基于T-球模糊集与Lance距离的混合决策分析方法：智能农业应用与可持续规划

本研究针对复杂决策场景中的不确定性难题，创新性地将T-球模糊集(T-SF)理论与Lance距离结合，开发了混合T-SF MEREC-MAIRCA框架。通过量化准则权重偏差和替代方案差异，成功应用于台湾桃园市智能农业模型评估，验证了屋顶都市农业模型(s3)的最优性(Q3=0.4395)，为可持续城市规划提供了数据驱动的决策工具。

　　

在当今复杂多变的决策环境中，如何准确量化不确定性成为亟待解决的难题。传统模糊集理论在处理多维不确定性时往往捉襟见肘，而现有决策方法如MEREC和MAIRCA在模糊环境下的适应性仍有局限。特别是在智能农业等新兴领域，决策者常面临数据偏差、评估标准冲突等挑战，亟需更强大的分析工具。

针对这些痛点，来自台湾的研究团队开创性地将T-球模糊集(T-Spherical Fuzzy, T-SF)与Lance距离相结合，构建了混合决策分析框架。T-SF通过四元隶属度(正向p_T、中立i_T、负向n_T和拒绝度)实现了对不确定性的精细刻画，而Lance距离则凭借其对微小变化的敏感性(尤其在零值附近)和尺度不变性，成为量化差异的理想工具。

研究方法上，团队首先建立了T-SF Lance距离的数学形式化体系，包括针对T-SF集合和嵌入数的两种距离度量。随后将这一创新距离指标整合至MEREC方法中，通过性能缩减指数(基于自然对数变换)实现准则权重的客观分配；同时改造MAIRCA方法，利用Lance距离对比理论评估与实际表现的差距。最终形成的混合T-SF MEREC-MAIRCA框架，通过七步标准化流程实现了从数据预处理到方案排序的全链条分析。

研究结果部分呈现了三大创新突破：

1. T-SF Lance距离的理论构建：新提出的距离度量不仅保持经典Lance距离对偏差数据的鲁棒性，还通过^λ次幂运算(λ>0)增强了对T-SF四维特征的区分能力。数学证明显示该距离满足非负性、对称性和三角不等式等核心性质。

2. MEREC权重优化体系：基于Lance距离构建的合成指数，有效捕捉了准则剔除导致的性能波动。在智能农业案例中，"能源效率"准则展现出最大权重波动(Δw=0.148)，证实该方法对关键因素的识别敏感性。

3. MAIRCA评估模型增强：通过整合T-SF得分函数与Lance距离，创建的"不利差距测度"指标Q_i清晰量化了方案偏离理想状态的程度。桃园市案例分析显示，屋顶农业模型(s₃)以最小Q₃=0.4395脱颖而出，而垂直农场(s₇)因高能耗(Q₇=0.6821)排名垫底。

结论与讨论部分强调，该研究实现了决策科学领域的三个重要跨越：首先，T-SF Lance距离的提出填补了复杂模糊环境下差异度量的理论空白；其次，MEREC与MAIRCA的协同整合创造了"客观赋权-主观评估"的双重校验机制；最后，智能农业的实证研究证实了框架在真实场景中的适用性。特别值得注意的是，当参数λ从1增至5时，环境可持续性准则的权重提升23%，揭示出决策者对生态因素的敏感性可通过参数调节灵活体现。

这项发表于《Engineering Applications of Artificial Intelligence》的成果，不仅为模糊决策理论提供了新的方法论工具，其开发的标准化分析流程(包含T-SF信息聚合、Lance距离计算和差距矩阵构建等模块)更可直接迁移至医疗资源配置、能源系统优化等领域。研究团队特别指出，未来工作将探索深度学习与T-SF框架的结合，以进一步提升对动态不确定环境的适应能力。