在人类的生活中，决策(DecisionMaking)是最为重要的活动之一，然而，不幸的是，对于名词“决策”本身的定义和解释在各个领域内都不尽相同，本书就在对决策问题的基本认识，科研人员与应用人员之间有一个基本共识，即决策问题通常是不确定的，具有多准则及复杂性的三个方面进行探讨。 在人类的生活中，决策(DecisionMaking)是最为重要的活动之一，因此，有多个学科对此问题进行了研究，这并不令人意外，逻辑与心理学，管理与计算机科学，人工智能与运筹学都对此现象进行了研究和探讨。然而，不幸的是，对于名词“决策”本身的定义和解释在各个领域内都不尽相同，因此，这不可避免地会经常带来在不同的学科之间的误解，在本书的第一章，为了避免在后文中造成可能的混淆，我们试图对这些概念进行澄清。

在对决策问题的基本认识上，科研人员与应用人员之间有一个基本共识，即决策问题通常是不确定的，具有多准则及复杂性的，本书即对此三个方面进行探讨。

不确定性(uncertainty)，不确定性的存在从中世纪甚至更早之前就不断地困扰着哲学家、逻辑学家以及决策者，对之，人们一直以来都采取忽略与回避的态度，只有概率论的出现似乎提供了一个能够对不确定性进行建模的方法，甚至于也可以将之应用到有关决策的计算之上，直到20世纪60年代中期，人们才开始意识到，不确定性并不是一种同质的现象，而是具有多种造成不确定性的原因，而对于不同种类的不确定性必须采用不同的理论和方法才能对之进行正确的处理，也就是在这个阶段，模糊集理论开始发端，同时，许多其他的用于解决不确定性问题的理论也逐渐产生，而对于决策问题建模时所面临的一个问题即为如何选择适当的理论，在本书的第三章中，我们将对这些不同的处理不确定性问题的理论进行介绍，并对它们之间的相互关系进行详细解释。

多准则设定(MulticriteriaSettings)，用于决策的模型通常是数学优化模型。直到20世纪60年代，这类模型还只能有一个准则来作为目标函数，以求得在满足约束的决策空间内的最大值或最小值，这也是对数学规划的基本认同。而且也形成了管理科学与运筹学研究的一个主要领域，随着研究的深入，学者们逐渐意识到，人们在进行决策时，经常需要考虑多个准则，而不仅仅是一个准则，在数学上，这种多准则的情况没有任何含义(因为无法对一个向量进行最大化)，这个问题困扰了研究人员以及应用人员相当长一段时期，直到发现了被称为多准则决策的模型，在寻找最优解的时候，此模型中多个准则可以得到同时考虑。然而，这也为决策分析带来了另一个问题分支——将在第五章详细讨论，在数学规划的范畴内，对于多目标决策问题的讨论在20世纪60年代还将之纳入目标规划的形式内，在经过了十年甚至更长的时间后，运筹学领域的一些学者才认识到，通过这样的形式来构建的模型及相应的方法并不能真正解决他们想要解决的问题，这些模型，例如在线性规划问题中，考虑的是“精确性”，即要在可行解和不可行解之间，最优解和次优解之间，进行严格区分，而人类决策者通常在考虑可行性和最优性时并不是那么严格，而往往是渐进和过渡式的，随后，本书就讨论了如何将模糊集理论整合到传统的线性规划问题上，详细内容请参见本书的第二部分。

复杂性(Complexity)，直到20世纪70年代，对于管理科学中的优化方法的应用而言，(计算机可读)数据的匮乏还是一个不可忽视的大问题，然而，随着信息技术的快速发展，这种状况发生了变化。现在我们更多所面临的情况是在数据仓库和网络上的数据前所未有的丰富，因此现在的问题不再是如何生成数据或者是如何将之输入计算机，而是如何才能发现那些隐藏在海量数据中的有价值的信息！这随之就引发了一个以前的决策者和管理学领域的学者从未遇见过的问题，虽然此问题早在20世纪50年代就由人工智能领域的认知分支学科所认识，用来解决此类问题的方法一般称为模式识别或数据挖掘，此类方法中最早的一个方法，即聚类分析，仍然是基于二元考虑的，或者说只考虑精确性和静态的。后来，人们逐渐认识到，这种思路对于识别数据中真实存在的模式而言是非常不合适的，而智能数据挖掘技术，如模糊聚类、神经元网络或混合方法不断涌现，在本书的第三部分对此进行了探讨。计算智能，可以视为集模糊集理论、人工神经元网络和演化计算于一身的一个综合体，但其中模糊集理论确实可以作为整个理论的哲学基础。这些方法在不断得到发展，期间也不断地被用于改善问题求解和决策支持水平，其目的是要构建一个方法一机器一人类的交互界面，能更为友好地帮助更多用户来解决问题，在相关的一些领域内，已经开发出许多成功的应用，在本书的第四部分将对其中一些具有代表性的应用进行介绍，并探讨了仍然还有待于进一步去发......