粗糙数驱动的BWM-TOPSIS群决策法：解决不确定性与主观性挑战

本文主要探讨的是"基于粗糙数的BWM-TOPSIS多准则群决策方法"。在现代决策领域，尤其是在信息高度不确定和评价主观性的复杂环境中，如何有效地进行多准则群决策（Multi-Criteria Group Decision-Making, MCGDM）成为一个重要的研究挑战。BWM（Best-Worst Method）和TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution）是两种常见的决策工具，但它们在处理模糊、不确定信息时可能存在局限性。 该研究提出了一种创新的方法，即结合粗糙集理论中的粗糙数概念来改进这两种方法。粗糙数理论允许在不确定性和模糊性下量化决策信息，增强了方法的稳健性。首先，作者引入了粗糙数优化的最优最劣方法（Rough Number Based Weighted Method, RBWM），用于确定评价准则的权重，这有助于减少主观性和偏见对权重分配的影响。 其次，粗糙数改进的逼近理想解排序法（Rough Number Enhanced Technique for Order of Preference by Similarity to Ideal Solution, RTOPSIS）被用来评价备选方案。RTOPSIS原方法依赖于距离理想解的相似度，而粗糙数的引入使其能更好地适应不确定性，提高了评价的准确性和鲁棒性。 文章通过实际案例的应用和灵敏度分析，展示了新方法在处理多准则群决策问题上的有效性。通过与传统决策方法的对比分析，结果证实了基于粗糙数的BWM-TOPSIS方法在信息不确定性环境下具有更高的决策质量，尤其是在处理复杂和主观性较强的决策问题时。 这篇论文提供了一个实用的决策工具，对于那些在信息模糊和主观性强烈的情境中寻求高效群决策解决方案的研究者和实践者来说，具有很高的参考价值。其核心贡献在于将粗糙数理论融入到多准则群决策过程中，从而提升决策的客观性和稳定性。