Biobjective Optimization Method for Large-Scale Group Decision Making Based on Hesitant Fuzzy Linguistic Preference Relations With Granularity Levels
Notice bibliographique
Résumé
Large-scale group decision making becomes increasingly common with the rapid development of society and the increasing complexity of practical problems. However, it is difficult to distinguish the semantic differences between the same linguistic term, and original linguistic term may not express flexible semantics, so that this will affect the precise of decision-making results. With the help of granular computing, this article adopts a new format of linguistic term, named as hesitant fuzzy linguistic term set with granularity level, to endow preference information with flexibility and at a specific granularity. Then, in this study, we propose a novel intelligent biobjective optimization method for large-scale group decision making, considering group consensus degree and group risk degree in the decision-making process, where group risk degree is measured from the motivation of portfolio risk. Differential evolution is used to handle biobjective optimization method to determine the optimal results. We also introduce an additive consistency measure and develop a method to derive the corresponding threshold values through Monte Carlo simulation. Finally, the case study and comparison results are covered to demonstrate the practicality and superiority of the proposed method. This work has some original points: 1) Hesitant fuzzy linguistic term set with granularity level brings flexibility to the decision-making process. 2) Group consensus degree and group risk degree are involved in biobjective optimization method, where the group risk degree is measured from the motivation of portfolio risk. 3) A novel additive consistency measure is proposed and different threshold values of preference relations in different dimensions are derived.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».