یک تیم تحقیقاتی از دانشگاه RUDN الگوریتمی را برای کمک به گروه‌های بزرگی از افراد در تصمیم‌گیری بهینه در مدت‌زمان کوتاه ایجاد کرد. آن‌ها کارایی مدل خود را با استفاده از یک نمونه بازار که شیوع COVID-19 در آن آغاز شده بود، تأیید کردند. این مدل به دولت و فروشندگان کمک کرد تا در بستن بازار توافق کنند و فقط در سه مرحله در مورد مبالغ غرامت به اجماع برسند. مقاله‌ای در مورد این الگوریتم در مجله انفورمیشن ساینس منتشر شد.
LSGDM مدلی در تئوری تصمیم‌گیری است که شرایط تصمیم‌گیری را با بیش از ۲۰ شرکت‌کننده در سطح تخصصی توصیف می‌کند
تئوری تصمیم‌گیری، رشته‌ای از ریاضیات است که الگوهای تصمیم‌گیری و انتخاب استراتژیک را مطالعه می‌کند. از نظر ریاضیات، تصمیم‌گیری در مورد یک کار، بهینه‌سازی آن با چندین معیار است. هنگام تصمیم‌گیری درست، نظرات سنجیده، قضاوت‌ها و خطرات احتمالی متغیر در نظر گرفته می‌شوند و روابط بین شرکت‌کنندگان و جستجوی یک راه حل بهینه به‌عنوان عملیات ریاضی بیان می‌شود. LSGDM مدلی در تئوری تصمیم‌گیری است که شرایط تصمیم‌گیری را با بیش از ۲۰ شرکت‌کننده در سطح تخصصی توصیف می‌کند. نظرات آن‌ها تحت تأثیر روابط شخصی است. به‌عنوان مثال، دوستان از نظرات یکدیگر حمایت می‌کنند. این موضوع میزان عدم اطمینان را افزایش می‌دهد زیرا متقاعد کردن شرکت‌کنندگان و رسیدن به اجماع دشوارتر می‌شود. یک تیم تحقیقاتی از ریاضیدانان دانشگاه RUDN روشی را برای از بین بردن این عدم قطعیت پیشنهاد کردند.
پروفسور هررا ویدما، رهبر تیم تحقیقاتی در دانشگاه RUDN درباره این موضوع گفت:
به لطف پیشرفت‌های فن‌آوری امروز، افراد بیشتری شروع به شرکت در فرایندهای تصمیم‌گیری می‌کنند. به همین دلیل است که LSGDM به یک موضوع مهم برای محققان تبدیل شده است. در LSGDM، شرکت‌کنندگان حوزه‌های مختلف، مسائل مورد علاقه خود را نشان می‌دهند و بنابراین رسیدن به اتفاق نظر بیشتر طول می‌کشد. این فرایند به ناظری نیاز دارد که بتواند همه طرف‌ها را راضی کند تا نظرات خود را تنظیم کنند.
الگوریتم جدید باعث کاهش هزینه‌های نهایی می‌شود
راه‌حل پیشنهادی توسط تیم ریاضیدانان وی مبتنی بر روش به‌اصطلاح بهینه‌سازی قوی است. این برنامه برای کارهای بهینه‌سازی که به تغییرات داده‌های اولیه حساس هستند (در این مورد، روابط شخصی بین شرکت‌کنندگان). ریاضیدانان روش جدیدی را برای دسته‌بندی متخصصان به خوشه‌ها بر اساس قدرت رابطه و میزان اعتماد بین آن‌ها پیشنهاد کردند. این الگوریتم شامل چندین مرحله بود. اول، متخصصان به‌صورت خوشه‌ای طبقه‌بندی شدند. سپس، گروه خوشه‌ای را با نظر متمایز از نظر قضاوتی جمعی شناسایی کردند. و پس از آن، چنین عقیده‌ای اصلاح شد. این امر تا زمانی که همه شرکت‌کنندگان در مورد یک راه‌حل به توافق برسند، تکرار می‌شد. روش‌های تصحیح نظر از نظر ریاضی بی‌ارتباط بودند. تنها عاملی که اهمیت داشت هزینه مذاکره واحد بود؛ مقدار منابع (زمان، پول و…) که باید برای رسیدن به نتیجه مطلوب هزینه می‌شد.
تیم تحقیقاتی این مدل را برای یک نمونه در دنیای واقعی به کار بردند. پس از شیوع COVID-19، بازار غذاهای دریایی در ووهان باید تعطیل می‌شد. دولت به دنبال یک راه‌حل بهینه بود. دولت مجبور بود ضررهای فروشندگان را در مدت‌زمان تعطیلی بازار جبران کند. ریاضیدانان ۲۰ فروشنده را برای پرداخت غرامت متفاوت برای بستن دکه‌های خود انتخاب کردند (از ۲۰۰ تا ۹۰۰ یوان). شرکت‌کنندگان بر اساس عواملی مانند نظرات مشابه، مجاورت غرفه‌ها با یکدیگر و غیره به چهار خوشه تقسیم شدند. الگوریتم پیشنهادی تیم اجازه داد تا فروشندگان و مدیران فقط در سه مرحله به توافق برسند. مبلغ نهایی غرامت ۸۸۰ یوان بود و هزینه مذاکره برای اداره بازار در مقایسه با سایر مدل‌های موجود کمترین بود.
نظرات