最小成本/调整共识模型综述

最新推荐文章于 2023-12-31 01:33:09 发布

七玄桐

最新推荐文章于 2023-12-31 01:33:09 发布

阅读量1.8k

点赞数 4

分类专栏：决策文章标签：算法

本文链接：https://blog.csdn.net/weixin_44014836/article/details/123915858

版权

决策专栏收录该内容

19 篇文章 23 订阅

订阅专栏

川大的董玉成团队应该是研究共识理论的业界先驱，根据董玉成老师2020年在Information Fusion发表的综述《An overview on feedback mechanisms with minimum adjustment or cost in consensus reaching in group decision making: Research paradigms and challenges》，我整理了文中出现的共识优化模型，同时因为这是2020年的综述，因此一些领域已经做出了更多研究，我同时整理了一些新的认识，希望对共识研究的同学有所帮助。

原始模型

原始FACM模型

董提出了最小调整模型（minimum adjustment consensus model）

$\begin{aligned} \nonumber &\min \sum_{k=1}^m{d(o^k,\bar{o}^k)}\\ & \begin{array}{r@{\quad}l@{}l@{\quad}l} s.t. & \bar{o}^c=F(\bar{o}^1,\bar{o}^2,\cdots, \bar{o}^m)\\ & CD(\bar{o}^k,\bar{o}^c) \le \alpha & k=1,2,\cdots, m\\ \end{array} \end{aligned}$

通常使用一系列的算子作为集结函数。

原始MCCM模型

张提出了最小成本模型（minimum cost consensus model）

$\begin{aligned} \nonumber &\min \sum_{k=1}^m{c_k \times d(o^k,\bar{o}^k)}\\ & \begin{array}{r@{\quad}l@{}l@{\quad}l} s .t. & CD(\bar{o}^k,\bar{o}^c) \le \alpha & k=1,2,\cdots, m\\ \end{array} \end{aligned}$

经典群决策中的共识模型范式

有限预算的模型

Ben Arieh等人报告了最大专家共识模型（MECM），并设计了一种算法，以在给定特定预算的情况下，找到能够满足共识的最大专家（或决策者）数量。

$\begin{aligned} \nonumber &\max \sum_{k=1}^m{z_k}\\ & \begin{array}{r@{\quad}l@{}l@{\quad}l} s.t. & \sum_{k=1}^m c_k |\bar{o}^k-o^k| \le B \\ & z_k=\begin{cases} 1& if \bar{o}^{k}=\bar{o}^c\\ 0& else\\ \end{cases} & k=1,2,\cdots, m \\ \end{array} \end{aligned}$

第一个约束表明总共识成本必须少于预算B，第二个约束是一个0-1变量，用来衡量决策者是否达成共识。这种硬共识难以实现，因此，后续又提出了基于软共识的MECM模型。

不对称成本的模型

在某些情况下，决策者向上和向下调整偏好的单位成本并不相同。换句话说，决策者的单位调整成本取决于偏好调整方向。为此，Cheng等人提出了具有方向约束的MCCM（表示为MCCM-DC）。其目标函数可以表示为

$\begin{aligned} \min TC(o^c)=\sum_{o^k<o^c}{c_k^+(o^c-o^k)+\sum_{o^k>o^c}{c^-_k (o^k-o^c)}} \end{aligned}$

此外，在一些GDM问题中，每个决策者都有一系列偏好修改容差𝛿k，称为基于阈值的决策者。如果集体（或共识）偏好在决策者可接受偏差的阈值范围内，主持人在说服决策者接受集体偏好时无需支付额外资源。换句话说，𝛿k表示与决策者ek相关的无成本调整范围。因此，如果偏好偏差不超过阈值，基于阈值的决策者将在不支付任何费用的情况下接受共识偏好。考虑到这些问题，Cheng等人[9]构建了基于阈值的MCCM-DC。

对偶型最大补偿模型

南京信息工程大学的巩在武团队是另一波研究共识的前辈大拿，最大补偿模型就是巩老师提出的，最近他们在研究基于效用的共识模型。

CRP需要决策者和主持人之间的偏好分享和沟通，需要双方利益的平衡。从主持人的角度来看，他/她希望以尽可能低的成本达成共识，而决策者则希望获得尽可能多的补偿。根据这一想法，Gong等人提出了基于主持人和决策者观点的最小成本和最大回报的FMMA/C。在这种反馈机制中，分别从调节者和决策者的角度构建了MCCM和最大回报共识模型（MRCM）。从数学上讲，这两个共识模型是相互对偶的。

基于语言术语的模型

语言评估方法在CRP中得到了广泛应用，由于其在建模决策者的不确定性方面的优异性能
偏好。Dong等人研究了基于犹豫语言术语集的最小调整模型。我很少涉及语言术语集，因此略过。

基于偏好关系的模型

在使用偏好关系时，个体一致性是一个非常重要的问题，用于确保偏好符合逻辑[113]。在CRP中，个体一致性可能会被破坏。为了解决这个问题，已经开发了MACM或MCCM来促进共识
通过偏好关系在GDM中实现。

Herrera Viedma等人提出了基于加性传递性的一致性指数来评估加性偏好关系的个体一致性水平。如果一致性水平为0，则偏好关系完全一致，一致性水平越低，共识程度越低。一般来说要设置一个阈值，如果小于这个阈值就说明共识无法达成需要调整了。

如果决策者的一致性水平定义如下

$CD\left( P^1,P^2,\cdots,P^m|P^c \right) =\frac{2}{mn\left( n-1 \right)}\sum_{k=1}^m \sum_{i=1}^n{\sum_{j=i+1}^n{|p_{ij}^k-p_{ij}^c|}}$

则基于加型偏好关系的MACM模型为

$\begin{aligned} \nonumber &\min \frac{1}{m}\sum_{k=1}^m{d(P^k,\bar{P}^k)}\\ & \begin{array}{r@{\quad}l@{}l@{\quad}l} s.t. & \bar{P}^c=F(\bar{P}^1,\bar{P}^2,\cdots, \bar{P}^m)\\ & CI(\bar{P}^k) \le \beta & k=1,2,\cdots, m\\ & CD(\bar{P}^1,\cdots,\bar{P}^m|\bar{P}^c) \le \alpha \\ \end{array} \end{aligned}$

此外，张胜利开发了基于两阶段的优化方法，用直觉乘法偏好关系处理GDM中的个体一致性和群体共识问题。第一阶段是管理个人一致性，以及第二阶段是处理群体共识。

基于异质信息的模型

就是揉合了多种信息表达方式，没啥意思，就是复杂。

基于多属性决策的模型

Zhang等人提出了在多属性GDM中的MACM。分两步调整距离和调整单元，分别表示为MACM-D和MACM-E

V是多属性决策矩阵，MACM-D为

$\begin{aligned} \nonumber &\min \frac{1}{m}\sum_{k=1}^m{d(V^k,\bar{V}^k)}\\ & \begin{array}{r@{\quad}l@{}l@{\quad}l} s.t. &\bar{V}^c=F(\bar{V}^1,\bar{V}^2,\cdots,\bar{V}^m)\\ &CD(\bar{V}^1,\bar{V}^2,\cdots,\bar{V}^m|\bar{V}^c) \le \alpha \end{array} \end{aligned}$

接下来使用一个0-1规划调整矩阵中的单位元，MACM-E为

$\begin{aligned} \nonumber &\max \sum_{k=1}^p\sum_{i=1}^m \sum_{j=1}^n{x_{ij}^k}\\ & \begin{array}{r@{\quad}l@{}l@{\quad}l} s.t. & x_{ij}^k=\begin{cases} 0& if \bar{v}_{ij}^{k}=v_{ij}^c\\ 1& else\\ \end{cases} & k=1,2,\cdots, m \\ &\bar{V}^c=F(\bar{V}^1,\bar{V}^2,\cdots,\bar{V}^m)\\ &CD(\bar{V}^1,\bar{V}^2,\cdots,\bar{V}^m|\bar{V}^c) \le \alpha \\ \end{array} \end{aligned}$

然后使用参数y=(CD-a)/CD来控制结果，结果越小，共识水平越高。如果设置一个阈值𝜃̂， 𝜍 > 𝜃̂表明所有决策者之间的共识程度很低，为了提高共识，可能需要调整大量要素。在这种情况下，CRP使用MACM-D生成偏好修改建议。随着共识的改善，需要调整的要素可能会越来越少。如果𝜍 ≤ 𝜃̂，CRP使用MACM-E来生成偏好修改建议，MACM-E的目的是最小化调整后的元素（或偏好值）的数量。

基于群决策分类的模型

我很少涉及语言术语集，因此略过。

总结

我主要列举三点。

成本

MACM主要关注于最小化调整量，然而，它忽略了单位调整成本的个体差异。尽管MCCM考虑了这些个体差异，但它没有提供任何方法来衡量单位调整成本。在实践中，通常很难获得单位调整成本。

针对这一点，近两年已经有关于鲁棒优化，分布式鲁棒优化，机会约束优化的最小成本文章，已经研究的很远了，差不多没得做了。

心理基础

现有的FMMA/C研究通常从调节者的角度进行调查，以获得最小的调整或成本。然而，在许多情况下，存在博弈和非合作操纵行为[58108]，这被现有研究所忽略。此外，决策不仅与数学模型有关，还与心理问题（如前景理论）有关，然而，在FMMA/C中很少考虑心理基础。

巩老师的团队一直在做效用偏好的共识，差不多也没得做了。

社交网络

在社会网络GDM中，可以对社会网络进行调整以促进共识达成，研究社会网络调整成本是一个非常有趣的研究方向。此外，偏好进化广泛存在于CRP中，设计一个具有偏好进化的FMMA/C将是一件有趣的事情

社交网络做的人太多了，很多新东西，又是个新领域，等我再研究研究再展开陈述。

以上就是这篇文章大部分的内容，希望有对共识感兴趣的小伙伴儿私信交流。

七玄桐

关注

4
点赞
踩
13

收藏

觉得还不错? 一键收藏
1
评论
最小成本/调整共识模型综述

根据董玉成老师2020年在Information Fusion发表的《An overview on feedback mechanisms with minimum adjustment or cost in consensus reaching in group decision making: Research paradigms and challenges》，整理现有的共识优化模型如下。原始的FACM模型董提出了最小调整模型...
复制链接

扫一扫

专栏目录