A MAGDM Approach Based on Dual Hesitant Q-Rung Orthopair Fuzzy Dombi Norm With Hamy Mean Operators and Its Application

这篇文章研究的是 dual hesitant q-rung orthopair fuzzy 环境下的多属性群决策问题。作者指出，现有 DHq-ROF 群决策方法通常很难同时处理两件事：一是属性之间的相关性，二是聚合过程中的灵活参数调节；另外，不少已有方法依赖带归一化的距离度量，容易引入信息冗余。为了解决这些问题，文章把 Dombi t-范数与 t-余范数的灵活性，和 Hamy mean 对属性交互关系的刻画能力结合起来，构造新的加权 Dombi-Hamy 聚合算子，同时提出无归一化的新距离度量及相关熵权方法，最终形成一套新的 MAGDM 框架，并应用于中医背景下的睡眠障碍诊断。

研究背景

双重犹豫 q-阶正交模糊集（DHq-ROF）是对传统 q-rung orthopair fuzzy 表达的一种强化。它能够同时容纳更丰富的犹豫信息，从而更适合处理真实群决策中常见的模糊、分歧与不确定性。

但表达能力越强，方法设计也越难。摘要里明确指出现有方法存在三类不足：

1. 不能同时刻画属性相关性与聚合灵活性；
2. 得分值的变化率较低，导致方案区分能力有限；
3. 距离度量依赖归一化，从而引入信息冗余。

这说明这篇文章不是在已有框架上做小修补，而是想把“聚合算子 + 距离度量 + 权重确定 + 排序流程”一起升级。

主要贡献

1. 将 Dombi 范数与 Hamy mean 结合到 DHq-ROF 环境中

   文章的第一个核心创新，是把 Dombi t-范数与 t-余范数的灵活参数特性，引入到 dual hesitant q-rung orthopair fuzzy 聚合中。Dombi 系列运算的优势在于可调性强，能更细致地表达不同决策偏好和融合强度。

   同时，作者使用 Hamy mean 来处理属性间相关性。Hamy mean 的价值在于，它不是把各属性孤立看待，而是把多属性组合关系显式纳入聚合过程。这一点很重要，因为真实决策里很多属性天然存在联动，而不是彼此独立。

2. 提出新的加权 Dombi-Hamy 聚合算子

   摘要中明确提到，作者提出了：

   • DHq-ROF weighted Dombi HM aggregation operator
   • DHq-ROF weighted Dombi dual HM aggregation operator

   这两类算子共同作用的目标，是在保留 DHq-ROF 不确定信息表达能力的同时，获得更具区分度的综合评价结果。相比普通平均算子，它们更适合处理存在相关性和犹豫性的群决策信息。

3. 提出无归一化的新距离度量

   这篇论文一个很值得注意的点，是没有继续沿用传统“先归一化、再计算距离”的套路，而是专门提出一种不需要归一化的新距离度量。作者认为，很多现有方法在归一化过程中会带来信息冗余，从而削弱原始评价信息的表达力。

   这个改动看似是技术细节，实际上很关键，因为距离度量通常直接影响：

   • 方案之间的可分辨性；
   • 得分函数的变化率；
   • 后续权重与排序结果的稳定性。

4. 给出基于熵的属性客观赋权方法

   在新距离基础上，文章进一步提出相关熵度量，用于客观确定未知属性权重。这样做的作用是把“数据差异性”转化为“属性重要性”，避免完全依赖主观赋权。与新的距离体系联动之后，整套方法就不只是一个新聚合算子，而是一套完整的 MAGDM 方法链。

5. 构造新的 DHq-ROF MAGDM 流程

   这篇文章最终形成的不是单个公式，而是一条完整流程：

   $$\text{DHq-ROF 评价信息} \rightarrow \text{Dombi-Hamy 聚合} \rightarrow \text{无归一化距离} \rightarrow \text{熵权确定} \rightarrow \text{综合排序}$$

   从方法定位来看，它既是在提升聚合能力，也是在提升排序分辨率和整体可解释性。

应用与实验解读

摘要已经给出了具体应用场景：中医背景下的睡眠障碍诊断。这非常契合论文的建模方式，因为睡眠障碍诊断通常具备以下特点：

• 指标和症状评价具有明显模糊性；
• 专家判断经常伴随犹豫与不一致；
• 多个症状或诊断因素之间往往存在相关性；
• 医疗场景又需要较高的区分能力与稳定性。

在这种场景里，DHq-ROF 信息表示可以容纳复杂犹豫，Dombi 范数提供融合灵活性，Hamy mean 捕捉属性关联，无归一化距离则尽量保留原始信息结构。摘要里还特别强调，所提方法能够获得更高的得分变化率，这意味着它在候选诊断方案之间具有更强的区分能力。

从实验定位看，这篇文章主要想证明三件事：

1. 所提方法在复杂 DHq-ROF 信息下是可计算、可落地的；
2. 相较现有方法，它能同时兼顾属性相关性与聚合灵活性；
3. 在真实诊断场景中，它比传统方法更容易拉开方案差异。

简要评价

这篇论文的核心价值，不在于单独提出某一种新的模糊算子，而在于把三件经常被分开处理的事情统一起来了：

• 相关性建模：用 Hamy mean 处理属性之间的联系；
• 聚合灵活性：用 Dombi 范数提供参数化调节；
• 排序分辨率提升：用无归一化距离和熵权方法减少冗余、提高区分度。

如果把它放进实验室这条研究主线里看，这篇工作和前面的 Einstein-Bonferroni、Choquet-VIKOR、Banzhaf 动态权重、Mahalanobis-GCA 等论文属于同一类“复杂模糊信息下的新聚合与新决策框架”研究，只不过它更突出的是 DHq-ROF 表示 + Dombi-Hamy 聚合 + 医疗诊断应用 这一组合。

基本信息