偏好变异性下增材制造工艺选择的稳健多准则决策：蒙特卡洛模拟与图结构驱动的成对胜出概率分析框架

《Progress in Additive Manufacturing》：Robust multi-criteria decision-making of additive manufacturing processes under preference variability: a Monte-Carlo and graph-based framework

　　

金属增材制造（Additive Manufacturing, AM）工艺选择受到技术经济数据不确定性和决策者偏好的影响。当竞争性技术取得相近的总体性能时，确定性多准则决策（Multi-Criteria Decision-Making, MCDM）方法可能产生严格排序，而这些排序不能充分反映底层证据的稳健性。本研究提出一个方法框架，用于解释通过蒙特卡洛（Monte Carlo, MC）模拟获得的概率层次分析法（Analytic Hierarchy Process, AHP）结果。成对比较被建模为随机变量，从而生成被评价备选方案的全局得分分布。所提框架不局限于仅依赖平均得分或秩可接受性测度，而是分析由模拟得分导出的成对胜出概率（pairwise outscoring probabilities）。这些概率通过树状图（dendrogram）和图结构（graph structure）联合表示，从而识别备选方案之间的稳健支配关系和等价类（equivalence classes）。该方法通过一个基于文献的案例研究进行说明，该案例在不同工业生产情景下比较粘结金属沉积（Bound Metal Deposition, BMD）与单激光和多激光粉末床熔融（Laser Powder Bed Fusion, L-PBF）系统。结果表明，所提出的后分析框架揭示了哪些排序区分在不确定性下仍得到支持，以及哪些备选方案无法被可靠区分。特别地，高产量情景显示BMD与多激光L-PBF之间的偏好分离较弱，提示应将两种技术视为等价候选，而非强行施加严格排序。所提框架尤其适合支持涉及新兴增材制造技术的决策，因为有限的工业成熟度和不确定的技术经济信息常常使严格的确定性排序难以被合理证明。

论文解读：该研究关注金属增材制造（AM）工艺选择中的多准则决策问题。工艺选择需要综合技术性能、经济性和操作因素等多维且常相互冲突的准则；这些准则不仅量纲不同，还包含定量指标与专家定性判断，因此不能依赖单一性能维度。多准则决策（MCDM）方法可提供结构化、透明的评价框架，层次分析法（AHP）因层级结构和成对比较程序直观而被广泛采用。然而，确定性AHP依赖单点判断，不能显式表达专家评价不确定性或技术经济数据变异性；当备选方案全局得分接近时，微小数值差异可能导致严格排序，却未必反映有意义的工艺区分。制造技术成熟度差异、过程性能内在变异、操作经验有限，以及市场波动、材料与能源价格、供应链中断和投资风险等外部因素，都会影响评价与决策者判断。已有非确定性AHP主要包括模糊方法和概率方法；概率AHP将成对比较建模为随机变量，并通过蒙特卡洛（MC）模拟传播不确定性。既有MC-AHP结果常通过得分分布、均值、置信区间或秩可接受性解释，但这些汇总多停留在单个备选方案或排序位置层面，不能直接表明排序中每个具体区分受证据支持的程度。为此，研究人员提出一个概率AHP后分析框架，保留并分层组织成对胜出概率，以识别稳健支配关系和等价类。研究采用文献案例，比较粘结金属沉积（BMD）与单激光（SL）和多激光（QL）激光粉末床熔融（L-PBF），分析不同工业生产情景。其意义在于：框架能显示哪些排序区分在不确定性下仍保留、哪些备选无法可靠区分；在高产量情景中，BMD与多激光L-PBF弱分离，应作为等价候选而非强制排序；该框架适合新兴增材制造技术决策。

方法概括：研究人员采用六步流程：构建AHP层级；将Parenti et al.文献案例中的确定性成对比较替换为以原判断为中心、在Saaty量表上下扩展两个位置的均匀分布（Uniform distribution）；对跨1判断作对数变换后采样，并按倒数补全成对比较矩阵（Pairwise Comparison Matrix, PCM），以一致性比率（Consistency Ratio, CR）≤0.1进行拒绝采样；用特征向量法求局部权重并聚合全局得分；进行R=10,000次MC模拟；计算成对胜出概率矩阵P，以0.5阈值构造邻接矩阵M，层次聚类生成树状图，在切分水平τ生成有向图并以顶点割得到严格或非严格排序。案例来源为Parenti et al.的8个情景中的情景4、8、6，涉及叶轮和挤压模、通用或专用设备及不同产量。

4.1 情景4：稳健的偏好分离。确定性AHP得分较接近但仍清晰；通过MC全局得分分布、成对差值分布、成对胜出概率矩阵P₄与邻接矩阵M₄分析，BMD对QL的胜出概率为0.997，对SL为0.909，SL对QL为0.960；树状图合并水平较高；在τ=0.6时图复现BMD>L-PBF-QL>L-PBF-SL，秩可接受性结果一致。结论是各成对区分在不确定性传播后仍获强支持，完整严格排序保留。

4.2 情景8：弱偏好分离与非严格排序。BMD与L-PBF-QL确定性得分近乎相同；P₈显示BMD胜QL概率0.576，BMD胜SL为0.992，QL胜SL为0.983；树状图中BMD与QL合并值低；τ=0.55时得到严格排序BMD>QL>SL，τ=0.60时BMD与QL合并为非严格排序{BMD, QL}>SL；秩可接受性中BMD和QL居首概率分别为0.574和0.422。结论是首选身份不确定，但成对关系强度不同；并非两种技术本质等同，而是其相对排序在更强判别要求下不被支持；无额外信息时应保留为竞争候选。

4.3 情景6：清晰主导与等价次优方案。BMD明显优于两个L-PBF方案；P₆显示BMD对两者胜出概率均为0.999，SL胜QL为0.583；τ=0.6时BMD为首选，SL与QL归入同一簇。与情景8对比可见，弱关系仅位于次优方案之间，不影响首选技术识别，只有低排名备选间区分丢失。

4.4 对金属AM工艺选择的技术启示。通过三情景综合比较，研究区分了整体排序稳健性与单个偏好关系稳健性。传统概率排序汇总描述备选占据不同位置的频率，成对胜出概率描述具体偏好关系强度，层级表示进一步显示随判别水平提高哪些关系仍保留。情景4完整严格排序保留；情景6首选稳健而次优排序不确定；情景8首选之间弱分离，支持BMD与QL短名单而非唯一首选。若首选与竞争者关系稳健，推荐可视为稳健；若首选间区分丢失，则现有信息不足以支持唯一推荐。这不意味着技术能力相同，而表示AHP模型内信息不支持足够强区分；最终决策可依赖公司战略、预期产量、供应链约束、技术路线图、投资风险等未显式纳入因素。框架既识别证据充分时的首选，也突出应视为同等支持的候选方案。

讨论部分总结：研究强调在竞争方案性能相似时，不应仅给出单一严格排序，而应显式分析排序中各个偏好区分的证据强度；树状图和图结构共同提供随机排序信息的互补表示。研究结论部分译文：本研究提出一个概率AHP后分析框架，旨在当竞争备选方案性能相似时保留并解释随机排序信息结构。研究人员从蒙特卡洛模拟生成的全局得分出发，计算成对胜出概率并对其进行层级组织，而非立即简化为单一排序。所得树状图表示单个排序区分得以保留或丢失的判别水平，相应图在选定判别水平提供严格或非严格排序。因此，方法贡献不在于成对胜出概率定义本身，因为其已在随机MCDM中建立，而在于利用这些概率的完整结构提供排序判别的层级表示。该方法通过金属增材制造工艺选择的文献案例说明。三个情景表明，区分整体排序稳健性与单个偏好关系稳健性具有相关性：情景4中所有主要成对关系均获强支持，概率分析保留完整严格排序；情景6中弱支持区分仅涉及低排名备选，不影响首选技术识别；情景8中弱区分发生在两个领先备选之间，提高所需判别水平会去除其相对排序，同时保留二者对L-PBF-SL的强偏好，此时随机证据支持领先备选短名单而非唯一推荐。该框架补充传统秩可接受性和成对概率分析，明确在要求更强偏好证据时排序哪些组成部分仍受支持。尽管案例聚焦金属增材制造，后分析过程独立于具体应用领域，可应用于需评估单个排序区分稳健性的概率AHP问题。树状图切分水平仍是显式决策参数，定义保留排序区分所需的成对判别程度。未来工作将研究选择该参数的原则性方法，以及替代不确定性模型和基于经验决策者数据的判断启发程序。