【摘要】针对权重的随机性和模糊性影响聚合算子质量，从而导致最优决策产生巨大变动的问题，本文构造了不确定集合刻画决策者权重的不确定性，并运用数据驱动鲁棒优化方法建立了最小成本共识模型。首先，利用核密度估计(KDE)方法从历史数据中获取不确定权重的概率密度函数，以构造具有置信水平的不确定性区间，并控制聚合算子中不确定权重的波动范围。其次，分别在三种形状的集合(包括盒子集、椭球集和多面体集)下定义柔性不确定集合I和柔性不确定集合II,建立了六个不确定环境下的数据驱动鲁棒成本共识模型。最后，从碳配额分配问题中抽象出一个群体决策问题，估计政府为各企业分配额度的概率密度函数，构造基于置信水平的区间以处理偏差造成的不确定性，证明了所提出的模型的有效性和适用性。结果表明：(1)利用数据驱动方法遍历权重的历史数据，能够有效提高聚合算子的质量；(2)政府可以根据对风险的偏好程度选择合适的不确定集合以制定决策；(3)新提出的模型能够在一定程度上降低数据分析结果的鲁棒性代价。