多粒度犹豫模糊语言信息下多属性群决策方法的创新与应用研究

多粒度犹豫模糊语言信息下多属性群决策方法的创新与应用研究一、引言1.1研究背景与意义在当今复杂多变的决策环境中，多属性群决策（Multi-AttributeGroupDecisionMaking，MAGDM）作为现代决策科学的关键组成部分，广泛应用于经济、管理、工程、军事等众多领域，如投资决策、供应商选择、项目评估、医疗诊断等。随着决策问题的日益复杂和不确定性的增加，决策者在表达对决策方案的评价时，往往面临着信息不完整、模糊和犹豫等情况。传统的决策方法难以有效处理这些复杂信息，导致决策结果的准确性和可靠性受到影响。在实际决策过程中，由于人类思维的模糊性和语言表达的局限性，决策者常常使用语言术语来表达对决策方案的评价，如“好”“较好”“一般”“较差”“差”等。这种语言评价信息能够更自然、直观地反映决策者的意见，但也增加了决策分析的难度。此外，不同决策者对同一决策问题可能使用不同粒度的语言术语集进行评价，例如，一些决策者可能使用“高”“中”“低”三个粒度的语言术语集，而另一些决策者可能使用“很高”“较高”“中”“较低”“很低”五个粒度的语言术语集。这种多粒度语言评价信息的存在，进一步加剧了决策信息的复杂性和多样性。为了更有效地处理多属性群决策中的语言评价信息，犹豫模糊语言术语集（HesitantFuzzyLinguisticTermSets，HFLTS）被提出。它允许决策者在多个语言术语之间进行犹豫，更准确地表达决策者的不确定性和犹豫心理。例如，决策者对某个方案的评价可能是“{好，较好}”，表示决策者在“好”和“较好”这两个语言术语之间犹豫不决。然而，在实际应用中，多粒度的犹豫模糊语言信息更为常见。例如，在一个项目评估中，对于项目的创新性这一属性，专家A可能认为“{非常高，高}”，而专家B可能认为“{高，较高}”，这里就出现了不同粒度的犹豫模糊语言信息。如何合理地处理这些多粒度犹豫模糊语言信息，成为多属性群决策领域亟待解决的问题。多属性群决策方法的研究对于理论和实践都具有重要意义。从理论层面来看，深入研究多粒度犹豫模糊语言信息下的多属性群决策方法，有助于丰富和完善决策理论体系，为处理复杂决策问题提供新的思路和方法。它能够拓展决策科学的研究范畴，推动决策理论在不确定性信息处理、语言信息融合等方面的发展，进一步揭示决策过程中的内在规律和机制。在实践应用方面，多属性群决策方法的研究成果具有广泛的应用价值。在经济领域，可用于投资项目的评估与选择，帮助投资者在考虑多个属性（如收益、风险、市场前景等）的基础上，做出更合理的投资决策，提高投资效益；在企业管理中，可应用于供应商选择、合作伙伴评估等，通过综合考虑供应商的产品质量、价格、交货期、服务水平等多个属性，选择最优质的供应商，优化企业供应链管理；在工程领域，可用于项目方案的评估与决策，确保项目方案在技术可行性、经济合理性、环境影响等多个方面达到最优；在医疗领域，可辅助医生进行疾病诊断和治疗方案的选择，综合考虑患者的症状、病史、检查结果、治疗效果等多个属性，制定最佳的治疗方案，提高医疗质量和患者满意度。1.2国内外研究现状多粒度犹豫模糊语言信息和多属性群决策方法的研究在国内外均受到了广泛关注，取得了一系列的研究成果，以下从这两个方面进行详细阐述。在多粒度犹豫模糊语言信息方面，国外学者率先开展了相关研究。例如，[具体国外学者名字1]最早提出了犹豫模糊语言术语集的概念，为处理决策者在语言评价中的犹豫性提供了新的工具，使得对不确定性语言信息的表达更加灵活和准确。随后，[具体国外学者名字2]进一步研究了犹豫模糊语言元素的运算规则，构建了初步的运算体系，为后续的信息融合和决策分析奠定了理论基础。在多粒度的研究上，[具体国外学者名字3]探讨了不同粒度语言术语集之间的转换方法，尝试解决多粒度语言信息的一致性问题，为多粒度犹豫模糊语言信息的整合提供了思路。国内学者在多粒度犹豫模糊语言信息领域也取得了丰硕的成果。[具体国内学者名字1]对犹豫模糊语言信息的距离测度和相似度测度进行了深入研究，提出了多种新的测度方法，有效提高了对犹豫模糊语言信息差异和相似程度的度量精度，为决策方案的比较和排序提供了更可靠的依据。[具体国内学者名字2]针对多粒度犹豫模糊语言信息的集结问题，提出了一系列基于不同算子的集结方法，如基于加权平均算子、有序加权平均算子等的集结方法，能够根据不同的决策需求，合理地融合多粒度犹豫模糊语言信息，增强了决策方法的实用性和适应性。[具体国内学者名字3]则将多粒度犹豫模糊语言信息应用于实际的决策领域，如供应商选择、项目风险评估等，通过实际案例验证了多粒度犹豫模糊语言信息在处理复杂决策问题中的有效性和优越性，拓展了其应用范围。在多属性群决策方法方面，国外的研究起步较早且成果丰富。[具体国外学者名字4]提出了经典的TOPSIS（TechniqueforOrderPreferencebySimilaritytoanIdealSolution）方法，该方法通过计算各方案与理想解和负理想解之间的距离来对方案进行排序，在多属性决策领域得到了广泛应用，成为了许多改进和拓展方法的基础。[具体国外学者名字5]对层次分析法（AnalyticHierarchyProcess，AHP）进行了深入研究和完善，通过构建层次结构模型，将复杂的决策问题分解为多个层次和因素，利用两两比较的方式确定各因素的相对重要性权重，为多属性决策中权重的确定提供了一种有效的主观赋权方法。[具体国外学者名字6]研究了基于证据理论的多属性群决策方法，将证据理论引入决策过程，能够有效地处理决策信息中的不确定性和冲突性，提高了决策结果的可靠性和合理性。国内学者在多属性群决策方法的研究上也不断深入和创新。[具体国内学者名字4]针对属性权重和专家权重确定问题，提出了多种主客观相结合的赋权方法，如基于熵权法和层次分析法的组合赋权法，既考虑了数据本身的客观信息，又融入了专家的主观经验，使得权重的确定更加科学合理。[具体国内学者名字5]研究了基于模糊偏好关系的多属性群决策方法，通过构建模糊偏好矩阵来表示决策者对方案的偏好信息，利用模糊数学的方法对偏好信息进行处理和分析，从而实现方案的排序和选择，丰富了多属性群决策的方法体系。[具体国内学者名字6]开展了针对不完全信息下的多属性群决策方法研究，提出了一系列能够处理信息缺失、模糊等不完全情况的决策方法，如基于区间数的多属性群决策方法、基于灰色关联分析的多属性群决策方法等，有效解决了实际决策中信息不完全带来的困难，提高了决策方法的适用性。尽管国内外学者在多粒度犹豫模糊语言信息和多属性群决策方法的研究上取得了显著成果，但仍存在一些不足与空白。一方面，在多粒度犹豫模糊语言信息的理论研究方面，虽然已经提出了一些转换和集结方法，但对于不同粒度语言术语集之间的语义一致性和信息损失问题，尚未得到完全有效的解决。在实际应用中，如何准确地将多粒度犹豫模糊语言信息转化为统一的形式进行分析，仍然是一个有待深入研究的问题。另一方面，在多属性群决策方法与多粒度犹豫模糊语言信息的结合应用方面，现有的研究还相对较少。如何将多粒度犹豫模糊语言信息更好地融入多属性群决策模型中，开发出更加符合实际决策需求的多属性群决策方法，仍是该领域需要进一步探索的方向。此外，对于多属性群决策过程中决策者的行为偏好和心理因素的考虑还不够充分，未来的研究可以朝着更加全面地考虑决策主体因素的方向发展，以提高决策方法的科学性和实用性。1.3研究内容与方法1.3.1研究内容本文围绕多粒度犹豫模糊语言信息下的多属性群决策方法展开研究，具体内容如下：多粒度犹豫模糊语言信息的基础理论研究：对多粒度犹豫模糊语言术语集的概念、性质进行深入剖析，明确其语义内涵和表达能力。研究不同粒度语言术语集之间的转换关系，建立合理的转换规则，解决多粒度语言信息的一致性问题，减少信息损失。多粒度犹豫模糊语言信息的集成算子研究：基于已有的信息集成理论，构建适用于多粒度犹豫模糊语言信息的集成算子，如加权平均算子、有序加权平均算子等。分析这些算子的性质和特点，探讨其在不同决策场景下的适用性，通过对多粒度犹豫模糊语言信息的有效集结，为决策提供综合的评价信息。多属性群决策模型构建：结合多粒度犹豫模糊语言信息和多属性群决策的特点，构建基于多粒度犹豫模糊语言信息的多属性群决策模型。在模型中，充分考虑属性权重和专家权重的确定方法，采用主客观相结合的赋权方式，使权重的确定更加科学合理。利用所构建的集成算子对决策信息进行融合，实现对决策方案的评价和排序。模型的应用与验证：将所提出的多属性群决策模型应用于实际的决策问题中，如供应商选择、项目投资决策等。通过实际案例分析，验证模型的有效性和可行性，对比不同方法的决策结果，分析模型的优势和不足，进一步完善和优化模型。1.3.2研究方法本文综合运用多种研究方法，确保研究的科学性和有效性，具体如下：文献研究法：广泛查阅国内外关于多粒度犹豫模糊语言信息、多属性群决策方法的相关文献，全面了解该领域的研究现状、发展趋势以及存在的问题，为本文的研究提供坚实的理论基础和研究思路，避免重复研究，明确研究的切入点和创新点。案例分析法：选取具有代表性的实际决策案例，如企业的供应商选择案例、投资项目评估案例等，将所提出的多属性群决策模型应用于案例中进行分析。通过对案例的详细研究，验证模型在处理多粒度犹豫模糊语言信息时的实用性和有效性，发现模型在实际应用中可能出现的问题，并提出针对性的改进措施。模型构建法：根据多粒度犹豫模糊语言信息的特点和多属性群决策的要求，运用数学和逻辑推理的方法，构建基于多粒度犹豫模糊语言信息的多属性群决策模型。明确模型的假设条件、参数设置、计算步骤等，确保模型的合理性和科学性，为解决实际决策问题提供有效的工具。对比分析法：将本文提出的多属性群决策方法与其他相关的决策方法进行对比分析，从决策结果的准确性、方法的复杂性、对信息的处理能力等多个方面进行比较。通过对比，突出本文方法的优势和特点，分析不同方法的适用范围和局限性，为决策者选择合适的决策方法提供参考。1.4研究创新点本研究在多粒度犹豫模糊语言信息和多属性群决策方法的结合研究中，取得了以下创新成果：构建了新的多粒度犹豫模糊语言决策模型：突破了传统决策模型在处理多粒度犹豫模糊语言信息时的局限性，充分考虑了不同粒度语言术语集之间的语义差异和信息关联。通过建立合理的转换规则和集成算子，实现了多粒度犹豫模糊语言信息的有效融合和处理，使决策模型能够更准确地反映决策者的真实意图，提高了决策结果的可靠性和合理性。提出了综合主客观信息的权重确定方法：将主观赋权法和客观赋权法相结合，在考虑专家经验和知识的同时，充分挖掘数据本身的客观信息。通过引入信息熵等概念，对属性权重和专家权重进行科学的确定，避免了单一赋权方法的片面性，使权重的分配更加符合实际决策需求，增强了决策方法的科学性和客观性。拓展了多属性群决策方法的应用领域：将基于多粒度犹豫模糊语言信息的多属性群决策方法应用于供应商选择、项目投资决策等多个实际领域，并取得了良好的应用效果。通过实际案例验证，不仅为这些领域的决策问题提供了新的解决方案，也进一步证明了该方法的实用性和有效性，为多属性群决策方法在更多复杂实际问题中的应用提供了有益的参考。二、相关理论基础2.1多属性群决策理论2.1.1基本概念与特点多属性群决策是现代决策科学中的一个重要研究领域，旨在解决在多个属性条件下，由多个决策者共同对多个备选方案进行评价和选择的问题。它广泛应用于经济、管理、工程、军事等众多领域，如企业的投资决策、供应商选择、项目评估，以及政府的政策制定、资源分配等。在这些实际决策场景中，由于决策问题的复杂性和多样性，单一属性往往无法全面地反映方案的优劣，需要综合考虑多个属性的影响。同时，为了保证决策的科学性和民主性，通常会邀请多个决策者参与决策过程，他们各自具有不同的知识背景、经验和偏好，对方案的评价也会存在差异。多属性群决策主要包含三个关键要素：决策者、备选方案和属性。决策者是参与决策过程的主体，他们依据自身的知识、经验和判断，对备选方案在各个属性上的表现进行评价；备选方案是决策者可供选择的对象，是决策的客体；属性则是用于衡量备选方案优劣的标准或指标，每个备选方案在不同属性上都有相应的表现值。多属性群决策具有以下显著特点：多决策者：多个决策者参与决策过程，他们的意见和偏好都会对最终决策结果产生影响。不同决策者由于背景、经验和价值观的差异，对同一方案在各属性上的评价可能存在较大分歧，这就需要在决策过程中充分考虑并协调这些差异，以达成共识。多属性：决策问题涉及多个属性，这些属性之间可能相互关联、相互制约。例如，在投资决策中，不仅要考虑投资项目的预期收益，还要考虑其风险水平、市场前景、技术可行性等多个属性。这些属性的重要程度也各不相同，需要合理确定它们的权重，以准确反映各属性对决策结果的影响。决策结果的综合性：最终的决策结果是综合考虑多个决策者的意见以及多个属性的评价信息得出的。它不是简单地将各个决策者的评价或各个属性的评价进行汇总，而是需要运用科学的方法对这些信息进行融合和分析，以得到一个全面、客观、合理的决策结果。不确定性：在实际决策中，由于信息的不完全、不精确以及决策者认知的局限性，决策过程往往存在不确定性。这种不确定性可能体现在属性值的获取、属性权重的确定以及决策者评价的主观性等方面。例如，对于一些新兴技术项目的评估，由于缺乏历史数据和经验，很难准确预测其市场前景和技术风险，导致属性值存在较大的不确定性；在确定属性权重时，不同决策者可能有不同的看法，使得权重的确定具有一定的主观性。复杂性：多属性群决策问题的复杂性不仅体现在决策要素的多样性和相互关系的复杂性上，还体现在决策过程中需要处理大量的信息和数据。同时，由于决策者之间的意见分歧和属性之间的冲突，使得决策过程变得更加复杂，需要运用多种方法和技术来解决。2.1.2一般决策流程多属性群决策的一般流程主要包括以下几个关键步骤：确定决策问题：明确决策的目标、背景和范围，确定备选方案集和属性集。这是决策的基础，只有准确界定决策问题，才能确保后续的决策过程具有针对性和有效性。例如，在企业的供应商选择决策中，首先要明确选择供应商的目的，如降低采购成本、提高产品质量、保证交货及时性等，然后确定可供选择的供应商名单以及用于评价供应商的属性，如产品质量、价格、交货期、售后服务等。收集评价信息：邀请多个决策者对各备选方案在各个属性上进行评价，获取决策矩阵。决策者可以采用不同的评价方式，如数值评价、语言评价等。在实际决策中，由于人类思维的模糊性和语言表达的便利性，语言评价信息更为常见，如“好”“较好”“一般”“较差”“差”等。例如，在对供应商的评价中，决策者可能会用“产品质量好”“价格较高”“交货期准时”等语言描述来表达自己的看法。确定属性权重和专家权重：属性权重反映了各个属性在决策中的相对重要程度，专家权重则体现了不同决策者意见的可信度或影响力。权重的确定方法有很多种，可分为主观赋权法、客观赋权法和主客观结合赋权法。主观赋权法主要依靠专家的经验和判断来确定权重，如层次分析法（AHP）、专家调查法等；客观赋权法则根据数据本身的特征和规律来确定权重，如熵权法、主成分分析法等；主客观结合赋权法则综合考虑主观和客观因素，将两种方法相结合来确定权重。在供应商选择决策中，可以通过AHP法让专家对各属性的重要性进行两两比较，构建判断矩阵，从而确定属性权重；同时，根据专家的专业水平、经验丰富程度等因素，采用专家调查法确定专家权重。集结信息：运用合适的信息集结算子，将多个决策者的评价信息以及属性权重和专家权重进行融合，得到每个备选方案的综合评价结果。常用的信息集结算子包括加权平均算子（WA）、有序加权平均算子（OWA）、加权几何平均算子（WG）、有序加权几何平均算子（OWG）等。这些算子各有其特点和适用场景，例如，WA算子简单直接，适用于各评价信息重要性相同的情况；OWA算子则可以根据决策者的偏好对评价信息进行有序加权，更灵活地反映决策者的主观意愿。在供应商选择中，若采用WA算子，可将每个供应商在各属性上的评价得分乘以相应的属性权重，再求和得到该供应商的综合得分。方案排序与选择：根据综合评价结果对备选方案进行排序，选择最优方案或满意方案。排序方法有很多种，如最大隶属度法、TOPSIS法、VIKOR法等。最大隶属度法是选择综合评价结果中隶属度最大的方案；TOPSIS法则通过计算各方案与理想解和负理想解之间的距离来进行排序，距离理想解越近且距离负理想解越远的方案越优；VIKOR法是一种折衷排序方法，通过最大化群效用和最小化个体遗憾值对方案进行折衷排序。在供应商选择中，利用TOPSIS法计算各供应商与理想供应商（各属性均最优）和负理想供应商（各属性均最差）之间的距离，根据距离大小对供应商进行排序，选择距离理想供应商最近的供应商作为最优选择。2.2多粒度犹豫模糊语言信息理论2.2.1定义与表示方法多粒度犹豫模糊语言术语集（MultigranularHesitantFuzzyLinguisticTermSets，MG-HFLTS）是在犹豫模糊语言术语集的基础上发展而来，旨在更有效地处理不同决策者使用不同粒度语言术语集进行评价的情况。设S^{(1)}=\{s_{i}^{(1)}|i=0,1,\cdots,g^{(1)}\}，S^{(2)}=\{s_{j}^{(2)}|j=0,1,\cdots,g^{(2)}\}，\cdots，S^{(l)}=\{s_{k}^{(l)}|k=0,1,\cdots,g^{(l)}\}是l个不同粒度的语言术语集，其中g^{(1)}，g^{(2)}，\cdots，g^{(l)}表示各语言术语集的粒度。例如，S^{(1)}=\{s_{0}^{(1)}=\text{非常差},s_{1}^{(1)}=\text{å·®},s_{2}^{(1)}=\text{一般},s_{3}^{(1)}=\text{好},s_{4}^{(1)}=\text{非常好}\}，粒度g^{(1)}=4；S^{(2)}=\{s_{0}^{(2)}=\text{很低},s_{1}^{(2)}=\text{低},s_{2}^{(2)}=\text{中},s_{3}^{(2)}=\text{高},s_{4}^{(2)}=\text{很高},s_{5}^{(2)}=\text{极高}\}，粒度g^{(2)}=5。多粒度犹豫模糊语言元素（MultigranularHesitantFuzzyLinguisticElement，MG-HFLE）是指在多个不同粒度语言术语集中选取的若干语言术语的集合，其表示形式为h=\{s_{i_{1}}^{(1)},s_{i_{2}}^{(2)},\cdots,s_{i_{p}}^{(p)}\}，其中s_{i_{q}}^{(q)}\inS^{(q)}，q=1,2,\cdots,p，p为元素个数。例如，对于某个方案的评价，专家给出的多粒度犹豫模糊语言元素可能是h=\{s_{1}^{(1)},s_{2}^{(2)}\}，表示该专家在S^{(1)}中选择了“差”，在S^{(2)}中选择了“中”。为了便于后续的运算和分析，通常需要对多粒度犹豫模糊语言元素进行规范化处理。一般的方法是将所有不同粒度的语言术语集统一转换到一个参考语言术语集上。假设选择S^{(r)}=\{s_{m}^{(r)}|m=0,1,\cdots,g^{(r)}\}作为参考语言术语集，对于任意的多粒度犹豫模糊语言元素h=\{s_{i_{1}}^{(1)},s_{i_{2}}^{(2)},\cdots,s_{i_{p}}^{(p)}\}，通过一定的转换函数T:S^{(q)}\toS^{(r)}，将其中的每个语言术语s_{i_{q}}^{(q)}转换为参考语言术语集S^{(r)}中的对应术语s_{j_{q}}^{(r)}，从而得到规范化后的多粒度犹豫模糊语言元素h'=\{s_{j_{1}}^{(r)},s_{j_{2}}^{(r)},\cdots,s_{j_{p}}^{(r)}\}。具体的转换函数可以根据语言术语集的语义和实际需求来确定，常见的有基于语义距离的转换方法、基于语言术语集映射关系的转换方法等。2.2.2运算规则多粒度犹豫模糊语言元素的运算规则是进行信息处理和决策分析的基础，下面介绍其常见的加法、数乘等运算规则及其性质。加法运算：设h_{1}=\{s_{i_{1}}^{(1)},s_{i_{2}}^{(2)},\cdots,s_{i_{p}}^{(p)}\}和h_{2}=\{s_{j_{1}}^{(1)},s_{j_{2}}^{(2)},\cdots,s_{j_{q}}^{(q)}\}是两个多粒度犹豫模糊语言元素，其加法运算定义为h_{1}\oplush_{2}=\{s_{k_{1}}^{(1)},s_{k_{2}}^{(2)},\cdots,s_{k_{p+q}}^{(p+q)}\}，其中s_{k_{l}}^{(l)}是s_{i_{m}}^{(m)}与s_{j_{n}}^{(n)}（m=1,\cdots,p；n=1,\cdots,q）按照一定规则组合得到的语言术语。例如，若采用简单的并集规则，h_{1}=\{s_{1}^{(1)},s_{2}^{(2)}\}，h_{2}=\{s_{3}^{(1)},s_{4}^{(2)}\}，则h_{1}\oplush_{2}=\{s_{1}^{(1)},s_{2}^{(2)},s_{3}^{(1)},s_{4}^{(2)}\}。加法运算满足交换律h_{1}\oplush_{2}=h_{2}\oplush_{1}和结合律(h_{1}\oplush_{2})\oplush_{3}=h_{1}\oplus(h_{2}\oplush_{3})。数乘运算：对于实数\lambda\geq0和多粒度犹豫模糊语言元素h=\{s_{i_{1}}^{(1)},s_{i_{2}}^{(2)},\cdots,s_{i_{p}}^{(p)}\}，数乘运算定义为\lambdah=\{s_{k_{1}}^{(1)},s_{k_{2}}^{(2)},\cdots,s_{k_{p}}^{(p)}\}，其中s_{k_{l}}^{(l)}是根据\lambda对s_{i_{l}}^{(l)}进行相应变换得到的语言术语。例如，若采用基于语义的变换规则，当\lambda=2时，对于s_{i_{l}}^{(l)}，如果其语义值为\theta_{i_{l}}^{(l)}，则s_{k_{l}}^{(l)}的语义值为2\theta_{i_{l}}^{(l)}（在语言术语集的语义范围内进行调整）。数乘运算满足分配律\lambda(h_{1}\oplush_{2})=\lambdah_{1}\oplus\lambdah_{2}和(\lambda+\mu)h=\lambdah\oplus\muh（\lambda,\mu\geq0）。取大运算：设h_{1}=\{s_{i_{1}}^{(1)},s_{i_{2}}^{(2)},\cdots,s_{i_{p}}^{(p)}\}和h_{2}=\{s_{j_{1}}^{(1)},s_{j_{2}}^{(2)},\cdots,s_{j_{q}}^{(q)}\}，取大运算h_{1}\veeh_{2}是从h_{1}和h_{2}中选取语义值较大的语言术语组成新的多粒度犹豫模糊语言元素。例如，若s_{i_{m}}^{(m)}的语义值大于s_{j_{n}}^{(n)}的语义值，则h_{1}\veeh_{2}中包含s_{i_{m}}^{(m)}，反之则包含s_{j_{n}}^{(n)}。取大运算满足幂等律h\veeh=h。取小运算：与取大运算相反，取小运算h_{1}\wedgeh_{2}是从h_{1}和h_{2}中选取语义值较小的语言术语组成新的多粒度犹豫模糊语言元素。取小运算也满足幂等律h\wedgeh=h。2.2.3距离与相似度度量在多属性群决策中，计算多粒度犹豫模糊语言信息之间的距离和相似度是比较方案优劣、分析决策信息差异的重要手段。下面介绍几种常见的计算方法。欧几里得距离：对于两个规范化后的多粒度犹豫模糊语言元素h_{1}=\{s_{i_{1}}^{(r)},s_{i_{2}}^{(r)},\cdots,s_{i_{p}}^{(r)}\}和h_{2}=\{s_{j_{1}}^{(r)},s_{j_{2}}^{(r)},\cdots,s_{j_{q}}^{(r)}\}，它们在参考语言术语集S^{(r)}上的欧几里得距离定义为：d_{E}(h_{1},h_{2})=\sqrt{\sum_{l=1}^{p+q}(\theta_{i_{l}}^{(r)}-\theta_{j_{l}}^{(r)})^2}其中\theta_{i_{l}}^{(r)}和\theta_{j_{l}}^{(r)}分别是s_{i_{l}}^{(r)}和s_{j_{l}}^{(r)}在参考语言术语集S^{(r)}中的语义值。欧几里得距离反映了两个多粒度犹豫模糊语言元素在语义空间中的几何距离，距离越小，说明两个元素越相似。汉明距离：汉明距离是另一种常用的距离度量方法，对于上述两个多粒度犹豫模糊语言元素h_{1}和h_{2}，其汉明距离定义为：d_{H}(h_{1},h_{2})=\sum_{l=1}^{p+q}|\theta_{i_{l}}^{(r)}-\theta_{j_{l}}^{(r)}|汉明距离计算的是两个元素对应语义值的绝对差值之和，同样，汉明距离越小，元素间的相似度越高。余弦相似度：余弦相似度通过计算两个多粒度犹豫模糊语言元素在语义空间中的夹角余弦值来衡量它们的相似度。设h_{1}和h_{2}的语义向量分别为\vec{\theta}_{1}=(\theta_{i_{1}}^{(r)},\theta_{i_{2}}^{(r)},\cdots,\theta_{i_{p}}^{(r)})和\vec{\theta}_{2}=(\theta_{j_{1}}^{(r)},\theta_{j_{2}}^{(r)},\cdots,\theta_{j_{q}}^{(r)})，则它们的余弦相似度定义为：sim_{C}(h_{1},h_{2})=\frac{\vec{\theta}_{1}\cdot\vec{\theta}_{2}}{\|\vec{\theta}_{1}\|\|\vec{\theta}_{2}\|}=\frac{\sum_{l=1}^{p+q}\theta_{i_{l}}^{(r)}\theta_{j_{l}}^{(r)}}{\sqrt{\sum_{l=1}^{p+q}(\theta_{i_{l}}^{(r)})^2}\sqrt{\sum_{l=1}^{p+q}(\theta_{j_{l}}^{(r)})^2}}余弦相似度的取值范围在[0,1]之间，值越接近1，表示两个元素的相似度越高；值越接近0，表示相似度越低。Jaccard相似度：Jaccard相似度主要用于衡量两个集合之间的相似程度，对于多粒度犹豫模糊语言元素h_{1}和h_{2}，先将它们看作是语言术语的集合，其Jaccard相似度定义为：sim_{J}(h_{1},h_{2})=\frac{|h_{1}\caph_{2}|}{|h_{1}\cuph_{2}|}其中|h_{1}\caph_{2}|表示h_{1}和h_{2}中相同语言术语的个数，|h_{1}\cuph_{2}|表示h_{1}和h_{2}中所有语言术语的个数（去重后）。Jaccard相似度同样取值在[0,1]之间，值越大表示相似度越高。三、多粒度犹豫模糊语言信息的多属性群决策模型构建3.1决策问题描述考虑某企业面临选择物流供应商的决策问题。假设存在n个备选的物流供应商，记为A=\{A_1,A_2,\cdots,A_n\}；有m个属性用于评价这些物流供应商，记为C=\{C_1,C_2,\cdots,C_m\}；同时，邀请了l个决策者参与评价，记为D=\{D_1,D_2,\cdots,D_l\}。每个决策者对各备选物流供应商在不同属性上的评价采用多粒度犹豫模糊语言信息。例如，对于物流供应商A_i的“服务质量”属性C_j，决策者D_k可能给出的评价为h_{ijk}=\{s_{i_1}^{(q_1)},s_{i_2}^{(q_2)}\}，其中s_{i_1}^{(q_1)}来自粒度为g^{(q_1)}的语言术语集S^{(q_1)}，s_{i_2}^{(q_2)}来自粒度为g^{(q_2)}的语言术语集S^{(q_2)}。这表明决策者D_k在对A_i的C_j属性进行评价时，在两个不同粒度的语言术语之间存在犹豫。具体来说，假设语言术语集S^{(1)}=\{s_{0}^{(1)}=\text{非常差},s_{1}^{(1)}=\text{å·®},s_{2}^{(1)}=\text{一般},s_{3}^{(1)}=\text{好},s_{4}^{(1)}=\text{非常好}\}，S^{(2)}=\{s_{0}^{(2)}=\text{很低},s_{1}^{(2)}=\text{低},s_{2}^{(2)}=\text{中},s_{3}^{(2)}=\text{高},s_{4}^{(2)}=\text{很高},s_{5}^{(2)}=\text{极高}\}。决策者D_1对物流供应商A_1的“运输效率”属性评价为h_{111}=\{s_{2}^{(1)},s_{3}^{(2)}\}，即认为其运输效率处于“一般”和“高”之间的犹豫状态；决策者D_2对A_1的“成本控制”属性评价为h_{122}=\{s_{1}^{(1)},s_{2}^{(2)}\}，表示在“差”和“中”之间犹豫。企业需要综合考虑多个决策者的评价信息以及各个属性的重要程度，从n个备选物流供应商中选择出最适合的供应商。在这个决策过程中，由于存在多粒度犹豫模糊语言信息，传统的决策方法难以直接应用，需要构建新的多属性群决策模型来处理这些复杂信息，以实现对物流供应商的准确评价和选择。3.2信息一致化处理3.2.1多粒度语言集的转换在多属性群决策中，由于不同决策者可能使用不同粒度的语言术语集对方案进行评价，这给后续的信息融合和决策分析带来了困难。为了实现多粒度犹豫模糊语言信息的有效处理，需要将不同粒度的语言集转换为统一粒度的语言集，以消除粒度差异对决策结果的影响。设存在两个不同粒度的语言术语集S^{(g_1)}=\{s_{i}^{(g_1)}|i=0,1,\cdots,g_1\}和S^{(g_2)}=\{s_{j}^{(g_2)}|j=0,1,\cdots,g_2\}，其中g_1和g_2分别表示两个语言术语集的粒度。这里我们通过语义映射进行转换，假设选择S^{(g_1)}作为参考语言术语集，要将S^{(g_2)}中的语言术语转换到S^{(g_1)}上。首先，需要确定语言术语的语义。一种常用的方法是为每个语言术语赋予一个语义值，例如对于语言术语集S^{(g)}=\{s_{i}^{(g)}|i=0,1,\cdots,g\}，可以定义其语义值\theta(s_{i}^{(g)})=\frac{i}{g}，\theta(s_{i}^{(g)})\in[0,1]。以语言术语集S^{(1)}=\{s_{0}^{(1)}=\text{非常差},s_{1}^{(1)}=\text{å·®},s_{2}^{(1)}=\text{一般},s_{3}^{(1)}=\text{好},s_{4}^{(1)}=\text{非常好}\}为例，其粒度g_1=4，则\theta(s_{0}^{(1)})=0，\theta(s_{1}^{(1)})=\frac{1}{4}=0.25，\theta(s_{2}^{(1)})=\frac{2}{4}=0.5，\theta(s_{3}^{(1)})=\frac{3}{4}=0.75，\theta(s_{4}^{(1)})=1。对于S^{(g_2)}中的任意语言术语s_{j}^{(g_2)}，计算其语义值\theta(s_{j}^{(g_2)})=\frac{j}{g_2}。然后在S^{(g_1)}中找到语义值最接近\theta(s_{j}^{(g_2)})的语言术语s_{k}^{(g_1)}，即满足\min_{i=0}^{g_1}|\theta(s_{i}^{(g_1)})-\theta(s_{j}^{(g_2)})|的s_{k}^{(g_1)}。假设S^{(2)}=\{s_{0}^{(2)}=\text{很低},s_{1}^{(2)}=\text{低},s_{2}^{(2)}=\text{中},s_{3}^{(2)}=\text{高},s_{4}^{(2)}=\text{很高},s_{5}^{(2)}=\text{极高}\}，粒度g_2=5，对于s_{3}^{(2)}，其语义值\theta(s_{3}^{(2)})=\frac{3}{5}=0.6。在S^{(1)}中，\theta(s_{2}^{(1)})=0.5，\theta(s_{3}^{(1)})=0.75，|0.6-0.5|=0.1，|0.6-0.75|=0.15，因为0.1\lt0.15，所以s_{3}^{(2)}转换到S^{(1)}中对应的语言术语为s_{2}^{(1)}。通过这种基于语义映射的转换方法，可以将不同粒度语言术语集中的语言术语转换为统一粒度语言术语集中的对应术语，从而实现多粒度语言集的统一，为后续的决策分析提供基础。这种转换方法能够在一定程度上保留语言术语的语义信息，减少信息损失，使不同决策者的评价信息能够在统一的框架下进行处理和分析。3.2.2犹豫模糊语言信息的规范化犹豫模糊语言信息由于其表达形式的多样性和不确定性，不同的信息可能具有不同的量纲和取值范围，这会影响到决策过程中信息的比较和融合。因此，需要对犹豫模糊语言信息进行规范化处理，以消除量纲和取值范围的影响，使得不同来源的犹豫模糊语言信息具有可比性。设h=\{s_{i_1},s_{i_2},\cdots,s_{i_p}\}是一个犹豫模糊语言元素，其规范化处理的步骤如下：首先，确定犹豫模糊语言元素所在的语言术语集S=\{s_{0},s_{1},\cdots,s_{g}\}，并获取该语言术语集的粒度g。然后，为语言术语集中的每个语言术语s_{i}赋予一个语义值\theta(s_{i})=\frac{i}{g}，\theta(s_{i})\in[0,1]。对于犹豫模糊语言元素h中的每个语言术语s_{i_j}，计算其语义值\theta(s_{i_j})。接下来，采用一种规范化函数对这些语义值进行处理。常用的规范化函数有多种形式，这里以线性变换为例。假设规范化后的语义值范围为[a,b]（通常a=0，b=1），则规范化后的语义值\overline{\theta}(s_{i_j})的计算公式为：\overline{\theta}(s_{i_j})=\frac{\theta(s_{i_j})-\min_{k=1}^{p}\theta(s_{i_k})}{\max_{k=1}^{p}\theta(s_{i_k})-\min_{k=1}^{p}\theta(s_{i_k})}\times(b-a)+a例如，对于犹豫模糊语言元素h=\{s_{2},s_{4}\}，所在语言术语集S=\{s_{0},s_{1},\cdots,s_{5}\}，粒度g=5。则\theta(s_{2})=\frac{2}{5}=0.4，\theta(s_{4})=\frac{4}{5}=0.8。若规范化后的范围为[0,1]，则\overline{\theta}(s_{2})=\frac{0.4-0.4}{0.8-0.4}\times(1-0)+0=0，\overline{\theta}(s_{4})=\frac{0.8-0.4}{0.8-0.4}\times(1-0)+0=1。最后，根据规范化后的语义值，在规范化后的语言术语集中找到对应的语言术语，组成规范化后的犹豫模糊语言元素\overline{h}。如果规范化后的语言术语集与原语言术语集相同，则\overline{h}中的语言术语就是根据规范化语义值在原语言术语集中选取的对应术语；如果规范化后的语言术语集是重新定义的，则需要根据规范化语义值与新语言术语集的对应关系确定\overline{h}中的语言术语。通过上述规范化处理，犹豫模糊语言信息在量纲和取值范围上得到了统一，使得不同的犹豫模糊语言信息能够在同一尺度下进行比较和分析，为后续的多属性群决策提供了标准化的数据基础，有助于提高决策结果的准确性和可靠性。3.3权重确定方法3.3.1主观权重确定主观权重的确定方法主要依赖专家的知识、经验和判断，以反映决策者对各属性重要程度的主观认知。层次分析法（AnalyticHierarchyProcess，AHP）是一种常用的主观权重确定方法，它通过构建层次结构模型，将复杂的决策问题分解为多个层次和因素，然后通过两两比较的方式确定各因素的相对重要性权重。以物流供应商选择决策为例，在运用AHP确定属性主观权重时，首先需要构建层次结构模型。将选择最优物流供应商作为目标层；将运输效率、服务质量、成本控制、安全性等属性作为准则层；将各个备选物流供应商作为方案层。接下来，构造判断矩阵。邀请物流领域的专家，对准则层中各属性进行两两比较。比较时采用1-9标度法，1表示两个因素相比，具有同样重要性；3表示前者比后者稍重要；5表示前者比后者明显重要；7表示前者比后者强烈重要；9表示前者比后者极端重要；2、4、6、8则为上述相邻判断的中间值。例如，专家认为运输效率比服务质量稍重要，则在判断矩阵中对应位置赋值为3；若认为服务质量比运输效率稍不重要，则对应位置赋值为1/3。通过这样的方式，构建出准则层对目标层的判断矩阵A=(a_{ij})_{m\timesm}，其中m为属性个数，a_{ij}表示第i个属性与第j个属性相比的重要性程度。然后，计算判断矩阵的特征向量和最大特征值。通过计算得到的特征向量，经过归一化处理后，即可得到各属性的主观权重向量w=(w_1,w_2,\cdots,w_m)^T。计算最大特征值\lambda_{max}的公式为：\lambda_{max}=\frac{1}{m}\sum_{i=1}^{m}\frac{(Aw)_i}{w_i}其中(Aw)_i表示向量Aw的第i个元素。最后，进行一致性检验。由于专家的判断可能存在不一致性，需要对判断矩阵进行一致性检验。一致性指标CI的计算公式为：CI=\frac{\lambda_{max}-m}{m-1}随机一致性指标RI可通过查表获得，其值与矩阵的阶数有关。一致性比率CR的计算公式为：CR=\frac{CI}{RI}当CR\lt0.1时，认为判断矩阵具有满意的一致性，否则需要对判断矩阵进行调整，直至满足一致性要求。通过上述层次分析法的步骤，能够较为科学地确定各属性的主观权重，为多属性群决策提供重要的决策依据。3.3.2客观权重确定客观权重的确定方法主要依据评价信息本身的特征和数据的内在规律，不依赖于专家的主观判断，从而能够更客观地反映各属性在决策中的重要程度。熵权法是一种常用的客观权重确定方法，它通过计算评价信息的熵值来衡量信息的无序程度或不确定性，进而确定各属性的客观权重。熵原本是热力学中的一个概念，后被引入信息论中。在多属性群决策中，熵值可以用来反映属性值的离散程度。属性值的离散程度越大，说明该属性提供的信息量越大，其权重也应越大；反之，属性值的离散程度越小，说明该属性提供的信息量越小，其权重也应越小。以物流供应商选择决策为例，假设已经经过信息一致化处理得到了决策矩阵X=(x_{ij})_{n\timesm}，其中n为备选物流供应商的数量，m为属性的数量。熵权法确定属性客观权重的具体步骤如下：首先，对决策矩阵进行归一化处理，得到归一化矩阵Y=(y_{ij})_{n\timesm}。对于效益型属性（属性值越大越好），归一化公式为：y_{ij}=\frac{x_{ij}-\min_{i=1}^{n}x_{ij}}{\max_{i=1}^{n}x_{ij}-\min_{i=1}^{n}x_{ij}}对于成本型属性（属性值越小越好），归一化公式为：y_{ij}=\frac{\max_{i=1}^{n}x_{ij}-x_{ij}}{\max_{i=1}^{n}x_{ij}-\min_{i=1}^{n}x_{ij}}然后，计算第j个属性下第i个方案的比重p_{ij}：p_{ij}=\frac{y_{ij}}{\sum_{i=1}^{n}y_{ij}}接着，计算第j个属性的熵值e_j：e_j=-k\sum_{i=1}^{n}p_{ij}\lnp_{ij}其中k=\frac{1}{\lnn}，当p_{ij}=0时，规定p_{ij}\lnp_{ij}=0。再计算第j个属性的熵权w_j^e：w_j^e=\frac{1-e_j}{\sum_{j=1}^{m}(1-e_j)}通过熵权法得到的属性客观权重，能够充分体现数据本身的特征和各属性在决策中的客观重要程度，避免了主观因素的干扰。将客观权重与主观权重相结合，可以更全面、准确地反映各属性在决策中的作用，为多属性群决策提供更科学的权重分配方案。3.3.3综合权重计算在多属性群决策中，主观权重反映了专家的经验和知识，体现了决策者对各属性的主观偏好；客观权重则依据数据本身的信息，体现了各属性的客观重要程度。为了充分利用这两方面的信息，提高权重确定的科学性和合理性，通常将主观权重和客观权重进行综合，得到综合权重。一种常用的综合权重计算方法是线性加权法。设主观权重向量为w^s=(w_1^s,w_2^s,\cdots,w_m^s)^T，客观权重向量为w^e=(w_1^e,w_2^e,\cdots,w_m^e)^T，通过线性加权得到的综合权重向量为w^c=(w_1^c,w_2^c,\cdots,w_m^c)^T，计算公式为：w_j^c=\alphaw_j^s+(1-\alpha)w_j^e其中\alpha\in[0,1]为平衡系数，它反映了主观权重和客观权重在综合权重中的相对重要程度。当\alpha=1时，表示完全采用主观权重；当\alpha=0时，表示完全采用客观权重。在实际应用中，\alpha的值可以根据具体决策问题的特点和决策者的偏好来确定。例如，在一些对专家经验依赖较大的决策问题中，\alpha可以取较大的值；而在一些数据丰富、更注重客观信息的决策问题中，\alpha可以取较小的值。以物流供应商选择决策为例，假设通过层次分析法得到的主观权重向量为w^s=(0.3,0.25,0.2,0.25)^T，通过熵权法得到的客观权重向量为w^e=(0.2,0.3,0.25,0.25)^T，若决策者认为主观经验和客观数据同样重要，取\alpha=0.5，则综合权重向量为：w_1^c=0.5\times0.3+(1-0.5)\times0.2=0.25w_2^c=0.5\times0.25+(1-0.5)\times0.3=0.275w_3^c=0.5\times0.2+(1-0.5)\times0.25=0.225w_4^c=0.5\times0.25+(1-0.5)\times0.25=0.25即综合权重向量w^c=(0.25,0.275,0.225,0.25)^T。通过综合权重，能够将主观和客观信息有机结合，为后续的决策方案评价和排序提供更合理的权重依据，提高多属性群决策的准确性和可靠性。3.4决策方法选择与模型构建3.4.1常用决策方法分析在多属性群决策领域，TOPSIS法和VIKOR法是两种常用的决策方法，然而在处理多粒度犹豫模糊语言信息时，它们各自展现出不同的适用性特点。TOPSIS法（TechniqueforOrderPreferencebySimilaritytoanIdealSolution），即逼近理想解排序法，其核心思想是通过计算各方案与理想解（正理想解和负理想解）之间的距离，来对方案进行排序。正理想解是各属性值都达到最优的方案，负理想解则是各属性值都为最差的方案。在传统的决策场景中，TOPSIS法能够有效地处理确定性数据和简单的模糊数据，通过距离的度量直观地反映方案之间的优劣关系。在多粒度犹豫模糊语言信息环境下，TOPSIS法的应用面临一定挑战。由于多粒度犹豫模糊语言信息的复杂性，如何准确地确定正、负理想解成为关键问题。不同粒度的语言术语集之间的语义差异，使得直接确定理想解变得困难，需要进行合理的转换和统一化处理，以确保距离计算的准确性和合理性。此外，在计算距离时，需要选择合适的距离测度方法来处理犹豫模糊语言信息，常用的欧几里得距离、汉明距离等在多粒度情况下的适用性需要进一步探讨和验证。VIKOR法（VlseKriterijumskaOptimizacijaIKompromisnoResenje）是一种折衷排序法，该方法通过最大化群效用和最小化个体遗憾值来对方案进行折衷排序。它考虑了决策者的乐观程度，通过一个折衷系数来平衡群效用和个体遗憾值的影响。在面对多粒度犹豫模糊语言信息时，VIKOR法同样存在一些问题。确定群效用和个体遗憾值时，需要对多粒度犹豫模糊语言信息进行有效的集结和分析，而不同决策者的评价信息由于粒度不同，如何合理地整合这些信息以准确计算群效用和个体遗憾值是一个难点。VIKOR法中的折衷系数的确定具有一定的主观性，在多粒度犹豫模糊语言信息下，如何根据决策问题的特点和决策者的偏好科学地确定折衷系数，以得到更合理的决策结果，也是需要深入研究的内容。综上所述，TOPSIS法和VIKOR法在处理多粒度犹豫模糊语言信息时都存在一定的局限性，需要对这些方法进行改进和拓展，或者结合其他技术和方法，以更好地适应多粒度犹豫模糊语言信息的多属性群决策需求。3.4.2基于特定方法的模型构建本研究以拓展的TOPSIS法为例来构建多属性群决策模型，以有效处理多粒度犹豫模糊语言信息。确定正、负理想解：在经过信息一致化处理和权重确定后，对于决策矩阵R=(r_{ij})_{n\timesm}（n为方案数，m为属性数），正理想解A^+和负理想解A^-的确定方法如下。正理想解A^+=\{r_{1}^+,r_{2}^+,\cdots,r_{m}^+\}，其中r_{j}^+=\max_{i=1}^{n}\{r_{ij}\}，对于效益型属性，即属性值越大越好的属性，r_{j}^+是在第j个属性下所有方案的最大值；对于成本型属性，即属性值越小越好的属性，r_{j}^+=\min_{i=1}^{n}\{r_{ij}\}。例如，在物流供应商选择决策中，“运输效率”是效益型属性，正理想解中的该属性值就是所有供应商在运输效率属性上的最大值；“成本控制”是成本型属性，正理想解中的该属性值就是所有供应商在成本控制属性上的最小值。负理想解A^-=\{r_{1}^-,r_{2}^-,\cdots,r_{m}^-\}，其中r_{j}^-=\min_{i=1}^{n}\{r_{ij}\}（效益型属性），r_{j}^-=\max_{i=1}^{n}\{r_{ij}\}（成本型属性）。计算距离：采用改进的犹豫模糊语言距离公式来计算各方案与正、负理想解之间的距离。设d_{i}^+表示方案A_i与正理想解A^+之间的距离，d_{i}^-表示方案A_i与负理想解A^-之间的距离。对于犹豫模糊语言元素r_{ij}和r_{j}^+（或r_{j}^-），其距离公式可以基于欧几里得距离或汉明距离进行拓展。以基于欧几里得距离的拓展公式为例，d_{i}^+=\sqrt{\sum_{j=1}^{m}w_j^2d^2(r_{ij},r_{j}^+)}，d_{i}^-=\sqrt{\sum_{j=1}^{m}w_j^2d^2(r_{ij},r_{j}^-)}，其中w_j为第j个属性的综合权重，d(r_{ij},r_{j}^+)（或d(r_{ij},r_{j}^-)）是犹豫模糊语言元素r_{ij}与r_{j}^+（或r_{j}^-）之间的距离。例如，对于r_{ij}=\{s_{i_1},s_{i_2}\}和r_{j}^+=\{s_{j_1},s_{j_2}\}，先将它们规范化为语义值向量，然后根据欧几里得距离公式计算距离。计算贴近度：贴近度C_i用于衡量方案A_i与正理想解的接近程度，计算公式为C_i=\frac{d_{i}^-}{d_{i}^++d_{i}^-}，C_i\in[0,1]。贴近度越大，说明方案越接近正理想解，方案越优。例如，若方案A_1的d_{1}^+=0.3，d_{1}^-=0.7，则C_1=\frac{0.7}{0.3+0.7}=0.7，通过比较不同方案的贴近度C_i，可以对方案进行排序，从而选择出最优方案。通过以上基于拓展TOPSIS法的模型构建，能够有效地处理多粒度犹豫模糊语言信息下的多属性群决策问题，为决策提供科学合理的方法和依据。四、案例分析4.1案例背景介绍某大型电子产品制造企业为满足自身业务快速发展的需求，计划在现有的物流供应商中选择一家作为长期合作伙伴，以确保原材料的及时供应和产品的高效配送，从而提升企业的供应链效率和市场竞争力。此次参与评估的决策者有5位，分别来自企业的物流管理部门、采购部门、生产部门、销售部门以及财务部门。他们凭借各自丰富的专业知识和工作经验，对物流供应商在不同属性方面的表现进行综合评价。物流管理部门的决策者熟悉物流运作流程，能够从专业角度评估物流供应商的运输效率和服务质量；采购部门的决策者关注成本控制，对物流供应商的价格和成本管理能力有深入了解；生产部门的决策者则更侧重于物流供应商对生产计划的支持，即能否按时提供原材料，保证生产的顺利进行；销售部门的决策者关心物流服务对客户满意度的影响，如配送的及时性和准确性；财务部门的决策者从财务角度出发，评估物流供应商的财务稳定性和成本效益。可供选择的物流供应商有4家，分别记为A_1、A_2、A_3、A_4。这4家物流供应商在市场上均具有一定的规模和实力，但在运输效率、服务质量、成本控制、安全性等方面存在差异。A_1在运输效率方面表现出色，拥有先进的运输设备和优化的运输路线，但服务质量方面可能存在一些不足；A_2以优质的服务著称，客户反馈良好，但成本相对较高；A_3注重成本控制，价格较为优惠，但在运输效率和安全性方面有待提升；A_4在安全性方面表现突出，拥有完善的安全管理体系，但服务质量和成本控制方面需要改进。用于评价这些物流供应商的属性共有4个，具体如下：运输效率：主要考量物流供应商的运输速度、运输准时率以及货物在途时间等因素，这直接关系到企业原材料的及时供应和产品的按时交付，对企业的生产和销售计划有着重要影响。服务质量：涵盖物流供应商的订单处理能力、货物跟踪服务、客户投诉处理效率以及货物的破损率等方面，优质的服务质量有助于提升客户满意度，维护企业的良好形象。成本控制：包括运输费用、仓储费用、管理费用等各项物流成本，合理控制成本可以降低企业的运营成本，提高企业的经济效益。安全性：涉及货物运输过程中的安全保障措施，如货物的防盗、防火、防潮等，以及物流供应商的安全管理体系和事故应对能力，确保货物安全送达是物流服务的重要前提。由于各决策者的专业背景和工作经验不同，他们对物流供应商在各属性上的评价采用了多粒度犹豫模糊语言信息。例如，对于物流供应商A_1的“运输效率”属性，物流管理部门的决策者可能给出评价为h_{111}=\{s_{3}^{(1)},s_{4}^{(2)}\}，其中s_{3}^{(1)}来自粒度为g^{(1)}=5的语言术语集S^{(1)}=\{s_{0}^{(1)}=\text{非常低},s_{1}^{(1)}=\text{低},s_{2}^{(1)}=\text{中等},s_{3}^{(1)}=\text{高},s_{4}^{(1)}=\text{非常高}\}，s_{4}^{(2)}来自粒度为g^{(2)}=7的语言术语集S^{(2)}=\{s_{0}^{(2)}=\text{极低},s_{1}^{(2)}=\text{很低},s_{2}^{(2)}=\text{低},s_{3}^{(2)}=\text{中},s_{4}^{(2)}=\text{高},s_{5}^{(2)}=\text{很高},s_{6}^{(2)}=\text{极高}\}，这表明该决策者认为A_1的运输效率处于“高”和“很高”之间的犹豫状态。不同决策者的评价信息体现了他们对物流供应商在各属性上表现的不同认知和犹豫程度，增加了决策的复杂性和不确定性。4.2数据收集与预处理在确定案例背景后，研究人员通过问卷调查的方式收集了5位决策者对4家物流供应商在4个属性上的多粒度犹豫模糊语言评价信息。问卷设计充分考虑了多粒度犹豫模糊语言信息的特点，为决策者提供了多个不同粒度的语言术语集供其选择，以确保他们能够准确表达自己的评价意见。问卷发放后，研究人员对回收的问卷进行了初步筛选，剔除了填写不完整或明显存在错误的问卷，确保数据的有效性。经过筛选，共得到有效问卷5份，每份问卷包含了5位决策者对4家物流供应商在4个属性上的评价信息，形成了原始的多粒度犹豫模糊语言决策矩阵。接下来，对收集到的原始多粒度犹豫模糊语言评价信息进行一致化和规范化处理。在一致化处理阶段，根据前文所述的多粒度语言集转换方法，将不同决策者使用的不同粒度语言术语集统一转换为参考语言术语集。假设选择语言术语集S=\{s_{0}=\text{非常低},s_{1}=\text{低},s_{2}=\text{中等},s_{3}=\text{高},s_{4}=\text{非常高}\}作为参考语言术语集。对于来自其他粒度语言术语集的评价信息，如物流管理部门决策者对A_1运输效率给出的h_{111}=\{s_{3}^{(1)},s_{4}^{(2)}\}，s_{3}^{(1)}来自粒度为g^{(1)}=5的语言术语集S^{(1)}=\{s_{0}^{(1)}=\text{非常低},s_{1}^{(1)}=\text{低},s_{2}^{(1)}=\text{中等},s_{3}^{(1)}=\text{高},s_{4}^{(1)}=\text{非常高}\}，s_{4}^{(2)}来自粒度为g^{(2)}=7的语言术语集S^{(2)}=\{s_{0}^{(2)}=\text{极低},s_{1}^{(2)}=\text{很低},s_{2}^{(2)}=\text{低},s_{3}^{(2)}=\text{中},s_{4}^{(2)}=\text{高},s_{5}^{(2)}=\text{很高},s_{6}^{(2)}=\text{极高}\}。先计算s_{3}^{(1)}在参考语言术语集S中的语义值为\frac{3}{4}=0.75，s_{4}^{(2)}在参考语言术语集S中的语义值计算如下：设S^{(2)}中语言术语s_{j}^{(2)}转换到S中的语义值为\theta(s_{j}^{(2)})=\frac{j}{6}\times4（根据粒度比例转换），则\theta(s_{4}^{(2)})=\frac{4}{6}\times4\approx2.67，在S中最接近的语言术语为s_{3}（因为2.67更接近3）。经过这样的转换，将所有多粒度犹豫模糊语言评价信息统一到了参考语言术语集上。在规范化处理阶段，采用前文提到的规范化方法，对统一后的犹豫模糊语言信息进行处理。对于犹豫模糊语言元素h=\{s_{i_1},s_{i_2},\cdots,s_{i_p}\}，先确定其所在语言术语集S的粒度g=4，然后为语言术语集中的每个语言术语赋予语义值\theta(s_{i})=\frac{i}{4}。例如，对于某个物流供应商在某属性上的评价h=\{s_{2},s_{3}\}，\theta(s_{2})=\frac{2}{4}=0.5，\theta(s_{3})=\frac{3}{4}=0.75。采用线性变换进行规范化，假设规范化后的范围为[0,1]，则规范化后的语义值\overline{\theta}(s_{2})=\frac{0.5-0.5}{0.75-0.5}\times(1-0)+0=0，\overline{\theta}(s_{3})=\frac{0.75-0.5}{0.75-0.5}\times(1-0)+0=1。根据规范化后的语义值，在规范化后的语言术语集中找到对应的语言术语，组成规范化后的犹豫模糊语言元素。通过这样的一致化和规范化处理，使得不同决策者的评价信息具有可比性，为后续的权重确定和决策分析奠定了基础。4.3权重计算与决策分析在完成数据收集与预处理后，我们首先进行属性权重的计算。运用层次分析法（AHP）确定主观权重，邀请物流领域的资深专家，包括物流行业研究学者、具有丰富经验的物流企业管理者以及熟悉物流业务的企业内部专家等，对4个属性（运输效率、服务质量、成本控制、安全性）进行两两比较。专家们依据自身的专业知识和实践经验，采用1-9标度法，构建判断矩阵。例如，在判断运输效率和服务质量的相对重要性时，若专家认为运输效率比服务质量稍重要，则在判断矩阵中对应位置赋值为3；若认为两者同等重要，则赋值为1。经过多次讨论和意见汇总，得到判断矩阵如下：A=\begin{pmatrix}1&3&5&7\\1/3&1&3&5\\1/5&1/3&1&3\\1/7&1/5&1/3&1\end{pmatrix}通过计算该判断矩阵的特征向量和最大特征值，经归一化处理后得到主观权重向量w^s=(0.491,0.278,0.150,0.081)^T。计算最大特征值\lambda_{max}：AW=\begin{pmatrix}1&3&5&7\\1/3&1&3&5\\1/5&1/3&1&3\\1/7&1/5&1/3&1\end{pmatrix}\begin{pmatrix}0.491\\0.278\\0.150\\0.081\end{pmatrix}=\begin{pmatrix}2.014\\0.907\\0.491\\0.264\end{pmatrix}\lambda_{max}=\frac{1}{4}(\frac{2.014}{0.491}+\frac{0.907}{0.278}+\frac{0.491}{0.150}+\frac{0.264}{0.081})\approx4.018接着进行一致性检验，一致性指标CI=\frac{\lambda_{max}-4}{4-1}=\frac{4.018-4}{3}=0.006，随机一致性指标RI（4阶矩阵）查表得0.90，一致性比率CR=\frac{CI}{RI}=\frac{0.006}{0.90}\approx0.007\lt0.1，说明判断矩阵具有满意的一致性。再运用熵权法确定客观权重，根据预处理后的决策矩阵，对于效益型属性（运输效率、服务质量、安全性），采用公式y_{ij}=\frac{x_{ij}-\min_{i=1}^{n}x_{ij}}{\max_{i=1}^{n}x_{ij}-\min_{i=1}^{n}x_{ij}}进行归一化；对于成本型属性（成本控制），采用公式y_{ij}=\frac{\max_{i=1}^{n}x_{ij}-x_{ij}}{\max_{i=1}^{n}x_{ij}-\min_{i=1}^{n}x_{ij}}进行归一化。以运输效率属性为例，假设4家物流供应商在该属性上的原始值分别为x_{11}=0.8，x_{21}=0.6，x_{31}=0.5，x_{41}=0.7，则归一化后y_{11}=\frac{0.8-0.5}{0.8-0.5}=1，y_{21}=\frac{0.6-0.5}{0.8-0.5}\approx0.33，y_{31}=\frac{0.5-0.5}{0.8-0.5}=0，y_{41}=\frac{0.7-0.5}{0.8-0.5}\approx0.67。计算第j个属性下第i个方案的比重p_{ij}，如对于运输效率属性下的物流供应商A_1，p_{11}=\frac{y_{11}}{\sum_{i=1}^{4}y_{i1}}=\frac{1}{1+0.33+0+0.67}=0.5。然后计算第j个属性的熵值e_j=-k\sum_{i=1}^{n}p_{ij}\lnp_{ij}，其中k=\frac{1}{\lnn}=\frac{1}{\ln4}。计算运输效率属性的熵值e_1：e_1=-\frac{1}{\ln4}(0.5\ln0.5+0.33\ln0.33+0\ln0+0.67\ln0.67)\approx0.94再计算第j个属性的熵权w_j^e=\frac{1-e_j}{\sum_{j=1}^{m}(1-e_j)}，得到客观权重向量w^e=(0.235,0.286,0.268,0.211)^T。综合考虑主观权重和客观权重，取平衡系数\alpha=0.5，通过公式w_j^c=\alphaw_j^s+(1-\alpha)w_j^e计算综合权重向量w^c=(0.363,0.282,0.209,0.146)^T。运用构建的基于拓展TOPSIS法的决策模型对4家物流供应商进行排序和选择。首先确定正理想解A^+和负理想解A^-。对于运输效率（效益型属性），r_{1}^+=\max_{i=1}^{4}\{r_{i1}\}，假设经处理后4家物流供应商在运输效率属性上的值分别为r_{11}=0.8，r_{21}=0.6，r_{31}=0.5，r_{41}=0.7，则r_{1}^+=0.8；对于成本控制（成本型属性），r_{2}^-=\max_{i=1}^{4}\{r_{i2}\}。以此类推确定其他属性的正、负理想解值。然后计算各方案与正、负理想解之间的距离，采用基于欧几里得距离拓展的公式d_{i}^+=\sqrt{\sum_{j=1}^{m}w_j^2d^2(r_{ij},r_{j}^+)}，d_{i}^-=\sqrt{\sum_{j=1}^{m}w_j^2d^2(r_{ij},r_{j}^-)}。以物流供应商A_1为例，计算其与正理想解的距离d_{1}^+：d_{1}^+=\sqrt{0.363^2\times(0.8-0.8)^2+0.282^2\times(0.6-0.8)^2+0.209^2\times(0.5-0.6)^2+0