聚合算子 – 模糊决策与智能计算实验室

聚合算子

聚合算子 (Aggregation Operator) 是模糊信息融合的核心工具。简单来说，它解决的是"如何把多个评价合为一个"的问题——在多属性决策中，每个方案在多个属性上有各自的评价值，聚合算子负责将这些分散的评价"综合"为一个最终评价。

基本概念

一个 $n$ 元聚合算子是一个函数 $\text{Agg}: [0,1]^n \to [0,1]$ ，满足：

在模糊决策中，聚合对象不是简单的实数，而是模糊数（如直觉模糊数、q 阶序对模糊数等）。因此需要针对不同的模糊集类型，基于该类型的运算法则定义相应的聚合算子。

最基础的聚合算子，将各输入按权重进行线性加权：

\text{WA}_w(a_1, \dots, a_n) = \sum_{i=1}^{n} w_i a_i

其中 $w = (w_1, \dots, w_n)$ 是权重向量，满足 $w_i \geq 0$ ， $\sum w_i = 1$ 。

在直觉模糊集 (IFS) 语境下，加权平均需要基于 IFS 的运算法则重新定义。例如，直觉模糊加权平均算子 (IFWA) 对直觉模糊数 $\alpha_i = (\mu_i, \nu_i)$ 的聚合结果为：

\text{IFWA}_w(\alpha_1, \dots, \alpha_n) = \left(1 - \prod_{i=1}^{n}(1-\mu_i)^{w_i},\ \prod_{i=1}^{n}\nu_i^{w_i}\right)

\text{WG}_w(a_1, \dots, a_n) = \prod_{i=1}^{n} a_i^{w_i}

WA 倾向于"奖励高值"（乐观），WG 倾向于"惩罚低值"（保守）。在决策中，WA 和 WG 可能给出不同的排序结果，两者的差异本身就是分析的一部分。

由 Yager (1988) 提出。OWA 先对输入值排序，再按排序位置赋权：

\text{OWA}_w(a_1, \dots, a_n) = \sum_{i=1}^{n} w_i \cdot a_{\sigma(i)}

其中 $a_{\sigma(1)} \geq a_{\sigma(2)} \geq \dots \geq a_{\sigma(n)}$ 是排序后的值。

OWA 的关键特点是：权重不与特定属性绑定，而与排位绑定。通过调整权重分布，可以实现：

Bonferroni 均值能捕捉输入变量之间的交互关系：

\text{BM}^{p,q}(a_1, \dots, a_n) = \left(\frac{1}{n(n-1)} \sum_{\substack{i,j=1 \\ i \neq j}}^{n} a_i^p a_j^q\right)^{\frac{1}{p+q}}

当属性之间可能存在关联（例如"价格"和"质量"往往负相关）时，Bonferroni 均值比简单加权平均更能反映真实的综合评价。参数 $p$ 和 $q$ 控制交互的强度。

与 Bonferroni 类似，也能捕捉输入间的关联性，但在求和结构上有所不同：

\text{HM}^{p,q}(a_1, \dots, a_n) = \left(\frac{2}{n(n+1)} \sum_{i=1}^{n}\sum_{j=i}^{n} a_i^p a_j^q\right)^{\frac{1}{p+q}}

Heronian 均值包含了 $i=j$ 的情况（即元素与自身的交互），而 Bonferroni 均值排除了 $i=j$ 。在实践中两者的差异不大，但某些理论证明在 Heronian 均值下更简洁。

\text{PM}_\lambda(a_1, \dots, a_n) = \left(\sum_{i=1}^{n} w_i a_i^\lambda\right)^{1/\lambda}

通过参数 $\lambda$ 可以统一 WA（ $\lambda=1$ ）、WG（ $\lambda \to 0$ ）、最大值（ $\lambda \to +\infty$ ）和最小值（ $\lambda \to -\infty$ ）等多种聚合方式。

在新的模糊集类型上设计新的聚合算子，是模糊决策领域的高频研究方向。常见的研究模式是：

例如 q 阶序对模糊集、区间值直觉模糊集等。

在该模糊集上定义加、乘、标量乘等基本运算。

基于运算法则构造 WA、WG、Bonferroni 均值等聚合算子的模糊版本。

证明算子满足幂等性、单调性、有界性、交换性等。

将算子嵌入多属性决策框架（构建矩阵 → 聚合 → 排序），用算例验证。

聚合算子的输出通常是一个综合模糊数，之后需要通过得分函数转化为实数进行最终排序。在决策支持系统的流程中，聚合是"标准化与聚合"阶段的核心操作。聚合算子所使用的属性权重则由权重确定方法给出。