عدم قطعیت و ابهام در زندگی روزمره هر فردی به چشم می خورد که یکی از موارد کاربردی آن، مسئله تشخیص بیماری درحیطه پزشکی است. معمولا همه افراد را نمی توان تنها با تکیه بر منطق کلاسیک به دو گروه سالم و بیمار طبقه بندی کرد بلکه بهتر است شرایط سلامت، با درجاتی بین ناخوشی کامل و سلامت کامل مشخص گردد. بنابراین ابزارهای فازی برای تعمیم مجموعه ها درموارد مبهم معرفی شده اند. یکی از مدلهای اخیرکه توسط سانچز ابداع شده، مورد توجه سایر دانشمندان قرار گرفته و به سوالاتی پیرامون انتخاب تشخیص پاسخ داده است. در این مدل با این فرض که علائم همه بیماریهای مورد نظر موجود باشند انتخاب، برمبنای علائم کلینیکی صورت می گیرد. مدل سانچز مشکلاتی دارد: در مواردی به ازای تشخیصهای مختلف درجات عضویت یکسانی محاسبه می کند، درنتیجه امکان انتخاب از میان آنها سلب می شود. بعلاوه در این مدل بیمار تنها یکبار ویزیت می شود. اگر بررسی وضعیت سلامت بیمار بیش از یکبار صورت گیرد، مشاهده تغییرات در مقادیر پارامترهای بیولوژیکی تحت نظارت ممکن می شود. در این پایان نامه، برای محدود کردن تصمیمات مشکوک که نتیجه استفاده از ابزارهای ریاضی هستند، راه حلهایی ارائه شده است. ابتدا، مفهوم فاصله اقلیدسی به عنوان روش مکمل معرفی شده است و در این راستا از توابع دیگر فاصله میان مجموعه های فازی استفاده گردیده و نتایج مورد بررسی قرار گرفته و همچنین یک تابع جدید نیز معرفی شده است. به عنوان راه حل بعدی، کارایی تئوری مجموعه های فازی شهودی ارزیابی شده و استفاده از یک معیار همسانی ارائه شده است. در انتها تئوری مجموعه راف در طبقه بندی تشخیصها بکار گرفته شده همچنین در تعیین صفات مهم و ایجاد مجموعه کاهش یافته از صفاتی که مسبب بروز بیماریها هستند و تولید قوانین از تئوری مجموعه راف استفاده گردیده است. در این کار از الگوریتم pso برای کاهش صفات و الگوریتم lem2 برای کاهش قوانین تولید شده بهره جستیم و الگوریتم mlem2 به عنوان جایگزین بهتر lem2 معرفی شده است.