基于神经动态两阶段共识模型和双轨信任传播网络的智能多属性群体决策系统

《Neurocomputing》：Neurodynamic Two-Stage Consensus Model with Dual-Track Trust Propagation Network for Smart Multi-Attribute Group Decision Systems

动态信任机制与神经动力学两阶段模型在多属性群体决策中的应用研究，提出双轨信任机制量化信任干扰并整合自我信心，构建包含自我调整和组织干预的两阶段共识模型，结合Gini系数-TOPSIS方法实现客观权重分配与备选排序，有效解决传统方法静态权重、信任失真及单阶段调整等问题。

　　
在多属性群体决策（MAGDM）领域，决策者（DM）的权重分配与共识形成机制是影响决策质量的核心要素。传统方法存在三大固有缺陷：首先，静态权重分配难以适应信任关系的动态演化，例如AHP和德尔菲法均依赖专家主观判断，无法捕捉决策过程中信任关系的变化；其次，现有共识机制存在信任传播失真和机械式意见调整问题，如Wang等人提出的动态信任网络模型虽考虑了不确定性，却忽略了决策者心理状态的动态交互；最后，多数方法将权重分配与排序过程割裂处理，导致属性权重的主观性过强，如传统TOPSIS方法依赖预设权重，易产生结果偏差。

针对上述问题，该研究构建了具有神经认知特征的MAGDM框架，其创新性体现在三个层面：首先，通过量子概率理论中的叠加态原理设计双轨信任机制，在建立信任网络时同步考虑决策者的主观自信与客观信任传播。量子理论引入的"非经典干扰"概念有效解决了传统信任模型中因信息重叠导致的传播失真问题，例如当决策者A对B的信任度存在0.7的关联值时，系统可自动识别该关联中可能存在的0.2的干扰分量，通过概率幅的干涉效应实现更精准的信任度计算。其次，借鉴神经可塑性理论开发了动态自信心模型，该模型将冲突强度与自信心水平建立微分方程式关联，当决策者面临30%以上的意见分歧时，其自信心会以指数形式衰减，这一机制成功模拟了人类决策中"认知失调-修正行为"的动态反馈过程。最后，创新性地将Gini系数与TOPSIS方法结合，通过计算各属性数据离散程度确定权重，使权重分配更贴合实际问题的差异性需求。

在共识形成机制方面，该研究突破性地提出两阶段神经认知模型：第一阶段通过自适应性反馈实现个体认知调整，每个决策者在每轮评估中会根据自身信心水平与群体共识偏差，以5%的步长进行渐进式修正；第二阶段引入组织干预机制，当群体共识度低于阈值（预设为75%）时，系统自动启动基于Gini系数的权重优化程序，在3轮迭代内将共识度提升至92%以上。特别值得关注的是，该模型在处理具有非线性心理特征的决策者时，仍能保持95%以上的收敛稳定性，这在Wang等人的研究中尚未实现。

实验验证部分采用农业供应链风险评估案例，包含6个决策者、8个属性和12个备选方案。对比分析显示，传统TOPSIS方法因权重主观性导致排序误差率达18.7%，而引入Gini系数的改进方法将误差率降至4.3%。在动态信任网络场景下，该框架较Li等人提出的SWIM模型信任传播准确率提升37.2%，特别是在处理具有量子干涉效应的复杂决策网络时，展现出更强的抗干扰能力。敏感性测试表明，当决策者数量在3-15人之间波动时，系统仍能保持85%以上的有效共识率。

研究还突破了现有方法的三大理论瓶颈：其一，首次将量子叠加态原理引入信任传播，通过概率幅的干涉效应量化信任关系中的非经典干扰；其二，建立动态自信-冲突强度的耦合模型，当决策者面临超过40%的群体分歧时，其自信心修正速率与冲突强度呈指数关系；其三，开发基于Gini系数的权重分配算法，该算法通过计算属性数据离散程度（具体标准为方差除以均值乘以样本数）实现权重客观化，在农业工程优化案例中权重确定效率提升60%。

该框架的工程实现包含三个关键模块：动态信任评估模块采用量子概率计算模型，每处理100组数据仅需0.03秒；共识调整模块基于改进型Lyapunov函数，通过双阶段调节使系统达到最优稳态；数据预处理模块运用非参数核密度估计技术，有效解决小样本场景下的权重分配难题。实际应用表明，在供应链风险评估中，该框架决策时间较传统方法缩短42%，且在存在20%以上数据噪声时仍能保持85%以上的评估准确率。

研究团队在实证分析中还发现重要规律：当决策群体规模超过12人时，传统单阶段共识机制的效果会衰减超过50%，而该提出的两阶段模型在群体规模扩展时表现更优，15人团队的共识达成时间仅比6人团队多增加18%。此外，在处理具有时间敏感性的紧急决策场景（响应时间<5分钟）时，该框架仍能保持78%的共识准确率，这显著优于现有方法在类似条件下的30%-45%的准确率水平。

在方法论创新方面，该研究首次将神经动力学中的突触可塑性理论引入群体决策模型，通过建立决策者之间的信任连接强度与突触权重更新速率的映射关系，使模型能够自适应调整信任网络的拓扑结构。这种动态拓扑调整机制在应对突发性信息干扰时表现出显著优势，当遭遇30%以上的虚假信息注入时，系统能在2个决策周期内（约3分钟）完成信任网络重构，将决策质量恢复到基准水平的92%。

该成果在农业工程优化领域已取得实际应用效果，在某省农产品供应链改进项目中，基于该框架开发的决策支持系统成功将供应链成本降低19.3%，同时将决策周期从平均7天缩短至4.2小时。特别在应对突发性灾害事件（如台风导致的物流中断）时，系统展现出更强的适应性，其动态权重调整机制使应急响应效率提升35%。

研究团队在理论验证方面构建了四维评估体系：第一维度是决策质量（准确率、鲁棒性），第二维度是计算效率（响应时间、资源消耗），第三维度是模型可解释性（权重合理性、信任网络可视化），第四维度是实际应用价值（成本效益比、可推广性）。实验数据显示，在四维综合评估中，该框架得分达到87.5分（满分100），显著高于传统方法（平均得分62.3分）。

未来研究方向集中在三个方面：一是开发基于边缘计算的轻量化决策模型，以适应移动端设备实时决策需求；二是研究多模态决策数据融合技术，将文本、图像、时序数据等纳入评估体系；三是探索区块链技术在决策追溯中的应用，确保决策过程的可审计性和不可篡改性。这些扩展方向已在前期预研中取得突破性进展，相关专利已进入实质审查阶段。

该研究为复杂群体决策提供了新的理论范式和技术路径，其核心价值在于首次系统性地整合了量子力学中的概率干涉理论、神经科学中的突触可塑性机制和运筹学中的离散度分析工具。这种跨学科融合创新不仅解决了传统MAGDM方法在动态环境中的适应性不足问题，更开创了群体决策研究的新维度——通过构建类神经网络的决策系统，实现了从认知科学到工程应用的跨越式突破。