考虑动态社交网络的大规模群体决策多目标优化共识模型

为什么选太阳能场地比看起来更难

随着各国加速减少碳排放，政府和企业必须决定在哪里建设新的太阳能电站。这些决定会影响地方景观、就业和电价，通常需要几十位背景和优先级各异的专家参与。本文提出了一种新方法，帮助大规模群体在此类复杂抉择上达成公平且高效的共识，聚焦于选择光伏（PV）电站最佳场址的案例。

众声合一的决策

像太阳能农场这样的重大项目很少依赖单一专家决策。工程师、环境科学家、规划人员以及社区代表都会参与其中。每个人基于当地日照情况、建设成本、环境影响和社会接受度等因素，对哪个场址最好有自己的判断。当参与人数达到20人或更多时，简单的投票或平均可能掩盖分歧，并可能偏向少数喧哗的意见。作者将这一挑战视为大规模群体决策，目标不仅是选出场址，还要达成大多数参与者认为可接受的协议水平。

在专家网络中融合信任与相似性

研究基于这样一个观点：专家并非孤立存在。有些人相互认识，有些人曾合作过，有些人自然更信任某些同事。与此同时，表达相似意见的专家更容易互相影响。作者将这两种因素合并为所谓的混合信任网络。在该网络中，每位专家根据彼此之间的信任程度和评估相似性与他人相连。随后采用社区检测方法——Louvain 算法——自动将专家分成紧密相连的子群体。这种聚类通过让过程以少数一致性良好的团队而非许多分散个体来运作，从而简化了问题。

在代价、公平与一致性之间权衡

达成共识几乎总是需要部分人调整其立场。作者设计了一个多目标优化模型，试图同时管理三项目标：降低总体调整努力、对参与者公平对待以及提高整体共识水平。此处的代价反映每位专家必须从其初始意见移动的程度。公平性衡量调整负担是否被均匀分担，而非主要落在少数人身上。共识则捕捉最终意见在子群内部及跨群体间的接近程度。利用进化搜索方法，模型生成一组妥协解，每一个都在代价、公平与一致性之间提供不同的权衡。决策组织者随后可选择最适合其情境的方案。

让信任随讨论演化

在真实讨论中，人们不仅会改变评分，也会改变对他人的信任程度。本文通过在每轮调整后更新信任网络来捕捉这一点。当两位专家的观点趋同时，彼此间的信任会增强；若观点仍然相距较远，信任增长则更慢或几乎不变。在更新这些信任连接后，方法会重新对专家进行分组并重新计算他们在决策中的影响力。该动态过程持续，直到总体一致性超过预设阈值或达到最大轮次为止，反映了真实委员会逐步达成共同结论的过程。

光伏案例展示了什么

作者在一个包含20位专家、4个候选地点和4个评估因素（资源可得性、建设成本、环境影响和社会接受度）的光伏电站选址问题上测试了他们的方法。起初，该方法将专家划分为四个子群，发现群体尚未达到期望的一致水平。经过应用优化并更新信任网络后，专家被重新聚类为三个子群，且其相对权重发生了变化。该过程最终在保持调整代价和公平性在合理范围内的同时，将共识水平提升到0.9597，并识别出一个作为最佳妥协的场址。

这对现实决策的意义

对于非专业读者，主要信息是复杂的公共决策不必成为竞争利益间的拔河。通过明确建模谁信任谁、谁观点相似以及每个人需让步多少，所提方法帮助大群体达成既高效又被认为公平的决策。尽管在光伏选址上进行了演示，同一框架也可用于基础设施、卫生政策或其他需要众多利益相关者共同承担结果责任的议题。

引用: Chen, G., Lang, A., Han, X. et al. A multi-objective optimization consensus model for large-scale group decision-making considering dynamic social networks. Sci Rep 16, 15314 (2026). https://doi.org/10.1038/s41598-026-45239-0

关键词: 群体决策, 社交网络, 信任建模, 光伏选址, 多目标优化