评估决策是通过评估信息的加工形成综合排序的一种选择行为,己在企业、教育、科技管理中得到了广泛应用。在评估决策系统中,不确定性由于信息与数据的增加变得十分显著。粗糙集理论是在对不确定和不完全信息的分类和数据处理实践中由Pawlak提出来的。粗糙集理论最初在人工智能的某些分支,例如推理,自动分类,模式识别,学习算法等的研究中是很重要的。近年来,随着粗糙集理论的发展,粗糙集理论推动了分类理论,聚类分析,度量理论,决策支持等理论的研究和应用。粗糙集理论的关键是建立两个被称为下、上近似的子集来近似表示论域上的任意集合。粗糙集理论中的有效算法研究是粗糙集理论的一个研究热点,目前主要集中在决策规则提取算法,属性约简算法,粗糙集基本并行算法,以及与粗糙集有关的神经网络和遗传算法等。其中,属性约简算法和规则提取算法是粗糙集理论及应用研究的重要内容。包含度是各种不确定性推理方法的概括。它是包含关系的定量描述,它包容了“关系”的不确定性。包含度理论同模糊集理论相辅相成,成为研究不确定性的重要工具。由于现实世界中信息的不确定性,信息系统的条件属性和目标属性都有可能是模糊的,因此,本文结合粗糙集与包含度的概念,在模糊信息系统中进行评估决策。首先,本文将包含度概念引入到粗糙集理论中,建立了包含度与粗糙集数据分析中的度量之间的关系,证实了粗糙集数据分析中的有关度量均可归结为包含度。然后,通过以下步骤将这两个概念同时用于模糊信息系统中:1)利用Pawlak粗糙集理论和表现定理得到一个新的粗糙模糊集模型;2)利用包含度给出决策规则的提取和属性约简的方法;3)结合遗传算法在决策规则与条件属性已知的情况下给出目标属性值。本文的研究结果在DRP系统下的经销商管理模块得到很好的应用,有效地辅助了企业决策者选择和评估经销商。