决策支持系统

类型	全称	说明	优先级
多属性决策 (MADM)	Multi-Attribute Decision Making	从多个属性综合评价有限个方案，是实验室最主要的研究场景	⭐⭐⭐⭐⭐
多准则决策 (MCDM)	Multi-Criteria Decision Making	MADM 的上位概念，包含多属性和多目标两类	⭐⭐⭐⭐⭐
群决策 (GDM)	Group Decision Making	多个决策者共同参与，需要信息融合与共识达成	⭐⭐⭐⭐
动态决策	Dynamic Decision Making	决策信息或偏好随时间变化，需要处理时序数据	⭐⭐⭐

MADM 与 MCDM 的关系：MCDM（多准则决策）是更广泛的概念，包含多属性决策（MADM，有限方案的离散评价）和多目标优化（MOO，连续空间的最优化）。实验室大部分工作属于 MADM，但论文中"MCDM"和"MADM"经常混用。

群决策的关键挑战在于如何将多位专家的不同意见融合为一个集体决策，以及如何通过共识达成机制使专家意见逐步趋于一致。群决策可以与 MADM 结合，形成"多属性群决策"问题。

动态决策关注的是信息随时间变化的场景，例如项目评估中指标数据逐月更新。如何合理利用历史信息和当前数据做出决策，是动态决策的核心问题。

基本框架

一个典型的多属性决策问题可以形式化为：

A = \{A_1, \dots, A_m\}, \quad C = \{C_1, \dots, C_n\}, \quad w = (w_1, \dots, w_n)

其中 $A$ 为 $m$ 个备选方案的集合， $C$ 为 $n$ 个评价属性（准则）的集合， $w$ 为属性权重向量（ $\sum w_j = 1$ ）。

决策矩阵 $D = (d_{ij})_{m \times n}$ 记录了每个方案 $A_i$ 在每个属性 $C_j$ 上的评价值。评价信息可以是精确数值、模糊数、语言术语或区间值——这正是模糊理论在决策中的用武之地。

确定方案集 $A$ 、属性集 $C$ ，收集每个方案在每个属性上的评价值。评价信息来源可以是数据采集、专家打分或问卷调查。

属性权重反映各属性的相对重要性。来源可分为主观法（AHP）、客观法（熵权法）和组合法，详见权重确定方法。

对决策矩阵进行标准化处理（消除量纲差异），然后用聚合算子、理想解距离或妥协排序等方法得出综合评价。不同的决策方法在这一步的处理逻辑各不相同。

输出方案排序，并通过敏感性分析检验结果对权重变化的稳定性，以及在群决策场景下检验专家间的共识程度。

以下是实验室研究中最常用的决策方法，每种方法的详细原理和算法步骤见对应的专题页面。

方法	全称	核心思想	优先级
TOPSIS	Technique for Order Preference by Similarity to Ideal Solution	计算方案与正/负理想解的距离	⭐⭐⭐⭐⭐
VIKOR	VlseKriterijumska Optimizacija I Kompromisno Resenje	最大群体效用 + 最小个体遗憾	⭐⭐⭐⭐
AHP	Analytic Hierarchy Process	层次分析法，两两比较确定权重	⭐⭐⭐⭐
PROMETHEE	Preference Ranking Organization METHod for Enrichment Evaluations	基于偏好函数的成对比较	⭐⭐⭐⭐
ELECTRE	Elimination Et Choix Traduisant la Réalité	基于一致性和非一致性指数的门槛淘汰法	⭐⭐⭐
CoCoSo	Combined Compromise Solution	结合加权总和与加权乘积	⭐⭐⭐
得分函数法	—	用得分函数直接排序	⭐⭐⭐⭐⭐

入门建议：先把 TOPSIS 完整跑通一遍（找一篇简单论文复现），理解"决策矩阵 → 标准化 → 加权 → 理想解距离 → 排序"的完整流程。掌握了 TOPSIS，其他方法触类旁通。

实际研究中常将模糊集 + 决策方法结合使用，例如"直觉模糊 TOPSIS"“q 阶序对模糊 VIKOR"等，这是实验室出论文的经典范式。

除了经典的 MADM 方法之外，实验室在以下进阶方向上也有持续的研究投入：

方向	说明	优先级
模糊决策	将模糊集嵌入经典决策方法，用模糊数表达不确定评价信息——实验室最核心的研究范式	⭐⭐⭐⭐⭐
后悔理论	引入决策者的心理后悔/欣慰因素，通过后悔-欣慰函数修正效用值	⭐⭐⭐
共识方法	群决策中使多位专家意见趋于一致的迭代调整机制	⭐⭐⭐
证据理论	基于 D-S 理论融合不完整信息，允许显式表达"不知道”	⭐⭐
社交网络群决策	将专家间的信任/影响关系引入决策建模与共识达成	⭐⭐
大规模群决策	决策者从几人扩展到数十甚至上千人时的聚类分组、分层共识与异常检测	⭐⭐⭐

每个方向的详细原理见对应的专题页面。其中模糊决策是实验室的核心范式，几乎所有决策方向的论文都涉及。

三支决策是粗糙集理论的重要延伸，也是实验室关注的一个特色方向。其核心思想是将传统的"接受/拒绝"二分法扩展为**“接受 / 延迟 / 拒绝"三分法**，通过引入"延迟判断"降低决策风险。

在现实决策中，当信息不充分时，强行给出"接受"或"拒绝"的判断会带来较高风险。三支决策的"延迟判断"机制允许决策者说"我现在信息不够，先不做决定”，等收集到更多信息后再判断。

组件	说明	优先级
等价类	基于不可区分关系对论域进行划分	⭐⭐⭐⭐
损失函数	三种决策动作对应的损失 $\lambda_{PP}, \lambda_{BP}, \lambda_{NP}$	⭐⭐⭐⭐
条件概率	$P(X \mid [x])$ ，驱动三支决策阈值	⭐⭐⭐⭐
相对损失 / 效用函数	标准化的损失和效用度量	⭐⭐⭐

阈值 $(\alpha, \beta)$ 由条件概率与损失函数共同确定：

P \geq \alpha \Rightarrow \text{接受}, \quad P \leq \beta \Rightarrow \text{拒绝}, \quad \beta < P < \alpha \Rightarrow \text{延迟判断}

详细的三支决策原理与扩展请见三支决策专题。

权重是决策方法中最重要的输入参数之一。很多论文的创新点不在排序公式本身，而在权重的设计与解释。

用精确数值把 TOPSIS 完整跑通，掌握"决策矩阵 → 标准化 → 加权 → 排序"的标准流程。

学习 AHP、熵权法和组合权重，理解权重来源对决策结果的关键影响。

将模糊数、语言术语或区间值嵌入 TOPSIS、VIKOR 等经典方法。

根据课题需要进入群决策与共识、后悔理论、三支决策、动态决策等专题。