多粒度语言信息的交互式多属性群决策方法及应用

袁宇翔¹， 孙静春^1,2

(1.西安交通大学 管理学院，陕西 西安 710049; 2.西安交通大学 机械制造系统工程国家重点实验室，陕西 西安 710049)

摘 要: 针对目前多阶段交互式决策的研究多是基于点值的缺陷，以及大多数研究忽视了从多个属性对方案进行评价等不足，本文探讨了一种基于多粒度语言信息的交互式多属性群决策方法。首先基于不确定语言变量提出了多粒度语言信息的转换函数，并在给出若干假设的前提下描述了交互式多属性群决策的过程，然后提出了交互影响因子来度量决策者的“话语权”，通过稳定性指标探讨交互终止条件；接着在不确定语言变量的加权算术平均(ULWA)算子和诱导多阶段交互加权算子(I-UOWA和I-UOWGA)的基础上对偏好信息进行集结，再提出优势可能度法对方案排序。最后给出了一个物流供应商选择的案例研究。

关键词： 多粒度；交互；不确定语言变量；交互影响因子；物流供应商选择

0 引言

在群决策中，决策者由于受到自身主观因素和被评价事物客观因素的影响而会给出不同的评价信息，该信息被称为偏好信息。现实生活中，决策者在考虑企业经营绩效评估、项目风险评估、合作伙伴的选择等问题时，往往不那么容易给出确切的评价信息，决策者反而更倾向于以语言信息来表达自身偏好信息，比如差、中等、好等，而且决策者会根据对评价信息的掌握程度或自身的偏好选择语言短语数目(粒度)不同的评价集。

多属性群决策方法的研究已有很多优秀成果，但关于多粒度语言评价集一致化方法的研究并不多见。文献[1]中从转换函数和决策过程等方面，给出了多粒度语言群决策的研究综述。由此可知，多粒度语言评价集一致化过程中最关键的是保证偏好信息不丢失，而现有方法大多都不能保证信息不失真。文献[2]中将不同粒度的语言评价集转化为一个模糊集，该方法仅能单向地转化，影响了其实用性；文献[3]中将模糊集进一步转化为二元语义，造成信息丢失；文献[4]在文献[2,3]的基础上，通过计算各方案与正理想点之间的距离来确定最优方案，给决策结果带来了不确定性。文献[5]中给出了基于模糊隶属度函数的一致化方法，虽然克服了不同粒度语言之间只能单向转换的缺点，但隶属度函数很复杂，计算量较大，还需要进一步完善。文献[6]中首先提出了基于二元语义的不同粒度归一化处理方法，但该方法只能选择粒度最大的评价集作为基本语言评价集；文献[7～9]利用文献[6]中的转换函数提出了各自的群决策方法。文献[10]中提出了多粒度语言的一致化方法，但该方法需要决策者给出两两方案优劣比较的偏好信息，这往往不容易做到。

交互式群决策就是决策者之间相互影响的过程，但已有的群决策研究大多是静态的(无交互)[8,11～13]，且决策过程仅为单阶段。而事实上，事物会随着时空的变化而发生转变，为了得到更为客观合理的决策结果，决策者之间必须进行一些交互，使得决策者可以了解到除自己以外其他决策者的态度，有利于规避个人观点的局限性，从而得到群体最终决策结果。这种交互是一种多阶段的，使得群体中的决策者必须进行一定程度意见交互才能使得群体意见达到稳定，由于在不同时点决策者的偏好信息可能不一致，故这种交互也是动态变化的。文献[14]提出了一类多阶段群体决策问题的求解方法，利用决策者的效用波动对决策者的权重进行修正，恰当地反映了决策者决策水平或决策地位的变化。文献[15]将对偶犹豫模糊集引入决策粗糙集进而提出一种新的三支决策模型。

但上述研究均未考虑决策的交互性，包括决策者之间的交互、决策者与被评价对象的交互、被评价对象之间的交互等。文献[16]针对现实群决策过程中的信息交互，建立了群决策交互模型，从而解决群决策问题。文献[17,18]分别在残缺互补判断矩阵和残缺判断矩阵的基础上提出了交互式群决策方法。但将偏好信息以残缺互补判断矩阵和残缺判断矩阵来表达在一定程度上会增加决策者的工作量。文献[19]设计了交互式迭代算法，确定各属性的最优权重，以各群成员的最优加权综合属性值作为排序的依据，该方法展现出易于求解、可操作性强等优势。文献[20]提出一种主客方交互式群体评价方法，让被评价对象也参与到评价过程，该方法能使主方意见和客方意见达成统一，得到更为客观合理的结果，但局限性在于客方必须是“经济理性人”。文献[21]中提出了模糊环境下的交互式多属性群决策方法，在交互过程中，决策者提供和修改其偏好意见使得备选方案逐渐减少直至获得最满意的备选方案；文献[22]定义了语言正理想点、负理想点和方案满意度，在此基础上通过增加一些方案的满意度并且减少其他一些方案的满意度来得到最终的满意结果，以上研究进一步丰富了交互式决策的形式，但局限性在于未考虑方案的多属性。文献[23,24]都通过计算个体意见和群体意见的相似度或一致性来确定交互是否终止，但文献[23]中未考虑不同阶段的决策结果应赋予不同的权重会更符合实际，文献[24]未考虑决策者权重的变化会更符合交互的动态性，还有待进一步完善。文献[25]则通过群体意见的稳定性和一致性来判断交互是否终止，运用交互加权算子对信息进行集结，该研究考虑了偏好信息为点值时的交互式群体评价，可进一步拓展。文献[26～28]对点值评价信息进行了拓展，文献[26]基于区间数设计了评分区间重置算法，但该方法是在区间信息符合正态分布的条件下才能够实现，在一定程度会影响其实用性，还有待完善。文献[27]中提出了区间模糊数的交互式群决策方法，利用数值模拟来确定冲突度阈值，确定交互终止条件。文献[28]提出了一种基于不完整非平衡模糊语言解群决策问题的共识模型，且共识模型可发展为没有主持人参与的自动式交互群决策，增强了其实用性。综上，上述关于多粒度语言信息和交互式群决策的研究存在着以下缺点:①多粒度语言的一致化方法大多会导致信息失真，使得决策者的偏好信息不完整；②一致化转换一般都是单向性的，不能反向进行，且计算量过大，决策时间过长；③现有的交互式研究很少考虑群体决策的动态性，而考虑静态(无交互)决策更为常见；④一些动态群决策方法并未考虑决策的交互性，不利于得到客观的结果；⑤一些研究虽然较为详尽地描述了交互式群决策的过程，但主要是基于点值偏好信息，有一定的局限性，且忽略了决策者由于自身水平的差异可能会选择不同粒度的语言评价集的特点，此外，交互式群决策研究大多未考虑被评价对象具有多属性的特点。

文献[29]给出了不确定语言变量的概念，由于决策时间有限和决策者有限的专业知识，决策者更易以不确定语言变量来表达偏好。在交互式群决策过程中，由于决策者对被评价对象的认知不同，决策者可能会根据不同粒度的语言评价集，给出自身对被评价对象优劣的判断；而且考虑到事物具有多样性，从被评价对象的不同属性进行评价会比直接给出一个综合评价值更为简单精确。综上，本文同时考虑了不同粒度语言信息、交互式群决策以及多属性群决策，探讨了一种基于多粒度不确定语言变量的交互式多属性群决策方法。首先在不确定语言变量的基础上提出了多粒度语言信息的转换函数，能够全面且更好地体现决策者的偏好信息，描述了交互式多属性群决策的过程，然后提出了交互影响因子来度量决策者的“话语权”，通过稳定性指标探讨了交互终止条件，在不确定语言变量的加权算术平均(ULWA)算子和诱导多阶段交互有序加权平均(1-UOWA)算子的基础上对偏好信息进行集结，并提出优势可能度法对方案进行排序。最后通过一个物流供应商选择的案例研究，验证了方法的有效性和合理性。

（2）发展分层化。发展分层要求管理人员要有长远眼光，要迎合时代发展，做好长远规划，从而把发展的重点放在优势干果品种上，努力把干果经济林开发优势提升到产业化发展层面。

1 预备知识和问题描述

1.1 不确定语言变量

因此的意义是群体偏好信息受个体偏好信息影响程度的大小，能够体现决策者在交互式群决策中的影响力。

绿色矿山建设过程中，浙江率先在全国建立矿山自然生态环境治理备用金制度，率先在全国编制并实施《浙江省矿山生态环境保护与治理规划》，率先在全国出台绿色矿山建设评价标准和粉尘防治管理办法及技术规范，率先在全国发布绿色矿山标识，等等。原浙江省国土资源厅会同浙江省环保厅制定了《浙江省绿色矿山建设管理办法》，明确绿色矿山建设“五化”标准。截至目前，已有71 家矿山纳入全国绿色矿山名录库，数量居全国之首。培育建设了一批像湖州新开元碎石有限公司一样的全国标杆企业，湖州市仁皇山废弃矿山治理成果在中宣部“砥砺奋进的五年”大型成果中展出。

在集结偏好信息时，往往需要先将不同粒度的偏好信息转换为同一粒度，再进行集结，但是在不同粒度语言转换的过程中，为了保证决策者给出的偏好信息不丢失，文献[29,32～33]提出了虚拟术语，利用其能避免信息失真的特征，将离散性语言评价集扩展为连续性语言评价集，可表示为≤≤易得该评价集也满足有序性、存在逆运算子、存在极大极小运算。对于任意一个语言评语，当元素时，s _k 为本原术语；当元素而且s _k ∉时，则s _k 为虚拟术语，虚拟术语一般只出现在相关计算中。

假设连续性语言评价集中的两个语言短语分别是s _i 和s _j (i ,j ∈[0,T -1])，那么它们之间的运算法则有^[32]：①s _i ⊕s _j =s _j+i ；②k ×s _i =s _k×i ,0≤k ≤1；③k (s _i ⊕s _j )=k ×s _i ⊕k ×s _j ,0≤k ≤1。

步骤4 属性加权向量为λ =(λ ₁,λ ₂, …,λ _n )，利用ULWA 算子集结第l 轮各决策者在每个属性下的评价值，得到各决策者在每个方案下的一个综合评价值，记为计算每一轮的交互影响因子向量，并将其作为每轮相对应的决策者权重，再利用ULWA 算子对该轮所有的进行集结，得到这一轮每个方案的最终评价值，记为R ^l* 。

定义1 ^[29]设s =[s ,其中s ,且≥s ，s 分别为s 的上界和下界，则称s 为不确定语言变量。

假设和为三个粒度相同的不确定语言变量，且c ,c ₁，c ₂∈[0,1],则不确定语言变量的运算法则如下^[29]：

1)s ₁⊕s ₂=s ₂⊕s ₁；

2)c (s ₁⊕s ₂)=cs ₁⊕cs ₂；

3)(c ₁+c ₂)s ₀=c ₁s ₀⊕c ₂s ₀；

5)s ₁⊕⊕s _a1 ⊕

1.2 多粒度语言信息的转换函数

对于一些比较复杂的社会问题，决策群体一般都是由多个领域的专家组成，对于不擅长给出点值偏好信息的专家，给出语言形式的偏好信息反而更加容易，故不确定语言变量更能够符合各领域专家评价的需要，也更容易被接受。而且由于不同专家的认知不一致，评判条件和依据存在差异，为了充分考虑这些差异，群决策时应恰当给出多个粒度的语言评价集供决策者挑选。那么在偏好信息的集结之前，需要将不同粒度偏好信息转换为同一粒度的偏好信息。

定义2 ^[34]设通过函数可以得到对应的下标值k ，即

(1)

定义3 ^[34]设通过逆函数可以得到下标值为k 时所对应的语言短语即

让学生通过类比，反馈等比数列的相关性质，有助于学生的理解记忆.与上文对应，像等比数列的证明方法、等比数列的通项公式、等比数列的性质“下标和相等，积相等”，都可由类比得到.当然，教师对等比数列的部分性质，还要再与学生再解读，提醒学生等比数列证明的严密性，如得到an=3an-1，要强调a1≠0；若证明到要强调an≠0.以及叠乘法的再认识等等.

(2)

定义4 ^[35]假设和是两个粒度分别为H 和G 的不确定语言变量，则多粒度语言信息的转换函数如下：

定理3.5 设(X,τ),(Y,σ)为拓扑空间,若f:(X,τ)→(Y,σ)连续,则f:(X,τCSI)→(Y,σCSI)连续当且仅当对任意F∈CIrr(X)，f(Fδ)⊆(f(F))δ。

(3)

该函数可将粒度为H 的不确定语言变量转换成粒度为G 的不确定语言变量，其中，当k ₁=k ₂=H -1时，当k ₁=k ₂=0时，

依据转换函数的形式易知该转换函数具有以下三个优势：①在决策时间有限且决策者水平有限的情况下，偏好信息以不确定语言变量来表示比实数、二元语义、三角模糊数等形式更为合理，而且粒度大的语言可转换成粒度小的语言，反之亦可；②在转换过程中，虚拟术语能够保证信息不失真，转换前后的信息具有等价性；③转换函数计算简便易行，并不涉及隶属度函数的确定等问题，故有很强的实用性。

1.3 问题描述

在交互式群决策中，假设方案集A ={A ₁,A ₂,…,A _m }，决策者集E ={E ₁,E ₂,…,E _q }，属性集B ={B ₁,B ₂,…,B _n }，决策者对每个方案在每个属性下给出不确定语言变量形式的偏好信息，假设一共经过L (L ≥3)轮交互，则第l 轮偏好矩阵记为其中l =1,2,…,L 。不失一般性，假设n ≥3且m ≥表示第l 轮决策者E _e (e =1,2,…,q )选择粒度为T 的语言评价集对方案A _j 的B _i 属性的偏好信息，特别的是，表示决策者E _e 在交互开始之前的原始偏好信息。

问题：如何科学合理地利用每一轮决策群体给出的不同粒度语言信息，从而得到更加均衡的意见呢？在探讨多粒度语言信息的交互式多属性群决策之前先给出如下假设：

1)假定以属性值的大小来衡量方案的优劣，属性值越大则方案越优。

2)每位决策者对不同于自身的意见应客观公正地对待，且接受意见交互，遵守交互过程中的一系列规则。

3)假设在“公告板”(信息共享平台)会给出多个不同粒度的离散性语言评价集，其中每个元素所对应的语义都已标出。决策者必须根据自身偏好选择粒度最为恰当的评价集，并基于此给出方案的偏好信息，该偏好信息能够真实反映决策者对方案优劣程度的判断。在决策的各个阶段，决策者都只能依据一种粒度的语言评价集来给出偏好信息。

4)若决策结果与各决策者之间存在利害关系，假设每一位决策者在每一轮中都会优先考虑自身利益最大化，但是又不会给出虚假的偏好信息来干扰决策结果。

5)在每一轮决策中，考虑到决策者可能只对自身所选择的语言评价集比较了解，而对其他粒度的语言评价集较为模糊，所以主持人会将“公告板”上其他决策者的偏好信息转换成该决策者所能理解的偏好信息。假设一共有N 位决策者，第i (i =1,2,…,N )位决策者选择粒度为G 的语言评价集，在某一轮交互决策中，主持人会将其他N -1位决策者的偏好信息都转换成粒度为G 语言信息供决策者i 参考。

心中自有一团火，游学路上苦求索。面对新平台、新机遇、新事业、新未来，怀揣致富梦想的事业合伙人，是如何为求学而来，满载激情而归的呢？

在盐胁迫下，敏感品种和耐受品种都存在特异转录因子，这可能是因为不同水稻品种在受到盐胁迫时可能采取不同的应对策略，来调节机体应对盐的生理活动，从而出现很多特异转录因子。此外，敏感品种和耐受品种应对盐胁迫时也有部分重叠的转录因子，这些重叠的转录因子可能是水稻对盐最基础响应的调控，起到基础性作用。这些特异转录因子和重叠转录因子的表达，从侧面说明水稻在盐胁迫时并不是由单个转录因子发生作用，而是有一系列转录因子参与胁迫应答，组成相互协调又相互抑制的调控网络。

2 群决策方法

2.1 交互过程描述

为了提高交互有效性，便于计算和交互，在交互过程中以及偏好信息集结时，我们要将各决策者不同粒度的偏好信息转换成同一粒度的偏好信息。本文设定主持人在“公告板”公布上一轮所有决策者对方案各属性的语言评价值，且根据第五条假设，主持人会将不同粒度的语言信息转换成该决策者所能理解的偏好信息，使每位决策者都可以直观地根据上一轮偏好信息对自己的偏好矩阵进行修改，给出这一轮的偏好矩阵该交互的实质是个体观点会受到群意见的影响，通过多阶段的交互式调整，最终让群意见趋于稳定。

2.2 决策者权重的确定

定义5 设两个不确定语言变量分别为和那么它们之间的闵可夫斯基距离为：

(4)

当p =2时，上式为不确定语言变量r ₁和r ₂的欧氏距离。

在多阶段交互决策中，对群体意见是否达到稳定性的度量是非常重要的，本文通过计算不同阶段群体意见的相对变化程度来衡量群体稳定性。

(5)

生物监测包括高等植物、浮游植物和底栖大型无脊椎动物三大类，对沟道监测高等植物和底栖动物，对塘坝监测浮游植物。由于黄峪口沟属小型水体，大部分河段长期断流，鱼的数量、种类十分有限，因此暂不监测。生物监测每年开展一次。

在现实生活中，决策者经常会在语言环境下决策，如在评价产品配送的物流速度时，会使用“非常快”、“快”、“慢”等语言评价。设是一个离散性语言评价集，其中T 表示集合中元素的数目(粒度)。例如一个粒度为5的语言评价集可表示为每个元素对应的语义可定义为：为“差”，为“较差”，为“一般”，为“较好”，为“好”。离散性语言评价集一般具有如下性质^[2,30～31]：①有序性：当i ≥j 时，≥当i ≤j 时，≤大运算：当s _i ≤s _j 时，存在min{s _i ,s _j }=s _i ，max{s _i ,s _j }=s _j 。③存在逆运算子“neg ”：当

定义7 称是第l (l =1,2,…,L )轮交互中决策者E _e 的交互影响因子：

(6)

其中，0≤≤将第l 轮的交互影响因子向量记为由于在计算交互影响因子时不同决策者给出的属性值是不同粒度的，所以必须先利用转换函数将不同粒度的属性值转换为同一粒度再进行计算。由上述定义可知，求解得到的交互影响因子越大，说明该决策者对群体意见的影响程度越大，那么在这一轮中该决策者的“话语权”也就越大，更能够影响其他决策者，而且在交互的不同阶段交互影响因子也是不同的，它会随着个体意见和群体意见的变化而动态变化。

2.3 确定群体意见的稳定性

定义6 本文称为第l (l =1,2,…,L )轮群体(除决策者E _e 外的q -1个决策者)给出的每个方案所有属性值与决策者E _e 给出的属性值之间的差距改变量：

定义8 c ^l 是第l 轮群体意见相对第l -1轮群体意见的整体稳定性指标，记稳定性向量为C =(c ¹,c ²,…,c ¹)，有

(7)

其中，c ^l 的取值范围是[0,1]，其取值越大表示该轮中群体的整体稳定性越高。

2.4 确定交互终止条件

交互式群体决策的目的就是通过多阶段的交互使决策群体对备选方案的评价意见最终趋于稳定，其必须满足的稳定性条件为：若在第l -1到第l 轮的连续两轮交互中，都使得

c ^l >η

(8)

成立，则可认为群体评价意见的稳定性满足要求，达到交互终止的条件，η 表示群体稳定性检验的阈值，且0<η <1。当群体评价意见满足交互终止条件，此时则没有再进行交互的必要，应对各轮的评价信息加以集结，得到最终的决策结果。

2.5 第l 轮评价信息的集结

定义9 ^[29]设ULWA :s ⁿ →s ，若ULWA _ω (h ₁,h ₂,…,h _n )=ω ₁h ₁⊕ω ₂h ₂⊕…ω _n h _n ，其中h _i (i =1,2,…,n )为不确定语言变量，ω ={ω ₁,ω ₂,…,ω _n }为该组语言变量的加权向量，且则称函数ULWA为不确定语言变量的加权算术平均(ULWA)算子。

假设在偏好信息集结之前先将不同粒度偏好信息都转换为粒度为T 的偏好信息，本文首先利用ULWA算子对某一轮交互决策中同一决策者对各方案每个属性的偏好信息进行集结，得到决策者对各方案的综合评价值，将集结后的结果记为表示第l 轮决策者E _e 对方案A _j 的综合评价值，同理可得这一轮中所有决策者对所有方案的综合评价值再利用ULWA算子对方案A _j 的所有综合评价值进行“横向”集结，决策者的权重即交互影响因子，可得这一轮每个方案的最终评价值为R ^l* =[r ^l* ]_1×m ，其中r ^l* 表示不确定语言变量。

2.6 集结每一轮的评价结果

决策者在每一轮所给出的偏好信息可能不一样，在进行信息集结的时候，我们必须考虑每一轮交互中的评价值，这样才能更全面地反映方案的优劣。文献[25]仿IOWA算子的定义提出了DOWA算子和DOWGA算子，本文对算子进行拓展，探讨一种基于不确定语言变量的诱导多阶段交互式加权算子的信息集结方法。

定义10 令L ={1,2,…,L }，称<c ^l ,R ^l* >为I-UOWA对，c ^l 为稳定性诱导分量，R ^l* 为数据分量。已知第l 轮每个方案的最终评价值为R ^l* =[r ^l* ]_1×m ，其中r ^l* 是不确定语言变量，则有基于不确定语言变量的诱导多阶段交互有序加权平均(I-UOWA)算子：

(9)

其中，w =(w ₁,w ₂,…,w _L )^T 是与F 相关联的权重向量，满足0≤ω _l ≤称为R ^l* 的稳定性诱导值，其中R ^l* 是c ^l 按从大到小排列所对应的I -UOWA 对中的第二个分量。

定义11 令L ={1,2,…,L }，称<c ^l ,R ^l* >为I -UOWGA 对，c ^l 为稳定性诱导分量,R ^l* 为数据分量。已知第l 轮每个方案的最终评价值为R ^l* =[r ^l* ]_1×m ，其中r ^l* 是不确定语言变量，则有基于不确定语言变量的诱导多阶段交互几何加权平均(I -UOWGA )算子：

其中表示第l 轮两位决策者偏好信息之间的欧氏距离，反映了在同一轮交互中两位决策者偏好的相似度，计算公式如下:

(10)

其中，w =(w ₁,w ₂,…,w _L )^T 是与F 相关联的权重向量，满足0≤ω _l ≤称为R ^l* 的稳定性诱导值，其中R ^l* 是c ^l 按从大到小排列所对应的I -UOWGA 对中的第二个分量。

I -UOWA 算子和I -UOWGA 算子的作用是对诱导分量c ¹,c ²,…,c ^L 按从大到小排序后所对应的数据分量进行有序加权平均和有序加权几何平均，权重与的R ^l* 数值和位置都无关，而与其稳定性诱导分量c ^l 的位置有关。利用I -UOWA 算子和I -UOWGA 算子可以对每一轮的决策结果进行良好的结合，这两个算子具有综合考虑各轮决策结果的优势，可实现性强。从式(10)和式(9)可看出I -UOWGA 算子和I -UOWA 算子分别是“积性”的和“和性”的，在集结偏好信息时这两个算子侧重点不同，可根据实际情况进行选择或组合使用。

2.7 各方案最终评价结果排序

由于信息集结最终得到的结果仍然是不确定语言变量形式的偏好信息，且每个方案都只有唯一的偏好信息，所以我们必须对每个方案的偏好信息进行排序。语言评价信息的优劣排序有较多种方法，文献[29]提出了不确定语言变量排序的可能度法，在此基础上，本文提出不确定语言变量之间的优势可能度法。

定义12 ^[35]设有两个不确定语言变量和称P (a ≥b )为a ≥b 的可能度，其计算公式如下：

P (a ≥b )

(11)

其中s _b )。由可能度的计算公式，易得以下结论：①0≤P (a ≥b )≤1；②P (a ≥b )+P (a ≤b )=1；③如果P (a ≥b )=P (a ≤b )，则P (a ≥b )=P (a ≤b )=1/2。

(3)求关联系数。关联系数是计算关联度与耦合的基础，定义ξij(t)为t时刻的Xi与Yj的关联度，其计算公式为：

下面给出多粒度语言信息的交互式多属性群决策方法的具体步骤：

步骤1 决策者选择某一粒度语言评价集给出每个方案在不同属性下不确定语言变量形式的偏好信息，构成偏好矩阵，记为表示第l 轮决策者E _e 选择粒度为T 的语言评价集对方案A _j 属性B _i 的偏好信息，特别的是，表示交互开始之前的原始偏好矩阵。

由于学生生活经验的局限，他们对很多问题的理解和认识是不全面的。对生活中的实际问题往往存在着很多的困惑。教师的活动设计如能从学生的困惑出发，将会起到事半功倍的效果。

步骤2 利用转换函数将不同粒度偏好信息都转换成同一粒度的偏好信息，为了简便，将第l 轮转换之后的偏好矩阵仍记为。

步骤3 将第l 轮所有决策者给出的原始偏好信息都公布于公告板上，求解第l 轮的群体稳定性指标。然后决策者根据第l 轮所有决策者的偏好信息对本轮所给出的偏好矩阵进行修改，给出第l +1轮不同粒度的偏好矩阵并公布于公告板，再求解出第l +1轮的整体稳定性指标，判断是否满足交互终止，若满足则进行下一步，否则执行步骤三。稳定性向量记为C =(c ¹,c ²,…,c ^l )。

由于决策者在评价时往往很难精确地给出一个语言值或数值，而不确定语言变量可使决策者在有限的时间内给出比较确切的语言偏好信息，相较于点值偏好信息它更能体现决策的模糊性，可以更客观地描述被评价对象的特征，增强了决策过程的灵活性。因此本文研究了基于不确定语言变量的交互式多属性群决策。

步骤5 利用I -UOWA 算子，稳定性指标值作为稳定性诱导分量，集结每一轮各方案的最终评价值，结果记为

步骤6 将所有方案集结后的偏好信息通过优势可能度法进行排序，得到最终决策结果。

3 物流供应商的选择的案例研究

随着信息时代下电子商务的飞速发展，关于物流配送供应商选择的研究越来越有必要，但目前关于电子商务企业物流供应商选择的评价体系以及方法并不完善，本文提出一种基于多粒度语言信息的电子商务企业物流配送供应商选择的交互式多属性群决策方法，限于篇幅，详细计算过程省略。假设有四位决策者E ₁、E ₂、E ₃、E ₄和四个可供选择的物流配送供应商A ₁、A ₂、A ₃、A ₄，还有四个属性^[36]分别是物流服务质量(B ₁)、物流服务成本(B ₂)、物流企业能力(B ₃)以及信息化程度(B ₄)，属性权重为(0.44,0.33,0.12,0.11)，η =0.85，且w =(0.35,0.18,0.18,0.29)^T 。第l (l =1,2,…,L )轮交互评价中，每位决策者根据自身偏好从不同粒度的语言评价集中选择本原术语给出偏好信息组成偏好矩阵

从《教育学》编写的内容来讲，应注意基础和理论，包括基本的概念、基本的理论、基本的规律、典型的事实或者材料。这些内容我们还是比较重视的，而且比较慎重，特别注重其质量，是否合乎时代的需要，是否真有价值，是否能经得住实践的考验，是否能够被人理解和应用。盲目地求新求变，极易将不具普适性、规律性、趋向性的东西塞进教材里，势必会导致你写的东西，别人不能理解、接受和运用。

若决策者E ₁、E ₂、E ₃、E ₄分别根据四个粒度分别为7、5、9、11的语言评价集对四个候选供应商的四个不同的属性给出语言偏好信息，交互开始之前的原始偏好矩阵为：

1)利用式(6)计算得到每一轮决策者的交互影响因子：

f ¹=(0.229,0.248,0.253,0.270)
f ²=(0.239,0.242,0.255,0.264)
f ³=(0.258,0.253,0.246,0.243)
f ⁴=(0.263,0.245,0.247,0.246)

2)利用式(7)计算得到整体稳定性向量如下：C =(0.761,0.794,0.851,0.880)。

3)根据稳定性向量可知，其满足在连续两轮交互中，都使得c ^l >η 成立，即满足连续两轮大于检验阈值0.85，交互终止，因此可以对每一轮的偏好信息进行集结。

在完成各个模块的FPGA硬件实现后,先要通过Modelsim进行功能仿真,然后进行板级测试,验证模块功能是否正确。整套系统软硬件测试平台如图10所示。

4)首先利用ULWA 算子集结每一轮的偏好信息得到这四轮每个方案的最终评价值R ^l* ，然后利用I -UOWA 算子对这四轮的最终评价值进行集结，I -UOWA 算子中的权重为w =(0.35,0.18,0.18,0.29)^T ,最终得到四个物流供应商的集结偏好为

接着利用优势可能度的计算公式求得：

≥≥

学生是学校构成的基本主体，是学校管理的主要对象，不管是哪种规章制度，都需要学生和教师双方的共同发展，按照科学的管理制度，提高学生的管理工作，调动师生的积极性。管理制度的规划是不可打破的，这样会让更多的学生懂得约束自己的行为，若想要真正地做到人性化和制度化的融合，这就需要管理人员转变思想，在处理相关问题上坚持以“学生为本”的管理理念，使学生的管理工作充分抓住重点，这都符合人性化和制度化管理的基本要求。

≥≥

≥≥

≥≥

≥≥

≥≥

由图7可知,当k′=5时,平均IOU和召回率可得到明显改善,相比3.1节平均IOU由0.83增长至0.85,因此选取5个初始框,其真实框聚类效果如图8所示。

最后根据可能度对四个候选的物流供应商的排序结果为A ₄≻A ₃≻A ₁≻A ₅由此可得应该选择的物流供应商是A ₄。

4 结语

本文提出的多粒度语言信息的交互式多属性群决策方法具有如下特点：

1)本文针对多阶段交互式决策的研究大多是基于点值的缺陷，以及大多数研究忽视了从多个属性对被评价对象进行评价等不足，将点值拓展为不确定语言变量，利用虚拟术语在计算过程中能更全面地表现决策者的偏好，信息不丢失，并考虑到在群决策中，由于时间的限制和决策者有限的专业知识，决策者更易以不确定语言变量的形式来表达偏好信息，这种偏好信息相比于点值更能体现决策的模糊性，合适地表达了决策者的偏好。

2)由于不同决策者认知不一致，评判条件和依据存在差异，可能会选择不同粒度的语言信息，本文提出了多粒度语言信息的转换函数，该转换函数能使得不同粒度语言之间进行双向转换，并且计算简便易行，克服了不同粒度语言转换过程的信息失真，保证了偏好信息的完整。

3)本文对交互式多属性群决策的过程给出了较为详尽的描述，提出了交互影响因子来度量决策者的“话语权”，通过稳定性指标探讨了交互终止条件，并给出了两个诱导多阶段交互加权算子(I-UOWA算子和I-UOWGA算子)，使决策过程更加合理，得到满意的结果。

4)现有多粒度语言决策和交互式群决策文献中，一致化方法不能保证偏好信息的完整性，群决策方法大多是静态的，且对方案进行评价时未考虑到方案的多属性，针对此，本文同时考虑了不同粒度语言信息、交互式群决策以及多属性群决策，具有很好的实用性，且进一步丰富了交互式群决策的研究内容，能为管理者提供决策支持。

5)随着网络技术的发展，网络购物成为了一种时尚，电子商务企业想要脱颖而出获得更大的市场，不光是产品本身，物流运输也非常关键，选择合适的物流供应商可以极大地提高企业经营绩效。本文将多粒度语言信息的交互式多属性群决策方法应用于电子商务企业物流供应商的选择，算例结果验证了该方法的灵活性和合理性。该方法作为一种物流供应商选择的新方法，能有效地解决供应商选择问题，企业决策者可以根据实际情况做出有利于自身发展的决策。

参考文献：

[1] Xu Z, Wang H. Managing multi-granularity linguistic information in qualitative group decision making: an overview[J]. Granular Computing, 2016, 1(1): 21-35.

[2] Herrera F, Herrera-Viedma E, MartiNez L. A fusion approach for managing multi-ranularity linguistic term sets in decision making[J]. Fuzzy Sets & Systems, 2000, 114(1): 43-58.

[3] Herrera F, MartiNez L, Sánchez P J. Managing non-homogeneous information in group decision making[J]. European Journal of Operational Research, 2005, 166(1): 115-132.

[4] 廖貅武,李垣,董广茂.一种处理语言评价信息的多属性群决策方法[J].系统工程理论与实践,2006,26(9):90-98.

[5] Chen Z, Ben-Arieh D. On the fusion of multi-granularity linguistic label sets in group decision making[J]. Computers & Industrial Engineering, 2006, 51(3): 526-541.

[6] Herrera F, Martínez L. A model based on linguistic 2-tuples for dealing with multi-granular hierarchical linguistic contexts in multi-expert decision-making[J]. IEEE Transactions on Systems, Man and Cybernetics PartB: Cybernetics, 2001, 31(2): 227-234.

[7] 姜艳萍,樊治平.一种具有不同粒度语言判断矩阵的群决策方法[J].中国管理科学,2006,14(6):104-108.

[8] 梁昌勇,戚筱雯,张鑫.一种基于不同粒度且属性权重未知的群决策方法[J].运筹与管理,2010,19(1):43- 48.

[9] Zhang Z, Guo C, Martínez L. Managing multi-granular linguistic distribution assessments in large-scale multi-attribute group decision making[J]. Computer Science, 2015.

[10] 许叶军,达庆利.基于不同粒度语言判断矩阵的多属性群决策方法[J].管理工程学报,2009,23(2):69-73.

[11] 龚本刚,华中生,檀大水.一种语言评价信息不完全的多属性群决策方法[J].中国管理科学,2007,15(1):88-93.

[12] 梁昌勇,戚筱雯,丁勇,等.一种直觉模糊多属性群决策方法及其在群决策中的应用[J].运筹与管理,2013,22(1):41- 47.

[13] 姚爽,郭亚军,黄玮强.一种语言评价信息不完全的多属性群决策方法[J].系统工程学报,2011,26(4):460- 467.

[14] 彭怡,胡杨.考虑群体一致性的动态群体决策方法[J].运筹与管理,2004,13(4):69-72.

[15] Liang D, Xu Z, Liu D. Three-way decisions based on decision-theoretic rough sets with dual hesitant fuzzy information[J]. Information Sciences, 2017, 396: 127-143.

[16] 金伟.基于语言评价信息的交互式群决策方法研究[D].合肥工业大学,2009.

[17] 徐泽水.基于残缺互补判断矩阵的交互式群决策方法[J].控制与决策,2005,20(8):913-916.

[18] 邸强,朱建军,刘思峰,等.基于两类残缺偏好信息的交互式群决策方法研究[J].中国管理科学,2008(S1):177-181.

[19] 杜娟,霍佳震.交互式多属性群决策评价方法研究[J].中国管理科学,2016,24(11):120-128.

[20] 张发明.一种主客方交互式群体评价方法及其应用[J].管理学报,2011,08(11):1714-1718.

[21] Xu Z S, Chen J. An interactive method for fuzzy multiple attribute group decision making[J]. Information Sciences, 2007, 177(1): 248-263.

[22] Xu Z. An interactive procedure for linguistic multiple attribute decision making with incomplete weight information[J]. Fuzzy Optimization and Decision Making, 2007, 6(1): 17-27.

[23] Zeng S, Su W, Sun L. A method based on similarity measures for interactive group decision-making with intuitionistic fuzzy preference relations[J]. Applied Mathematical Modelling, 2013, 37(10-11): 6909- 6917.

[24] Xu Z. An interactive approach to multiple attribute group decision making with multigranular uncertain linguistic information[J]. Group Decision &Negotiation, 2009, 18(2): 119-145.

[25] 张发明,郭亚军,张连怀.一种多阶段交互式群体评价方法[J].管理学报,2010,07(9):1416-1420.

[26] 张发明,孙文龙.基于区间数的多阶段交互式群体评价方法及应用[J].中国管理科学,2014,22(10):129-135.

[27] Zhou S, Yang J, Ding Y, et al. A Markov chain approximation to multi-stage interactive group decision-making method based on interval fuzzy number[J]. Soft Computing, 2015.1- 8.

[28] Cabrerizo F J, Pérez I J, Herrera-Viedma E. Managing the consensus in group decision making in an unbalanced fuzzy linguistic context with incomplete information[J]. Knowledge-Based Systems, 2010, 23(2): 169-181.

[29] Xu Z.Uncertain linguistic aggregation operators based approach to multiple attribute group decision making under uncertain linguistic environment[J]. Information Sciences, 2004, 168(s1- 4): 171-184.

[30] Herrera F, Herrera-Viedma E, Verdegay J L. A model of consensus in group decision making under linguistic assessments[J]. Fuzzy Sets & Systems, 1996, 78(1): 73- 87.

[31] Herrera F, Herrera-Viedma E, Verdegay J L. A sequential selection process in group decision making with a linguistic assessment approach[J]. Information Sciences, 1995, 85(95): 223-239.

[32] 徐泽水.不确定多属性决策方法及应用[M].北京:清华大学出版社,2004.

[33] Xu Z. A method based on linguistic aggregation operators for group decision making with linguistic preference relations[J]. Information Sciences, 2004, 166(s1- 4): 19-30.

[34] 徐泽水.基于语言标度中术语指标的多属性群决策法[J].系统工程学报,2005,20(1):84- 88.

[35] 张发明,袁宇翔,梁龙武.多粒度不确定语言变量的多属性群决策方法及应用[J].系统管理学报,2017(06):64-73.

[36] 孟新胜.我国B2C电子商务企业物流配送供应商选择问题研究[D].重庆大学,2012.

Interactive Multi -attribute Group Decision Making with Multi -Granularity Linguistic Information and Its Application

YUAN Yu-xiang¹, SUN Jing-chun^1,2

(1.School of Management ,Xi ’an Jiaotong University ,Xi ’an 710049,China ; 2.State Key Laboratory for Manufacturing System Engineering ,Xi ’an Jiaotong University ,Xi ’an 710049,China )

Abstract :Currently, most of the multi-stage interactive decision research are based on point value evaluation information and most of these studies disregard the evaluation of the programs from multi-attribute. To overcome this kind of shortage, an interactive multi-attribute group decision making method is proposed in view of multi-granularity linguistic information. Firstly, the transfer function of uncertain linguistic variables is put forward and according to some assumptions the process of interactive multi-attribute group decision making is described. In the process of the interactive decision making, this paper puts forward interactive factor to measure the importance of decision maker and explore the interaction termination’s base through stability of indicator index. Moreover, the preference information is aggregated based on weighted arithmetic average(ULWA)operator of uncertain variables and induced interactive weighted operators(I-UOWA and I-UOWGA). Then the advantages possibi

Key words :multi-granularity; interaction; uncertain linguistic variables; interaction factor; logistics supplier selection

中图分类号： C934；F274

文章标识码： A

文章编号： 1007-3221(2019)06- 0025- 08

doi: 10.12005/orms.2019.0124

收稿日期： 2017- 08- 04

基金项目： 国家自然科学基金项目(71372164)

作者简介： 袁宇翔(1995-)，男，江西宜春人，博士研究生，研究方向：综合评价与决策支持；孙静春(1966-)，男，河北唐山人，教授，博导，研究方向：供应链管理。

标签：多粒度论文;  交互论文;  不确定语言变量论文;  交互影响因子论文;  物流供应商选择论文;  西安交通大学管理学院论文;  西安交通大学机械制造系统工程国家重点实验室论文;