基于随机领袖选举机制的语言模糊信息演化用于决策系统

语言模糊信息演化对于理解代理人之间的信息交换至关重要。然而，不同的代理人权重可能导致在经典 DeGroot 模型中的不同收敛结果。类似地，在 Hegselmann-Krause 有限信心模型 (HK 模型) 中，更改代理人信心阈值值会导致最终结果的差异。为解决这些限制，本文提出了三种新的语言模糊信息动力学模型：基于每轮随机领袖选举机制的 DeGroot 模型 (PRRLEM-DeGroot)、基于 PRRLEM 的均匀 HK 模型 (PRRLEM-HOHK) 和基于 PRRLEM 的异质 HK 模型 (PRRLEM-HEHK)。在这些模型中，在每次模糊信息更新后，随机选择一个代理人作为具有更大影响力的临时领袖，领袖结构在每次更新后都会重置。这种策略通过整合多个代理人的评估信息来增加信息共享并增强决策，这也符合现实情况（领袖并非不变）。随后采用蒙特卡罗方法通过重复随机测试模拟复杂系统的行为，获取不同模糊信息的置信区间。随后提出改进的金色法则代表值 (GRRV) 来对这些置信区间进行排序。仿真实例和关于太空情报情报的真实场景验证了所提出模型的有效性。与其他模型的比较分析显示，我们能够解决回声室问题并提高鲁棒性。