This paper investigates a consensus reaching process (CRP) considering dynamic trust in large-scale group decision making (LSGDM). In the traditional trust-based consensus model, it is assumed that the trust relationship generated by decision makers (DMs)’ previous knowledge remain unchanged during the whole decision process. However, this relationship will be dynamic rather than static especially in a social network with a new decision problem. This study explores the dynamic nature of trust through two stages. In the first stage, the trust degree will be functionally reformed by the conflict caused by DM’s opposite preferences. In the second stage, it will be effected by surroundings according to the “assimilation effect” in network. To handle the CRP with large-scale decision settings, a clustering technique is used to classify DMs with similar preference and preference accuracy. Based on the classifications, an optimization model is constructed to obtain the trust degrees between subgroups. The consensus measurements are investigated from similarity network within subgroups and min–max programming model between subgroups, respectively. Moreover, preference modification will effect trust in the aggregation and next iteration, the cyclic dynamic trust mechanism is established. The feasibility of the proposed model is verified by a numerical example. Comparisons declare the constructed consensus model’s universality without any essential conditions, as well as superiority with fully consideration of DM’s utility and centrality in network.

本文研究了在大型群体决策（LSGDM）中考虑动态信任的共识达成过程（CRP）。在传统的基于信任的共识模型中，假设在整个决策过程中，决策者（DM）先前的知识所生成的信任关系保持不变。但是，这种关系将是动态的，而不是静态的，尤其是在存在新决策问题的社交网络中。本研究通过两个阶段探讨了信任的动态性质。在第一阶段，将由DM的相反偏好引起的冲突在功能上重新建立信任度。在第二阶段，将根据网络中的“同化效应”来影响周围环境。要使用大规模决策设置处理CRP，聚类技术用于以相似的偏好和偏好准确性对DM进行分类。基于分类，构建优化模型以获得子组之间的信任度。共识度量分别从子组内的相似性网络和子组之间的最小-最大编程模型进行研究。此外，偏好修改将影响聚合中的信任，并在下一次迭代中建立循环动态信任机制。数值例子验证了所提模型的可行性。比较表明所构建的共识模型没有任何必要条件的普遍性，并且充分考虑了DM在网络中的效用和中心性而具有优越性。构建优化模型以获得子组之间的信任度。共识度量分别从子组内的相似性网络和子组之间的最小-最大编程模型进行研究。此外，偏好修改将影响聚合中的信任，并在下一次迭代中建立循环动态信任机制。数值例子验证了所提模型的可行性。比较表明所构建的共识模型没有任何必要条件的普遍性，并且充分考虑了DM在网络中的效用和中心性而具有优越性。构建优化模型以获得子组之间的信任度。共识度量分别从子组内的相似性网络和子组之间的最小-最大编程模型进行研究。此外，偏好修改将影响聚合中的信任，并在下一次迭代中建立循环动态信任机制。数值例子验证了所提模型的可行性。比较表明所构建的共识模型没有任何必要条件的普遍性，并且充分考虑了DM在网络中的效用和中心性而具有优越性。偏好修改将影响聚合中的信任，并在下一次迭代中建立循环动态信任机制。数值例子验证了所提模型的可行性。比较表明所构建的共识模型没有任何必要条件的普遍性，并且充分考虑了DM在网络中的效用和中心性而具有优越性。偏好修改将影响聚合中的信任，并在下一次迭代中建立循环动态信任机制。数值例子验证了所提模型的可行性。比较表明所构建的共识模型没有任何必要条件的普遍性，并且充分考虑了DM在网络中的效用和中心性而具有优越性。