多专家群策IFAHP

方法概述

多专家群策直觉模糊层次分析法（Multi‑Expert Intuitionistic Fuzzy AHP）是传统 AHP 在群决策与模糊环境下的扩展。它允许 多位专家 分别以 直觉模糊数（隶属度 \(\mu\)、非隶属度 \(\nu\)、犹豫度 \(\pi\)）表示两两比较的判断，然后通过 权重法 或 问卷法 聚合专家意见，最终得到综合权重与排序。该方法兼顾了判断的模糊性（\(\mu,\nu,\pi\)）与群体共识，特别适用于复杂系统中多位决策者参与、评价信息带有犹豫性的场景。

两种聚合模式： - 权重法：为每位专家分配权重，对各专家的数值权重结果进行加权平均，得到综合权重。 - 问卷法：不设专家权重，对所有专家的直觉模糊数（\(\mu\) 和 \(\nu\)）分别取算术平均，合并成一个统一的直觉模糊判断矩阵，再执行 IFAHP 分析。

计算步骤

1. 构建各专家的直觉模糊判断矩阵

每位专家 \(e\)（\(e=1,\dots,E\)）对 \(n\) 个因素进行两两比较，给出直觉模糊数 \((\mu_{ij}^{(e)}, \nu_{ij}^{(e)})\)，满足：

  • \(\mu_{ij}^{(e)}, \nu_{ij}^{(e)} \in [0,1]\)，且 \(\mu_{ij}^{(e)} + \nu_{ij}^{(e)} \le 1\)。
  • 对角线：\(\mu_{ii}^{(e)} = 0.5\)，\(\nu_{ii}^{(e)} = 0.3\)（通常固定犹豫度 \(0.2\)）。
  • 互补性：\(\mu_{ij}^{(e)} + \mu_{ji}^{(e)} = 1\)，\(\nu_{ij}^{(e)} = \nu_{ji}^{(e)}\)。

所有专家的矩阵应具有相同的阶数 \(n\) 和相同的因素名称。数据以 Excel 格式存储，每个工作表代表一位专家，单元格内容为 "μ,ν"，例如 "0.5,0.3"、"1/2,3/10"。

2. 对每位专家进行单专家 IFAHP 分析

2.1 一致性检验（相容性指标）

对专家 \(e\) 的隶属度矩阵 \(\mu^{(e)}\)，计算行和 \(R_i = \sum_{j=1}^{n} \mu_{ij}^{(e)}\)，然后得近似权重： \[ w_i^{\mu(e)} = \frac{R_i + \frac{n}{2} - 1}{n(n-1)}, \quad i=1,\dots,n \]

构造特征矩阵 \(W^*\)，元素 \(W_{ij}^{*} = \dfrac{w_i^{\mu(e)}}{w_i^{\mu(e)} + w_j^{\mu(e)}}\)。

相容性指标： \[ I_e = \frac{1}{n^2} \sum_{i=1}^{n} \sum_{j=1}^{n} |\mu_{ij}^{(e)} + W_{ji}^{*} - 1| \]

若 \(I_e \le \alpha\)（用户设定，通常 \(0.10\)），则该专家矩阵通过一致性检验。

2.2 计算直觉模糊权重（IFWAA 聚合）

对专家 \(e\) 的每一行 \(i\)，聚合行内所有判断（等权重）： \[ \mu_i^{(e)} = 1 - \prod_{j=1}^{n} (1 - \mu_{ij}^{(e)})^{1/n}, \quad \nu_i^{(e)} = \prod_{j=1}^{n} \nu_{ij}^{(e)^{1/n}} \]

2.3 计算数值权重与排序

得分函数： \[ S_i^{(e)} = \frac{1 - \nu_i^{(e)}}{2 - \mu_i^{(e)} - \nu_i^{(e)}} \]

归一化数值权重： \[ w_i^{(e)} = \frac{S_i^{(e)}}{\sum_{k=1}^{n} S_k^{(e)}} \]

按 \(w_i^{(e)}\) 降序排列，得到该专家的最优方案。

3. 专家意见聚合

3.1 权重法

为每位专家 \(e\) 设定权重 \(\lambda_e\)（\(\sum_{e=1}^{E} \lambda_e = 1\)），对每个因素 \(i\)，加权平均各专家的数值权重： \[ W_i^{agg} = \sum_{e=1}^{E} \lambda_e \cdot w_i^{(e)} \]

归一化后得到最终权重 \(W_i^{final} = W_i^{agg} / \sum_{k} W_k^{agg}\)，按此排序。

3.2 问卷法

不设专家权重，直接对直觉模糊数进行算术平均： \[ \bar{\mu}_{ij} = \frac{1}{E} \sum_{e=1}^{E} \mu_{ij}^{(e)}, \quad \bar{\nu}_{ij} = \frac{1}{E} \sum_{e=1}^{E} \nu_{ij}^{(e)} \]

将 \((\bar{\mu}_{ij}, \bar{\nu}_{ij})\) 重组为一个合并的直觉模糊判断矩阵，然后对该矩阵执行单专家 IFAHP（同第 2 步），得到最终权重和排序。

4. 输出结果

  • 每位专家的权重、相容性指标、一致性状态。
  • 聚合后的综合权重、最优方案。
  • 可视化：权重分布条形图、隶属度矩阵热力图。

案例分析

案例背景：某公司从三个供应商（A、B、C）中选择合作伙伴，考虑价格（P）、质量（Q）、交期（D）三个准则。三位专家（E1、E2、E3）分别给出直觉模糊判断矩阵（数据略）。采用权重法，专家权重等权（1/3），一致性阈值 \(\alpha=0.10\)。

计算过程（简略）：

  1. 单专家分析：
    • 专家 E1 的数值权重为 [0.52, 0.30, 0.18]，相容性 \(I_1=0.08\)（通过）。
    • 专家 E2 的数值权重为 [0.48, 0.35, 0.17]，\(I_2=0.09\)（通过）。
    • 专家 E3 的数值权重为 [0.55, 0.28, 0.17]，\(I_3=0.07\)（通过）。
  2. 加权聚合（等权）：
    • 聚合权重：\(W^{agg} = \frac{1}{3}([0.52,0.30,0.18] + [0.48,0.35,0.17] + [0.55,0.28,0.17]) = [0.517, 0.310, 0.173]\)。
  3. 排序：价格 > 质量 > 交期，因此供应商 A 的准则权重最高，故推荐供应商 A。

结论：三位专家意见一致，聚合结果稳定，决策具有较高可信度。

常见问题

Q1: 权重法和问卷法哪种更好？

A: 权重法允许体现专家差异（权威性、经验），适用于专家能力不等的场景；问卷法等权重处理，更体现“民主”原则，适用于专家背景相近的情况。建议同时运行两种方法，对比结果以检验稳健性。

Q2: 如果某位专家的相容性指标未通过，该怎么办？

A: 系统会给出警告，但不会阻止分析。您可以降低该专家的权重（权重法）或要求其修正矩阵。在问卷法中，合并矩阵的相容性通常会有改善，因为平均操作会平滑个体偏差。

Q3: 所有专家的矩阵必须完全一致吗？

A: 必须具有相同的行列数以及因素名称（顺序建议一致）。若因素名称不同，系统无法识别对应关系，会导致错误。

Q4: 直觉模糊数的对角线值为什么固定为 0.5,0.3？

A: 这是常用设定，表示自身比较时隶属度为 0.5，非隶属度为 0.3，犹豫度为 0.2，代表一定的不确定性。也可以根据用户习惯调整，但需保持所有专家一致。

Q5: 相容性指标阈值 \(\alpha\) 一般取多少？

A: 通常取 0.10（与 AHP 中 CR < 0.1 对应）。若矩阵阶数较高或判断较模糊，可放宽至 0.15。

Q6: 支持多工作表吗？

A: 是的，每个工作表自动被视为一位专家，无需额外配置。系统会为每位专家独立进行 IFAHP 分析，并在此基础上进行聚合。

平台界面

多专家直觉模糊层次分析法

参考文献

  1. 徐泽水. 直觉模糊层次分析法[J]. 模糊系统与数学, 2006, 20(5): 89‑94.
  2. Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87‑96.
  3. Xu, Z. S. (2007). Intuitionistic fuzzy aggregation operators. IEEE Transactions on Fuzzy Systems, 15(6), 1179‑1187.