入学必读

你好，新同学！欢迎加入实验室。

这份指南将帮助你在入学后的第一个月里建立对实验室研究方向的整体认知，了解需要掌握的核心知识体系，并为接下来的学习做好规划。不必一口气看完——先从高优先级的内容入手，其余等需要时再回来查阅即可。

优先级说明

本站所有页面中的表格统一使用以下星级标记来标注新手学习优先级：

实验室研究全景

实验室的研究围绕一个核心问题展开：如何在不确定、不精确的信息条件下做出好的决策？

围绕这个问题，我们形成了从理论到应用、从经典到前沿的完整研究体系。可以把它理解为三个层次：

理论基石 — 模糊集与模糊理论

这是实验室的理论特色主线。现实世界中的信息往往是模糊的——“这个方案大致可行"“温度比较高"“评价不太好”——这些表达都不是简单的"是"或"否”。模糊集理论最初由 Zadeh 在 1965 年提出，提供了一套严格的数学框架来处理这种不确定性。此后，直觉模糊集、毕达哥拉斯模糊集、q 阶序对模糊集等扩展形式不断涌现，对不确定性的刻画越来越精细。

无论你最终从事哪个方向的研究，理解模糊集的基本思想都是进入实验室研究的第一步。

→ 详见 模糊集与模糊理论

核心应用 — 决策支持系统与模糊系统

决策是实验室投入最多、积累最深的应用方向。当面对多个备选方案，需要综合多个评价准则、汇聚多位专家意见来做出排序和选择时，就进入了多属性决策（MADM）和群决策（GDM）的研究范畴。实验室在这一领域深耕多年，涵盖 TOPSIS、VIKOR、AHP、PROMETHEE 等经典排序方法，以及共识达成、社交网络群决策、大规模群决策等前沿课题。决策方法与模糊理论的结合——即模糊决策——是实验室最核心的研究方向之一。

模糊系统则是将模糊理论"落地"的方法线。它通过隶属函数、模糊规则和推理引擎，把人类经验知识编码成计算机可执行的 IF-THEN 规则，完成从"精确输入"到"精确输出"的完整推理过程。Mamdani、T-S、ANFIS 等不同系统架构各有所长，连接着理论和工程实现。

→ 详见 决策支持系统 · 模糊系统

方法与前沿 — 机器学习、粒球计算、大模型与智能体

机器学习为实验室提供了强大的通用算法工具箱。从线性模型、决策树、SVM 等经典方法，到 CNN、RNN、Transformer 等深度学习架构，这些工具既可以独立用于解决问题，也常常与模糊理论交叉融合——比如模糊聚类（FCM）、模糊神经网络（ANFIS）、模糊特征选择等。

粒球计算是一条相对独立的新兴方法线。核心思想是"以球代点”——用超球体将相邻数据点聚合起来，将计算复杂度从 $O(n)$ 降低到 $O(m)$（$m \ll n$），在聚类、分类等任务上展现出计算效率和抗噪能力的双重优势。

大模型与智能体代表着当前 AI 领域最活跃的前沿方向。在实验室中，这更多是一条"赋能型"技术线——可以用于知识检索和文献分析，也可以探索 LLM 辅助决策、多智能体协作等新兴课题。

→ 详见 机器学习 · 粒球计算 · 大模型与智能体

你的第一个月

以下是建议的学习节奏，按时间线展开。不必追求面面俱到，重要的是建立研究直觉和熟练使用工具。

第一周：搭建环境，建立基础

• 通读本页，对实验室研究方向形成整体印象
• 按照 开发环境配置 完成基础工具安装：Python、IDE、Git
• 学习 Python 基础语法和 Markdown 写作格式
• 安装 Zotero 并配置好文献管理环境

第 2—4 周：进入核心知识

• 精读 模糊集与模糊理论 中 ⭐⭐⭐⭐⭐ 的内容——这是理解实验室所有工作的基础
• 浏览 决策支持系统 的基本框架，理解决策问题是什么、怎么建模
• 参考 学习路径 的建议，初步确定自己感兴趣的研究方向
• 开始阅读导师推荐的第一批论文，边读边用 Zotero 管理

第 2—3 个月：深入方向

• 根据课题方向，深入相关研究模块的 ⭐⭐⭐⭐ 和 ⭐⭐⭐ 内容
• 尝试复现一篇经典论文的代码实现
• 熟练使用完整工具链：文献管理 + AI 辅助 + 版本控制
• 整理阅读笔记，形成自己的知识框架

持续积累

• 养成定期浏览 arXiv 的习惯，关注前沿动态
• 参加组会，汇报学习和研究进展
• 逐步探索进阶内容和跨方向的融合可能
• 完善自己的 工具链，找到最高效的工作流