跳至内容
研究方向
决策支持系统
大规模群决策

大规模群决策

大规模群决策 (Large-Scale Group Decision Making, LSGDM) 研究的是决策者数量远超传统群决策（通常 ≥ 20 人，可达数百甚至上千人）时的决策问题。随着互联网平台和众包模式的普及，大规模群决策的需求越来越多——例如在线投票、公共政策征集、众包评价等场景。

为什么需要单独研究

传统群决策方法（如 共识方法、AHP 群决策版本）通常假设决策者数量在 3~10 人之间。当决策者数量急剧增加时，几个关键假设不再成立：

  • 计算复杂度暴增：成对比较的数量从 (52)=10\binom{5}{2} = 10 增长到 (1002)=4950\binom{100}{2} = 4950，共识计算变得极为昂贵
  • 意见异质性增大：决策者背景更多样，难以通过简单迭代达成共识
  • 信息质量参差不齐：大量参与者中可能包含非专业人员、随意作答者甚至恶意干扰者
  • 通信成本高：逐一收集和修改意见在大规模场景下不现实

因此，LSGDM 需要在经典群决策框架之上引入新的机制来应对这些挑战。

核心流程

聚类分组

将大量决策者按意见相似性聚类（如 K-Means、FCM），将数百人降维为若干"意见代表群"。这是 LSGDM 最关键的预处理步骤，直接影响后续所有环节的效率。

群体代表选取

从每个聚类中选取代表性意见（聚类中心、加权平均或典型个体），将大规模问题缩减为可处理的小规模群决策。

共识达成

在代表层面使用共识方法进行意见协调，通过迭代反馈调整不一致的意见。LSGDM 中的共识通常采用"分层共识"策略——先组内共识、再组间共识。

信息融合与排序

汇总各群体的评价信息，使用经典决策方法（如 TOPSIS、VIKOR）进行最终排序。

关键技术

技术说明优先级
意见聚类将大量决策者按偏好相似性分组，是 LSGDM 的核心预处理步骤⭐⭐⭐⭐⭐
分层共识组内 → 组间的多层级共识达成，降低计算复杂度⭐⭐⭐⭐
异常意见检测识别并处理极端偏离的意见（非合作行为、噪声）⭐⭐⭐⭐
权重动态确定根据专家的专业度、可信度和历史行为动态分配权重⭐⭐⭐
社交网络融合将社交网络中的信任关系引入大规模场景⭐⭐⭐
在线反馈机制适应互联网场景的实时意见更新和渐进式共识⭐⭐

与其他方向的关系

LSGDM 是经典群决策框架的自然延伸，它综合运用了多个进阶方向的技术：

  • 聚类方面依赖机器学习中的聚类算法，特别是 FCM 软聚类
  • 共识方面以共识方法为基础，扩展为分层共识
  • 信任建模方面与社交网络群决策紧密相关
  • 不确定性处理方面经常结合模糊决策，用模糊数表达大量决策者的不精确评价
LSGDM 与传统 GDM 的规模对比
维度传统 GDMLSGDM
决策者数量3~10 人20~1000+ 人
共识策略全局迭代分层聚类 + 代表协商
权重确定预先指定或 AHP动态计算（可信度、活跃度）
异常处理通常不考虑必须检测和处理
典型场景专家委员会在线投票、众包评价、公共政策
社交网络群决策