本文针对有向图中的模糊最短路径问题（FSPP），提出了一种基于广义高斯模糊数（GGFN）的边成本建模方法。传统模糊最短路径研究通常使用三角或梯形隶属函数，而本文引入高斯型隶属函数，并将模糊数的高度（height）解释为信息可靠性的指标。基于此，在广义高斯模糊数的加法运算中，采用加权几何平均来聚合高度值，从而在路径成本累加过程中保留可靠性信息。为了确定最短路径，本文设计了一种考虑可靠性的排名机制，该机制同时考虑模糊成本的核（core）、高度和标准差，以综合反映中心趋势、可靠性和变异性，同时保持每轮松弛操作的Dijkstra级别复杂度。该方法能够选择出既成本高效又依赖于高可靠信息的路由。为了评估鲁棒性，构建了一个基于排名的清晰基线，并进行了蒙特卡洛α-切割采样——先在隶属度水平上均匀采样，再在诱导区间内采样——以重新计算路径成本，并通过平均百分比偏差及其标准差量化敏感性。最后，在FAA空中交通网络的大规模案例研究中，证明了所提出的GGFN-SPP框架能够有效扩展到现实世界网络，通过α-切割聚合和风险感知排名平衡成本与可靠性，并在具有亚正态模糊成本的蒙特卡洛模拟下表现出稳定的性能。