共识方法 – 模糊决策与智能计算实验室

共识方法

共识方法 (Consensus Reaching Process, CRP) 是群决策中的核心机制。当多位决策专家对方案的评价存在分歧时，共识方法通过迭代调整使专家意见逐步趋于一致，最终达到可接受的共识水平。

为什么需要共识

在群决策中，不同专家由于知识背景、立场和偏好不同，对同一组方案的评价往往存在较大差异。如果直接简单聚合（如取平均），可能掩盖了重要的分歧——一个平均得分很高的方案，可能有一半专家强烈反对。

共识方法的目标不是消除所有分歧，而是将分歧控制在可接受的范围内，使集体决策具有更高的合理性和认可度。

一个完整的共识达成过程通常包含以下组件：

定义衡量专家间一致程度的指标。常用的共识度 $CL \in [0, 1]$ （Consensus Level）， $CL = 1$ 表示完全一致， $CL = 0$ 表示完全不一致。

共识度量可以基于：

设定共识阈值 $\gamma$ （通常 $\gamma \in [0.7, 0.9]$ ）。如果当前共识度 $CL \geq \gamma$ ，则达成共识，进入最终聚合和排序；否则进入调整阶段。

找出哪些专家、在哪些方案或属性上的评价偏离群体意见最远。这一步是精准调整的基础。

向偏离较大的专家提供反馈建议（如"您对方案 A₃ 在属性 C₂ 上的评价远高于多数人，建议重新考虑"），专家根据建议调整评价。

重复度量、识别、调整的过程，直到达到共识阈值或达到最大迭代次数。

实际研究中软共识 + 迭代调整是最常用的框架。

设专家 $e_k$ 的决策矩阵为 $D^k$ ，群体聚合矩阵为 $\bar{D}$ ，则专家 $e_k$ 的个体共识度为：

CL_k = 1 - d(D^k, \bar{D})

其中 $d(\cdot)$ 为某种距离度量（如 Hamming 距离、Euclidean 距离）。当然，在模糊决策环境下使用模糊距离。

群体共识度为所有专家个体共识度的加权平均或最小值。

比较各专家给出的方案排序，如果排序高度一致则共识度高。常用 Kendall 或 Spearman 秩相关系数来度量排序一致性。