基于Atanassov直觉模糊集的多重I方法：多规则模糊模态推理的进展

在信息技术领域，本文主要探讨了一种创新的推理方法——基于Atanassov直觉模糊集的Triple I方法在多规则模糊推理中的应用。Atanassov直觉模糊集是一种模糊集理论的扩展，它引入了更多的度量方式，使得模糊信息处理更为精确和全面。 Wang提出的Triple I方法最初是为了解决模糊推理中模糊模态问题（FMP）的一个有效工具。FMP涉及模糊决策系统中对不确定性和模糊信息的处理，对于实际问题中的决策支持具有重要意义。Triple I方法，通过结合先推断后聚合（FITA）和先聚合后推断（FATI）两种策略，能够有效地处理单个模糊规则下的FMP。 然而，本文作者将这种理念扩展到了多规则环境，即处理多个模糊规则集合下的直觉模糊模态问题（IFMP）。作者首先证明了在处理基于FITA和FATI模式的多规则IFMP模型时，Triple I方法的求解结果是等价的，这表明无论采用哪种顺序进行推理和聚合，最终的结果是一致的。 为了适应多规则IFMP的复杂性，作者提出了Multiple I方法，这是一种针对直觉模糊集的多规则推理策略。这种方法将多规则IFMP问题视为Triple I方法的推广，通过将多规则模型分解为两个相关的FMP问题，从而简化了推理过程。 此外，文章还探讨了如何通过反汇编技术将多规则IFMP模型转换为两个多规则的FMP模型，以便更有效地利用Triple I方法进行推理。这种方法有助于在处理多规则模糊决策时，充分利用Atanassov直觉模糊集的特性，提高推理的准确性和效率。 总结来说，本文的核心贡献在于： 1. 提出了将Triple I方法扩展到Atanassov直觉模糊集的多规则推理框架，证明了FITA和FATI模式在多规则IFMP中的等效性。 2. 发展了Multiple I方法来解决多规则IFMP问题，通过分解和转换优化了推理过程。 3. 探讨了反汇编技术在多规则IFMP模型处理中的应用，以增强推理的灵活性和准确性。 这项研究对于模糊逻辑和直觉模糊集的研究者、开发者以及在实际问题如机器学习、专家系统等领域应用模糊推理的工程师和技术人员具有重要的理论和实践价值。