区间直觉模糊集与DS证据理论在多属性决策中的新应用

"这篇文章提出了一种新的多属性决策方法，结合了区间直觉模糊集理论与DS证据理论，用于处理不确定性环境下的决策问题。通过区间平均值表示区间直觉模糊数，并采用折扣法分配基本概率分配，然后利用DS组合规则融合信息，得出每个决策方案的最终质量函数和排序。一个数值实例验证了该方法的有效性。" 在信息技术和决策科学领域，面对复杂且充满不确定性的多属性决策问题时，研究人员经常寻求新颖的方法来提高决策的准确性和可靠性。这篇论文聚焦于区间直觉模糊集（Interval-valued Intuitionistic Fuzzy Sets, IVIFSs）和Dempster-Shafer（D-S）证据理论的集成应用，这两种理论在处理模糊性和不确定性方面都具有显著优势。 区间直觉模糊集是模糊集理论的一个扩展，它允许同时表示模糊性和不确定性，不仅包含了模糊度（属于度），还包含了不确信度（非属于度）。在本研究中，区间直觉模糊数被表示为区间平均值，这有助于更好地量化和处理数据的不确定边界。通过折扣法，这些平均值被分配给相应的基本概率分配（bpas），这种方法可以减少因过度信任不完整或矛盾信息而可能导致的错误决策。 D-S证据理论是一种处理不确定性和不完整性信息的框架，它允许将多个来源的信息融合成一个单一的决策。在多属性决策分析（Multi-attribute Decision-making, MADM）中，这一理论能够整合来自不同属性的评估，即使这些评估可能包含冲突或不一致的数据。在该论文的方法中，DS组合规则被用来融合各属性的决策信息，生成每个备选方案的质量函数，进一步确定它们的相对排序。 通过一个数值案例，作者证明了提出的决策方法的有效性。这种方法的应用场景可能包括但不限于项目选择、风险评估、市场分析等任何需要处理复杂模糊信息的决策场景。它的价值在于提供了一个强大的工具，帮助决策者在不确定性环境中做出更合理的决策。 总结来说，这篇论文介绍了一种创新的MADM方法，该方法将区间直觉模糊集的模糊性和D-S证据理论的不确定性处理能力结合，为决策者提供了处理复杂模糊数据的有力手段，从而提高了决策的精确性和适应性。通过实际案例，该方法的有效性和实用性得到了验证，对于未来在不确定条件下的决策研究具有重要的参考价值。