论文

针对 q 阶正交犹豫模糊环境下多属性决策存在的三个核心问题——现有模糊熵犹豫度损失高、属性模糊测度难以客观确定、以及复杂犹豫信息处理效率低——本文提出了一套完整的 MADM 方法体系：定义了 q 阶正交犹豫模糊熵（q-ROHFE）及其构造定理，建立了基于 q-ROHFE 的属性模糊测度约束非线性优化模型，并在此基础上提出了基于 Choquet 积分的改进 VIKOR 方法。实验表明，所提方法在显著降低犹豫度损失和数据冗余的同时，大幅提升了计算效率，具有良好的适应性与可扩展性。

这篇文章讨论的是 Hesitant Fermatean fuzzy sets（HFFS）环境下的多属性决策问题。作者的切入点很直接：HFFS 具备比一般犹豫模糊或费马模糊模型更强的信息表达能力，但如果没有合适的聚合算子，这种表达能力很难真正转化为决策优势。为此，文章围绕 Bonferroni mean 和 Einstein 运算构造了四类聚合算子，并在此基础上提出新的 MADM 方法，最后用三名抑郁患者的诊断评估案例验证方法有效性。