基于共识达成的多准则群决策方法是近年来研究的热点,并且发展迅速。然而大部分多准则群决策方法针对的是方案的排序,对方案分类问题的研究则相对较少,因此有必要研究此类问题。由于个体之间的差异,决策者可能会表达不同类型的偏好信息,如方案优劣比较的偏好,准则重要性程度的比较等等。因此,如何在考虑异构偏好信息的情况下,描述多准则群分类共识过程,是一个重要的研究课题。针对上述问题,本文提出考虑异构信息的多准则群决策共识分类方法,主要包括以下两方面:第一,异构信息下基于效用可加方法的多准则共识分类模型研究。该部分研究内容将多准则分类问题扩展到考虑异构信息的群决策背景,通过偏好调整、鲁棒性分析等一系列方法,得到群共识达成过程,进而求得群分类的结果。首先,利用不同类型的个体偏好信息和效用可加的方法,构建出考虑异构信息的个体偏好模型,验证决策者偏好是否兼容,若不兼容,则进行偏好调整;然后,进行鲁棒性分析,从兼容决策者偏好的解空间中找到一组具有代表性的解,构建出决策者的效用函数并得到个体决策者的分类结果;最后,整合所有决策者的分类结果并度量群体共识水平,若共识程度较低或未达到满意的共识程度,根据提出的更新策略调整个体决策者的分类结果,进而提升群共识程度,将该过程进行迭代,直到达到满意的共识程度,得到最终的群分类结果。第二,异构信息下考虑准则交互的多准则共识分类模型研究。在第一部分的基础上,该部分研究在考虑异构信息的同时,进一步考虑准则间的交互作用,构建出异构信息下考虑准则交互的多准则共识分类模型。首先,利用Choquet积分思想构建出决策者的个体偏好模型,同样验证决策者偏好是否兼容,若不兼容,则进行偏好调整;然后,利用SMAA蒙特卡洛仿真得到个体决策者分类的类别可接受度;最后,根据SMAA的结果整合所有决策者的分类情况,计算群体共识程度,并根据设计的群共识机制得到最终的群分类结果。针对上述研究内容,文章给出了相应的算例。该算例收集并整理了国内58家大学的QS排名数据,分别采用两部分所提方法,对国内大学进行分类,验证了本文所提方法的有效性和合理性。通过算例分析,证实了在面对决策者的异构偏好信息时,本文所提方法能够有效且合理地解决基于共识达成的群分类问题,在现实的群决策环境中能够给群体决策者提供有效的决策支持。