소식

Jun 29, 2023

확장된 EDAS 방법과 구형 주저 퍼지 소프트 집합 정보에 따른 비상 공급 관리 모델

Scientific Reports 13권, 기사번호: 8375 (2023) 이 기사를 인용하세요. 사회와 경제에 심각한 피해를 주는 수많은 비상 사태가 자주 발생함에 따라

Scientific Reports 13권, 기사 번호: 8375(2023) 이 기사 인용

사회와 경제에 막대한 피해를 주는 수많은 비상사태가 빈번하게 발생함에 따라 최근 비상의사결정의 필요성이 대두되고 있습니다. 이는 재산 및 개인 재난을 제한하고 자연적, 사회적 사건 과정에 대한 부정적인 결과를 줄이는 것이 중요할 때 제어 가능한 기능을 가정합니다. 긴급 의사 결정 문제에서는 특히 경쟁 기준이 더 많은 경우 집계 방법이 중요합니다. 이러한 요소를 기반으로 SHFSS에 대한 몇 가지 기본 개념을 먼저 소개한 다음 구형 주저 퍼지 소프트 가중 평균, 구형 헤지턴트 퍼지 소프트 순서 가중 평균, 구형 헤지턴트 퍼지 가중 기하 집계, 구형 헤지턴트 퍼지와 같은 몇 가지 새로운 집계 연산자를 소개했습니다. 소프트 순서 가중 기하 집계, 구형 헤지턴트 퍼지 소프트 하이브리드 평균 및 구형 헤지턴트 퍼지 소프트 하이브리드 기하 집계 연산자. 이들 연산자의 특징도 철저하게 다루고 있습니다. 또한 구형 주저 퍼지 소프트 환경 내에서 알고리즘이 개발되었습니다. 또한 구형 주저 퍼지 소프트 평균 연산자를 사용하여 다중 속성 그룹 의사 결정에서 평균 솔루션으로부터의 거리 방법을 기반으로 한 평가로 조사를 확장합니다. 그리고 언급된 작업의 정확성을 보여주기 위해 "홍수 후 상황에 대한 긴급 구호품 공급"에 대한 수치 설명이 제공됩니다. 그런 다음 확립된 작업의 우수성을 더욱 강조하기 위해 이들 연산자와 EDAS 방법 간의 비교도 확립됩니다.

Zadeh1은 평가 정보의 불확실성을 설명하기 위해 퍼지 세트를 제시하고 다중 속성 의사결정 혼란에 대한 정확한 데이터 수집의 어려움을 처리할 수 있는 방법을 제시했습니다. 퍼지 집합 이론은 1965년 처음 시작된 이래 시간이 지남에 따라 다양한 분야에 걸쳐 발전해 왔습니다. 퍼지 집합의 멤버십 등급은 [0, 1]에 가깝지만 여러 실제 응용 프로그램에서는 비멤버십도 추가로 다룹니다. 성적. 결과적으로 Atanassov2는 FS 이론을 직관적 퍼지 집합(IFS)으로 확장하여 FS의 단점을 보완했습니다. 많은 연구자들이 IFS에 관심을 갖게 되었고 이를 활용하여 DMP의 실제 구조에서 예상되는 결과를 달성했습니다. NMG(비회원 등급)가 MG(회원 등급)와 \(0\le MG+NMG\le 1\) 조건으로 결합되어 있더라도 IFS는 의사 결정자(DM)를 위한 컨텍스트를 향상시킵니다. 일반화된 직관 퍼지 집계 연산자는 Zhao et al.3에 의해 개발되었습니다. 또한4 IFOWA(직관적 퍼지 정렬 가중 평균), IFHA(퍼지 하이브리드 평균 집계 연산자) 및 IFWA(직관적 퍼지 가중 평균) 연산자를 소개합니다. 또한5 IFAO와 IF 하이브리드 산술 및 기하 집계 연산자를 설정합니다. 그 후 Interval 값을 사용하여 MG와 NMG를 구별했으며 FS와 IFS의 전문화로 IVIFS(Interval-valued IFS)라는 새로운 개념이 도입되었습니다. IFS 및 IVIFS 개념은 집단적 의사결정7, 유사성 측정8, MCDM 딜레마9 등 다양한 문제에 적용됩니다. Zhang et al.10은 간격 값 IFS에 대한 몇 가지 내용을 제시했습니다. 많은 문제에서 의사결정자는 \(\ `0.6\)' 및 '0.5' 형식의 데이터를 사용했는데, MG와 NMG 및 IFS는 이러한 유형의 데이터를 효과적으로 관리하지 못하기 때문입니다. 이러한 상황을 해결하기 위해 Yager11은 IFS의 개념을 강화하고 \(0\le MG^{2}+NMG^{2}\le 1\) 기준에 따라 피타고라스 퍼지 집합(PyFS)을 시작했습니다. 실제로 PyFS는 더 효과적인 정보를 전달하므로 IFS는 PyFS의 하위 집합으로 인식될 수 있습니다. Khan et al.12는 피타고라스 퍼지 Dombi 집계 연산자와 DMP에서의 적용을 시작했습니다. 비록 집계 연산자가 사용 가능한 것 중에서 가장 좋은 옵션을 선택하여 DMP에서 우리를 돕는 단일 숫자로 전체 데이터 양을 변환하는 데 매우 유용하더라도 것들. 또한13은 PyF 상호 작용 AO와 MADM에서의 적용을 제안합니다. 또한 Liu와 Wang14은 다중 속성 의사결정을 위한 아르키메데스 Bonferroni 연산자(ABO)를 발명했습니다. 많은 의사 결정 상황에서 중립 등급을 고려해야 한다는 사실에도 불구하고 위에 제시된 이론 중 어느 것도 MG와 NMG 이외의 다른 것을 고려할 수 없음에도 불구하고 Cuong15는 이러한 한계를 극복하기 위해 PFS(Picture Fuzzy Set)를 도입했습니다. 다른 등급, 즉 중성 등급(nMG). PFS를 기반으로 Cuong et al.16 결합, 분리, 부정 및 함축 필수 퍼지 논리 연산자를 소개합니다. Wang et al.17은 또한 몇 가지 개념과 작동 법칙을 제안하고 다른 PF 기하학적 집계 연산자와 그 속성에 대해 논의합니다. Wei18 및 Zeng et al.19도 일부 PF 집계 연산자에 대해 논의합니다. Zeng과 동료들은 텍스트 그림 퍼지 토시스 전략의 개선된 모델과 Oracle E-Business Suite에서의 사용을 특징으로 했습니다. 그림 퍼지 집합 \(0\le MG+nMG+NMG\le 1\)에도 조건이 있습니다. 그러나 어떤 상황에서는 전문가가 제공한 정보가 PFS에서 처리될 수 없습니다. 예를 들어, 전문가가 \(``0.6''\)을 MG로 제공할 때 \(``0.5''\)의 합은 [0,1]\이 아닌 \((0.6,0.5,0.3)\)임을 볼 수 있습니다. nMG로, \(``0.3''\) NMG로. Mahmood et al.21은 이러한 어려움을 극복하기 위해 \(0\le MG^{2}+nMG^{2}+NMG^{2}\le 1\) 조건으로 구형 퍼지 집합을 제안했습니다. 결과적으로 SFS는 보다 일반화된 사례로, 여러 MCDM 딜레마에서 의사 결정자에게 더 많은 유연성을 제공합니다. 의사결정 지원 시스템에서 Jin et al.22은 엔트로피에 의존하는 구형 퍼지 로그 AO를 발견했습니다. 또한 SF 프레임워크23,24를 기반으로 다양한 가중 평균, 가중 기하 및 조화 평균 AO와 GDM 문제에서의 용도를 조사했습니다. Ashraf et al.25는 또한 구형 퍼지 Dombi AO를 제시했습니다. 구형 퍼지 정보를 집계하기 위해 Ashraf et al.26은 구형 언어 퍼지 Choquet 적분 환경에 초점을 맞춘 GRA 방법을 시작했습니다. Ali et al.27이 개발한 TOPSIS 방법은 이러한 BM 연산자를 사용하는 복잡한 구형 퍼지 집합에 의존합니다. 이전의 기존 문헌은 모두 퍼지 데이터만 다루고 매개변수화 구조를 고려하지 않았다는 점에 유의해야 합니다. 결과적으로 Molodtsov28은 매개변수화 구조로 인해 퍼지 집합보다 더 일반적인 "소프트 집합"(SS)이라는 아이디어를 제안했습니다. Maji et al.29는 FS와 SS를 조합한 퍼지 소프트 집합(FSS)의 아이디어를 제안했습니다. 또한30,31,32는 FSS 이론을 의학적 상태, 의사 결정 과제 및 BCK/BC 대수학에 적용하는 영역을 확립했습니다. FSS는 퍼지 집합 이론을 다루고 문제를 결정하는 데 있어 더 강력한 장치인 Interval type-2 fuzzy33를 통해 일반화되었습니다. 또한 Garg와 Arora35는 IFSS 환경에서 산술 연산자를 의미하는 Bonferroni용 애플리케이션을 제시하고 제안했습니다. 또한,36은 IF 매개변수화된 SS 이론의 아이디어와 의사결정에서의 활용을 확립했습니다. IFSS는 제한된 개념이기 때문에 Peng et al.37은 피타고라스 FSS(PyFSS) 개념을 확립했습니다. Tang은 R 세트34, q-렁 오르토페어 세트 및 대략적인 q-렁 오르토페어 세트38,39에서 DMP를 다루었습니다. Husain et al.40은 피타고라스 FSS 및 일부 q-렁 오르토페어 FS 집합 연산자와 함께 직관 FSS를 일반화하는 q-렁 오르토페어 FS 집합의 집합 연산자를 정의합니다. FSS, IFSS, PyFSS 및 qROFSS는 MG 및 NMG만 탐색하는 반면 nMG는 언급되지 않았기 때문입니다. Kha41은 SS와 PFS를 병합하여 PFSS(Picture Fuzzy Soft Set)라는 전체적인 개념을 시작했습니다. Jan et al.42은 또한 GDMP에서 다중 값 그림 FSS를 소개하고 논의했습니다. 또한 SFS와 SS를 병합하여 SFSS(Spherical Fuzzy Soft Set)라는 새로운 개념을 확립했는데, 이는 PFSS의 일반화이며43에서 논의됩니다. 또한44,45는 간격 값 호중구성 퍼지 소프트 세트와 양극성 퍼지 호중구성 퍼지 소프트 세트에 대한 아이디어와 DMP 구현을 소개했습니다. 반면, FS의 또 다른 단점은 때때로 평가 정보의 정확한 회원 등급을 결정하는 것이 어려울 수 있다는 것입니다. Torra46은 가능한 다양한 숫자를 사용하여 회원 등급을 표시하기 위해 HFS를 만들었습니다. HFS는 DMP를 모호하게 유지하는 가장 일반적인 방법입니다. Babitha et al.47은 HFSS의 가장 수입된 개념을 개발했습니다. Rui Wang과 Yanlai Li48은 DM 방식의 그림 주저 퍼지 세트라는 새로운 아이디어를 개발했으며 MCDM의 실제 문제를 해결하기 위해 복잡한 MCDM에 적용하는 방법도 언급했습니다.