基于p,q-准梯级正交模糊混合聚合算子的自适应多准则群决策优化作物选择方法

本研究针对传统模糊聚合算子难以动态适应环境变化的问题，开发了新型p,q-准梯级正交模糊混合聚合(p,q-QOFHA)算子，通过可调参数p和q实现决策过程的自适应控制。该研究应用于作物优选案例，基于熵权法确定土壤肥力、水资源等5项关键指标权重，实验证明其优于传统模糊MCDM方法，为农业可持续决策提供了灵活工具。

　　

在气候变化加剧和粮食安全压力倍增的背景下，农业决策面临前所未有的复杂性。传统作物选择方法依赖静态模型，难以应对突发干旱、市场波动等动态因素。更棘手的是，土壤特性、气候适应性等关键参数常存在测量模糊性，而现有直觉模糊集(IFS)和毕达哥拉斯模糊集(PFS)因数学约束过强(如u+v≤1或u²+v²≤1)，无法充分表达极端不确定性。这就像试图用固定焦距相机拍摄暴雨中的移动物体——要么失焦，要么错过关键帧。

针对这一瓶颈，研究人员创新性地将p,q-准梯级正交模糊集(p,q-QOFSs)引入多准则群决策(MCGDM)框架。该理论突破源自Yager的q-梯级正交模糊集(q-ROFSs)，通过放宽约束为u^q+v^q≤1显著提升灵活性。本研究更进一步，引入双参数调控机制——参数p控制隶属度敏感度，q调节非隶属度容限，形成动态"决策调音台"。例如当旱情突显时，可调高q值强化水分指标的否决权重，实现类似人脑的风险优先级切换。

关键技术包括：(1)构建新型得分函数解决p,q-QOFNs排序难题；(2)设计混合聚合算子整合加权平均与有序加权算子的优势；(3)基于熵权法客观计算土壤肥力等指标权重；(4)通过7种作物(小麦、甘蔗等)的实证分析验证适应性。

主要研究结果

理论创新
提出的p,q-QOFHA算子被严格证明满足有界性、单调性等数学性质。当p=q=1时退化为经典IFS算子，而p=q=2时转化为PFS算子，形成包容性理论框架。

案例验证
在温度骤降的模拟场景中，调整p=3,q=4使模型自动强化耐寒指标，玉米排名从第4跃升至第2，与传统TOPSIS方法结果差异达32.7%，印证参数调节的实战价值。

对比分析
与 Fermatean 模糊加权平均算子相比，本方法在气候突变情景下的决策稳定性提升41.2%，且专家偏好分歧度降低28.5%。

讨论与展望
该研究实现了三大突破：首先，双参数机制首次将"决策弹性"量化引入模糊集理论；其次，混合聚合结构有效平衡了专家权威性与数据客观性；最后，案例验证为精准农业提供了可解释的AI工具。未来可扩展至智慧灌溉调度、灾害应急决策等领域，但需注意参数优化算法复杂度与实时性的平衡。这项发表于《Expert Systems with Applications》的成果，标志着模糊决策理论向环境自适应迈出关键一步。