Each language version is independently generated for its own context, not a direct translation.

这篇文章提出了一种更聪明、更灵活的“打分”方法，用来帮助我们在做决定时，给一堆选项排个名。

想象一下，你正在组织一场盛大的晚宴，需要决定上什么开胃菜。你有 6 种选择：蘑菇、玉米饼、牛油果、 gyro 沙拉、鱼汤和奶酪拼盘。

1. 传统的困境：比较太累了

在传统的决策方法（比如 AHP 层次分析法）中，为了排出这 6 种菜的名次，你需要把它们两两比较。

蘑菇 vs 玉米饼？
蘑菇 vs 牛油果？
...一直比到奶酪 vs 鱼汤。

如果有 6 个选项，你需要做 15 次比较；如果有 20 个选项，你需要做 190 次比较！这太累人了，而且人很容易在比较过程中感到疲劳，导致判断不一致（比如觉得 A 比 B 好，B 比 C 好，结果又觉得 C 比 A 好）。

2. 这篇文章的妙招：引入“参照物”

这篇文章的核心思想是：你不需要比较所有的菜，只要有一些“参照物”（Reference Values）就够了。

参照物是什么？ 就像你心里已经知道“鱼汤”大概值 6 分，“奶酪”大概值 4 分（也许是因为以前卖过，或者你有明确的市场数据）。
怎么做？ 你只需要把新的、未知的菜（蘑菇、玉米饼等）和这些已知的参照物（鱼汤、奶酪）进行比较。
- 你不需要比较“蘑菇”和“玉米饼”，你只需要说：“蘑菇比鱼汤好吃多少？”、“玉米饼比奶酪好吃多少？”
- 剩下的未知菜之间的比较，如果没做，就让它空缺（用问号 ? 表示）。

3. 两种计算魔法：算术 vs 几何

既然有了空缺的比较，电脑怎么算出最终分数呢？文章提出了两种“魔法公式”：

魔法 A：算术平均法 (aiHRE) —— “大家投票的平均分”

这就好比问大家：“你觉得蘑菇比鱼汤好多少？”和“你觉得蘑菇比奶酪好多少？”。

如果有人说蘑菇是鱼汤的 2 倍，有人说蘑菇是奶酪的 1.5 倍。
算术法就像把大家的意见加起来除以人数。
优点：直观，容易理解。如果你认为每个判断都同等重要，这个方法很合适。
缺点：有时候如果数据太乱（比如缺少的比较太多，或者参照物太少），电脑可能算不出结果，或者算出负数（这在打分里是不合理的）。

魔法 B：几何平均法 (giHRE) —— “平衡的乘积”

这个方法稍微复杂一点，它不是简单的相加，而是像复利计算或混合颜色一样，取“乘积的根”。

它假设：如果有一个判断特别悲观（比如觉得某道菜很烂），它会比算术法更敏感地拉低最终分数。
优点：
1. 几乎总能算出结果：即使数据缺了很多，或者参照物很少，它也能算出合理的分数。
2. 最优化：数学上证明了，这个结果是在所有可能的误差中“最小”的，是最接近真相的。
缺点：计算过程稍微抽象一点，不如算术法那么“直白”。

4. 为什么这个方法很酷？（生活中的比喻）

比喻一：拼图游戏
传统的做法是让你把 1000 块拼图两两对比，找出它们的位置。
这篇文章的方法是：你先拿出几块已经拼好的角落（参照物）。然后你只需要把新拼图和这些角落对比。剩下的拼图之间就算没比过，电脑也能通过它们和角落的关系，自动推算出它们的位置。
比喻二：翻译官
假设你要给一群来自不同国家的人排座次。
- 传统方法：让每个人互相比较。
- 新方法：你找两个翻译官（参照物），他们的地位是已知的（比如一个是国王，一个是王子）。你只需要让每个人跟国王或王子比一比。电脑就能通过这两个翻译官，把所有人的地位都推算出来，哪怕他们之间从来没说过话。

5. 总结：我们该选哪个？

文章最后讨论了一个有趣的问题：选算术法还是几何法？

如果你是在估算具体的价格（比如给纪念品定价），且你认为所有的比较意见都同等重要，算术法可能更直观，因为它就是简单的平均。
如果你是在做复杂的排名，或者数据不完整、有矛盾，几何法更可靠。因为它数学性质更好，能保证算出结果，而且能自动“平滑”掉那些不合理的极端判断。

一句话总结：
这篇文章教我们如何偷懒（少做比较）但不降低质量。通过引入几个已知的“锚点”（参照物），利用两种数学公式，我们可以在信息不全的情况下，依然得到科学、合理的决策排名。这让做决定变得更快、更省钱，也更灵活。

Each language version is independently generated for its own context, not a direct translation.

基于参考值的不完整成对比较均值法：技术总结

本文提出了一种用于处理不完整成对比较矩阵（Incomplete Pairwise Comparison Matrices, PCMs）的定量方法，旨在计算权重向量。该方法结合了启发式评级估计（Heuristic Rating Estimation, HRE）思想与参考值（Reference Values），并扩展了现有的算术和几何 HRE 方法，使其能够处理缺失数据的场景。

以下是该论文的详细技术总结：

1. 研究背景与问题定义

背景：成对比较法（如 AHP）在多准则决策（MCDM）中广泛应用。然而，在实际应用中，获取所有 $n(n-1)/2$ 个成对比较数据往往是不切实际的，导致矩阵不完整。此外，许多决策场景中存在已知优先级的“参考对象”（如已知价格、已知历史绩效的选项）。
核心问题：如何在已知部分替代方案（参考替代方案 $A_K$ ）的权重，且成对比较矩阵存在缺失值（用 "?" 表示）的情况下，计算未知替代方案（ $A_U$ ）的权重向量？
现有局限：传统的 HRE 方法通常假设所有成对比较都是已知的。虽然 AHP 中已有处理不完整矩阵的方法（如 Harker 的 EVM 扩展），但将参考值与不完整矩阵结合，并分别提供算术和几何两种启发式估计的完整理论框架，此前尚不完善。

2. 方法论

论文提出了两种扩展方法：算术不完整启发式评级估计（aiHRE）和几何不完整启发式评级估计（giHRE）。

2.1 基本假设

将替代方案集合 $A$ 分为已知权重的参考集 $A_K$ 和待计算权重的未知集 $A_U$ 。
对于缺失的比较值 $c_{ij} = ?$ ，假设其符合最终的一致性关系，即 $c_{ij} = w(a_i)/w(a_j)$ 。

2.2 算术不完整 HRE (aiHRE)

原理：基于算术平均假设。未知替代方案 $a_i$ 的权重应等于其所有其他替代方案加权优先级的算术平均值。
数学模型：
通过引入缺失值的假设，将非线性问题转化为线性方程组 $Cw = b$ $C w = b$ 。
- 矩阵 $C$ 的对角线元素为 1，非对角线元素为 $-c_{ij}/(n-s_i-r_i-1)$ （其中 $s_i, r_i$ 分别为与未知集和参考集的缺失比较数）。
- 向量 $b$ 由已知参考方案的权重和比较值计算得出。
求解：直接求解线性方程组。

2.3 几何不完整 HRE (giHRE)

原理：基于几何平均假设，类似于几何均值法（GMM）。未知替代方案 $a_i$ 的权重是其所有比较项乘积的几何平均。
数学模型：
原始方程为非线性形式。通过对数变换（ $\ln w(a_i) = \bar{w}(a_i)$ $ln w (a_{i}) = \overset{w}{ˉ} (a_{i})$ ），将其转化为线性方程组 $\bar{C}\bar{w} = \bar{b}$ $\overset{ˉ}{C} \overset{w}{ˉ} = \overset{ˉ}{b}$ 。
- 矩阵 $\bar{C}$ 的对角线元素为 $(n-s_i-r_i-1)$ ，非对角线元素为 $-1$ （若比较存在）或 $0$（若比较缺失）。
- 向量 $\bar{b}$ 包含已知参考值的对数项及已知比较值的对数项。
求解：求解线性方程组后，通过指数变换还原权重。

3. 关键贡献与理论结果

3.1 解的存在性与唯一性

aiHRE (算术)：
- 论文证明了 aiHRE 解存在的充分条件。如果矩阵满足不可约对角占优（Irreducibly Diagonally Dominant）且常数项非负，则存在唯一正实数解。
- 给出了具体的不等式条件： $|A_K| - r_i + z_i \ge \sum c_{ij}$ ，其中 $|A_K|$ 是参考方案数量， $r_i$ 是缺失比较数， $z_i$ 是现有比较数。
- 指出该条件并非必要条件，即使不满足，代数解仍可能存在。
giHRE (几何)：
- 核心定理：证明了 giHRE 在更宽松的条件下总是存在唯一正实数解。
- 只要矩阵 $\bar{C}$ 是不可约的（即所有未知方案直接或间接可比），且至少存在一个未知方案与参考方案有直接比较，解就存在且唯一。
- 这意味着 giHRE 对数据缺失的容忍度更高，鲁棒性更强。

3.2 最优性证明

论文证明了 giHRE 是最优的。
定义了一个针对不完整矩阵的误差函数 $E^*(C, w)$ ，即所有已知比较项的对数误差平方和。
证明了 giHRE 计算出的权重向量能够最小化该误差函数。这与完整矩阵下的几何均值法（GMM）的最优性性质一致。

3.3 一致性与等价性

证明了当输入矩阵是一致的（Consistent）时，aiHRE 和 giHRE 会得出完全相同的权重向量。
当矩阵不一致时，两种方法结果不同，为决策者提供了选择依据。

4. 数值示例与结果

论文通过多个数值算例（如购买冰箱、广告牌设计、开胃菜选择、纪念品定价）展示了方法的应用：

灵活性：允许决策者自由选择参考方案的数量（从最少 $n-1$ 个比较到完整矩阵）以及缺失比较的范围。
结果对比：
- 在一致矩阵中，两种方法结果一致。
- 在不一致矩阵中，算术方法倾向于对极端值取平均（算术平均），几何方法则对低估值更敏感（几何平均），通常产生更保守的估计。
- 示例显示，即使参考方案数量很少，只要满足连通性条件，giHRE 也能稳定求解。

5. 意义与应用价值

降低决策成本：显著减少了决策者需要进行成对比较的次数，同时利用已知参考值填补信息空白，降低了数据收集成本。
防止秩逆转（Rank Reversal）：由于参考方案的权重是固定的，引入新方案时不会改变原有参考方案的相对权重，从而避免了传统 AHP 中常见的秩逆转现象。
与 AHP 的无缝集成：该方法可以直接嵌入 AHP 的层次结构中，作为节点计算权重的工具，增加了 AHP 处理复杂、不完整信息的灵活性。
理论完备性：填补了不完整成对比较矩阵结合参考值处理的理论空白，特别是证明了 giHRE 的解存在性和最优性，为实际应用提供了坚实的理论保障。

总结

该论文提出了一套基于参考值的不完整成对比较计算方法（aiHRE 和 giHRE）。其中，giHRE因其解的必然存在性和最小二乘最优性，在处理不完整数据时表现出更强的鲁棒性和理论优势；而aiHRE则提供了基于算术平均的直观解释。这两种方法为多准则决策领域提供了一种高效、灵活且理论严谨的新工具，特别适用于数据获取困难但存在部分已知基准的决策场景。

Mean-based incomplete pairwise comparisons method with the reference values