基于大语言模型多智能体系统（WALMAS）的空间多准则决策权重分配方法及其在垃圾填埋场选址中的应用

本研究针对空间多准则决策（SMCDM）中专家权重分配存在主观偏见、资源消耗大及难以达成共识等问题，提出了一种基于大语言模型（LLMs）和多智能体系统（MAS）的权重分配方法（WALMAS）。该方法利用GPT-4o、Gemini和Copilot等LLMs模拟不同领域专家，通过四分位距（IQR）去噪和Kendall's W共识算法实现高效可靠的权重收敛。案例研究表明，WALMAS在垃圾填埋场选址中能有效替代传统专家加权，提升决策效率与一致性，为GeoAI辅助决策提供了创新范式。

　　

在复杂的空间规划问题中，如基础设施开发、环境影响评估和土地利用优化，空间多准则决策（Spatial Multi-Criteria Decision-Making, SMCDM）方法已成为关键工具。其中，准则权重的分配通常通过专家评估执行，这是这些方法论的核心环节。传统加权方法包括直接评分、配对比较、点分配和排序法等，尽管直接加权简单直观，但容易受到人类偏见的影响；配对比较虽能评估相对重要性，但过程繁琐；点分配和排序法也各具特点，但都面临主观性强、资源密集和达成共识困难等挑战。近年来，虽然出现了结合模糊逻辑、灰色理论等处理不确定性的新方法，如模糊AHP（Analytic Hierarchy Process）、模糊SWARA-BWM（Step-Wise Weight Assessment Ratio Analysis-Best Worst Method）等，但群体决策中的偏见、耗时和协调难题依然突出。特别是在涉及不同利益群体的冲突时，群体加权方法在空间多准则决策中虽被提出，但协同多准则空间决策分析（Collaborative Multi-Criteria Spatial Decision Analysis, CMSDA）仍面临显著障碍，包括专家主观偏见、资源消耗大以及意见分歧时难以达成共识等问题。这些限制催生了对人工智能替代方案的需求，尤其是大语言模型（Large Language Models, LLMs）如GPT-4o、Gemini和Copilot的出现，为模拟专家推理和聚合多样视角提供了新途径。多智能体系统（Multi-Agent Systems, MAS）则能通过协作过程促进权重操作并达成共识，从而有望解决传统方法的痛点。

为了探索LLMs和MAS在替代或增强专家加权方面的潜力，Mohammad H. Vahidnia在《Geomatica》上发表了这项研究，聚焦于方法整合、优势与限制，并以垃圾填埋场选址中的准则加权作为案例验证。研究采用了Weight Assignment by LLM-based MAS（WALMAS）方法，主要技术方法包括：首先，利用多种LLMs（OpenAI GPT-4o、Google Gemini和Microsoft Copilot）作为初级代理，模拟不同领域专家（如环境、城市规划、地理和社会专家）生成初始权重；其次，通过解析和提取LLMs响应中的数值权重，使用标准定性量表（如低重要性到极端重要性对应1-9分）进行直接加权；然后，应用两层算法处理权重，第一层使用四分位距（Interquartile Range, IQR）方法去除异常值，第二层基于Kendall's W指数进行迭代协商和共识达成；最后，在GeoAI框架下，通过多智能体协商过程实现权重收敛，并使用Python程序实现算法，数据公开于GitHub仓库。案例涉及9个准则，包括地形、地质、含水层和地表水等，通过敏感度分析和人类专家满意度评估验证方法的有效性。

研究结果部分从多个方面展示了WALMAS方法的性能。在初始权重获取分析中，热图显示不同LLMs代理为特定准则生成了可比较的权重，GPT-4o、Gemini和Copilot均表现出高度一致性，但权重模式存在差异：GPT-4o赋予监管合规性（Regulatory Compliance）和定居点与城市中心（Settlements and Urban Centers）较高权重（均值分别为7.76和7.63），而气候和天气条件（Climate and Weather Conditions）和坡度（Slope）权重较低；Gemini则显示更均匀的权重分配，但所有标准差相同（0.50），可能反映其输出的同质性；Copilot对定居点与城市中心赋予最高权重（8.49）。总体而言，Copilot倾向于分配较高权重，Gemini较低，GPT-4o居中，平均标准差分别为0.3345、0.4398和0.3903，表明权重集中度高，分散度小。在MAS共识达成结果中，Python程序实现了权重加载、异常值去除和聚合，迭代协商过程基于Kendall's W收敛，设置最大迭代100次、学习率α为0.5、收敛阈值ε为1e-4。密度图显示IQR方法有效减少了权重变异性，使分布更平滑；迭代图显示共识在4次迭代后基本达成，例如对于监管合规性等准则，专家组权重通过调整率向全局均值靠拢，最终实现Kendall's W接近1的完全一致。收敛权重的优先顺序为：监管合规性（7.56）、定居点与城市中心（7.11）、城市发展和基础设施位置（6.80）、生态敏感性（6.28）、坡度（5.88）、气候和天气条件（5.09）、含水层和地表水（4.90）、地质（4.40）和地形（4.02）。敏感度分析表明，学习率α低于0.7时收敛概率高，而专家组移除分析显示环境与自然资源（NER）组对地形、坡度等准则权重影响显著，其移除会导致权重平衡变化大；人类专家满意度调查显示，83%的专家同意准则优先顺序，86%认为AI适合参与加权，70%会选择相同权重，证实了方法的可接受性。在权重应用示例中，伊朗Mazandaran省的垃圾填埋场适宜性地图生成中，使用加权和算子应用最终权重，结果显示东部和西北部区域适宜性高，验证了WALMAS在实际空间决策中的可行性。

研究结论强调，WALMAS方法通过LLMs和MAS的结合，有效缓解了SMCDM中的偏见和资源问题，其优势包括：生成大量权重案例（如240个权重 per criterion），减少主观性；权重分散度低（标准差仅占范围4.18%），提升稳定性；可扩展至复杂问题，适应多样专家视角；并通过IQR去噪和Kendall's W共识算法，主动推动权重收敛，优于简单平均或聚类方法。敏感度分析还揭示了特定专家组（如NER）的关键作用，为决策优化提供了 insights。然而，挑战包括LLMs的黑箱特性导致可解释性不足、权重可能缺乏空间上下文敏感性、以及依赖软件代理可能引入训练数据偏见。未来方向包括开发混合框架结合人类专家、探索替代共识度量如Spearman相关或贝叶斯模型、以及引入模糊值处理不确定性。总之，这项研究为GeoAI辅助决策提供了创新工具，通过WALMAS方法实现了高效、一致的权重分配，在垃圾填埋场选址等应用中展现出巨大潜力，为空间规划领域的自动化和智能化奠定了坚实基础。