。在这项研究中,我们建议每个DM的权重的确定方法,认为个人网络中心和偏好相似度,导致一个更准确的决策的结果。

总之,尽管DMs的关系是至关重要的在决策过程中,现有的研究主要集中在合作和不合作的程度,很少考虑DMs的犹豫的过程中传播的偏好。我们的研究填补这一空白,小说LSGDM模型与合作行为考虑偏好提出了基于系统网络体系结构(SNA)的传播。该模型的一个重要创新正在考虑合作行为和DMs的态度。主要贡献如下:(1)合作程度的一种新的计算方法,犹豫程度,和非合作的程度,认为网络状态和每个DM的偏好;因此,它可以更好地代表每个DM的当前状态。(2)每个DM的重量的测定方法,认为个人网络中心和偏好相似度。(3)合作现状的分数被执行时,改进算法的合作程度的增加和减少非合作的程度是为了增强决策结果的质量。

本文的其余部分组织如下。进行一个系统的文献回顾2。部分3提出了直觉模糊集的两个最重要的概念和社会网络分析。节4,合作程度的计算方法,犹豫程度,为每个DM和非合作的程度。的判断过程决策和调整过程DMs的合作程度和非合作的程度执行部分5。节6,该模型应用于一个例子,选择一个花园的位置问题公司说明和验证它的可行性和优越性。在最后一节中,我们总结了创新和表达了本研究的局限性。

2。文献综述

由于信息技术的发展和self-media,社会成员之间的关系已经变得越来越复杂。研究人员更加关注DMs LSGDM问题之间的关系。社交网络,包括人与人之间的关系,是指一个交互式网络形成的社会成员之间的交互(16]。社会网络分析(SNA)是一种有效的工具研究的社会成员之间的关系(13]。刘等人。17)利用的系统网络体系结构(SNA)开发了一个冲突检测和消除决策过程。楚et al。1)应用的亲密的社会群体中心的社区来衡量它的重要性,提出了过程LSGDM与模糊偏好关系基于社会网络社区的分析。徐et al。16)获得属性的公共大数据挖掘在社交平台上,然后建立一个社交网络基于信任关系和观点相似在DMs中,并使用一个聚类方法,认为信任和相似集群DMs,从而获得他们的权重基于系统网络体系结构(SNA)。

此外,由于关系在LSGDM DMs正在考虑中,整个决策的共识水平低的问题是不可避免的。因此,研究合作和非合作的行为对LSGDM DMs的意义。Zhang et al。18)提出了一个个性化的个人基于语义——(π)个人consensus-level最大化模型,并建立了一个PIS-based最低共识达到调整模型语言GDM。高et al。19)开发了一种共识达到算法与非合作的行为管理社交网络GDM问题基于π和设计了一种新颖的管理机制来动态调整社会网络的信任。然而,DMs可能使用不平衡的GDM语言信息来表达他们的意见。Zhang et al。20.)提出了一个共识算法考虑到有限的置信水平和最低调整DMs的语言评估。

此外,许多学者已经提出了很多LSGDM方法从实践的角度和应用程序。陈等人。21)客运需求和评估他们的满意度取决于使用的在线评论分析和LSGDM基于案例研究在中国的高速铁路系统。肖et al。22)建立了土木工程施工承包商选择框架LSGDM环境中通过考虑中的交互和管理层级之间的共识模型。

因此,在社会环境中,考虑到传播发展与合作行为的一个LSGDM DMs的偏好的意义进一步了解DMs之间的复杂关系,从而获得一个更科学、准确的决定的结果。

3所示。预赛

在本节中,直觉模糊集的概念(仿)和社会网络分析(SNA)介绍,分别。

3.1。直觉模糊集

在这篇文章中,直觉模糊集进行仿射,因为它是适合用来表达DMs的犹豫。IFS的概念被引入Atanassov [23)如下。

定义1。让X如果一个非空的实数集。一个在X是一个对象的形式 在哪里∈[0,1]表示隶属度∈[0,1]代表nonmembership学位。一个假设一个,叫做犹豫度x来一个如果 。显然,的价值满足 。特别是,一个减少到一个模糊集如果吗 对所有x∈X。

3.2。社会网络分析

社交网络的概念和方法的SN分析吸引了许多研究有助于分析社会实体之间的关系(24和这些关系的模式和影响25]。社会网络分析研究社会实体之间的关系,如组的成员、公司、或国家26]。

有两个主要概念在网络节点和边。节点,也叫演员在社交网络,可以被看作是DMs LSGDM问题。边缘的演员,在社交网络,也被称为关系可以表示为DMs LSGDM问题之间的联系。有三个经典表达方法(26,27)为节点的关系在一个社交网络,如表所示1。

《社交网络》有四个演员和六个直接在桌子边缘1。直接边缘,演员之间的关系,表示为一个数字1在邻接矩阵。的演员没有直接边缘图,它是邻接矩阵表示为0。

在一个社交网络,这些节点之间的关系有三种:直接、间接和无关紧要的关系。如果有直接关系e_我来e_j,有一个从边缘e_我来e_j在一个社交网络,如图1(一)。如果有间接关系e_我来e_j,它不是直接关系,但是e_我可以建立一个潜在的路径e_j通过几个介质在社交网络,如图1 (b)。除了这些,如果e_我和e_j无论是直接还是间接的关系,那么它意味着有一个无关紧要的关系e_我和e_j,如图1 (c)。

4所示。LSGDM过程与社会网络

4.1。个人偏好传播在LSGDM DMs的基本概念问题

让 ( )是一系列的选择, (米≥20)是一组专家和DMs,和 (N≥2)是一组属性为每个选择。DMe_米提供他或她的评估信息矩阵tth阶段 (米= 1,…,米),代表属性的评估价值f_n在选择x_pDM的e_米在tth阶段。为每个属性是预定义的重量(n= 1,…,N)。

在社交网络中,个人偏好的DM将受到其他DMs的传播影响的个人偏好。在这个过程中,DMs会改变之间的关系。在本文中,我们考虑的个人偏好DM传播通过关系和相似性。因此,我们认为,它仍然是一个重要因素在DMs的偏好传播过程。和偏好相似的演化过程是一个重要因素DMs的个人偏好。在本文中,我们认为(a)的偏好DM将稳定后几个阶段和(b)的关系强度和偏好相似性变量通过DMs的偏好传播过程。

直接的联系信息可以聚集在一个社交网络,通过问卷调查或访谈等。关系强度的定量表达之间的联系频率或友好度DMs (28]。在这项研究中,来标示的价值关系的力量来自哪里e_我来e_j在tth阶段,满足条件 。它的值越高,越接近的关系两个DMs和更有意义的和详细的偏好。特别的价值是1,如果我等于j和的值是0,如果e_我没有直接的关系e_j。 在代表力量的关系矩阵tth阶段。把图2作为一个例子,我们可以获得RS^t代表《社交网络》如下:

4.2。插图的合作程度和非合作的程度

相关的研究集中在DMs之间的关系和行为,如非合作的行为管理(4,5,11,29日- - - - - -31日)和信任关系管理(4,17,24,32]。然而,在DMs的关系是更复杂的和不确定的。具体来说,DMs可以犹豫的语言变量或评估所需的信息来表达他们的喜好。(给了33首次提出犹豫模糊集(基于)处理犹豫的情况。同样,除了合作和非合作的行为,犹豫也应该被考虑。因此,在这项研究中,合作程度,非合作的程度,和犹豫度是用来衡量DMs的社会关系影响他们的评估信息。

合作是指群体成员的行为共同努力实现共同的目标。DM,他或她与其他DMs合作是合作的意愿。在社会关系中,合作意愿与其他DMs DMs的亲密程度,也就是说,DM的学位在一个社交网络。节点的出度值越大,DM的合作意愿越高。因此,在本文中,DM的合作程度被认为是DM的亲密程度的函数,也就是说,一个节点的出度的关系的社交网络。

定义2。假设的合作程度e_我表示为cd_我出度的关系e_我《社交网络》中od_我,然后合作度被定义为 显然,的价值的区间[0,1]。一块代表的价值观(od_我)在[0,1]的域,如图3。
同样,出度的关系od_我《社交网络》中被定义为 在哪里年代_我糖尿病是一组吗e_我认为他与他人和#有直接关系年代_我代表的数量年代_我0≤和满足条件^#年代_我≤P。
犹豫程度代表了DMs的犹豫程度在决定自己的行为(合作或不合作),它可以反映DMs的不确定性在一定程度上选择自己的行为。一般来说,DM的犹豫度与其他DMs的熟悉和偏好相似。当有关系e_我和e_j,如果e_我认为他和之间的关系e_j是如此的密切,e_j认为他和之间的关系e_我也熟悉,关系强度的价值是如此之高,和它们之间的合作行为越强,犹豫程度越低。相反,如果DMe_我认为他和另一个DM之间的关系e_j如此之近,但e_j相信自己和之间的关系e_我不熟悉,关系强度的价值很小,犹豫程度要高。因此,在社交网络中,如果一个节点的入度和出度较高,犹豫程度就大,反之亦然。
此外,当没有关系e_我和e_j,偏好相似性越高e_我和e_j他们之间,合作行为的可能性就越大,犹豫程度越低。因此,在这项研究中,DM的犹豫度被认为是一个函数的节点的入度和出度的区别在一个社交网络和偏好自己和其他人之间的相似性。犹豫度的方程如下: 在哪里思米(e_我,e_j)代表一个函数之间的偏好相似e_我和e_j和方程如下: 显然,更大的数量思米(e_我,e_j),偏好相似性越大e_我和e_j。正如上面提到的,非合作的程度

4.3。DMs的权重的确定

在这项研究中,我们认为DMs的权重与DM的偏好之间的差异和集体偏好和个人网络中心。具体来说,如果DM的偏好之间的区别和集体偏好较低,DM的偏好和集体之间的相似性更大,和DM应该获得更大的重量。反之,差异越大DM的偏好和集体,越少DM和集体之间的偏好相似,和DM的重量应该在一定程度上减少。同样,如果个人网络中心的DM较大,DM的重要性在一个社交网络是更大的,他的意见是更高的重要性,因此更高的重量应该分配给他。相反,DM的个人网络中心越少,较低的DM的重要性在一个社交网络,然后DM的重量应适当减少。因此,介绍了DMs的权重计算公式在下面描述。

个人网络中心在一个社交网络是首次演出。我们使用矩阵在关系的力量tth阶段简化网络。降低矩阵定义如下:

根据 ,我们可以建立一个新的关系网络,它只有指示线e_我来e_j当 。因此,节点的入度和出度可以轻松获得:(我)一个节点的入度e_我在简化网络的关系 。(2)一个节点的出度e_我在简化网络的关系 。

因此,个人的网络中心e_我表示为公司_我;也就是说,

其次,之间的区别e_我的偏好和集体定义如下: 在哪里 代表平均集体偏好。

因此,体重DM的e_我可以按照下列公式计算:

5。决策过程

在获得DMs的互相合作和非合作的程度,DM的重量、决策过程应该继续。如果决定结果可以获得LSGDM问题,决策过程结束。否则,调整过程应该执行改善决策结果的质量。获得的过程决定结果”部分所示5.1,部分5.2提出了调整过程。

5.1。决定的计算结果

基于方程(3),集体合作程度和非合作的程度可以通过聚合算子计算如下:

然后,使用得分函数(33的直觉模糊集,我们可以计算当前合作的得分情况:

假设φ是合作的门槛。阈值的确定φ如下: 在哪里 和 代表的意思是合作和非合作的程度 和 代表标准偏差的合作和非合作的程度,分别。

如果年代≥φ可以接受,目前的合作情况,随后和决策过程应该结束了。集体偏好应该计算如下:

然后,集体偏好对于每一个选择可以根据以下方程:

因此,最优的选择x_k可以由 LSGDM问题。如果年代<φ应该执行,调整过程改进的决定结果的质量。

5.2。调整过程

调整过程旨在提高决策质量的结果。因此,调整过程包括两个部分:识别和反馈。

5.2.1。识别过程

这一过程旨在确定需要调整的DM。每个DM的分数应该首先计算基于以下规则:

一组一个然后用来代表的DMs集需要调整;也就是说, 。在这项研究中,DMe_一个需要修改来标示 。

5.2.2。反馈过程

这个过程的目的是提高决策结果通过几个版主的帮助。如果一个DM变得需要调整,这意味着DM的合作程度较低和非合作的程度相对大。为了提高在这个网络和改善结果的关系,版主应该多跟他交流增加这DM的合作程度,减少非合作的程度。大多数现有的研究通常有基于数学分析的调整规则。更少的研究思考和建议,DM应该退出决策过程(34,35]。我们认为这是不公平的DMs和可能会导致一个错误的决定结果。因此,在这项研究中,开发了如下的调整策略。详细过程如下。

5.3。该模型的框架

正如上面提到的,我们总结的过程模型如下。

LSGDM模型与合作行为是基于系统网络体系结构(SNA)考虑传播DMs的偏好。输入。属性的权重 ,DMs的初始偏好信息问^{m, 1},初始强度的关系矩阵RS¹。输出。最优的选择。阶段1。多个变量的计算步骤1.1。计算DMe_我的合作程度cd_我由方程(3)。步骤1.2。计算DMe_我的犹豫度高清_我和非合作的程度nd_我利用方程(5)。步骤1.3。获得重量为每个DM基于方程(11)。第二阶段。判断的过程步骤2.1。由方程(13),当前的分数年代可以获得。步骤2.2。计算决策分数阈值φ基于方程(14)。步骤2.3。比较的大小年代和φ。如果年代≥φ,转向步骤4.1。否则,转到下一步。第三阶段。调整过程步骤3.1。计算分数年代(e_我为每个DM和识别DM)e_一个需要调整。步骤3.2。基于算法1、更新和获得DMe_一个的合作程度 ,犹豫程度 ,和非合作的程度 。第四阶段。集体选择过程步骤4.1。获得最终的结果cd_我,高清_我,nd_我每个DM。步骤4.2。计算集体优先考虑所有DMs的态度通过方程(16)。步骤4.3。获得排名的选择和最优选择。结束。

为了方便阅读,我们想象上面的程序,可以显示在图4。

6。案例研究

在本节中,该模型在实际现场应用表明,该模型是有效解决LSGDM问题。

6.1。一个实际的例子

五彩缤纷的花园是一个绿化公司,可以为当地居民提供绿色植物和鲜花。该公司计划租一块土地在河北省的一个县为公司盈利。租赁土地的公司认为从以下因素:(a)f₁:租赁成本,(b)f₂:5公里范围内的居民的数量,(c)f₃:工程造价,(d)f₄:其他因素。有四个可选地点:(1)的约4000平方米(约5公里远离县城的中心);(2)一个村庄县以外的约8000平方米(约7公里这个县);(3)一个村庄县以外的约10000平方米(15公里远离这个县);(4)的地方不到800平方米的中心。为了保证决策结果的正确性,20决策参与者加入这个决策过程:5公司负责人,5亲戚的公司负责人,8公司外人员(2居民在每个替代位置),口译员和2政策。例如,如果一个地方接近县的中心被选中时,该区域将成为小,租金成本将上升,客流也会上升。相反,当你选择一个地方远离县城的中心,该地区将变得更大,租金成本将上升,客流可能会减少。与此同时,它起着非常重要的角色,支持公司的内部发展。因此,有必要通过群体决策选择一个令人满意的选择。 The information provided by experts is reported in Appendix.

6.2。决策过程

该模型应用于获得一个最优的选择考虑到所有DMs之间的关系。详细过程如下所示。请注意,θ= 0.3,γ在本例中= 0.2。

阶段1。输入:信息 ,问^{m, 1},RS¹由专家报告附录提供。

第二阶段。几个变量的计算:根据方程(3),方程(5)和方程(7),合作的程度cd_我,犹豫程度高清_我,非合作的程度nd_我对于每个DM计算,如表所示2。

然后,根据方程(每个DM的重量11)计算如表所示3。

第三阶段。判断过程:根据上述结果,集体合作程度和集体合作的程度可以计算;也就是说,年代= 0.0919。然后,阈值φ应该根据方程计算(14),如表所示4。

很明显,年代<φ,这意味着当前形势应该调整。因此,调整过程应该执行的下一个阶段。

第四阶段。调整过程:分数年代(e_我)对于每个DM可以得到方程(17)如表所示5。

然后,DMe₁₅确定进入调整过程。基于算法1的调整值 , ,和分别是0.2502,0.4392和0.3106。随后,调整集体得分是0.0969。当前的结果也不满意。第二调整应该执行。在第二阶段,DMe₈应调整,调整的值 , ,和分别是0.2649,0.4063和0.3288。调整集体成绩,第二阶段是0.1010。目前的结果不能被接受。第三调整应该执行。在第三阶段,DMe₂应调整,调整的值 , ,和分别是0.2645,0.4138和0.3217。第三阶段的调整集体得分是0.1049。目前的结果不能被接受。第四个调整应该执行。在几阶段,DMe₃应调整,调整的值 , ,和分别是0.2603,0.4362和0.3035。在几阶段调整集体得分是0.1091。当前的结果也不满意。接下来的调整应该执行。在5日阶段,DMe₇应调整,调整的值 , ,和分别是0.2659,0.4151和0.3189。在5日阶段调整集体成绩是0.1136。显然,这个阶段可以接受的结果。

第五阶段。偏好集合:5日调整过程后,可以接受现状。喜好收集过程应该然后执行基于方程(15)如下:

然后,每个替代的集体偏好考虑所有DMs的态度应该计算方程(16)和方程(17),如表所示6。

最后,选择的排名 ,和最优选择x₃。

6.3。可比性分析

本节的目的是向我们提出的模型通过比较的优越性与其他类似的研究结果。从现有的研究差异的背景下,比较研究将计算决策结果通过使用他们的一些创新的方法,与我们提出的模型。细节如下:(一)刘等人。17)提出了一个基于SNA的冲突检测和消除模型,考虑了多路径传播的DM的信任关系。取代的传播DMs的偏好提出了研究与刘et al。多路径传播的信任关系,集体偏好为每个替代可以获得问(x₁)= 0.4894,问(x₂)= 0.5009,问(x₃)= 0.5413,问(x₄)= 0.5105。为每个替代考虑所有和集体偏好DMs的态度是随后计算方程(17)。也就是说,FQ(x₁)= 0.0556,FQ(x₂)= 0.0569,FQ(x₃)= 0.0615,FQ(x₄)= 0.0580。显然,替代的排名 ,和最优选择x₃。这样的结果是我们研究的结果一样。此外,0.0698 > 0.0615。因此,我们的结果不仅是科学,而且比刘等人的研究计算。对比结果如图5。(b)Zhang et al。31日)集中在非合作的行为。在他们的模型中,社交网络和专家权重动态更新。的过程中与Zhang et al。’s模型,我们维持社交网络不变,保持DMs的偏好,传播和重量确定计算方法的研究。每个替代的集体偏好考虑所有DMs的态度可以获得FQ(x₁)= 0.0567,FQ(x₂)= 0.0621,FQ(x₃)= 0.0692,FQ(x₄)= 0.0665。显然,替代的排名 ,也和最佳的选择x₃。我们的研究等排名都是一样的。,我们的研究更好的计算结果。对比结果如图5。(c)丁等。6)提出了一种基于系统网络体系结构(SNA)来检测冲突关系调查流程DMs LSGDM事件之间的冲突。之间的区别的定义方法不合作我们的研究学位和丁等的研究,我们把DM的位置在一个社交网络和更多的考虑自己的意见和态度。使用丁等人提出的模型中,我们可以计算每个替代的集体偏好考虑所有DMs的态度:FQ(x₁)= 0.0533,FQ(x₂)= 0.0572,FQ(x₃)= 0.0671,FQ(x₄)= 0.0564。另一种选择是排名x₃ ,也和最佳的选择x₄。这样的最优选择是和我们的研究一样,但排名略有不同。这可能是因为我们考虑他的位置在网络和自己的观点和态度。

根据图5,我们发现,最佳的选择是相同的,和排名通常是相同的。这表明,我们的模型是有效的和稳定的实际LSGDM问题。此外,我们建议的模型的得分大于其他模型,这说明我们的模型有一个高价值的优势通过分数计算最优的解决方案。它进一步表明,该模型考虑网络状态和每个DM优越的偏好。

6.4。敏感性分析

在实际情况下,最终的决策结果是5调整后获得的。调整参数γ在本例中= 0.2。在本节中,讨论基于不同的调整参数。进一步证明提出的共识模型的稳定性,进行了不同值的敏感性分析γ= {0.1,0.2,0.3,0.4,0.5}。调整时间和调整分和集体选择具有不同的偏好γ被记录在数据6和7,分别。

在图6调整的数量是4时γ= 0.4,γ= 0.5。调整的数量是5时γ= 0.2,γ= 0.3。和调整的数量是10时γ= 0.1。这是因为的价值γ增加,调整速度也增加,和接受的速度决定结果也会增加。在图7,结果都是一样的 时的数量γ是不同的。这是因为最后集体偏好反映了DMs的支持程度。因此,结果表明,该模型是稳定的γ相对合理的决策过程。

7所示。结论

在这项研究中,一个大型集团与合作行为决策模型基于社会网络分析考虑到传播DMs的偏好和应用提出了选择一个花园公司的定位问题。我们建议的模型在这项研究提供一个新的视角的关系和合作行为的DMs LSGDM问题。本研究的主要贡献如下。首先,合作程度的一种新的计算方法,犹豫程度,为每个DM和非合作的程度。这种方法不仅考虑网络状态还认为每个DM的偏好信息,因此它可以更好地代表每个DM的当前状态,然后我们的研究执行一种新的测定方法的DM考虑两个人网络中心和偏好相似度,从而使DMs的重量更加公平,也有利于促进一个更稳定的DMs之间的关系。随后,合作现状的分数,和改进算法的合作程度的增加和减少非合作的程度是为了增强决策结果的质量。另外,集体优先考虑所有DMs的态度是获得最优的选择。最后,我们建议的模型展示了科学性、合理性,通过一个实际案例和比较优势,稳定和敏感分析。

与此同时,本研究仍存在一些局限性,今后应该进一步处理。在我们的研究中,除了合作行为的模型,提出的专业知识背景和决策的经验和其他个人应考虑DMs的属性。此外,大规模的群体决策模型考虑到(即心理因素。、自信)DMs LSGDM问题将是一个有意义的研究。

附录

参与者报告提供的信息表7- - - - - -9。在这项研究中,一系列的值从0到1。

数据可用性

数据用于支持本文的结果都包含在这篇文章(案例研究部分和附录)。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢国家重点研究的财政支持和中国发展计划(批准号2018 yfb1402500)和黑龙江省自然科学基金(批准号JJ2021LH1530)。