🔢 mathematics

Picture Fuzzy Multigroups

Cet article étudie les multisets flous d'images et introduit le concept de multigroupes flous d'images, en établissant leurs propriétés algébriques clés.

Auteurs originaux : Taiwo O. Sangodapo

Publié 2026-07-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Taiwo O. Sangodapo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de décrire un groupe de personnes, mais que vous ne vouliez pas simplement dire « ils sont là » ou « ils ne sont pas là ». Vous voulez capturer la réalité désordonnée et complexe de l'opinion humaine et de l'appartenance.

Cet article de Taiwo O. Sangodapo porte sur la création d'un nouvel outil mathématique super détaillé pour gérer cette complexité. Il s'appelle le Multigroupe Flou de l'Image (Picture Fuzzy Multigroup).

Voici la décomposition de ce que fait l'article, en utilisant des analogies simples.

1. L'évolution de la pensée « floue »

Pour comprendre cet article, il faut voir comment les mathématiques sont devenues plus complexes au fil du temps :

Ensembles Nets (L'ancienne méthode) : Imaginez une liste d'invités pour une fête. Vous êtes soit sur la liste, soit vous n'y êtes pas. C'est noir ou blanc.
Ensembles Flous (La première mise à niveau) : Imaginez une liste d'invités où vous pouvez être « plus ou moins » invité. Peut-être avez-vous 70 % de chances de venir. C'est l'« Ensemble Flou ».
Ensembles Flous Intuitionnistes (La deuxième mise à niveau) : Maintenant, imaginez que vous puissiez dire « j'ai 70 % de chances de venir, mais 20 % de chances de rester à la maison ». Vous avez un « Oui » et un « Non », mais ils n'ont pas besoin de totaliser 100 %. Le reste est un « peut-être ».
Ensembles Flous de l'Image (La troisième mise à niveau) : C'est ici que l'article commence. Imaginez un vote avec quatre options : Oui, Neutre (je m'en fiche), Non et Refus (je refuse de voter). L'ensemble de l'« Image » suit les trois opinions actives (Oui, Neutre, Non) en même temps.
Multiensembles (La mise à niveau du « comptage ») : Habituellement, les mathématiques traitent une liste d'éléments comme un ensemble (éléments uniques). Mais dans la vie réelle, les choses se répètent. Si vous avez un sac de billes, vous pouvez avoir trois billes rouges. Un « Multiensemble » permet de compter combien de fois un élément apparaît.

La grande idée de l'article : L'auteur combine l'idée de l'« Image » (Oui/Neutre/Non) avec l'idée du « Multiensemble » (comptage des répétitions). Il appelle cela un Multiensemble Flou de l'Image.

2. Le concept de « Groupe »

En mathématiques, un Groupe est une collection de choses (comme des nombres ou des formes) qui suivent des règles spécifiques lorsqu'on les mélange (comme l'addition ou la multiplication). Par exemple, si on mélange deux nombres dans un groupe, on obtient un autre nombre appartenant au même groupe.

L'article demande : Que se passe-t-il si notre « Groupe » est composé de ces Multiensembles Flous de l'Image ?

3. Les nouvelles règles (Le « Multigroupe »)

L'auteur introduit le Multigroupe Flou de l'Image (PFMG). Voyez cela comme un club où l'appartenance n'est pas seulement une simple présence ou absence. Au lieu de cela, chaque membre possède un profil complexe :

Compte Positif : À quel point ils appartiennent (Oui).
Compte Neutre : À quel point ils sont incertains (Neutre).
Compte Négatif : À quel point ils n'appartiennent pas (Non).

L'article établit les « lois de la physique » pour ce nouveau type de club. Par exemple :

La règle de mélange : Si vous prenez deux membres et que vous les « mélangez » (effectuez l'opération de groupe), le score « Oui » du membre résultant doit être au moins aussi élevé que le score « Oui » le plus faible des deux membres originaux.
La règle du miroir : Si vous inversez un membre (prenez son inverse), son score « Oui » ne doit pas descendre en dessous de son score d'origine.

4. L'analogie de la « Coupe » (Simplifier le complexe)

L'un des outils les plus utiles de l'article est l'Ensemble de Coupe (Cut Set).

Imaginez que vous avez un gâteau très complexe et multicouche (le Multigroupe Flou de l'Image). Il est trop compliqué à manger d'un coup. La « Coupe » est comme si vous tranchiez ce gâteau à une hauteur spécifique.

Si vous tranchez haut, vous n'obtenez que les membres « très forts ».
Si vous tranchez plus bas, vous obtenez un groupe plus large qui inclut des membres « corrects ».

L'article prouve un fait crucial : Peu importe la façon dont vous coupez ce gâteau complexe, la part que vous obtenez est toujours un groupe « net » et simple standard. Cela signifie que même si les mathématiques sont sophistiquées et complexes, si vous les regardez à travers un filtre spécifique, elles se comportent comme un groupe normal et prévisible.

5. Le « Noyau » du groupe

L'article définit également un sous-ensemble spécial appelé $D^*$ . Voyez cela comme le « Salon VIP » ou l'« Équipe de base ».

Ce sont les membres qui ont exactement les mêmes scores « Oui », « Neutre » et « Non » que le leader du groupe (l'élément neutre/identité).
L'article prouve que ce Salon VIP est également un groupe standard et valide en soi.

Résumé

En langage clair, cet article est un blueprint mathématique pour gérer des groupes où l'appartenance est complexe, répétée et multidimensionnelle.

Il prend l'idée d'un « groupe » (une collection structurée) et la met à niveau pour gérer :

L'ambiguïté : (Oui, Neutre, Non).
La répétition : (Compter combien de fois quelque chose apparaît).
La structure : (S'assurer que lorsque l'on mélange ces éléments complexes, les règles sont respectées).

L'auteur ne fait pas que l'inventer ; il prouve que ces nouveaux « Multigroupes Flous de l'Image » se comportent logiquement. Il montre que si on les examine de près (en utilisant des « coupes »), ils deviennent des groupes normaux et fiables, donnant ainsi aux mathématiciens un moyen d'utiliser cet outil complexe avec confiance.

Résumé Technique : Multigroupes Flous d'Image

Énoncé du Problème et Contexte
L'article traite de la nécessité d'étendre les structures algébriques dans le cadre de la théorie des ensembles flous pour gérer une incertitude plus complexe. Les auteurs retracent l'évolution de la théorie des ensembles, des ensembles flous (EF) de Zadeh aux ensembles flous intuitionnistes (EFI) d'Atanassov, puis aux ensembles flous d'image (EFI) de Cuong et Kreinovich, qui incorporent des degrés d'appartenance positifs, neutres et négatifs. Parallèlement, le concept de multisets (où les éléments peuvent apparaître plusieurs fois) a été introduit par Yager et étendu aux multisets flous intuitionnistes. Bien que Cao et al. aient précédemment établi les multisets flous d'image (MFSI) comme une généralisation des multisets flous et des multisets flous intuitionnistes, une définition formelle et une analyse algébrique des multigroupes flous d'image (MFGI) faisaient défaut. Cet article vise à combler cette lacune en introduisant le concept de MFGI et en établissant leurs propriétés algébriques fondamentales.

Méthodologie
L'étude emploie une approche mathématique déductive fondée sur l'algèbre abstraite et la logique floue. La méthodologie procède comme suit :

Définitions Fondamentales : L'article commence par une revue des préliminaires nécessaires, incluant les définitions des ensembles flous, des ensembles flous intuitionnistes et des ensembles flous d'image. Il définit spécifiquement les multisets flous d'image (MFSI) sur un groupe net $C$ , caractérisés par trois fonctions de comptage : le comptage d'appartenance positif ( $PC_M$ ), le comptage d'appartenance neutre ( $NeC_M$ ) et le comptage d'appartenance négatif ( $NC_M$ ).
Opérations Structurelles : Les auteurs définissent des opérations sur les MFSI, incluant l'inverse ( $D^{-1}$ ) et le composite ( $D \circ E$ ) de deux multisets flous d'image. Ces opérations sont définies en utilisant des opérations de treillis (supremum $\vee$ et infimum $\wedge$ ) appliquées aux comptages d'appartenance des éléments et de leurs inverses au sein du groupe.
Définition de MFGI : Un multiset flou d'image $D$ est défini comme un multigroupe flou d'image si ses comptages d'appartenance satisfont des inégalités spécifiques concernant l'opération de groupe et les inverses. Plus précisément, les comptages positifs et neutres doivent être non décroissants sous l'opération de groupe et les inverses, tandis que le comptage négatif doit être non croissant.
Preuves Théoriques : L'article utilise ces définitions pour prouver une série de théorèmes concernant les propriétés des MFGI, notamment la clôture sous inversion, le comportement sous composition, et la relation entre un MFGI et ses coupes de niveau.

Contributions Clés et Résultats
La principale contribution de l'article est l'introduction formelle des multigroupes flous d'image et la dérivation subséquente de leurs propriétés algébriques. Les résultats spécifiques établis incluent :

Propriétés de l'Inverse et de la Composition : L'article prouve que l'inverse d'un MFGI est également un MFGI et établit la relation $(D \circ E)^{-1} = E^{-1} \circ D^{-1}$ . Il fournit également des formulations alternatives pour l'opération composite en utilisant des éléments de groupe uniques.
Inégalités Fondamentales : Le théorème 3.3 démontre que pour tout MFGI $D$ , les comptages d'appartenance à l'élément identité $e$ sont maximaux pour les comptages positifs et neutres et minimaux pour le comptage négatif (c'est-à-dire que $PC_M(e) \geq PC_M(g)$ , $NeC_M(e) \geq NeC_M(g)$ , et $NC_M(e) \leq NC_M(g)$ ). Il prouve également que $D^{-1} \supseteq D$ .
Conditions Équivalentes : Le théorème 3.4 fournit une condition équivalente pour qu'un MFSI soit un MFGI, stipulant que $D$ est un MFGI si et seulement si les conditions d'appartenance tiennent pour l'expression $g_1 g_2^{-1}$ .
Ensembles de Coupes et Sous-groupes : L'article introduit l'ensemble de coupe $(d, r, s, t)$ pour un multiset flou d'image. Le théorème 3.5 prouve que si $D$ est un MFGI, son ensemble de coupe $(d, r, s, t)$ est un sous-groupe net du groupe sous-jacent $C$ .
Sous-groupes de Niveau : Le théorème 3.6 définit l'ensemble $D^*$ constitué des éléments où les comptages d'appartenance sont égaux à ceux de l'identité. L'article prouve que $D^*$ forme un sous-groupe net de $C$ .

Signification et Revendications
L'article revendique modestement que sa signification réside dans l'extension des travaux existants sur les multigroupes flous intuitionnistes (Shinoj et Sunil) vers le contexte plus large des ensembles flous d'image. En introduisant les MFGI, les auteurs fournissent une nouvelle structure algébrique capable de modéliser l'incertitude avec une plus grande granularité, en rendant compte simultanément des opinions positives, neutres et négatives dans un environnement de multiset. L'établissement de propriétés telles que la nature de sous-groupe des ensembles de coupes et le comportement des inverses et des compositions pose les bases théoriques nécessaires pour les applications futures de ces structures dans des systèmes algébriques impliquant une incertitude complexe et multidimensionnelle. L'article ne propose pas d'applications concrètes ou de validations expérimentales, mais se concentre strictement sur la cohérence mathématique et les propriétés du concept introduit.