传统的Zadch[164]模糊集可以表达模糊数的隶属度信息，出于对Zadch模糊集的拓展，Atanassov[120]于1986年提出了直觉模糊集的概念。除隶属度以外，直觉模糊集考虑了非隶属度及犹豫度，比传统模糊集在处理模糊性和不确定方面更具灵活性与实用性，能更加准确地反映客观实际，且利于决策者理解运用，更具合理性。与此同时，Chen[165]采用记分函数解决Vague集模糊多准则决策问题，Bustince[166]等指出Vague集实质上是直觉模糊集，更加凸显出直觉模糊集在处理模糊评价信息方面的优势。

为对直觉模糊评价信息进行有效集结，在定义直觉模糊数基本运算[167]的基础上，Z.S.Xu[168-169]提出了一系列的直觉模糊信息集成算子，主要包括直觉模糊加权算术平均（IFWA）算子[170]、有序加权平均（IFOWA）算子、混合加权平均（IFHA）算子及加权几何平均（IFWG）算子等，之后又拓展到广义直觉模糊算子。文献[171-172]考虑到不同直觉模糊数的隶属度与非隶属度之间可能存在的交叉影响，改进了直觉模糊基本运算并提出了新的信息集成算子，新算子稳健性较好，敏感性较低，能避免得出与实际相悖的决策结果，对隶属度或非隶属度为零的特例有较好的可解释性。

如何确定直觉模糊多准则决策问题的各决策者权重及准则权重是此类决策问题的关键。D.F.Li[173]通过线性规划模型求解准则权重并基于直觉指数确定最优权重；G.W.Wei[174]采用灰色关联分析及非线性规划模型确定各准则权重；J.Z.Wu[175]拓展一般的直觉模糊熵，采用加权直觉模糊熵确定各准则权重。采用距离测度及相似性测度解决直觉模糊多准则决策问题的方法逐渐增多[176-177]，但已有的距离测度或相似度测度方法所得结果多为实数形式，会造成评估信息的丢失。基于此，张洪美[178]等定义了新的直觉模糊相似度，将直觉模糊决策矩阵转化为相似矩阵，给出一种决策方法；Wang[179]同样给出新的相似度公式，决策方法的计算过程比文献[178]简单。新定义的相似性测度其结果为直觉模糊数，很好地保留了各准则评价信息，但新的定义不完全满足相似度的性质，且对各准则同等对待，对准则权重的认定较为粗糙。(www.daowen.com)

针对现有基于相似度确定准则权重的不足，本节提出一种新的直觉模糊相似性测度公式，给出一种确定准则权重的客观赋权法，并根据各方案在单个准则下的直觉模糊熵值确定各准则权重，解决了一类决策者权重与准则权重完全未知的直觉模糊多准则群决策问题。