本文针对大规模群体决策（LSGDM）中的共识达成过程（CRP）进行改进。本文提出一个新的基于加性偏好关系（APR）的LSGDM方法，包括三个部分，1聚类算法2权重确定算法3CRP开发；更具体地，可以分为四个步骤，1聚类2分配权重3计算组内和组间共识性4反馈调整。聚类使用K-Means算法，两个特征是基于各客户端提出的偏好矩阵计算得来的指数；分配权重采用基于沙普利值的合作博弈，使用组平方兼容性测度构建特征函数，各客户端的沙普利值占总沙普利值的比重即为权重；组内一致性（共识）计算结果为组内各客户端APR与组内APR均值的距离的平均值；组间一致性（共识）计算结果为组内APR均值与基于权重的全局ARP均值之间的距离；反馈调整根据组内、组间是否达到一致性（共识）阈值，分为四种情况，使用简单加性权重方法（SAW）解决该多目标优化问题。Peng Wu, Fengen Li, Jie Zhao, et al. Consensus Reaching Process With Multiobjective Optimization for Large-Scale Group Decision Making With Cooperative Game[J]. IEEE Transactions on Fuzzy Systems 2023: 293-306.
本文的优点是在大规模群体决策过程中同时考虑了组内和组间一致性（共识），使决策过程更大凝聚共识。
本文的问题在于四个部分使用的技术：K-Means和两个指数、合作博弈的沙普利值、组内和组间的共识性计算、反馈调整使用的SAW，各部分之间的组合感太强，缺乏更细致的考虑。
2023年12月29日
- With Multiobjective Optimization Large-Scale Cooperativewith multiobjective optimization large-scale multiobjective representative optimization clustering cooperative cooperative evaluation selection feature multiobjective large-scale multiobjective classifiers imbalanced ensemble recognition-vgg convolutional large-scale recognition large-scale tensorflow cdeepfuzz learning vulnerability large-scale automated addition