АЛГОРИТМ КЛАСТЕРИЗАЦИИ БОЛЬШИХ ГРУПП ЭКСПЕРТОВ НА ОСНОВЕ МЕТОДА ИНТЕРПРЕТАЦИОННОГО СТРУКТУРНОГО МОДЕЛИРОВАНИЯ
Аннотация
Представлен алгоритм для достижения консенсуса в социальных сетях при крупномасштабном групповом принятии решений с неполной вероятностной нечёткой информацией с элементами неуверенности, который учитывает доверительные отношения экспертов. Предложен метод кластеризации экспертов на основе интерпретационного структурного моделирования для классификации экспертов, а также для повышения эффективности достижения консенсуса. Разработаны операторы распространения и агрегирования доверия для вероятностной нечёткой информации с элементами неопределенности, которые позволяют проводить косвенную оценку доверия и определять весовые коэффициенты экспертов. В результате удаётся сформировать несколько подмножеств экспертов; определить весовые коэффициенты для большого числа экспертов на основе их взаимных отношений доверия. На основе кластеризации экспертов и вычисленного косвенного отношения доверия между экспертами осуществляется принятие решений в ЧС за счет достижения консенсуса с учетом колеблющейся вероятностной нечеткой информации и определяется наилучшая эвакуационная альтернатива. Оценки, предоставляемые экспертами в виде вероятностных колеблющихся нечётких значений, позволяют эффективно моделировать сомнения, неуверенность, несогласованность экспертов в оценках в случае участия группы экспертов или различных экспертных организаций. Вместе с тем становится возможным учитывать различные значения оценок экспертов в задачах принятия многокритериальных решений, когда эксперты не могут согласовать общие степени принадлежности. Алгоритм позволяет классифицировать большую группу экспертов на несколько подмножеств на основе их отношений социального доверия. Этот метод исключает получение пересекающихся подмножеств, при этом нет необходимости заранее задавать параметры кластеризации. Метод использует исключительно отношения социального доверия между экспертами, тем самым обходя проблему субъективного вмешательства в процесс кластеризации. По сравнению с традиционными методами кластеризации метод кластеризации на основе метода интерпретационного структурного моделирования позволяет эффективно выявить иерархическую структуру взаимоотношений между экспертами и минимизировать число участников крупномасштабного группового принятия решений в социальной сети за счет снижения размерности множества экспертов. Кластеризация экспертов на основе метода интерпретационного структурного моделирования существенно повышает эффективность и реализуемость крупномасштабного группового принятия решений
Список литературы
1. Liu X., Xu Y.J., Herrera F. Consensus model for large-scale group decision making based on fuzzy preference relation with self-confidence: Detecting and managing overconfidence behaviors // Inf. Fu-sion. – 2019. – Vol. 52. – P. 245-256.
2. Li S.L., Wei C.P. A large-scale group decision making approach in healthcare service based on sub-group weighting model and hesitant fuzzy linguistic information // Computers & Industrial Engineering. – 2020. – Vol. 144.
3. Wu Z.B., Xu J.P. A consensus model for large-scale group decision making with hesitant fuzzy infor-mation and changeable clusters // Information Fusion. – 2018. – Vol. 41. – P. 217-231.
4. Lu Y.L., Xu Y.J., Huang J., Wei J., Herrera-Viedma E. Social network clustering and consensus-based distrust behaviors management for large-scale group decision-making with incomplete hesitant fuzzy preference relations // Applied Soft Computing. – 2022. – Vol. 117.
5. Rodríguez R.M., Labella A ́., Sesma-Sara M., Bustince H., Martínez L. A cohesion-driven consensus reaching process for large scale group decision making under a hesitant fuzzy linguistic term sets envi-ronment // Computers & Industrial Engineering. – 2021. – Vol. 155.
6. Gai T., Cao M., Chiclana F., Zhang Z., Dong Y., Herrera-Viedma E., Wu J. Consensus-trust driven bidirectional feedback mechanism for improving consensus in social network large-group decision mak-ing // Group Decision and Negotiation. – 2023. – Vol. 32 (1). – P. 45-74.
7. Zhao M.K., Guo J., Wu J., Xu Z.S. A global optimization feedback model with PSO for large scale group decision making in hesitant fuzzy linguistic environments // Expert Systems with Applications. – 2023. – Vol. 228.
8. Ji F., Wu J., Chiclana F., Wang S., Fujita H., Herrera-Viedma E. The overlapping community driven feedback mechanism to support consensus in social network group decision making // IEEE Transac-tions on Fuzzy Systems. – 2023. – P. 1-15.
9. Zadeh L.A. Fuzzy sets // Information and Control. – 1965. – Vol. 8(3). – P. 338–353.
10. Torra V. Hesitant fuzzy sets // International Journal of Intelligent Systems. – 2010. – Vol. 25 (6).
– P. 529-539.
11. Yang H., Wang G.X.F., Zhang Y. A clustering-based method for large-scale group decision making in the hesitant fuzzy set environment // Computers & Industrial Engineering. – 2023. – Vol. 183.
12. Zhu B. Decision Method for Research and Application Based on Preference Relation. – Southeast Uni-versity, Nanjing. – 2014.
13. Zhang Z.M., Wu C. Weighted hesitant fuzzy sets and their application to multi-criteria decision making // Br. J. Math. Comput. Sci. – 2014. – Vol. 4. – P. 1091-1123.
14. Farhadinia, B. A novel method of ranking hesitant fuzzy values for multiple attribute decision-making problems // International Journal of Intelligent Systems. – 2013. – Vol. 28 (8). – P. 752-767.
15. Kamaci H., Petchimuthu S., Akcetin E. Dynamic aggregation operators and Einstein operations based on interval-valued picture hesitant fuzzy information and their applications in multi-period decision making // Computational and Applied Mathematics. – 2021. – Vol. 40 (4).
16. Yang W., Wang C.J., Liu Y., Sun Y. Hesitant Pythagorean fuzzy interaction aggregation operators and their application in multiple attribute decision-making // Complex & Intelligent Systems. – 2019.
– Vol. 5 (2). – P. 199-216.
17. Xia M. M., Xu, Z.S. Hesitant fuzzy information aggregation in decision making // International Journal of Approximate Reasoning. – 2011. – Vol. 52(3). – P. 395-407.
18. Farhadinia B. A series of score functions for hesitant fuzzy sets // Information Sciences. – 2014.
– Vol. 277. – P. 102-110.
19. Wang B. L., Liang J.Y., Pang, J.F. Deviation degree: A perspective on score functions in hesitant fuzzy sets // International Journal of Fuzzy Systems. – 2019. – Vol. 21(7). – P. 2299-2317.
20. Zhang X.Y., Zhang H.Y., Wang J.Q. Discussing incomplete 2-tuple fuzzy linguistic preference relations in multi-granular linguistic MCGDM with unknown weight information // Soft Comput. 2019.
– Vol. 2. – P. 2015-2032.
21. Liang Q., Liao X.W., Liu J.P. A social ties-based approach for group decision-making problems with incomplete additive preference relations // Knowl.-Based Syst. – 2017. – Vol. 119. – P. 68-86.
22. Zhang B.W., Liang H.M., Gao Y. et al. The optimization-based aggregation and consensus with mini-mum-cost in group decision making under incomplete linguistic distribution context // Knowl.-Based Syst. – 2018. – Vol.162. – P. 92-102.
23. Wu J., Chiclana F., Fujita H. et al. A visual interaction consensus model for social network group deci-sion making with trust propagation // Knowl.-Based Syst. – 2017. – Vol. 122. – P. 39-50.
24. Dong Y.C., Ding Z.G., Martínez L. et al. Managing consensus based on leadership in opinion dynamics // Inform. Sci. – 2017. – Vol. 397. – P. 187-205.
25. Liu X., Xu Y.J., Montes R. et al. Social network group decision making: Managing self-confidence-based consensus model with the dynamic importance degree of experts and trust-based feedback mechanism, // Inform. Sci. – 2019. – Vol. 505. – P. 215-232.
26. Chu J.F., Wang Y.M., Liu X.W. et al. Social network community analysis based large-scale group deci-sion making approach with incomplete fuzzy preference relations // Inf. Fusion. – 2020. –Vol. 60.
– P. 98-120.
27. Tian Z.P., Nie R.X., Wan J.Q. Social network analysis-based consensus- supporting framework for large-scale group decision-making with in- complete interval type-2 fuzzy information // Inform. Sci. – 2019. Vol. 5. – P. 446-471.
28. Wu J., Xiong R.Y., Chiclana F. Uninorm trust propagation and aggregation methods for group decision making in social network with four tuple information // Knowl.-Based Syst. – 2016. – Vol. 96. – P. 29-39.
29. Z.J., Luo H.Y., Lin X.D. et al. A trust-similarity analysis-based clustering method for large-scale group decision-making under a social network // Inf. Fusion. –2020. – Vol. 63. – P. 13-29.
30. Liu B.S., Zhou Q., Ding R.X. et al. Large-scale group decision making model based on social network analysis: trust relationship-based conflict detection and elimination // European J. Oper. Res. – 2019.
– Vol. 502. – P. 446-471.
31. Liu N.N., He Y., Xu Z.S. A new approach to deal with consistency and consensus issues for hesitant fuzzy linguistic preference relations // Appl. Soft Comput. – 2019. – Vol. 76. – P. 400-415.
32. Lu Y.L., Xu Y.J., Herrera-Viedma E. et al. Consensus of large-scale group decision making in social network: the minimum cost model based on robust optimization // Inform. Sci. – 2021. – Vol. 547.
– P. 910-930.
33. Xu Z. Hesitant Fuzzy Sets Theory // Studies in Fuzziness and Soft Computing. – 2014. – Vol. 314.
34. Victor P. Cornelis C., Cock M.D. et al. Practical aggregation operators for gradual trust and distrust // Fuzzy Sets and Systems. – 2011. – Vol. 184. – P. 126-147.
35. Zhang H.J., Palomares I., Dong Y.C. et al. Managing non-cooperative behaviors in consensus-based multiple attribute group decision making: An approach based on social network analysis // Knowl.-Based Syst. – 2018. – Vol. 162. – P. 29-45.
36. Warshall S. A theorem on boolean matrices // J. ACM. – 1962. – Vol. 9. – P. 11-12.
37. Wang Y.L. Systems Engineering. – China Machine Press. – 2020.
38. Liu S.F., Lin Y. Grey Systems: Theory and Applications. – Springer Science & Business Media. – 2010.
39. Wu Z.B. Xu J.P. A consensus model for large-scale group decision making with hesitant fuzzy infor-mation and changeable clusters // Inf. Fusion. – 2018. – Vol. 41. – P. 217-231.
40. Bezdek J.C., Ehrlich R., Full W. FCM: The fuzzy c-means clustering algorithm // Comput. Geosci.
– 1984. – Vol. 10. – P. 191-203.
41. Герасименко E.М., Кравченко Д.Ю., Курейчик В.В., Кулиев Э.В, Кравченко Ю.А. Ю.А., Родзин С.И. Модифицированный биоинспирированный метод поддержки принятия решений по предупреждению и ликвидации последствий чрезвычайных ситуаций // Информационные технологии. – 2023. – Т. 29, № 8. – С. 423-436.
42. Kacprzyk J., Bozhenyuk A., Gerasimenko E. Lexicographic maximum dynamic evacuation modeling with partial lane reversal based on hesitant fuzzy TOPSIS [Formula presented] // Applied Soft Computing.
– 2023. – Vol. 144.
43. Курейчик В.В., Герасименко E.М. Интегрированный алгоритм многокритериального группового принятия решений для задач эвакуации // Информатика и автоматизация. – 2025. – Т. 24.
– No. 5. – С. 1284-1332.
