Notizia

Jun 29, 2023

Un modello per la gestione delle forniture di emergenza con il metodo EDAS esteso e informazioni di aggregazione morbida fuzzy esitante sferica

Scientific Reports volume 13, numero articolo: 8375 (2023) Citare questo articolo A causa del frequente verificarsi di numerosi eventi emergenziali che hanno danneggiato in modo significativo la società e l'economia, il

Rapporti scientifici volume 13, numero articolo: 8375 (2023) Citare questo articolo

A causa del frequente verificarsi di numerosi eventi di emergenza che hanno danneggiato in modo significativo la società e l’economia, recentemente si è manifestata la necessità di prendere decisioni di emergenza. Assume una funzione controllabile quando è fondamentale limitare le catastrofi materiali e personali e mitigarne le conseguenze negative sul corso naturale e sociale degli eventi. Nei problemi decisionali di emergenza, il metodo dell’aggregazione è cruciale, soprattutto quando ci sono più criteri concorrenti. Sulla base di questi fattori, abbiamo prima introdotto alcuni concetti di base su SHFSS, quindi abbiamo introdotto alcuni nuovi operatori di aggregazione come la media ponderata morbida fuzzy esitante sferica, la media ponderata ordinata morbida fuzzy esitante sferica, l'aggregazione geometrica ponderata fuzzy esitante sferica, l'aggregazione geometrica ponderata fuzzy esitante sferica, aggregazione geometrica ponderata ordinata morbida, media ibrida morbida fuzzy esitante sferica e operatore di aggregazione geometrica ibrida morbida fuzzy esitante sferica. Anche le caratteristiche di questi operatori sono ampiamente trattate. Inoltre, un algoritmo viene sviluppato all'interno dell'ambiente morbido fuzzy esitante sferico. Inoltre, estendiamo la nostra indagine alla valutazione basata sul metodo della distanza dalla soluzione media nel processo decisionale di gruppi di attributi multipli con operatori di media morbida fuzzy esitanti sferici. E viene fornita un'illustrazione numerica per "la fornitura di aiuti di emergenza nella situazione post-inondazione" per mostrare l'accuratezza del lavoro menzionato. Successivamente viene stabilito anche un confronto tra questi operatori e il metodo EDAS al fine di evidenziare ulteriormente la superiorità del lavoro stabilito.

Zadeh1 ha presentato gli insiemi fuzzy per spiegare l'incertezza delle informazioni sulla valutazione e ha offerto un modo per affrontare le difficoltà di raccogliere dati accurati per la confusione decisionale multi-attributo. La teoria degli insiemi fuzzy si è sviluppata nel tempo e in molte discipline sin dal suo inizio nel 1965. Il grado di appartenenza all'insieme fuzzy è vicino a [0, 1], ma in diverse applicazioni del mondo reale, ci occupiamo anche della non appartenenza gradi. Di conseguenza, Atanassov2 ha esteso la teoria di FS all'insieme fuzzy intuizionistico (IFS), che compensa il limite di FS. Molti ricercatori si sono interessati all’IFS e lo hanno utilizzato per ottenere i risultati attesi nella struttura reale delle DMP. Anche se il grado di non appartenenza (NMG) è collegato al grado di appartenenza (MG) nella condizione di \(0\le MG+NMG\le 1\), IFS migliora il contesto per i decisori (DM). Gli operatori di aggregazione fuzzy intuizionistici generalizzati sono stati sviluppati da Zhao et al.3. Inoltre4, introduce alcuni operatori di media ponderata ordinata fuzzy intuizionistica (IFOWA), operatori di aggregazione media ibrida fuzzy intuizionistica (IFHA) e operatori di media ponderata fuzzy intuizionistica (IFWA). Inoltre5, stabilisce gli operatori di aggregazione aritmetica e geometrica ibridi IFAO e IF. Successivamente, i valori di intervallo sono stati utilizzati per distinguere tra MG e NMG, e un nuovo concetto denominato “IFS a valori di intervallo” (IVIFS) è stato introdotto da6 come specializzazione di FS e IFS. I concetti IFS e IVIFS applicati a una varietà di problemi, tra cui il processo decisionale collettivo7, le misure di similarità8 e i dilemmi MCDM9. Zhang et al.10 hanno presentato diversi contenuti per l'IFS con valori di intervallo. Sebbene in molti problemi, i decisori abbiano utilizzato dati sotto forma di \(\ `0.6\)' e '0.5' poiché MG, NMG e IFS non riescono a gestire in modo efficace questo tipo di dati. Per affrontare questa situazione, Yager11 ha migliorato il concetto di IFS e ha avviato il set fuzzy pitagorico (PyFS) secondo il criterio \(0\le MG^{2}+NMG^{2}\le 1\). È un dato di fatto, PyFS trasmette informazioni più efficaci, quindi IFS può essere percepito come un sottoinsieme di PyFS. Khan et al.12 hanno avviato gli operatori di aggregazione fuzzy Dombi pitagorici e la loro applicazione nelle DMP, anche se gli operatori di aggregazione sono estremamente utili nel trasformare la quantità totale di dati in un singolo numero che ci aiuta nelle DMP scegliendo l'opzione migliore tra quelle disponibili quelli. Inoltre13, propone l'interazione PyF AO e la sua applicazione in MADM. Inoltre, Liu e Wang14 hanno inventato gli operatori archimedei Bonferroni (ABO) per il processo decisionale con attributi multipli. Nonostante il fatto che molte situazioni decisionali richiedano di tenere conto del grado neutro, nessuna delle teorie sopra offerte può considerare altro che MG e NMG, Cuong15 ha introdotto Picture Fuzzy Set (PFS) per superare questa limitazione mediante l'aggiunta di un altro grado, ovvero grado neutro (nMG). Basato su PFS, Cuong et al.16 Introdurre gli operatori essenziali della logica fuzzy di congiunzione, disgiunzione, negazione e implicazione. Wang et al.17 propongono anche alcuni concetti e leggi operative e discutono alcuni altri operatori di aggregazione geometrica PF e le loro proprietà. Wei18 e Zeng et al.19 discutono anche alcuni operatori di aggregazione PF. Zeng e colleghi20 hanno caratterizzato un modello migliorato di strategia fuzzy topsis con immagini testuali e il suo utilizzo nella Oracle E-Business Suite. Abbiamo anche una condizione nell'immagine fuzzy set \(0\le MG+nMG+NMG\le 1\). Tuttavia, in alcune circostanze, le informazioni offerte dagli esperti non possono essere gestite da PFS. Ad esempio, possiamo vedere che la somma \((0.6,0.5,0.3)\notin [0,1]\) quando gli specialisti offrono \(``0.6''\) come MG, \(``0.5''\) come nMG e \(``0.3''\) come NMG. Mahmood et al.21 hanno proposto un insieme fuzzy sferico per superare queste difficoltà, con la condizione che \(0\le MG^{2}+nMG^{2}+NMG^{2}\le 1\). Di conseguenza, l’SFS è un caso più generalizzato, che offre ai decisori una maggiore flessibilità in diversi dilemmi MCDM. Nei sistemi di supporto alle decisioni, Jin et al.22 hanno scoperto l'AO logaritmico fuzzy sferico che si basa sull'entropia. Inoltre, sulla base del framework SF23,24, è stata esplorata una serie di AO medie ponderate, geometriche ponderate e medie armoniche e i loro usi nelle questioni GDM. Ashraf et al.25 hanno anche presentato Dombi AO fuzzy sferico. Per aggregare le informazioni del fuzzy sferico, Ashraf et al.26 hanno avviato il metodo GRA, che si concentrava su un ambiente integrale Choquet fuzzy linguistico sferico. Il metodo TOPSIS, sviluppato da Ali et al.27, dipende da un complesso fuzzy set sferico con tale operatore BM. Va notato che tutta la letteratura esistente precedente affronta esclusivamente dati fuzzy e non prende in considerazione la struttura di parametrizzazione. Di conseguenza, Molodtsov28 ha proposto l’idea di un “Soft Set” (SS), che è più generale dell’insieme fuzzy grazie alla sua struttura di parametrizzazione. Maji et al.29 hanno proposto l'idea del fuzzy soft set (FSS), con la combinazione di FS e SS. Inoltre,30,31,32 hanno stabilito le aree di applicazione della teoria FSS alle condizioni mediche, alle sfide decisionali e all'algebra BCK/BC. L'FSS è generalizzato attraverso l'Interval type-2 fuzzy33, che è un apparato più potente per affrontare la teoria degli insiemi fuzzy e nei problemi decisionali34. Inoltre, Garg e Arora35 hanno presentato e proposto applicazioni per gli operatori aritmetici Bonferroni in un ambiente IFSS. Inoltre,36 ha stabilito l’idea della teoria SS parametrizzata IF e il suo utilizzo nel processo decisionale. Poiché l’IFSS è un concetto limitato, Peng et al.37 hanno stabilito il concetto di Pitagora FSS (PyFSS). Tang affronta i DMP sotto il set R34, il set di ortocoppie a q-rung e il set di ortocoppie a q-rung grezzo38,39. Husain et al.40 definiscono gli operatori di aggregazione dell'insieme FS di ortocoppia q-rung, che generalizza la FSS intuizionistica insieme alla FSS pitagorica e ad alcuni operatori di aggregazione FS di ortocoppia q-rung. Perché FSS, IFSS, PyFSS e qROFSS esplorano solo MG e NMG mentre nMG non è stato menzionato. Kha41 ha unito SS e PFS per avviare un concetto olistico denominato Picture Fuzzy Soft Set (PFSS). Jan et al.42 hanno anche introdotto e discusso l'FSS con immagini multivalore nei GDMP. Inoltre, SFS e SS vengono fusi per stabilire il nuovo concetto noto come soft set fuzzy sferico (SFSS), che è la generalizzazione del PFSS ed è discusso in43. Inoltre44,45, hanno introdotto l'idea di un soft set fuzzy neutrosofico con valori di intervallo e di un soft set fuzzy neutrosofico fuzzy bipolare, nonché la sua implementazione nei DMP. D'altro canto, un altro svantaggio del FS è che occasionalmente può essere difficile determinare l'esatto grado di appartenenza delle informazioni valutate. Torra46 ha creato l'HFS per rappresentare i gradi di appartenenza utilizzando una varietà di possibili numeri nitidi. HFS è il metodo più comune per mantenere ambigue le DMP. Babitha et al.47 hanno sviluppato la nozione più importante di HFSS. Rui Wang e Yanlai Li48 hanno sviluppato la nuova idea dell'immagine fuzzy esitante impostata come metodo DM e hanno anche menzionato la sua applicazione nell'MCDM complesso per affrontare le questioni pratiche dell'MCDM.