在层次分析法（AHP）中，成对比较（PC）通过成对互反矩阵（PRMs）发挥着核心作用。尽管传统的特征向量法广泛应用于优先级推导，但其在反映真实优先级向量方面的理论稳健性仍然存在争议。
基于本研究的先前迭代，本文开发了修订版的最小惩罚平方优先级（LPSP）优化模型，包括修订版的最小惩罚与直接平方乘积（LPPDS）和修订版的加权平方（LPPWS），旨在最小化修订版的均方根惩罚平方方差（RMPSV）和修订版的均方根惩罚加权平方方差（RMPSWV）。
然而，解决这些非线性公式对决策者而言计算复杂。为克服这些限制，本文提出了并行海雀优化的最小惩罚平方优先级（POO-LPSP）方法。通过整合改进的生物启发式元启发式算法——并行海雀优化算法（POOA），该框架有效地解决复杂的LPSP模型，以最小化RMPSV和RMPSWV，从而增强优先级的可靠性。
POO-LPSP方法的实际效用和计算效率通过一个聚焦于生成性AI（GAI）供应商选择问题的数值应用得到了验证。此外，POO-LPSP可以作为Saaty特征系统方法在AHP应用中的稳健替代方案。
博主点评： 本文提出的POO-LPSP方法通过并行优化技术解决了AHP中传统方法的计算复杂性问题，展示了生物启发式算法在决策支持系统中的应用潜力，为优先级推导提供了更为可靠的解决方案，尤其是在复杂决策环境下的实用性值得关注。