Tversky参数下犹豫模糊集相似性改进与应用研究

本文主要探讨的是"基于Tversky参数化的犹豫模糊集相似性测度研究"，该论文发表在《计算机工程与应用》(Computer Engineering and Applications)杂志2016年第五十二卷第14期。模糊集理论自Zadeh在1975年的开创性工作以来，已广泛应用于各种领域，尤其是在处理复杂和不确定性高的信息时。然而，传统的模糊集理论如区间模糊集、直觉模糊集等可能无法充分捕捉犹豫不决或主观性，这就促使了犹豫模糊集的发展。 犹豫模糊集是Torra和Narukawa提出的模糊集扩展形式，它通过将隶属度定义为多个数值，更好地反映了决策者在选择时的犹豫状态，减少了信息在集合运算中的丢失。然而，这种模糊性增加了衡量犹豫模糊集间差异性和相似性的挑战。为此，论文提出了一种新型的犹豫模糊集相似性测度函数，该函数基于Tversky参数化模型。 Tversky参数，源自心理学中的认知理论，允许在相似性评估中引入主观偏好，比如对边缘效应的重视程度。这种参数化方法能够动态调整相似性计算，避免了传统方法可能存在的固定阈值或特定值对原始数据精度的影响。作者通过差异化系数的赋值，不仅给出了多种比较可能性，还确保了相似性测度的灵活性和数值精确性。 论文的核心内容包括对新相似性测度函数的详细构建和分析，探讨了如何在犹豫模糊信息的聚类分析中应用这一模型。作者通过实例展示了新方法在实际问题中的有效性，证明了其在处理犹豫模糊信息时的优势，特别是在处理群体决策和不确定性情境中的优越性能。 总结来说，这篇论文的重要性在于，它不仅扩展了模糊集理论，还提供了一种实用工具来量化犹豫模糊集之间的相似性，这对于理解和处理现实生活中的犹豫决策具有重要的理论价值和实际应用潜力。通过Tversky参数化的犹豫模糊集相似性测度，研究人员和工程师可以更精确地处理和分析复杂的不确定性信息，从而推动计算机科学特别是决策支持系统领域的进步。