Книга Decisions with Multiple Objectives: Preferences and Value Tradeoffs [788] содержит исчерпывающее введение в теорию многоатрибутной полезности (MultiAttribute Utility Theory— MAUT). В ней описаны первые компьютерные реализации методов выявления необходимых параметров для многоатрибутной функции полезности и приведены исчерпывающие отчеты о результатах практического применения этой теории. В области искусственного интеллекта основным источником сведений о теории многоатрибутной полезности является статья Уэллмана [1572], которая включает описание системы URP (Utility Reasoning Package), позволяющей использовать коллекцию высказываний о независимости предпочтений и условной независимости для анализа структуры задач принятия решений. Результаты обширного исследования в области использования понятия стохастического доминирования в сочетании с качественными вероятностными моделями приведены в [1573], [1574]. В [1578] изложен предварительный набросок подхода к созданию метода, с помощью которого можно использовать сложный набор отношений независимости полезностей для создания структурированной модели функции полезности, во многом аналогично тому, как байесовские сети позволяют создавать структурированные модели совместных распределений вероятностей. В [52], [53] и [876] приведены дальнейшие результаты, полученные в данном научном направлении.

Теория принятия решений является стандартным инструментальным средством в экономике, финансах и науке управления с 1950-х годов. До 1980-х годов основным средством, применяемым для представления простых задач принятия решений, были деревья решений. В [1438] приведен обзор методологии анализа проблемы принятия решений. Сети принятия решений, или диаграммы влияния, были разработаны Говардом и Матесоном [695] на основе одной из ранних работ, выполненной группой специалистов (включая Говарда и Матесона) в институте SRI [1051]. Метод Говарда и Матесона обеспечивает формирование дерева решений на основе сети принятия решений, но в общем случае сформированное дерево имеет экспоненциальные размеры. Шахтер [1383] разработал метод принятия решений, основанный исключительно на использовании сети принятия решений, без создания промежуточного дерева решений. Этот алгоритм оказался также одним из первых алгоритмов, который обеспечивает полный вероятностный вывод в многосвязных байесовских сетях. В недавно опубликованной работе Нильссона и Лауритцена [1139] показано, какое отношение имеют алгоритмы для сетей принятия решений к продолжающимся разработкам в области создания алгоритмов кластеризации для байесовских сетей. В сборнике статей [1155] приведен целый ряд полезных статей по сетям принятия решений, как и в специальном выпуске журнала Networks, который вышел в 1990 году. Кроме того, статьи по сетям принятия решений и моделированию полезностей регулярно публикуются в журнале Management Science.