Новости

Jun 29, 2023

Модель управления аварийным снабжением с использованием расширенного метода EDAS и сферической нечеткой мягкой агрегации информации

Scientific Reports Volume 13, Номер статьи: 8375 (2023) Цитировать эту статью В связи с частым возникновением многочисленных чрезвычайных ситуаций, нанесших существенный ущерб обществу и экономике,

Научные отчеты, том 13, Номер статьи: 8375 (2023) Цитировать эту статью

В связи с частым возникновением многочисленных чрезвычайных событий, нанесших существенный ущерб обществу и экономике, в последнее время стала очевидна необходимость принятия экстренных решений. Оно берет на себя управляемую функцию, когда необходимо ограничить имущественные и личные катастрофы, уменьшить их негативные последствия для природного и социального хода событий. В задачах принятия экстренных решений решающее значение имеет метод агрегирования, особенно когда имеется больше конкурирующих критериев. Основываясь на этих факторах, мы сначала представили некоторые основные понятия о SHFSS, а затем мы представили некоторые новые операторы агрегирования, такие как сферическое нечеткое мягкое взвешенное среднее, сферическое нечеткое мягкое упорядоченное среднее, сферическое нечеткое нечеткое взвешенное геометрическое агрегирование, сферическое нечеткое нечеткое среднее. Мягкая упорядоченная взвешенная геометрическая агрегация, сферический колеблющийся нечеткий мягкий гибридный средний и сферический колеблющийся нечеткий мягкий гибридный оператор геометрической агрегации. Также подробно раскрыты характеристики этих операторов. Также разработан алгоритм в сферической колеблющейся нечеткой мягкой среде. Кроме того, мы расширяем наше исследование на оценку на основе метода расстояния от среднего решения при принятии решений по множественным группам атрибутов с помощью сферических нерешительных нечетких операторов мягкого усреднения. А численная иллюстрация «Оказание экстренной помощи в послепаводковой ситуации» приведена, чтобы показать достоверность упомянутой работы. Затем также проводится сравнение этих операторов с методом EDAS, чтобы еще больше подчеркнуть превосходство установленной работы.

Заде1 представил нечеткие множества, чтобы объяснить неопределенность оценочной информации, и предложил способ справиться с трудностями сбора точных данных из-за путаницы в принятии решений по множеству атрибутов. Теория нечетких множеств развивалась с течением времени и во многих дисциплинах с момента ее создания в 1965 году. Степень принадлежности нечеткому множеству близка к [0, 1], но в некоторых реальных приложениях мы дополнительно имеем дело с отсутствием принадлежности. оценки. В результате Атанасов2 распространил теорию FS на интуиционистское нечеткое множество (IFS), что компенсирует недостаток FS. Многие исследователи заинтересовались IFS и использовали ее для достижения ожидаемых результатов в реальной структуре DMP. Несмотря на то, что уровень нечленства (NMG) связан с уровнем членства (MG) при условии \(0\le MG+NMG\le 1\), IFS расширяет контекст для лиц, принимающих решения (DM). Обобщенные интуиционистские операторы нечеткой агрегации были разработаны Чжао и др.3. Кроме того4, вводятся некоторые интуиционистские операторы нечеткого упорядоченного взвешенного среднего (IFOWA), интуиционистские операторы агрегирования нечетких гибридных средних (IFHA) и интуиционистские операторы нечеткого средневзвешенного значения (IFWA). Кроме того5, установлены IFAO, а также гибридные арифметические и геометрические операторы агрегирования IF. Впоследствии интервальные значения стали использоваться для различения MG и NMG, а новая концепция под названием «интервальная IFS» (IVIFS) была введена6 как специализация FS и IFS. Концепции IFS и IVIFS применимы к различным проблемам, включая коллективное принятие решений7, меры сходства8 и дилеммы MCDM9. Чжан и др.10 представили несколько материалов для IFS с интервальными значениями. Хотя во многих проблемах лица, принимающие решения, использовали данные в форме \(\ `0,6\)' и '0,5', поскольку MG, NMG и IFS не могут эффективно управлять этим типом данных. Чтобы разрешить эту ситуацию, Yager11 усовершенствовал концепцию IFS и инициировал нечеткое множество Пифагора (PyFS) по критерию \(0\le MG^{2}+NMG^{2}\le 1\). На самом деле PyFS передает более эффективную информацию, поэтому IFS можно воспринимать как подмножество PyFS. Хан и др.12 инициировали пифагорейские операторы нечеткой агрегации Dombi и их применение в DMP, хотя операторы агрегации чрезвычайно полезны для преобразования общего объема данных в одно число, что помогает нам в DMP, выбирая лучший вариант из доступных. те. Кроме того,13 предлагается АО взаимодействия PyF и его применение в MADM. Кроме того, Лю и Ван14 изобрели архимедовых операторов Бонферрони (АВО) для принятия решений по множеству атрибутов. Несмотря на то, что многие ситуации принятия решений требуют от нас принятия во внимание нейтральной оценки, ни одна из предложенных выше теорий не может рассматривать что-либо иное, кроме MG и NMG, Cuong15 ввел нечеткое множество изображений (PFS), чтобы преодолеть это ограничение путем добавления другого класса, т.е. нейтрального класса (nMG). На основе PFS, Куонг и др.16. Представьте основные операторы нечеткой логики соединения, дизъюнкции, отрицания и импликации. Ван и др.17 также предлагают некоторые концепции и операционные законы, а также обсуждают некоторые другие операторы геометрической агрегации ПФ и их свойства. Wei18 и Zeng et al.19 также обсуждают некоторые операторы агрегации PF. Цзэн и его коллеги20 охарактеризовали улучшенную модель стратегии нечетких топсисов текстовых изображений и ее использование в Oracle E-Business Suite. У нас также есть условие в нечетком множестве изображений \(0\le MG+nMG+NMG\le 1\). Однако в некоторых случаях информация, предлагаемая экспертами, не может быть рассмотрена PFS. Например, мы можем видеть эту сумму \((0.6,0.5,0.3)\notin [0,1]\), когда специалисты предлагают \(``0.6''\) в качестве MG, \(``0.5''\) как nMG, и \(``0.3''\) как NMG. Махмуд и др.21 предложили сферическое нечеткое множество для преодоления этих трудностей с условием, что \(0\le MG^{2}+nMG^{2}+NMG^{2}\le 1\). В результате SFS представляет собой более обобщенный случай, который дает лицам, принимающим решения, большую гибкость в решении некоторых дилемм MCDM. В системах поддержки принятия решений Джин и др.22 обнаружили сферическую нечетко-логарифмическую АО, основанную на энтропии. Кроме того, на основе структуры SF23,24 исследовался ряд средневзвешенных, взвешенных геометрических и гармонических средних AO и их использование в вопросах GDM. Ашраф и др.25 также представили сферическую нечеткую АО Домби. Чтобы агрегировать информацию о сферическом нечетком, Ашраф и др.26 инициировали метод GRA, который сосредоточился на сферической лингвистической нечеткой интегральной среде Шоке. Метод TOPSIS, разработанный Али и др.27, зависит от сложного сферического нечеткого множества с таким оператором BM. Следует отметить, что вся предшествующая существующая литература посвящена исключительно нечетким данным и не принимает во внимание структуру параметризации. В результате Молодцов28 предложил идею «мягкого множества» (СС), которое является более общим, чем нечеткое множество, благодаря своей структуре параметризации. Маджи и др.29 предложили идею нечеткого мягкого множества (FSS) с комбинацией FS и SS. Кроме того,30,31,32 установили области применения теории FSS для медицинских условий, проблем принятия решений и алгебры BCK/BC. FSS обобщается с помощью интервального нечеткого типа 233, который представляет собой более мощный аппарат для работы с теорией нечетких множеств и задач принятия решений34. Более того, Гарг и Арора35 представили и предложили применение операторов среднего арифметического Бонферрони в среде IFSS. Кроме того,36 установил идею параметризованной теории СС IF и ее использования в процессе принятия решений. Поскольку IFSS является ограниченной концепцией, Пэн и др.37 разработали концепцию Пифагора FSS (PyFSS). Тан занимается DMP в наборе R34, наборе ортопар q-ступеней и грубом наборе ортопар q-ступеней38,39. Хусейн и др.40 определяют операторы агрегации множества FS q-ступенчатых ортопар, которые обобщают интуиционистский FSS наряду с пифагорейским FSS и некоторыми операторами агрегирования FS q-ступенчатых ортопар. Потому что FSS, IFSS, PyFSS и qROFSS просто исследуют MG и NMG, тогда как nMG не упоминается. Kha41 объединил SS и PFS, чтобы создать целостную концепцию, названную нечетким мягким набором изображений (PFSS). Ян и др.42 также представили и обсудили многозначную картину FSS в GDMP. Более того, SFS и SS объединяются, чтобы создать новую концепцию, известную как сферическое нечеткое мягкое множество (SFSS), которая является обобщением PFSS и обсуждается в43. Кроме того,44,45 представили идею интервальнозначного нейтрософского нечеткого мягкого множества и биполярного нечеткого нейтрософского нечеткого мягкого множества, а также его реализацию в DMP. С другой стороны, еще одним недостатком FS является то, что иногда может быть сложно определить точную степень принадлежности оценочной информации. Torra46 создал HFS для представления степеней членства с использованием множества возможных четких чисел. HFS — наиболее распространенный метод сохранения неоднозначности DMP. Бабита и др.47 разработали наиболее популярную концепцию СВСС. Руй Ван и Янлай Ли48 разработали новую идею метода DM с нерешительным нечетким множеством изображений, а также упомянули ее применение в сложном MCDM для решения практических проблем MCDM.