Convexity of Picture Fuzzy Multisets

1. Problématique et Contexte

L'article s'inscrit dans l'évolution de la théorie des ensembles flous, visant à gérer l'incertitude, l'ambiguïté et l'indétermination dans les systèmes de décision complexes.

• Évolution historique : Le travail part des ensembles flous classiques (Zadeh, 1965) et des ensembles flous convexes, puis évolue vers les ensembles flous intuitionnistes (Atanassov, 1986) qui ajoutent un degré de non-appartenance. Cependant, les ensembles intuitionnistes ne traitent pas explicitement la notion de « neutralité » ou d'indécision.
• Limites actuelles : Les ensembles flous image (Picture Fuzzy Sets - PFS), introduits par Cuong en 2013, résolvent ce problème en ajoutant un degré de neutralité. Par la suite, les multiensembles flous image (Picture Fuzzy Multisets - PFMS) ont été développés pour gérer des données où un élément peut apparaître plusieurs fois avec différents degrés d'appartenance (positif, neutre, négatif).
• Le problème central : Bien que la convexité ait été étudiée pour les ensembles flous classiques, intuitionnistes et même pour les ensembles flous image (PFS), il existait un manque théorique concernant la convexité des multiensembles flous image (PFMS). L'objectif de cet article est de combler cette lacune en définissant rigoureusement la convexité pour les PFMS et en établissant leurs propriétés fondamentales.

2. Méthodologie

L'auteur adopte une approche axiomatique et déductive, structurée comme suit :

1. Préliminaires et Définitions :

   • Révision des concepts de base : ensembles flous image (PFS), multiensembles flous (FMS) et multiensembles flous image (PFMS).
   • Définition formelle d'un PFMS $D$ sur un univers $C$, caractérisé par trois fonctions de comptage : appartenance positive ($\sigma$), neutralité ($\tau$) et appartenance négative ($\eta$), avec des séquences ordonnées pour chaque élément.
   • Introduction des opérations de base (inclusion, union, intersection, complément) et de la notion de coupe $(r, s, t)$ pour les PFMS.

2. Définition de la Convexité :

   • L'auteur étend la définition de la convexité des PFS (déjà établie par Sangodapo [27]) aux PFMS.
   • Définition 3.1 : Un PFMS $D$ est convexe si, pour tous $x, y \in C$ et $\lambda \in [0, 1]$, les conditions suivantes sont satisfaites pour chaque niveau $k$ de la séquence :
     • $\sigma^k_D[(1-\lambda)x + \lambda y] \geq \sigma^k_D(x) \wedge \sigma^k_D(y)$ (Appartenance positive)
     • $\tau^k_D[(1-\lambda)x + \lambda y] \geq \tau^k_D(x) \wedge \tau^k_D(y)$ (Neutralité)
     • $\eta^k_D[(1-\lambda)x + \lambda y] \leq \eta^k_D(x) \vee \eta^k_D(y)$ (Appartenance négative)

3. Généralisation et Enveloppe Convexe :

   • Définition de la combinaison convexe image (PCC) pour un nombre fini de points.
   • Définition de l'enveloppe convexe image (Pch) d'un PFMS, définie comme l'ensemble de toutes les combinaisons convexes de ses points.

4. Preuves et Théorèmes :

   • Utilisation de la logique mathématique et de l'induction pour démontrer les propriétés de stabilité et d'équivalence.

3. Contributions Clés et Résultats Principaux

L'article apporte plusieurs résultats théoriques majeurs :

• Équivalence avec les Coupes (Proposition 3.1) :
  L'auteur démontre qu'un PFMS $D$ est convexe si et seulement si toutes ses coupes $(r, s, t)$ (qui sont des ensembles classiques/crisps) sont convexes. Cela permet d'utiliser les outils de la géométrie convexe classique pour analyser les PFMS.
  $$D \text{ est convexe} \iff C_{r,s,t}(D) \text{ est convexe } \forall r,s,t$$

• Stabilité par Intersection (Proposition 3.2 et Corollaire 3.1) :
  Il est prouvé que l'intersection de deux PFMS convexes est également un PFMS convexe. Cette propriété s'étend à une famille arbitraire de PFMS convexes. C'est une propriété cruciale pour la construction de modèles complexes à partir de sous-ensembles.

• Caractérisation par Combinaisons Convexes (Proposition 3.3) :
  L'article établit qu'un PFMS est convexe si et seulement s'il contient toutes les combinaisons convexes de ses points. Cela généralise la propriété de fermeture convexe connue des ensembles flous classiques au contexte multiensemble image.

• Théorème de l'Enveloppe Convexe (Théorème 3.1) :
  Pour un PFMS convexe $D$, son enveloppe convexe $Pch(D)$ est constituée exactement de l'ensemble de toutes les combinaisons convexes des points de $D$. Cela confirme que l'enveloppe convexe est le plus petit PFMS convexe contenant l'ensemble original.

4. Signification et Impact

• Avancement Théorique : Ce travail complète la hiérarchie des théories de convexité floue, passant des ensembles flous classiques aux ensembles flous image, puis aux multiensembles flous image. Il fournit le cadre mathématique nécessaire pour manipuler des données complexes comportant des répétitions et des degrés de neutralité.
• Applications Potentielles : La notion de convexité est fondamentale en optimisation, en reconnaissance de formes, en clustering et en prise de décision multicritère.
  • En intelligence artificielle, cela permet de modéliser des systèmes où les données d'entrée sont multiples et incertaines (ex: votes multiples, capteurs redondants avec des états neutres).
  • En théorie des groupes (mentionnée dans l'introduction comme domaine d'extension), ces concepts pourraient être appliqués à la structure algébrique des PFMS.
• Rigueur Mathématique : L'article fournit des définitions précises et des preuves rigoureuses, évitant les ambiguïtés souvent présentes dans la généralisation des concepts flous.

En conclusion, cet article établit les fondations de la convexité pour les multiensembles flous image, offrant un outil puissant pour traiter des problèmes d'incertitude plus complexes que ceux abordés par les ensembles flous traditionnels ou intuitionnistes.