智能决策支持系统（IDSSs）被广泛应用于智能决策的各种计算机科学中的应用。为了实现这些IDSSs，机器学习算法和多样化的编程范式和框架是必需的。机器学习和预测算法在本质上丰富并产生不同的结果。因此，从业者和决策者需要智能科学方法，如实证评价和机器学习使用多标签学习，统计和信息理论，界标和复杂性方法的办法，以使他们能够选择最适当的学习和预测算法。

真实世界的决策支持系统需要的多种标准功能，这反过来，影响最终决策的考虑和分析。标准是相互矛盾的性质：例如，在汽车选择的情况下，诸如成本，舒适性，安全性和燃油经济性都来考虑。因此，决策者需要科学的方法，如过滤器，说唱歌手，和嵌入的方法，进行这样复杂的评估。关注IDSS的设计和开发的研究人员试图证明创新的科学技术，工具和模型，其改善的预期决定的质量和准确性。这样的技术和工具的一些例子包括多属性决策（MADM），多属性效用理论（MAUT），排名领先，敏感性分析，粗糙集探测系统（RSES），自适应粗糙集和自适应推理的方法。

因此，本特刊旨在征集高质量的原创研究和评论文章，这些文章涵盖了与IDSSs的科学设计、开发和实现有关的新颖、尖端技术和方法。特别鼓励将IDSSs的研究与机器学习算法和多准则决策(MCDM)软件结合起来，并考虑如何提高这些系统在一系列不同应用程序中生成的决策的质量和准确性。

潜在的主题包括但不限于以下内容：

• 在开发IDSSs中使用数据挖掘和机器学习技术和算法，涉及广泛的行业，如商业、教育和医疗保健
• 比较分析、调查和实现不同的IDSSs和MCDM方法(如协同决策、知识驱动决策、AHP、ANP、TOPSIS、RSES)在计算机科学各个应用领域中的应用
• 聚合算，多目标/标准优化，模糊多目标决策，权重和排名的标准，排名，排序，以及他们在现实世界的应用领域实现的应用
• 在数据挖掘和数据分析使用多目标决策的
• 使用知识驱动，数据驱动，模型驱动和混合决策和多目标决策
• 设计与社交网络分析，Web挖掘，和众包新的智能决策方法的发展
• 大数据分析的智能决策系统
• 基于多格式的用户身份管理
• 基于多目标的访问控制，数据的策展，融合和情境感知