基于混合调整的群体决策新型共识方法：考虑专家能力差异与有限妥协阈值的语言直觉模糊集应用

本研究针对传统共识方法忽视专家多属性能力差异、主观设定阈值导致调整过度等问题，提出基于语言直觉模糊集(LIFS)的混合共识调整模型。通过融合公众与专家意见计算属性权重，结合专家能力动态分配权重，并创新性定义多属性下的单位调整成本与有限妥协阈值，最终构建个性化反馈机制。案例验证表明该方法能提升决策合理性与专家满意度，为复杂社会网络下的群体决策提供新范式。

　　

在日益复杂的决策环境中，单个专家难以全面评估多属性问题，群体决策方法成为关键解决方案。然而现有共识模型存在明显局限：专家权重通常基于静态信任网络计算，忽视不同专业领域的能力差异；妥协阈值多采用主观设定或小组统一标准，导致权威专家被迫过度调整或弱势专家意见被压制。更棘手的是，传统方法将专家视为"全能型选手"，未考虑其在某些属性上可能是"权威者"，而在其他领域可能是"学习者"的现实情况。这些问题严重制约了共识决策的科学性与可接受性。

针对这些挑战，中国某高校的研究团队在《Engineering Applications of Artificial Intelligence》发表创新性研究，提出基于语言直觉模糊集(Linguistic Intuitionistic Fuzzy Sets, LIFS)的混合共识调整方法。该研究通过整合专家能力评估、多源权重计算和动态阈值设定三大模块，构建了更符合现实决策场景的共识模型。研究团队采用的技术路线包括：1) 基于专家自评与他人信任度构建多属性能力矩阵；2) 融合公众关注度（通过网络舆情分析）与专家评价（采用最大偏差法）计算主客观组合权重；3) 根据社会网络中心性指标动态计算专家在不同属性下的妥协阈值；4) 开发基于最小相对熵的混合反馈算法。

专家权重确定
通过定义专家在属性j下的能力系数CA_k,j
，结合自我评价SE_k,j
和他人信任度TR_k,j
构建三维评估体系。实证显示旅游目的地选择案例中，专家e₃
在"文化价值"属性权重达0.217，是其"交通便利性"权重的1.8倍，有效反映专业特长差异。

属性权重融合
创新性地引入公众评价数据，如某旅游城市公众对"生态环境"关注度达32.7%，显著高于专家初始权重19.4%。通过最小相对熵模型调和主客观矛盾，最终该属性权重修正为25.2%，体现民主性与专业性的平衡。

混合调整机制
将专家按能力-阈值矩阵分为四类：高能力高阈值专家仅需微调（平均调整幅度0.05），而低能力低阈值专家接受建议权重提升40%。在旅游案例中，该方法使共识轮次减少2次，专家满意度提升22.3%。

敏感性分析
共识阈值ε从0.88提升至0.94时，调整次数呈非线性增长：ε=0.9时最优，耗时与效果达到帕累托最优。值得注意的是，阈值变化仅影响低能力专家调整幅度，验证了模型对核心专家的保护机制。

这项研究突破性地实现了三个"首次"：首次建立专家多属性能力评估体系，首次将公众舆情纳入共识决策框架，首次提出属性依赖的动态阈值算法。其提出的混合调整机制不仅适用于旅游目的地选择，经作者验证还可扩展至医疗方案制定、城市规划等需要平衡专业性与民主性的决策场景。特别是对COVID-19等突发公共卫生事件的专家研判，该方法能有效协调临床医生、流行病学家等不同领域专家的意见冲突。未来研究可进一步探索大数据驱动的能力动态更新机制，以及区块链技术在共识过程追溯中的应用。