🔢 mathematics

Picture Fuzzy Multigroups

Diese Arbeit untersucht Bild-Fuzzy-Multimengen und führt das Konzept der Bild-Fuzzy-Multigruppen ein, wobei sie deren wesentliche algebraische Eigenschaften etabliert.

Ursprüngliche Autoren: Taiwo O. Sangodapo

Veröffentlicht 2026-07-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Taiwo O. Sangodapo

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine Gruppe von Menschen zu beschreiben, aber Sie wollen nicht einfach nur sagen „sie sind hier“ oder „sie sind nicht hier“. Sie wollen die chaotische, komplexe Realität menschlicher Meinungen und Zugehörigkeiten erfassen.

Dieses Paper von Taiwo O. Sangodapo befasst sich mit der Entwicklung eines neuen, super-detaillierten mathematischen Werkzeugs, um diese Komplexität zu bewältigen. Es heißt Picture Fuzzy Multigroups.

Hier ist die Aufschlüsselung dessen, was das Paper macht, unter Verwendung einfacher Analogien.

1. Die Evolution des „Fuzzy“-Denkens

Um dieses Paper zu verstehen, müssen Sie sehen, wie die Mathematik im Laufe der Zeit komplexer geworden ist:

Crisp Sets (Die alte Art): Stellen Sie sich eine Gästeliste für eine Party vor. Entweder man steht auf der Liste oder man steht nicht. Es ist schwarz-weiß.
Fuzzy Sets (Das erste Upgrade): Stellen Sie sich eine Gästeliste vor, bei der man „sozusagen“ eingeladen ist. Vielleicht hat man eine 70-prozentige Chance, zu erscheinen. Dies ist das „Fuzzy Set“.
Intuitionistic Fuzzy Sets (Das zweite Upgrade): Nun stellen Sie sich vor, man kann sagen: „Ich werde zu 70 % wahrscheinlich kommen, aber zu 20 % wahrscheinlich zu Hause bleiben.“ Man hat ein „Ja“ und ein „Nein“, aber sie müssen sich nicht zu 100 % ergänzen. Der Rest ist „vielleicht“.
Picture Fuzzy Sets (Das dritte Upgrade): Hier beginnt das Paper. Stellen Sie sich eine Abstimmung mit vier Optionen vor: Ja, Neutral (Es ist mir egal), Nein und Verweigerung (Ich weigere mich zu wählen). Das „Picture“-Set erfasst alle drei aktiven Meinungen (Ja, Neutral, Nein) gleichzeitig.
Multisets (Das „Zähl“-Upgrade):ache: Normalerweise behandelt die Mathematik eine Liste von Objekten als eine Menge (eindeutige Objekte). Aber im echten Leben wiederholen sich Dinge. Wenn Sie eine Tüte Murmeln haben, könnten Sie drei rote besitzen. Ein „Multiset“ erlaubt es Ihnen zu zählen, wie oft ein Objekt vorkommt.

Die große Idee des Papers: Der Autor kombiniert die „Picture“-Idee (Ja/Neutral/Nein) mit der „Multiset“-Idee (das Zählen von Wiederholungen). Er nennt dies ein Picture Fuzzy Multiset.

2. Das Konzept der „Gruppe“

In der Mathematik ist eine Gruppe eine Sammlung von Dingen (wie Zahlen oder Formen), die bestimmten Regeln folgen, wenn man sie miteinander kombiniert (wie Addition oder Multiplikation). Zum Beispiel, wenn man zwei Zahlen in einer Gruppe mischt, erhält man wieder eine Zahl aus derselben Gruppe.

Das Paper fragt: Was passiert, wenn unsere „Gruppe“ aus diesen komplexen Picture Fuzzy Multisets besteht?

3. Die neuen Regeln (Die „Multigruppe“)

Der Autor führt die Picture Fuzzy Multigroup (PFMG) ein. Denken Sie an dies als einen Club, in dem die Mitgliedschaft nicht einfach nur ein „Drinnen“ oder „Draußen“ ist. Stattdessen hat jedes Mitglied ein komplexes Profil:

Positiver Zähler: Wie stark sie dazugehören (Ja).
Neutraler Zähler: Wie unsicher sie sind (Neutral).
Negativer Zähler: Wie stark sie nicht dazugehören (Nein).

Das Paper legt die „Physikgesetze“ für diese neue Art von Club fest. Zum Beispiel:

Die Mischregel: Wenn man zwei Mitglieder nimmt und sie „mischt“ (die Gruppenoperation ausführt), muss der „Ja“-Wert des resultierenden Mitglieds mindestens so hoch sein wie der schwächere der beiden ursprünglichen „Ja“-Werte.
Die Spiegelregel: Wenn man ein Mitglied spiegelt (sein Inverses bildet), sollte sein „Ja“-Wert nicht unter seinen ursprünglichen Wert fallen.

4. Die „Schnitt“-Analogie (Komplexität vereinfachen)

Eines der nützlichsten Werkzeuge in diesem Paper ist das Cut Set (Schnittmenge).

Stellen Sie sich vor, Sie haben einen sehr komplexen, vielschichtigen Kuchen (eine Picture Fuzzy Multigroup). Er ist zu kompliziert, um ihn auf einmal zu essen. Das „Cut Set“ ist wie das Schneiden dieses Kuchens auf einer bestimmten Höhe.

Wenn Sie hoch schneiden, erhalten Sie nur die „sehr starken“ Mitglieder.
Wenn Sie tiefer schneiden, erhalten Sie eine größere Gruppe, die auch „okayere“ Mitglieder enthält.

Das Paper beweist eine entscheidende Tatsache: Egal, wie Sie diesen komplexen Kuchen schneiden, das Stück, das Sie erhalten, ist immer eine standardmäßige, einfache „Crisp“-Gruppe. Das bedeutet, dass selbst wenn die Mathematik ausgefeilt und komplex ist, sie, wenn man sie durch einen bestimmten Filter betrachtet, wie eine normale, vorhersehbare Gruppe funktioniert.

5. Der Kern der Gruppe

Das Paper definiert auch eine spezielle Teilmenge namens $D^*$ . Betrachten Sie dies als die „VIP-Lounge“ oder das „Kernteam“.

Dies sind die Mitglieder, die exakt dieselben „Ja“, „Neutral“ und „Nein“-Werte haben wie das Identitätselement (der Anführer) der Gruppe.
Das Paper beweist, dass diese VIP-Lounge für sich genommen ebenfalls eine gültige, standardmäßige Gruppe ist.

Zusammenfassung

In einfachem Deutsch ist dieses Paper ein mathematischer Bauplan für den Umgang mit Gruppen, in denen die Mitgliedschaft komplex, wiederholt und vielschichtig ist.

Es nimmt die Idee einer „Gruppe“ (einer strukturierten Sammlung) und wertet sie auf, um Folgendes zu handhaben:

Ambiguität: (Ja, Neutral, Nein).
Repetition: (Zählen, wie oft etwas vorkommt).
Struktur: (Sicherstellen, dass die Regeln weiterhin gelten, wenn man diese komplexen Elemente kombiniert).

Der Autor erfindet dies nicht nur; er beweist, dass diese neuen „Picture Fuzzy Multigroups“ logisch funktionieren. Er zeigt, dass sie, wenn man sie engmaschig betrachtet (mittels „Cuts“), zu normalen, zuverlässigen Gruppen werden, was Mathematikern eine Möglichkeit gibt, dieses komplexe Werkzeug mit Vertrauen zu nutzen.

Technische Zusammenfassung: Bild-Fuzzy-Multigruppen

Problemstellung und Kontext
Die Arbeit adressiert die Notwendigkeit, algebraische Strukturen im Rahmen der Fuzzy-Set-Theorie zu erweitern, um komplexere Unsicherheiten zu handhaben. Die Autoren zeichnen die Evolution der Mengenlehre von Zadehs Fuzzy-Sets (FS) über Atanassovs intuitionistische Fuzzy-Sets (IFS) bis hin zu Cuong und Kreinovichs Bild-Fuzzy-Sets (PFS) nach, welche positive, neutrale und negative Zugehörigkeitsgrade einbeziehen. Parallel dazu wurde das Konzept der Multimengen (bei denen Elemente mehrfach vorkommen können) von Yager eingeführt und auf intuitionistische Fuzzy-Multimengen erweitert. Während Cao et al. bereits Bild-Fuzzy-Multimengen (PFMS) als eine Verallgemeinerung sowohl von Fuzzy-Multimengen als auch von intuitionistischen Fuzzy-Multimengen etabliert hatten und Shinoj und Sunil intuitionistische Fuzzy-Multigruppen definiert hatten, fehlten eine formale Definition und eine algebraische Analyse von Bild-Fuzzy-Multigruppen (PFMG). Diese Arbeit zielt darauf ab, diese Lücke zu schließen, indem sie das Konzept der PFMGs einführt und deren grundlegende algebraische Eigenschaften etabliert.

Methodik
Die Studie verwendet einen deduktiven mathematischen Ansatz, der auf der abstrakten Algebra und der Fuzzy-Logik basiert. Die Methodik verläuft wie folgt:

Grundlegende Definitionen: Die Arbeit beginnt mit der Überprüfung notwendiger Vorbemerkungen, einschließlich der Definitionen von Fuzzy-Sets, intuitionistischen Fuzzy-Sets und Bild-Fuzzy-Sets. Sie definiert insbesondere Bild-Fuzzy-Multimengen (PFMS) über einer scharfen Gruppe $C$ , charakterisiert durch drei Zählfunktionen: positive Zählzugehörigkeit ( $PC_M$ ), neutrale Zählzugehörigkeit ( $NeC_M$ ) und negative Zählzugehörigkeit ( $NC_M$ ).
Strukturelle Operationen: Die Autoren definieren Operationen auf PFMS, einschließlich des Inversen ( $D^{-1}$ ) und des Kompositums ( $D \ \circ \ E$ ) zweier Bild-Fuzzy-Multimengen. Diese Operationen werden unter Verwendung von Gitteroperationen (Supremum $\vee$ und Infimum $\wedge$ ) auf die Zugehörigkeitszählungen der Elemente und ihrer Inversen innerhalb der Gruppe angewendet.
Definition der PFMG: Eine Bild-Fuzzy-Multimenge $D$ wird als Bild-Fuzzy-Multigruppe definiert, wenn ihre Zugehörigkeitszählungen spezifische Ungleichungen hinsichtlich der Gruppenoperation und der Inversen erfüllen. Insbesondere müssen die positiven und neutralen Zählungen unter der Gruppenoperation und den Inversen nicht-abnehmend sein, während die negative Zählung nicht-zunehmend sein muss.
Theoretische Beweise: Die Arbeit nutzt diese Definitionen, um eine Reihe von Theoremen über die Eigenschaften von PFMGs zu beweisen, einschließlich der Abgeschlossenheit unter Inversion, des Verhaltens unter Komposition und der Beziehung zwischen einer PFMG und ihren Level-Cuts.

Wesentliche Beiträge und Ergebnisse
Der primäre Beitrag der Arbeit ist die formale Einführung von Bild-Fuzzy-Multigruppen und die anschließende Ableitung ihrer algebraischen Eigenschaften. Zu den etablierten spezifischen Ergebnissen gehören:

Eigenschaften von Inversen und Komposition: Die Arbeit beweist, dass das Inverse einer PFMG ebenfalls eine PFMG ist, und stellt die Beziehung $(D \ \circ \ E)^{-1} = E^{-1} \ \circ \ D^{-1}$ her. Sie liefert ferner alternative Formulierungen für die Kompositionsoperation unter Verwendung eindeutiger Gruppenelemente.
Fundamentale Ungleichungen: Theorem 3.3 demonstriert, dass für jede PFMG $D$ die Zugehörigkeitszählungen am Identitätselement $e$ maximal für positive und neutrale Zählungen sowie minimal für die negative Zählung sind (d. h. $PC_M(e) \geq PC_M(g)$ , $NeC_M(e) \geq NeC_M(g)$ und $NC_M(e) \leq NC_M(g)$ ). Es beweist zudem, dass $D^{-1} \supseteq D$ .
Äquivalente Bedingungen: Theorem 3.4 liefert eine äquivalente Bedingung dafür, dass eine PFMS eine PFMG ist, indem es feststellt, dass $D$ genau dann eine PFMG ist, wenn die Zugehörigkeitsbedingungen für den Ausdruck $g_1 g_2^{-1}$ gelten.
Schnittmengen und Untergruppen: Die Arbeit führt die $(d, r, s, t)$ -Schnittmenge für eine Bild-Fuzzy-Multimenge ein. Theorem 3.5 beweist, dass die $(d, r, s, t)$ -Schnittmenge einer PFMG eine scharfe Untergruppe der zugrunde liegenden Gruppe $C$ ist.
Level-Untergruppen: Theorem 3.6 definiert die Menge $D^*$ , die aus Elementen besteht, deren Zugehörigkeitszählungen denen des Identitätselements entsprechen. Die Arbeit beweist, dass $D^*$ eine scharfe Untergruppe von $C$ bildet.

Bedeutung und Ansprüche
Die Arbeit beansprucht bescheiden, dass ihre Bedeutung darin liegt, die bestehende Arbeit zu intuitionistischen Fuzzy-Multigruppen (Shinoj und Sunil) auf den breiteren Kontext von Bild-Fuzzy-Sets auszuweiten. Durch die Einführung von PFMGs stellt die Autoren eine neue algebraische Struktur bereit, die Unsicherheit mit größerer Granularität modellieren kann, indem sie positive, neutrale und negative Meinungen gleichzeitig innerhalb einer Multimengen-Umgebung berücksichtigt. Die Etablierung von Eigenschaften wie der Untergruppenstruktur von Schnittmengen und dem Verhalten von Inversen und Kompositionen legt das notwendige theoretische Fundament für zukünftige Anwendungen dieser Strukturen in algebraischen Systemen, die komplexe, mehrschichtige Unsicherheit beinhalten. Die Arbeit schlägt keine spezifischen realen Anwendungen oder experimentellen Validierungen vor, sondern konzentriert sich strikt auf die mathematische Konsistenz und die Eigenschaften des eingeführten Konzepts.