摘 要:信息集结方法是群体评价的重要研究内容，针对该问题本文对评价信息满意度进行测度，并基于此对群体信息的集结方法展开研究。该方法根据指标信息的变化赋予评价者不同的权重，以改变现有研究中评价者权重大多固定不变的做法，旨在使群体信息集结的结果更加公正和准确。首先对问题进行界定并给出评价信息满意度的定义；然后分别给出先验信息满意度和评价过程中的信息满意度的确定方法，利用先验信息满意度确定各评价者的初始权重，并利用评价过程中的信息满意度对其修正，从而得到各评价者的权重矩阵。最后，按照各评价者的评价信息满意度对群体评价信息进行集结。
关键词：群体评价；信息集结；评价信息满意度；评价者权重；权重矩阵
0 引言
群体评价是指多个评价者参与的综合评价问题，信息集结是群体评价问题不可忽视的重要环节，群体信息的集结质量直接影响最终的群体评价结果，因而群体信息集结方法的研究一直是综合评价领域的热点问题，目前已取得丰硕的成果，具体可以归结为以下几类：(1)基于OWA算子的信息集结方法[2～5]。文献[2]对模糊语言诱导的广义OWA算子进行了研究，并将其应用到模糊语言的决策问题中；文献[3]对OWA算子研究的最新情况进行了可视化的分析和总结，并得出OWA算子在多属性决策中的研究是目前的最新研究方向。(2)基于密度算子的信息集结方法[6～9]。文献[6]对诱导密度算子及其性质进行了详细的分析；文献[7]将密度算子扩展到评价信息为二元语言的情况中；文献[8]根据信息分布的疏密程度，提出二维密度加权算子并将其应用在群体信息的集结中。(3)针对AHP法中判断矩阵的集结方法[10～12]。文献[10]通过计算最优可能满意度的群判断矩阵对评价信息进行集结；文献[11]运用植物模拟生长算法探讨群体专家判断矩阵的集结方法；文献[12]分别对区间数AHP法和区间数模糊判断矩阵的集结方法展开了研究。(4)基于信息偏好的信息集结方法[13,14]。文献[13]提出基于群组判断集合离差的同质性信息集结方法并用于群体决策中；文献[14]提出两种使群体达成共识的方法并对基于个体偏好的群体信息集结方法进行研究。
从群体评价的角度看，由于参与评价的人数及需要集结的数据相对较多，因此信息集结变的更加复杂。对于集结群体信息的一类解决方法是，根据不同评价者的重要程度确定不同评价者的权重系数，然后按加权平均法进行信息集结，但这类方法存在2个问题：(1)忽视评价者的经验信息对信息集结结果的影响，而经验信息可以用于辅助判断评价者提供的信息的可能准确程度；(2)评价者权重通常代表评价者给出的所有评价信息的权重，而同一评价者对被评价对象不同评价指标的认知程度很可能不相同，因而应根据评价信息的不同赋予同一评价者不同的权重。针对上述2个问题，本文提出一种考虑评价信息满意度的信息集结方法，以进一步提高群体信息集结的科学性和准确性。
1 问题描述
设评价者集合为S={s1,s2,…,sn}，被评价对象集合为O={o1,o2,…,op}，评价指标集合为X={x1,x2,…,xm}，评价者初始权重的集合为Ω={ω1,ω2,…,ωk}，由评价者的经验信息确定。xijk表示评价者sk对于被评价对象oi关于评价指标xj的赋值，yik表示评价者sk给出的被评价对象oi的评价值，其中i=1,2,…,p;j=1,2,…,m;k=1,2,…,n，不失一般性，令m,n,p≥3，由xijk组成的评价信息矩阵如表1所示。如何将每个评价者的评价信息(xijk或yik)集结到一起是本文解决的重点问题。
表1 各评价者的指标信息
被评价对象s1s2…snx1x2,…,xmx1x2,…,xm… x1x2,…,xmo1x111 x121 … x1m1x112 x122 … x1m2x11n x12n … x1mno2x211 x221 … x2m1x212 x222 … x2m2…x21n x22n … x2mn︙︙ ︙ ︙ ︙︙ ︙ ︙ ︙ ︙︙ ︙ ︙ ︙opxp11 xp21 … xpm1xp12 xp22 … xpm2xp1n xp2n … xpmn
2 基于评价信息满意度的信息集结方法
评价信息满意度是指按照某一原则或从某一(些)方面对评价信息(本文主要指评价者的经验信息和评价过程中的信息)的满意程度的数值测量。具体方法如下。
2.1评价信息满意度矩阵的确定
对各评价者的原始评价信息数据{xijk}或{yik}进行预处理，为方便起见，记预处理后的指标数据仍为{xijk}或{yik}，并使xijk∈(0,1)，yik∈(0,1)。
(1)指标信息满意度矩阵的确定
(1)
其中Ak表示构造的评价者sk的个体指标信息满意度矩阵，ξjk表示由评价者sk的指标信息矩阵得出的指标xj的信息量大小，表示评价者sk对被评价对象oi在评价指标xj下的赋值与所有评价者对其赋值的均值的距离，表示评价者sk对被评价对象oi在评价指标xj下的赋值与所有评价者对其赋值的平均值的偏离程度，其中
“对！咱既不张贴广告，也不挨家逐户去央求。来一次微信借力，让信息与朋友圈来解围我家渔需铺子！”老张这么说着，就召集来全家人和店员们，开个“诸葛亮”会，如此这般地拟就微信稿：“因家遇特殊原因，加之市场搬迁规整，本店渔需仓储困难。恭请客家养殖好友提前来点购买渔需物资，本店承诺：所有渔需物资三天内售价下浮，让利销售，以飨各位！”
当评价信息为评价值时的集结方式为：
1)对于不同评价者的指标信息，计算各被评价对象不同评价指标的特征比重
(2)
其中
2)对于不同评价者的指标信息，计算各评价指标的熵值
(3)
其中，调节系数
应理论联系实际，偏重应用 现代教育技术作为师范生的职前教育课程和教师的职后教育课程，应该更加注重实践应用，弱化理论深度，积极吸纳本科教学实践经验；还应保持与有经验一线教师的联系，掌握各学科的发展情况，有助于教材的完善和实用性的规划。
(4)
其中ξjk∈(0,1)。
ξjk越大，对评价者sk的指标信息的满意程度越高，反之ξjk越小，对评价者sk的指标信息的满意程度越低为单个评价者的指标信息与所有评价者信息的均值的偏离程度，值越低说明满意程度越高，反之，值越高说明满意程度越低。
(2)评价结果满意度矩阵的确定
评价结果满意度矩阵的确定方法与指标信息满意度矩阵的确定方法类似，不同的是评价信息满意度矩阵的个数与评价者的个数相同，而评价结果满意度矩阵只有一个。
由先验信息确定评价者初始权重的方法
(5)
总之，Blackboard平台协助教师进行探究式教学设计，以良好的结构方式组织语文资源，使学生快速定位自己所需的语文资源。学习活动的组织者和参与者利用小组合作功能，在同一主题下进行交流和总结，确实达到了“课程改革目标”中提到的“培养学生搜集和处理信息的能力、获取新知识的能力、分析和解决问题的能力以及交流与合作的能力”，提高了课堂教学效率，提高了教学的整体质量。
2.2评价者权重的确定
由于根据先验信息(如权威度、知识水平、实践经验等)确定的评价者初始权重对当前实际问题的考虑相对较少，甚至会出现与实际情况不符的情况，因此应利用本次评价活动的评价信息对评价者初始权重进行修正。
E
本文由先验信息确定的评价者初始权重主要通过评价者的先验信息满意度进行衡量，评价者的先验信息满意度则通过各评价者在过去几次参与评价活动中给出的评价结果与该评价活动最终的评价结果的相似程度确定，具体方法如下。
(6)
式中，μk表示评价者sk的先验信息满意度，gk(ta)表示评价者sk在过去ta(a=1,2,…,h)时刻的先验信息满意度的大小(可以采取打分等形式确定)，πa为ta时刻的先验信息满意度的权重。πa的值可按模型(7)计算，其含义见文献[15]。
(7)
其中“时间度ε”可根据实际情况按表2确定。
表2 “时间度”的标度参考表
赋值(ε)说明0.1非常重视近期数据0.3较重视近期数据0.5同样重视所有时期数据0.7较重视远期数据0.9非常重视远期数据0.2、0.4、0.6、0.8对应以上两个相邻判断的中间情况
因此评价者初始权重的计算如下：
(8)
评价者修正权重的确定
3)计算各评价者的不同评价指标包含的信息量ξjk
(1)集结指标信息时评价者权重的修正
当集结指标信息时评价者初始权重的修正原则是对不同指标信息分别修正，方法如下：
其中，eik表示信息yik的满意度，ηi为评价者sk给出的所有评价值提供的信息量大小，计算方法与熵值法相同，表示评价者给出的被评价对象的评价值与所有评价者给出的评价值的均值的偏离程度，其中
(9)
式中，rijk表示对评价者sk的指标信息xijk的权重修正系数，通过aijk影响评价者sk对评价指标xj的整体认知程度和对被评价对象oi的整体认知程度共同确定，ωijk表示对xijk的赋权，rijk的计算方法如下：
(10)
式中，fijk表示评价者sk对被评价对象oi的总体认知程度受指标信息xijk的影响程度，gijk表示评价者sk对评价指标xj的总体认知程度受指标信息xijk的影响程度，fijk和gijk的计算方法如下：
(11)
(12)
(13)
其中，sik表示评价者sk赋予被评价对象oi的所有指标信息的满意度的均方差，表示在不考虑aijk时评价者sk给出的被评价对象所有指标信息的满意度的均方差，式中。
(14)
(15)
(16)
其中，sjk表示评价者sk给出的指标xj下的所有信息的满意度的均方差，表示在不考虑aijk时评价者sk赋予指标xj下的所有信息的满意度的均方差，式中
(2)集结评价值时评价者的修正权重
集结评价值时评价者初始权重的修正原则是对各评价者给出的不同评价值分别修正，具体方法如下：
纳入标准：①年龄18岁及以上的近视和散光患者；②球镜度＞-6.00 D，柱镜度＜ 2.00 D；③屈光度数稳定2年以上，每年变化＜0.5 D；④角膜地形图检查正常；⑤软性角膜接触镜停戴1～2周，硬性角膜接触镜停戴3～4周，角膜塑形镜停戴3个月以上。
(17)
式中，lik为权重修正系数，表示评价者sk对被评价对象oi的整体认知程度，zik表示修正后各评价者不同评价结果的权重，lik的计算方法如下：
沈璟的改编原则是基于协调音律、使作品适合演出的考虑，是以音律问题为戏曲审美的核心；汤显祖对沈璟改编《牡丹亭》不满的原因，在于认为这一作法损伤了作品力图表现的自我体认，所谓“彼恶知曲意哉”，反映出汤显祖认为曲应注重作家心灵、精神层面的书写，以文学审美为核心。这种核心因素的变异，也是嘉、万文人自觉修正元代以来曲学理论的必然结果。
(18)
2.3基于评价信息满意度的群体信息集结模型
当集结指标信息xijk时，按照§2.2计算出的各评价者权重矩阵如下：
(19)
当集结信息为评价值yik时，根据§2.2计算出的各评价者的权重向量如下：
Zk=(z1k,z2k,…,zik)
(20)
因此当评价信息为指标信息时的集结方式为：
基本指令是可编程控制编程中的重要组成部分，有 LD、LD NOT、AND、AND NOT、OR 等。基本指令多用于简单控制，编程较为灵活；对于繁琐的控制，若仅使用基本指令，编程较复杂，可用功能指令配合编程使其程序简化，且所编的程序较易阅读。
(21)
可用熵值法计算ξjk[1]。具体计算过程如下：
Y
(22)
2.4群体信息集结的具体步骤
综上所述，归纳出基于群体评价信息满意度的信息集结方法的步骤：
此外，大部分用户在洗衣时，往往会纠结洗涤剂究竟该放多少，放多了怕残留，放少了唯恐洗不干净。东芝DGH-117X6DZ凭借超微纳米气泡(UFB)技术的应用，能使用溶媒能高的UFB水，扩散纤维中残留的洗涤剂成分，提高漂洗性能，消除洗涤剂残留，进而呵护家人尤其是萌娃的娇嫩皮肤。
卢米斯和克里皮(Loomis&Crespi，1999)对美国旅游目的地气候变化对8种休闲娱乐活动产生的冲击和影响进行了研究，他们构建了一个旅游目的地休闲娱乐活动天数与天气温度及降雨量之间互相影响的均衡模型。在该模型中，当气温上升25℃，降雨量减少7%时，他们预测滑雪活动的天数将大幅下降(-52%)，而打高尔夫的天数将上升(14%)，海滨休闲活动的天数将上升(14%)，去水库垂钓等休闲活动的天数也将增加(9%)。
步骤1收集参评价者的相关信息，利用式(6)及式(7)确定对各评价者的先验信息满意度，并利用式(8)确定各评价者的初始权重ωk。
SLAM能同时达到全景影像与激光点云同步采集与匹配的目的，提高了城市地下空间三维数据的效率和精度，并能大幅降低数据采集与处理成本，广泛应用于城市地下综合管廊测量。
步骤2请各评价者根据实际问题分别给出评价信息，并对这些信息进行预处理。
步骤3利用熵值法和式(1)～式(5)计算需要集结的评价信息的满意度矩阵Ak或E。
步骤4根据式(10)、式(16)或式(18)计算各评价者的权重修正系数rijk或lik，并根据式(9)或式(17)计算各评价者的修正权重矩阵Ωk或向量Zk。
步骤5根据不同的评价信息，选择式(21)或式(22)对评价信息进行集结，计算出群体信息最终的集结结果X或Y。
2.5关于方法的几点说明
(1)评价信息满意度的确定综合考虑了单个评价者局部信息的离散程度和所有评价者同一信息间的偏离程度。
(2)对先验信息确定的评价者初始权重进行修正，有利于降低因先验信息不能完全反应各评价者在此次评价中的表现而出现的专家权重不合理的问题。
(3)评价者的初始权重在修正的过程中分解成多了个权重，避免以一个评价者权重代表该评价者所有评价信息重要程度的弊端。
(4)信息集结过程中选择“和型”公式，可以突出满意度高的评价者的作用，但根据实际问题也可以选择不同类型的集结模型。
(5)由于方法中采用了熵值法，因此要求预处理后的指标值大于零，所以在指标数据的预处理过程中需要注意该问题。
(6)若出现各评价者对同一被评价对象的同一指标的预处理值完全相同的极端情况，该方法失效。
施工程序按实际荷载加载步骤进行：①所有钢结构单元安装；②桥面板重量加载；③桥面系纵、横梁与桥面板联合截面形成；④二期恒载加载；⑤运营阶段荷载加载、组合。
3 应用算例
某市预实施一项电动汽车充换电设施工程项目，目前有4个方案并请4位专家对其从6个指标进行评价，这6个指标分别是安全可靠性x1、先进性x2、经济效益x3、造价控制x4、环境影响x5和实用性x6，所有指标信息均由评价者结合实际情况给出(已做预处理)见表3～表6，各评价者过去5次参与评价活动时的信息(先验信息的打分)见表7。
通过麦肯齐河水系，大量的浮木漂流入海进入北冰洋，在那里与海冰冻在一起，海冰在融化之前会顺着波弗特环流将漂流木带到遥远的海岸线上。通过研究北极漂流木的数量和分布，研究人员可了解到更多过去12 000年里关于洋流、海冰和气候变化的信息。
表3 专家s1给出的指标信息
x1x2x3x4x5x6o10.240.270.300.260.210.26o20.260.230.220.270.270.25o30.240.260.240.210.260.21o40.260.230.240.260.260.27
表4 专家s2给出的指标信息
x1x2x3x4x5x6o10.250.220.300.220.220.21o20.240.270.250.240.270.28o30.230.290.210.280.260.22o40.290.220.230.250.250.29
表5 专家s3给出的指标信息
x1x2x3x4x5x6o10.250.220.250.240.250.21o20.250.270.270.260.220.23o30.240.280.230.250.280.28o40.270.230.260.250.250.28
表6 专家s4给出的指标信息
x1x2x3x4x5x6o10.280.240.260.240.220.22o20.270.240.270.220.280.27o30.200.270.280.260.240.26o40.250.240.200.270.260.24
表7 各专家过去评价活动的评分
t1t2t3t4t5s175383s284577s368574s449853
应用本文的研究做如下计算：
(1)按式(7)可得πa=(0.128,0.157,0.192,0.235,0.288)，按式(6)可得4位专家的先验信息满意度分别为5.001，6.273，5.781，5.500，根据式(8)可得4位专家的初始权重为ωk=(0.22,0.28,0.26,0.24)。
父亲忽然记起了什么，说：“嘿，你看，人老了忘心大，鞋子里有东西老是硌脚。昨天黄昏在后山坡地里搬苞谷，又到林子里为你受凉的老娘扯了一把柴胡和麦冬，树叶啦，沙土啦，鞋子都快给灌满了，当时没抖干净，衣服上头发上粘了些野絮草籽，也没来得及理个发，换身像样的衣服，就这么争慌慌来了。走，孙女儿，带我下楼抖抖鞋子，帮我拍拍衣服上的尘土。”我说，就在屋里抖一下，怕啥，何必下楼。父亲执意下楼，说新屋子要爱惜，不要弄脏了。
(2)按式(1)～式(4)计算4位专家的评价信息满意度矩阵，其中c=0.5，为节省篇幅，表8仅列出专家s1的计算结果(下同)。
表8 专家s1各指标信息的满意度
x1x2x3x4x5x6o10.3020.2950.3020.3040.3040.295o20.3040.3000.3000.3020.3050.306o30.3030.3020.3100.2950.3090.298o40.3050.3070.3070.3070.3080.309
(3)根据式(10)～式(16)计算4位专家权重的修正系数，结果见表9。
表9 专家s1的权重修正系数
x1x2x3x4x5x6o10.1620.5340.3000.2960.1160.195o20.1210.3280.3240.2570.0560.173o30.0950.4370.2460.5510.2540.266o40.1640.3740.1210.2190.1280.206
(4)根据式(9)计算4位专家的权重矩阵，计算结果见表10。
表10 专家s1的权重矩阵
x1x2x3x4x5x6o10.1410.4870.2710.2630.1000.167o20.1040.2920.2900.2290.0480.152o30.0850.3980.2200.5070.2260.240o40.1400.3370.1060.1920.1120.178
(5)按式(21)求解最终集结成的群信息，结果见11。
表11 最终的群集结结果
x1x2x3x4x5x6o10.2560.2460.2790.2410.2200.220o20.2500.2550.2510.2570.2650.252o30.2150.2730.2360.2410.2650.253o40.2710.2310.2220.2560.2560.277
从各评价者的权重矩阵中可以看出，在信息集结的过程中各评价者的指标信息中的不同元素的重要程度是不同的，同一评价者不同元素的权重差距甚至很大，说明本文提出的方法能够反映出同一评价者给出的不同评价信息的准确程度是不同的，因此应根据信息的变化赋予其不同的权重，这也与实际情况相符。
Zhu等[24]通过反向pcr克隆了从Penicillium sp.D-1的壳聚糖酶编码，对其进行cDNA序列分析，在基因中并未发现内含子，因此推断酶由250个氨基酸组成，其中包括由20个氨基酸所组成的信号肽，并且该蛋白序列与Talaromyces stipitatus B8M2R4中的GH75家族的壳聚糖酶相似度达到了83.6%，且这种酶已在Escherichia coli中实现了大量表达。
4 结束语
针对如何集结多个评价者的评价信息问题，本文通过考虑评价信息的满意度，对群体信息的集结方法进行了研究，其特色主要有：(1)提出评价信息满意度的概念，尝试性的从离散程度的角度对其进行测度，并从群体评价信息满意度的角度构建信息集结方法，(2)考虑了评价者先验信息的重要作用，并综合利用评价者的先验信息以及评价过程中的信息确定各评价者的权重。(3)方法打破以往研究中评价者权重固定不变的思想或做法，而是在集结过程中对评价者的不同信息赋予不同的权重，使处理过程更加公正、合理。文中最后通过一个算例说明了方法的应用过程，从算例也可以看出本文提出的群体信息集结方法的合理性。
参考文献：
[1] 郭亚军.综合评价理论、方法及应用[M].北京：科学出版社，2007.
[2] Xian S, Zhang J, Xue W. Fuzzy linguistic induced generalized OWA operator and its application in fuzzy linguistic decision making[J]. International Journal of Intelligent Systems, 2016, 31(8): 749-762.
[3] He X, Wu Y, Yu D, et al. Exploring the ordered weighted averaging operator knowledge domain: a bibliometric analysis[J]. International Journal of Intelligent Systems, 2017, 32(11): 1151-1166.
[4] Kim E Y, Ahn B S. Implicit elicitation of attitudinal character in the OWA operator[J]. International Journal of Intelligent Systems, 2018, 33(2): 281-287.
[5]ukasz Gadomer, Sosnowski Z A. Knowledge aggregation in decision-making process with c-fuzzy random forest using OWA operators[J]. Soft Computing, 2018(2): 1-15.
[6] 易平涛,李伟伟.诱导密度算子及其性质分析[J].系统管理学报,2011,20(5):527-532.
[7] 易平涛,李伟伟,郭亚军.二元语义密度算子及其在多属性决策中的应用[J].控制与决策,2012,27(5):757-760.
[8] 张发明,郭亚军,易平涛.基于二维密度加权算子的群体评价信息集结方法[J].系统管理学报,2009,18(4):397- 401.
[9] 易平涛.多源信息密度集结算子理论及应用[M].北京：科学出版社，2012.
[10] 焦波，黄赪东，黄飞，李伟.一种基于最优可能满意度的群AHP判断矩阵集结方法[J].控制与决策,2013,28(8):1242-1246.
[11] 李磊，李静，李彤.专家判断矩阵集结的一种最优方法[J].系统工程，2016(9):120-127.
[12] 姚升保，李武.群决策中两类区间数判断矩阵的集结方法研究[J].中国管理科学,2015,23(s1):47-51.
[13] 张仲敏，李俊山，宋凭，杨亚威.一种基于群组判断离差的偏好集结方法[J].控制与决策，2015，30(11)：1960-1966.
[14] 吴志彬，徐雷.两种基于个体偏好集结的多属性群决策共识方法[J].控制与决策，2014，29(3)：487- 493.
[15] 郭亚军,姚远,易平涛.一种动态综合评价方法及应用[J].系统工程理论与实践，2007，27(10)：154-158.
ResearchintoanInformationAggregationMethodBaseonSatisfactionDegreeofGroupEvaluationInformation
GONG Cheng-ju1, YI Ping-tao2, GUO Ya-jun2, LI Wei-wei2
(1.SchoolofEconomicsandManagement,HarbinEngineeringUniversity,Harbin150001,China; 2.SchoolofBusinessAdministration,NortheasternUniversity,Shenyang110169,China)
Abstract:Information aggregation method is an important research in group evaluation. This paper proposes a method to determine the satisfaction degree of group evaluation information, and further researches a group information aggregation method. In order to further improve the fairness and accuracy, a different weight instead of a fixed one is placed on each index from the same expert in this method. Firstly, the evaluation situation and question are developed, and the satisfaction degree of the evaluation information is defined. Secondly, the methods to determine the satisfaction degree of priori information and the one of current information are presented respectively. The former is used to determine initial weights of experts, and the latter is used to modify those weights. A weight matrix of every expert can be determined in this process. Finally, the final aggregation result of group information is obtained by using these weight matrixes.
Keywords:group evaluation; information aggregation; satisfaction degree of evaluation information; weights of experts; weight matrix
中图分类号：C934
文章标识码：A
文章编号：1007-3221(2019)06- 0153- 06
doi:10.12005/orms.2019.0139
收稿日期：2017-12-17
基金项目：国家自然科学基金项目(71671031，71701040，71801061，71872056);教育部人文社会科学研究青年项目(17YJC630067)；中央高校基本科研业务费专项资金重点项目(3072019CFJ0902,3072019CFW015,HEUCF180901)
作者简介：宫诚举(1991-)，男，黑龙江牡丹江人，副教授，管理学博士，主要研究方向：综合评价理论与方法。
标签：评价者论文; 信息论文; 评价论文; 权重论文; 满意度论文; 社会科学总论论文; 管理学论文; 决策学论文; 《运筹与管理》2019年第6期论文; 国家自然科学基金项目(71671031; 71701040; 71801061; 71872056)教育部人文社会科学研究青年项目(17YJC630067)中央高校基本科研业务费专项资金重点项目(3072019CFJ0902; 3072019CFW015; HEUCF180901)论文; 哈尔滨工程大学经济管理学院论文; 东北大学工商管理学院论文;