直觉模糊集（IFS）以其在表达模糊性及不确定信息方面的灵活性与实用性，在投资项目选择、企业创意产品方案评估等多准则决策领域有着广泛的应用。其主要采用隶属度、非隶属度及犹豫度描述不确定评价信息，三方面的评价信息主要采用精确数表示，与Zadch模糊集相比，能够从多个方面描述不确定信息。针对复杂且不确定性程度较高的决策对象，精确数表达的直觉模糊集很难对其进行合理表示，为解决这一问题，K.Atanassov[181]推广了直觉模糊集，将隶属度、非隶属度及犹豫度拓展到区间数形式，给出区间直觉模糊集（IVIFS）的概念及运算规则，IVIFS对模糊不确定程度较高的信息的表达能力更强。

为对区间直觉模糊信息进行有效集结，Xu[123-124，182]研究了区间直觉模糊信息集结算子，主要有区间直觉模糊加权平均（IIFWA）算子、区间直觉模糊有序加权平均（IIFOWA）算子、区间直觉模糊混合（IIFHA）算子、区间直觉模糊加权几何（IIFWG）算子及区间直觉模糊混合几何（IIFG）算子等，分别给出了各算子的集结运算结果及各算子的幂等性、有界性和置换不变性等性质，并基于各集结算子给出了区间直觉模糊多准则群决策方法。梁昌勇[183]等提出了诱导性区间直觉模糊混合平均（I-IIFHA）算子与诱导性区间直觉模糊混合几何（I-IIFHG）算子，这两种算子以区间直觉模糊熵值作为诱导变量，在同时考虑区间直觉模糊信息本身及决策信息所在位置重要性的基础上给出决策方法。文献[184-186]将经典多准则决策方法（如TOPSIS法、灰色关联分析法、目标规划法等）拓展到区间直觉模糊评价问题，给出了相应的决策方法。

与直觉模糊决策类似，在区间直觉模糊决策过程中，仍然需要对区间直觉模糊数进行排序，文献[123]定义了区间直觉模糊数的得分函数及精确函数，但该排序方法精确度不够，对某些区间直觉模糊数的大小无法区分。之后，Y.Jun[187]、Wang[188]提出了改进的区间直觉模糊得分函数，但针对某些较为特殊的区间直觉模糊数，仍然会出现记分函数值相等导致无法排序，甚至出现与实际排序相悖的排序结果。记分函数失效的主要原因在于没有考虑犹豫度对排序结果的影响，这在一定程度上造成评价信息的丢失，导致个别区间直觉模糊数无法排序。考虑犹豫度对区间直觉模糊数排序的影响，文献[189-191]定义了新的记分函数，并分析了其与原有记分函数的异同点，得到较为合理的排序结果；陈志旺[192]通过两两区间直觉模糊数之间的区间得分函数及区间精确函数的可能度比较，得到区间直觉模糊数之间的优劣次序。(www.daowen.com)

针对区间直觉模糊多准则群决策问题，如何确定各决策者权重及准则权重是此类问题的关键，已有研究主要采用相似性测度或距离测度给出确定权重的客观赋权法，通过度量区间直觉模糊数之间的偏差程度，根据偏差大小确定准则权重，但测度的定义往往忽略犹豫度信息，且测度的计算结果往往为精确数，这会在一定程度上造成评价信息的丢失与混淆，使方案排序结果存在较大误差[193-194]。与此同时，基于区间直觉模糊熵[195-196]确定准则权重的方法也相继提出。

鉴于以上分析，本节将区间直觉模糊相关系数引入多准则群决策问题中，首先给出区间直觉模糊数的相关系数的定义，由单个准则评价信息与其评价均值的相关系数确定各准则所体现的决策者权重。构建各方案与正理想方案的加权相关系数总和最大化（或与负理想方案的加权相关系数总和最小化）的目标规划模型以确定各准则权重，即从两个不同的方向确定了两组准则权重向量，从而确定各方案与正、负理想方案的加权相关系数，并采用改进的TOPSIS法实现对方案的排序择优。最后将给出的群决策方法应用到投资方案选择算例中，体现出决策方法的有效性与可行性。