Los puntos clave no están disponibles para este artículo en este momento.
A medida que aumenta el número de personas involucradas en un problema de toma de decisiones, la complejidad del proceso de toma de decisiones en grupo (GDM) aumenta en consecuencia. El tamaño de los participantes y la información heterogénea tienen efectos importantes en el proceso de alcance de consenso en GDM. Para abordar estos dos problemas, los métodos tradicionales dividen grandes grupos en más pequeños para reducir la escala de GDM y traducen la información heterogénea a un formato uniforme para manejar el problema de heterogeneidad. Estos métodos enfrentan dos desafíos: 1) ¿cómo determinar el tamaño de grupo apropiado? y 2) ¿cómo evitar o reducir la pérdida de información durante el proceso de transformación? Para abordar estos dos desafíos, este artículo utiliza el análisis de clúster difuso para integrar información heterogénea para problemas de GDM a gran escala. Primero, un gran grupo se divide en grupos más pequeños utilizando análisis de clúster difuso y se aplica la estadística F para determinar el número satisfactorio de clústeres. La información original se conserva en función del grado de similitud. Luego, se lleva a cabo un proceso de alcance de consenso dentro de estos pequeños grupos para formar una opinión unificada. Se desarrolla un mecanismo de retroalimentación para ajustar la matriz de GDM pequeña cuando cualquier grupo no puede alcanzar un consenso, y se utiliza la técnica de orden de preferencia por similitud a una solución ideal (TOPSIS) para seleccionar la mejor alternativa. Para validar el enfoque propuesto, se realiza un estudio experimental utilizando un ejemplo práctico de selección del mejor plan de rescate en una situación de emergencia. El resultado muestra que el enfoque propuesto ayuda a elegir el mejor plan de rescate más rápido.
Li et al. (Martes,) estudiaron esta cuestión.