多属性群决策主要研究专家群体根据属性指标对方案进行评价和排序。面对复杂的决策问题,由于专家们的教育背景、文化知识、经验、表达方式的制约,针对一些定性的属性,专家们往往难以精确地定量地对决策方案进行评价,通常给出区间数和模糊语言等评价信息。针对上述具有不同类型属性值评价信息的多属性群决策问题,参与决策的专家往往给出关于方案的总体评价,例如,偏好序。如何基于不同类型属性值评价信息与专家给出的方案偏好序信息,得到满足该类信息的属性权重和专家权重,进而得出方案的综合评价值和排序是本文的研究问题。本文将方案的偏好序作为期望输出,引入神经网络来训练权重,解决复杂多属性群决策问题,并针对无偏好序的情况进行了扩展。首先,针对不同类型属性值评价信息,本文需将它们规范化为单点值的形式,其中,利用模糊互补关系矩阵对偏好序进行规范化,利用理想法对区间数型评价信息进行规范化,利用三角模糊数的面积均值法对语言评价值进行规范化,利用灰色关联度概念对不确定语言变量评价值进行规范化。其次,针对专家给出方案总体偏好序信息的多属性群决策问题,建立了数学模型,并采用线性神经网络进行决策,将总体偏好序信息作为神经网络的期望输出值,将专家们给出的属性指标评价数据作为神经网络的输入来训练属性权重与专家权重。根据加权和法得到最终的方案排序结果。给出了算例并采用MATLAB进行仿真计算,验证提出的数学模型和神经网络模型。最后,针对专家未给出方案总体偏好序信息的多属性群决策问题,采用层次分析法与离差最大化法构造出神经网络模型的期望输出值,再利用BP神经网络训练出属性权重与专家权重,同样采用加权和法得到基于专家群体评价信息的方案排序结果。并给出算例用MATLAB仿真计算进行验证。