本文提出将配对比较中的不一致性视为偏好不确定性的来源,通过生成所有基于生成树(spanning trees)的可行优先向量并保留其分布,从而用概率化指标(Pairwise Winning Indices, Rank Acceptability Indices)量化偏好稳健性;为解决生成树组合指数爆炸问题,提出基于随机游走(uniform random spanning trees)采样的统计框架,并给出样本量公式 It(λ,C)=Z_C^2/(4λ^2) 以满足精度与置信度要求,方法兼容不完全比较矩阵并在学校选择与电信骨干网案例中验证其可扩展性(在电信案例中用约20,000次抽样估计了21.7B组合的偏好分布)
| School A | School B | School C | |
|---|---|---|---|
| A | - | 0.51 (483246) | 0.91 (855063) |
| B | 0.49 (461538) | - | 0.89 (842130) |
| C | 0.09 (89721) | 0.11 (102654) | - |
| Rank | School A | School B | School C |
|---|---|---|---|
| 1st | 0.51 (483084) | 0.49 (461268) | 0.00 (432) |
| 2nd | 0.49 (372141) | 0.40 (381132) | 0.11 (191511) |
| 3rd | 0.09 (89721) | 0.11 (102384) | 0.80 (752841) |
问题规模:m=6(top-level criteria),n=4(备选方案:Fiber, Power-line, Microwave, Satellite);理论组合约 21.743 billion,实际采用 20,000 次随机游走采样(重复 20 次以估计稳定性)。
采样得到的平均得分(示例实验若干行见 Table 7,页21),结果稳定(各实验间标准差 < 0.005)。
Telecom 案例 PWI(平均 ± std)
| Fiber | Powerline | Microwave | Satellite | |
|---|---|---|---|---|
| Fiber | - | 0.63 ± 0.004 | 0.13 ± 0.002 | 0.09 ± 0.003 |
| Powerline | 0.37 ± 0.004 | - | 0.04 ± 0.002 | 0.09 ± 0.002 |
| Microwave | 0.87 ± 0.002 | 0.96 ± 0.002 | - | 0.51 ± 0.004 |
| Satellite | 0.91 ± 0.003 | 0.91 ± 0.002 | 0.49 ± 0.004 | - |
| Rank | Fiber | Powerline | Microwave | Satellite |
|---|---|---|---|---|
| 1st | 4.9% ± 0.2% | 2.5% ± 0.2% | 47.3% ± 0.3% | 45.3% ± 0.4% |
| 2nd | 11.3% ± 0.3% | 6.8% ± 0.2% | 40.2% ± 0.3% | 41.7% ± 0.4% |
| 3rd | 47.4% ± 0.4% | 28.5% ± 0.4% | 11.9% ± 0.2% | 12.3% ± 0.2% |
| 4th | 36.5% ± 0.4% | 62.2% ± 0.5% | 0.6% ± 0.1% | 0.7% ± 0.1% |
元数据与概览 — 报告要点
逐节深度解读
图表、表格与图像的逐个解读(图表为关键)
图 1(页面 6)說明 AHP 中如何从每个准则的成对比较矩阵经过 REV/RGM 提取每个备选方案的评分,再加上准则权重得到最终推荐分数;图中通过示意矩阵和表格展示了矩阵到决策表的转换流程,暗示单一解法丢失不一致信息 , .
图 2(页面 7)形象化生成树流程:从成对比较矩阵构建图,然后枚举不同生成树(图中小树集合),每个生成树对应一组优先向量,从而构成“多个心态”的集合;作者指出早期实践常对这些向量取平均,遮蔽了分布信息 .
图 3(页面 10)展示如何从每个准则/权重的生成树“库存”中各取一棵树来构造一张决策表,暗示总体组合的构建规则并说明枚举所有组合的含义与代价 , .
学校选择的示例(Section 3.3,页面 12–16):作者给出 6 个准则与 3 个学校的成对比较矩阵(具体矩阵在页面 13–14),并计算出用 RGM 得到的权重与评分以及使用生成树的全枚举结果(944,784 个组合)。表 1(页面 14)列出各准则下三所学校的评分,随后用所有生成树组合计算得到 Table 2(PWI)和 Table 3(RAI)(页面 16),结果显示学校 A 与 B 在第一名概率上接近(RAI 51% vs 49%),而学校 C 大概率处于最差位次(80%)——这直接体现了从分布角度对“不一致”进行解释的价值 , , .
随机游走验证(页面 18–19):作者通过对学校示例应用随机游走抽样并重复 20 次实验,比较从随机游走样本估计的 PWI/RAI 与从总体中抽样得到的结果,发现估计值与总体值相差在 1% 内,从而实证支持随机游走样本的有效性 , .
电信骨干网案例(Section 5,页面 20–22):实际案例涉及 4 种技术选项(光纤、配电线通信、电波链路、卫星)与 6 类顶层准则,顶层准则的成对比较矩阵 A_top 展示于图 6(页面 20),作者指出 REV 与 RGM 得出的权重接近(卫星与微波相互接近,REV 卫星约 29.95%、微波约 28.34%)但存在不一致与非传递结构需用生成树分析 .
对应的大规模组合计算:作者计算出顶层生成树数 6^4=1296 与每个备选方案矩阵生成树数 4^2=16,组合总数约 21.74 亿;通过对整个空间进行 20,000 次随机游走并重复 20 次实验,表 7(页面 21)给出 20 次试验中每次 20k 抽样得到的平均分数,标准差均小于 0.005,显示结果稳定性 .
表 8(PWI)与表 9(RAI,页面 22)总结样本估计:例如 PWI 显示微波相对于光纤与配电线的偏好概率分别约为 87% 与 96%,而微波对卫星约 51%,表明微波与卫星在顶层排序上存在接近竞争,光纤与配电线多为弱势选项;RAI 显示微波与卫星第一名概率分别约 47.3% 與 45.3%,而光纤、配电线仅 4.9% 與 2.5%,第三/第四名概率分布进一步揭示两组主导/被支配替代方案的差异 .
估值/计量方法解析(若适用)
风险因素与局限性评估(Section 6.3)
批判性视角与注意点
结论性综合(关键发现与建议)
若需下一步,我可以:
(全文中对报告内容的直接引用与解释均已在句末标注页码以便溯源。)
2107.01731.pdf