基于Yager-Dombi范数的反馈式双层层次语言神经网络在生物强化作物优选中的创新应用研究

《ARTIFICIAL INTELLIGENCE REVIEW》：Optimizing biofortified crop selection: a novel feed-backward double hierarchy linguistic neural network approach with Yager-Dombi t-norms

本研究针对生物强化作物优选这一复杂多属性决策难题，提出了一种融合Yager-Dombi范数的反馈式双层层次语言神经网络新方法。通过构建DHLTYDWA、DHLTYDOWA和DHLTYDHWA等新型聚合算子，结合熵权法确定未知权重向量，成功解决了传统决策方法在语言信息处理中的局限性。实证研究表明，该方法能有效识别维生素A强化水稻为最优选择，为解决发展中国家营养不良问题提供了可靠的决策支持工具。

　　

在全球粮食安全与营养健康领域，生物强化作物作为一种可持续解决方案正受到越来越多的关注。这些通过遗传改良技术增强必需营养素（如维生素和矿物质）含量的作物，能够显著改善以主食为主的人群的营养状况。然而，面对多种生物强化作物选项，决策者往往陷入选择困境——如何科学评估各作物的营养含量、农艺性能、消费者接受度和环境影响等多重指标，成为制约生物强化技术推广的关键瓶颈。

传统决策方法在处理这种涉及语言评价信息和复杂关联关系的多属性决策问题时显得力不从心。正是在这一背景下，发表于《Artificial Intelligence Review》的最新研究提出了一种创新性的解决方案——基于Yager-Dombi范数的反馈式双层层次语言神经网络（FBDHLNN）方法。

为了突破传统决策方法的局限，Shougi S. Abosuliman、Saleem Abdullah和Nawab Ali等研究人员开展了一项跨学科探索。他们巧妙地将双层层次语言术语集（DHLTSs）与反馈神经网络（FBNNs）相结合，并引入Yager-Dombi t-范数和t-余范数，构建了一套全新的决策分析框架。

研究团队首先定义了DHLTYDWA（双层层次语言术语Yager-Dombi加权平均）、DHLTYDOWA（双层层次语言术语Yager-Dombi有序加权平均）和DHLTYDHWA（双层层次语言术语Yager-Dombi混合加权平均）三种新型聚合算子，并严格证明了这些算子满足幂等性、有界性和单调性等数学性质。针对决策过程中常见的权重信息不完全问题，研究采用熵权法来确定各准则的权重向量，增强了决策结果的可靠性。

在技术方法层面，该研究主要突破了以下几个关键点：一是建立了基于ReLU（Rectified Linear Unit）激活函数的反馈神经网络结构，有效解决了深度网络中的梯度消失问题；二是设计了包含输入层、隐藏层和输出层的三层网络架构，通过反馈连接实现了信息的双向流动；三是开发了完整的算法流程，包括问题阐述阶段、全连接阶段和专家结果阶段，确保了方法的可操作性。

研究结果部分展现了该方法的实际应用效果。在生物强化作物选择案例中，研究团队考虑了四种候选作物：生物强化玉米、生物强化水稻、生物强化豆类和生物强化小麦，并从营养含量、产量与农艺性能、消费者接受度和环境影响四个维度进行评估。

通过FBDHLNN模型的计算，各候选作物的综合得分呈现出明显差异。生物强化水稻以0.6805的得分位居首位，显著高于其他候选作物。这一结果验证了生物强化水稻在解决维生素A缺乏症方面的独特优势，特别是在发展中国家地区，水稻作为主粮作物的广泛消费基础使其成为营养强化的理想载体。

为了验证方法的稳健性，研究还进行了扩展实验，将候选作物扩大至六种，评估准则增加至五项。在更为复杂的决策场景下，生物强化水稻依然保持领先地位，进一步证明了该方法在不同决策规模下的适用性。

方法验证环节特别值得关注。研究团队采用WASPAS（Weighted Aggregated Sum Product Assessment）方法对提出的FBDHLNN方法进行交叉验证。结果表明，两种方法得出的排序结果高度一致，生物强化水稻均被识别为最优选择，充分证明了所提出方法的有效性和可靠性。

对比分析进一步凸显了该方法的优势。与传统多属性决策方法如TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）、GRA（Grey Relational Analysis）、WS（Weighted Sum）和WP（Weighted Product）等方法相比，FBDHLNN方法不仅能够获得一致的优选结果，而且在处理语言信息、考虑决策偏好方面表现出更强的灵活性和适应性。特别是在减少决策步骤、提高计算效率方面，该方法展现出了明显优势。

研究的讨论部分深入分析了FBDHLNN方法的理论贡献和实践价值。从理论层面看，该研究首次将Yager-Dombi范数与双层层次语言术语集相结合，拓展了模糊神经网络在复杂决策环境中的应用边界。从实践层面看，该方法为农业政策制定者、营养专家和作物育种学家提供了一个科学可靠的决策工具，有助于优化生物强化作物的推广策略，提高营养干预措施的精准性和有效性。

值得注意的是，该方法的应用范围不仅限于生物强化作物选择，还可扩展至其他领域的复杂决策问题，如水资源管理、医疗诊断和工程技术选择等。研究的创新之处在于成功地将语言学概念、模糊数学和人工智能技术有机融合，为解决现实世界中的不确定决策问题提供了新思路。

然而，研究团队也指出了该方法的某些局限性，例如对计算资源的要求较高，在超大规模决策问题中可能需要进一步的算法优化。未来的研究方向包括开发更高效的学习算法、探索其他类型的聚合算子，以及将该方法应用于更广泛的决策场景。

综上所述，这项研究通过创新性地结合反馈神经网络与双层层次语言术语集，成功开发了一种强大的多属性决策工具。该方法不仅为生物强化作物的科学选择提供了可靠支持，也为解决其他复杂决策问题开辟了新途径。随着人工智能技术的不断发展和完善，这类方法有望在粮食安全、公共卫生和可持续发展等领域发挥越来越重要的作用，为应对全球性挑战提供智能化解决方案。