本研究提出了一种结合模糊推理与贝叶斯网络的群体决策系统，针对多目标属性的决策问题。通过构建模糊规则库和分层贝叶斯网络，优化后验概率聚合，结果表明该方法在分类精度和一致性排名上优于传统方法，验证了其在多种决策场景中的有效性和可靠性。

本研究探讨了去中心化环境下多智能体系统中的跨智能体沟通与集体智能，发现适度的决策灵活性能提升群体决策效果，并揭示了有效协作的语言特征，为多智能体协作设计提供了重要见解。

本研究解决了现有多属性群体决策方法中忽视专家意见冲突的问题，提出了一种证据MAGDM方法，以评估观察者间的变异性并处理专家之间的不确定性。通过生成基本概率分配方法和建立有序加权信念偏差测量，捕捉可选方案的整体信息。此外，本框架在使用光学相干断层成像诊断视网膜疾病的集成分类特征融合中展示了其实际应用潜力。

该研究提出了一种新颖的多级连续三态决策组协作决策方法，通过信息融合和决策层次的信息提取/汇总，改进了复杂、不确定性的群体决策问题。利用邻域理论、比较关系和遗憾理论计算条件概率和相对损失函数，并通过基于连续三态决策的粒结构提高决策效率。通过示例诊断和与其他方法的比较验证了该方法的效率和合理性。

本文提出了一种解决不同隐私偏好用户均值估计问题的算法，并发现在具有不同隐私级别的用户情况下，该算法是最优的。进一步放宽隐私要求并不能改善估计器的性能。因此，中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。

该研究提出了一种基于TOPSIS和优化模型的多属性群体决策算法，综合了主观和客观权重方法的优势，并通过实际案例验证了其可行性和有效性。

任何群体决策或机制都将趋于有效，但并不总是正确。