研究方向概览
研究方向概览
实验室的研究围绕不确定性建模这一核心科学问题展开。现实世界中的信息往往是模糊的、不精确的、不完整的——专家的评价可能含有主观偏好，传感器的读数可能带有噪声，语言描述天然存在模糊性。如何在这些不确定性条件下进行有效的信息表示、推理与决策，是实验室关注的中心问题。
三层结构
| 层级 | 方向 | 定位 |
|---|---|---|
| 理论特色主线 | 模糊集与模糊理论 | 不确定信息的表示、比较与聚合——贯穿全部方向的公共语言 |
| 核心应用 | 决策支持系统、模糊系统 | 评价排序与推理控制，模糊理论最直接、最成熟的应用领域 |
| 方法与前沿 | 机器学习、粒球计算、大模型与智能体 | 可独立开展，也常与上述方向交叉融合 |
理论主线提供不确定信息的统一表达工具；核心应用是实验室深耕最久、发文最多的领域；方法与前沿则为具体问题提供算法平台和前沿技术手段。
这些方向不是一条自上而下的依赖链。模糊理论是实验室的理论特色，但机器学习、粒球计算、大模型方向可以独立发展，也可以在具体课题中产生交叉。实验室很多最有价值的课题，恰好出现在方向的交叉区域。
方向间的关联
| 关联程度 | 典型组合 | 说明 |
|---|---|---|
| 强关联 | 模糊理论 ↔ 决策支持；模糊理论 ↔ 模糊系统 | 在问题建模、理论工具和论文选题上联系最直接 |
| 中关联 | 模糊系统 ↔ 机器学习；机器学习 ↔ 粒球计算；决策 ↔ 机器学习 | 通过模型融合、优化算法或实验任务产生稳定交叉 |
| 弱 / 机会型 | 大模型 ↔ 决策/模糊/粒球；粒球 ↔ 模糊理论 | 是否交叉取决于具体课题设计 |
典型的交叉课题包括：模糊 TOPSIS、ANFIS、粒球分类、知识增强决策支持、基于 LLM 的科研代理等。在选题时，思考两个或多个方向能否自然融合，往往能找到有意义的创新点。