A New Three-Way Multi-Attribute Decision-Making With Objective Risk Avoidance Coefficients Based on Q-Rung Orthopair Fuzzy Pre-Order Relations

本文围绕 q 阶正交模糊环境下的三支多属性决策问题提出了一套较完整的新框架。文章的核心目标不是单纯改进某一个排序算子，而是同时处理三支决策中的三个关键部件：风险规避系数如何客观确定、方案间关系如何在 q-ROFS 环境下稳定表达、以及最终三支决策流程如何适配大规模真实数据。为此，作者依次构造了新的距离度量、基于 TOPSIS 的预序关系、结合熵的主客观混合权重、以及带客观风险规避系数的 3W-MADM 方法，并将其用于大规模 DASS 心理健康数据集分析。

研究背景

三支决策（3WD）源于决策粗糙集理论，强调在“接受”“拒绝”之外引入“延迟/边界”区域，以降低高不确定场景下的误判风险。在多属性决策场景中，这种思想尤其适合处理信息不完备、评价含糊、以及风险偏好不明确的问题。

q 阶正交模糊集（q-ROFS）由于约束更宽松、表达能力更强，已经成为比直觉模糊集和毕达哥拉斯模糊集更灵活的一类不确定信息表示工具。但将 q-ROFS 真正用于三支多属性决策时，通常还存在几类难点：

1. 风险规避系数往往主观设定，缺少客观计算依据；
2. 方案比较关系在模糊环境下不够稳定，容易受距离或排序规则影响；
3. 很多方法只在小规模案例上验证，缺少真实大样本数据检验。

这篇文章的价值就在于，它试图把这些问题放在同一个方法框架中一起处理，而不是只修补其中某个局部环节。

主要贡献

1. 面向 q-ROFS 的客观风险规避系数计算

   从章节结构看，作者首先提出了“在 q-ROFS 下计算风险规避系数（RACs）的新方法”。这一步非常关键，因为三支决策的阈值划分本质上依赖风险偏好。与直接人工指定不同，客观化的 RACs 能让模型对不同方案和属性场景给出更一致的接受、拒绝与延迟判断。

2. 新的 q-ROFS 距离度量

   文章专门设计了新的距离指标（DIS），并在后文设置了“与已有距离指标的比较”章节。说明作者认为现有距离无法充分反映 q-ROFS 信息的差异结构，而新的 DIS 是后续预序关系与条件概率计算的基础。

3. 基于 TOPSIS 的优化预序关系与条件概率计算

   文章没有直接采用传统优势关系或简单得分函数，而是引入“基于 TOPSIS 的预序关系”来刻画方案间的相对位置，并进一步计算三支决策所需的条件概率。这一设计的好处在于：

   • 能同时参考正理想解与负理想解；
   • 让方案比较从单点打分转向关系建模；
   • 更适合接入三支决策中的阈值划分机制。

4. 基于熵的主客观混合权重

   论文在方法部分单列“基于熵的主客观混合权重方法”，说明其不仅考虑属性信息量，还兼顾决策者偏好。这比纯主观权重或纯客观权重都更稳妥，尤其适合心理健康评估这类既有数据特征、又有专家知识参与的场景。

5. 新的 q-ROFS 三支决策模型与 3W-MADM 框架

   在完成 RACs、DIS、预序关系和权重设计后，文章构造了新的 q-ROFS 三支决策模型，并最终形成“基于客观 RACs 和 q-ROF 预序关系的 3W-MADM”。从结构上看，这是一套完整流程：

   $$q\text{-}ROFS\ \text{评价信息} \rightarrow \text{DIS} \rightarrow \text{预序关系} \rightarrow \text{条件概率} \rightarrow \text{RACs} \rightarrow 3WD \rightarrow 3W\text{-}MADM$$

   这使得文章更像一篇完整方法论文，而不是单独提出一个新的距离公式。

应用与实验解读

文章把真实应用放在大规模 DASS 数据集的心理健康评估上。DASS 通常用于抑郁、焦虑和压力状态评估，因此该案例说明方法不仅面向理论排序问题，也瞄准现实中的高不确定、多属性、风险敏感型评估任务。

从目录可见，作者做了几层验证：

1. 新距离与已有距离的比较：先确认 DIS 本身在 q-ROFS 下具备更合理的区分能力；
2. 与 FS、IFS、PFS 环境下多种 MADM / 3W-MADM 方法对比：说明新方法并不是只在 q-ROFS 内部自洽，而是要跨多种模糊信息结构比较优势；
3. 大规模真实 DASS 数据实验：包含参数敏感性和对比分析，说明作者关注的不只是静态结果，还包括模型在真实数据上的稳定性；
4. 优势分析：单独成节，意味着作者明确总结了该方法在客观风险刻画、关系表达和实际适用性上的综合优势。

从整体结构判断，这篇论文最值得关注的不是某个单一数学定义，而是它把三支决策中的“风险”“关系”“权重”“真实数据应用”四块拼成了一条完整链路。对于心理健康评估这类任务，这样的链式设计通常比只做单一排序更实用。

简要评价

这篇工作的核心特点可以概括为：用客观 RACs 和 q-ROF 预序关系，把三支决策从“小样本示例方法”推进到“可对接大规模真实评估数据的方法框架”。

如果从实验室已有工作脉络来看，它和 Choquet-VIKOR、Mahalanobis-GCA、Banzhaf 动态权重这些论文是互补关系：

• Choquet-VIKOR 更强调属性交互；
• Mahalanobis-GCA 更强调相关性与心理遗憾；
• Banzhaf 模型更强调动态权重演化；
• 本文则更强调三支决策中的客观风险刻画与预序关系建模。

因此，这篇文章可以视为实验室在 q-ROFS / q-ROHFS 决策方法线上，向三支决策与心理健康评估应用方向的一次延展。

基本信息