面向多属性稳健排序与选择的偏好诱导信息不完全下偏好稳健序优先方法
最优化与控制
2025-06-10 v2
摘要
序优先方法（OPA）最近被提出，用于在缺乏精确信息的情况下利用序偏好确定专家、属性和备选方案的权重，以进行多属性排序与选择（MARS）。本研究将 OPA 扩展至信息不完全下的偏好诱导，以应对 MARS 中的参数与偏好不确定性。具体而言，我们在两阶段优化框架内提出了偏好稳健序优先方法（OPA-PR），以推广边际效用结构并解决排序参数与效用偏好中的歧义。在第一阶段，从效用偏好模糊集中诱导出最差情况边际效用函数，其特征为全局信息下的单调性、归一化、凹性与 Lipschitz 连续性，以及局部信息的矩型偏好诱导。在第二阶段，基于诱导出的边际效用函数优化决策权重，同时考虑范数、预算及条件风险价值模糊集内的排序参数。我们推导了 OPA-PR 的易处理重构，特别是通过对第一阶段边际效用偏好模糊集的分段线性近似来实现。该近似通过两个阶段的误差界进行了验证，为偏好诱导策略设计奠定了基础。通过应急供应商选择问题的数值实验展示了所提出的方法，包括实例、敏感性与比较测试。
引用
@article{arxiv.2412.12690,
title = {Preference Robust Ordinal Priority Approach with Preference Elicitation under Incomplete Information for Multi-Attribute Robust Ranking and Selection},
author = {Renlong Wang},
journal= {arXiv preprint arXiv:2412.12690},
year = {2025}
}
备注
N.A