The challenge of complex multi-attribute large group decision-making (CMALGDM) is reflected from three perspectives: interrelated attributes, large group decision makers (DMs) and dynamic decision environments. However, there are few decision techniques that can address the three perspectives simultaneously. This paper proposes a random intuitionistic fuzzy factor analysis model, aiming to address the challenge of CMALGDM from the three perspectives. The proposed method effectively reduces the dimensionality of the original data and takes into account the underlying random environmental factors which may affect the performances of alternatives. The development of this method follows three steps. First, the random intuitionistic fuzzy variables are developed to deal with a hybrid uncertain situation where fuzziness and randomness co-exist. Second, a novel factor analysis model for random intuitionistic fuzzy variables is proposed. This model uses specific mappings or functions to define the way in which evaluations are affected by the dynamic environment vector through data learning or prior distributions. Third, multiple correlated attribute variables and DM variables are transformed into fewer independent factors by a two-step procedure using the proposed model. In addition, the objective classifications and weights for attributes and DMs are obtained from the results of orthogonal rotated factor loading. An illustrative case and detailed comparisons of decision results in different environmental conditions are demonstrated to test the feasibility and validity of the proposed method.

复杂的多属性大群体决策（CMALGDM）面临的挑战从三个角度反映出来：相互关联的属性，大群体决策者（DM）和动态决策环境。但是，很少有可以同时解决这三种观点的决策技术。本文提出了一种随机直觉的模糊因子分析模型，旨在从三个方面解决CMALGDM的挑战。所提出的方法有效地减少了原始数据的维数，并考虑了可能影响替代方案性能的潜在随机环境因素。该方法的开发遵循三个步骤。首先，开发了随机直觉模糊变量，以处理模糊性和随机性共存的混合不确定情况。第二，提出了一种新的随机直觉模糊变量因子分析模型。该模型使用特定的映射或函数来定义评估方法受数据学习或先前分布影响的动态环境向量的影响方式。第三，使用所提出的模型，通过两步过程将多个相关的属性变量和DM变量转换为较少的独立因子。此外，属性和DM的客观分类和权重是从正交旋转因子加载的结果中获得的。演示了一个案例，并在不同环境条件下对决策结果进行了详细的比较，以检验该方法的可行性和有效性。该模型使用特定的映射或函数来定义评估方法受数据学习或先前分布影响的动态环境向量的影响方式。第三，使用所提出的模型，通过两步过程将多个相关的属性变量和DM变量转换为较少的独立因子。此外，属性和DM的客观分类和权重是从正交旋转因子加载的结果中获得的。演示了一个案例，并在不同环境条件下对决策结果进行了详细比较，以检验该方法的可行性和有效性。该模型使用特定的映射或函数来定义评估方法受数据学习或先前分布影响的动态环境向量的影响方式。第三，使用所提出的模型，通过两步过程将多个相关的属性变量和DM变量转换为较少的独立因子。此外，属性和DM的客观分类和权重是从正交旋转因子加载的结果中获得的。演示了一个案例，并在不同环境条件下对决策结果进行了详细比较，以检验该方法的可行性和有效性。使用所提出的模型，通过两步过程将多个相关属性变量和DM变量转换为较少的独立因子。此外，属性和DM的客观分类和权重是从正交旋转因子加载的结果中获得的。演示了一个案例，并在不同环境条件下对决策结果进行了详细的比较，以检验该方法的可行性和有效性。使用所提出的模型，通过两步过程将多个相关属性变量和DM变量转换为较少的独立因子。此外，属性和DM的客观分类和权重是从正交旋转因子加载的结果中获得的。演示了一个案例，并在不同环境条件下对决策结果进行了详细比较，以检验该方法的可行性和有效性。