软集理论由Molodtsov于1999年提出，它为集合理论的研究开创了全新的参数化视角。其定义如下：

定义2-1（Molodtsov，1999） 假设U为研究对象的初始论域，EU（简记为E，称为参数空间）是与U中对象有关的所有参数的集合。这里的参数是描述对象性质、特征、特点的指标（在决策问题中，通常称其为属性），（U，E）又被称为一个软论域。

令P（U）为论域U的幂集，而A⊆E为参数集，则二元组=（F，A）称为论域U上的一个软集，其中F：A=P（U）是一个集值映射，称为软集的近似函数。

取参数e∈A，则F（e）⊆U。

可以看出，软集并非对论域对象全部信息的全面精细刻画，而是以参数的方式从多方位的角度对研究对象的分类解读。基于实际决策问题中所掌握对象信息的有限性及审视角度的多样性，以参数化的方式进行对象刻画是符合决策常识的。因此，该理论从产生开始便受到领域内学者的广泛关注。(www.daowen.com)

自软集理论产生以来，关于决策问题的研究便成为其首要应用领域。虽然基于经典软集的决策研究成果为数不多，但却成为之后蓬勃发展不可或缺的理论基础和演化源泉。

基于经典软集的决策研究中，Maji和Roy（2002）应用粗糙集理论中的属性约简方法对软集参数进行约简，然后计算选择值或加权选择值进行决策；而Chen Degang（2005）对Maji所采用的粗糙集属性约简方法的适用性表示质疑，提出了基于参数依赖的约简策略；Çağman（2010a）定义了软集的乘积并以之设计了uni-int决策算法，实现基于不同参数子集间的融合性决策；之后又建立了软矩阵理论，并给出uni-int算法的矩阵化形式——max-min决策方法（2010b）；Feng Feng（2012）定义了选择值软集及k满足关系，对Çağman的uni-int算法进行了扩展；Kong Zhi（2015）应用参数概率填补软集中的不完全参数信息，并基于选择值实现决策；Feng Feng（2014）基于软集构建了分辨矩阵及软分辨矩阵，应用软分辨矩阵中各分类的参数对比结果进行对象排序。伴随软集决策理论研究的不断深入，面向不同领域的应用架构也开始建立起来。肖智（2003）基于软集理论提出了企业竞争力综合评价方法；Qin Hongwu（2012）定义了信息系统等价类的软集模型以获取相应粗糙集的近似集，从而对分类数据集进行聚类属性甄选；Xu Wei（2014）将软集理论与统计回归分析相结合应用于商业失败预测中的财务比率分析。

总体而言，基于选择值的策略是最为典型的解决基于软集架构决策问题的方法。它遵循了软集理论的参数化研究视角，将论域对象的一系列参数刻画集结为性能优劣的综合表达，成为后续模糊软集决策研究的重要思想基础和方法支撑。基于uni-int思想的决策方法是经典软集融合性决策研究的代表性策略，可以对软集参数进行适度约简，适于多决策信息的融合。但同时如Zhang Zhiming（2012）所说，需要注意防范应用中可能产生空的决策集的问题。除此以外，软集与模糊集、粗糙集等软计算理论的扩展交叉（Meng Dan，2011；Ali，2011），也为决策研究的发展提供了更广阔思路。