Triangular Fuzzy Rescaling Distance

तकनीकी सारांश: त्रिकोणीय फजी रीस्केलिंग दूरी (Triangular Fuzzy Rescaling Distance)

समस्या विवरण
जटिल प्रणालियों में निर्णय लेना अक्सर अनिश्चित या अस्पष्ट जानकारी पर निर्भर करता है, जिसे अक्सर त्रिकोणीय फजी संख्याओं (TFNs) का उपयोग करके मॉडल किया जाता है। फजी विधियों को लागू करने में एक महत्वपूर्ण चुनौती TFNs के बीच की दूरी को मापना है, विशेष रूप से उन विषम गुणों (heterogeneous attributes) के मामले में जिनके अलग-अलग स्केल, इकाइयाँ या रेंज होती हैं। पारंपरिक दूरी माप अक्सर समान स्केल्स की धारणा रखते हैं, जिसके लिए एक प्रारंभिक सामान्यीकरण (normalization) चरण की आवश्यकता होती है। यह पृथक्करण पूर्वाग्रह या विरूपण उत्पन्न कर सकता है, विशेष रूप से सिंथेटिक इंडिकेटर निर्माण या बहु-मानदंड निर्णय सहायता (multi-criteria decision aiding) जैसे संदर्भों में जहाँ डेटा विषमता अंतर्निहित होती है।

कार्यप्रणाली
यह शोध पत्र त्रिकोणीय फजी रीस्केलिंग दूरी ($d_{TR}$) का प्रस्ताव करता है, जो TFNs के $n$-टुपल्स (n-tuples) की तुलना करने के लिए डिज़ाइन किया गया एक नवीन मीट्रिक है। डेटा को दूरी गणना से पहले सामान्य करने के पारंपरिक दृष्टिकोणों के विपरीत, $d_{TR}$ सीधे दूरी सूत्र में लीनियर रीस्केलिंग (LRE) को एकीकृत करता है।

यह मीट्रिक TFNs के दो $n$-टुपल्स, $\tilde{f}$ और $\tilde{f}^*$ के लिए परिभाषित है, जहाँ प्रत्येक घटक $\tilde{f}_i = (f_i^{(1)}, f_i^{(2)}, f_i^{(3)})$ एक विशिष्ट अंतराल $[a_i, b_i]$ के भीतर रहता है। दूरी की गणना इस प्रकार की जाती है:

$$d_{TR}(\tilde{f}, \tilde{f}^*) = \frac{M}{4} \left( \sum_{i=1}^{n} \omega_i \left( \frac{|f_i^{*(1)} - f_i^{(1)}| + 2|f_i^{*(2)} - f_i^{(2)}| + |f_i^{*(3)} - f_i^{(3)}|}{b_i - a_i} \right)^\lambda \right)^{1/\lambda}$$

जहाँ:

• $\omega_i$ एक वेटिंग वेक्टर (weighting vector) है ($\sum \omega_i = 1$)।
• $\lambda \geq 1$ एक पैरामीटर है जो बड़े विचलनों के प्रति संवेदनशीलता को नियंत्रित करता है।
• $M > 0$ एक स्केलिंग पैरामीटर है जो ऊपरी सीमा (upper bound) को परिभाषित करता है।
• हर (denominator) में पद $(b_i - a_i)$ लीनियर रीस्केलिंग करता है, जो प्रभावी रूप से TFN के घटकों के बीच के अंतर को उनके विशिष्ट डोमेन रेंज के सापेक्ष सामान्य करता है।

मुख्य योगदान और सैद्धांतिक गुण
लेखक औपचारिक रूप से सिद्ध करते हैं कि $d_{TR}$ एक मीट्रिक स्पेस के अभिधारणाओं (axioms) को संतुष्ट करता है और इसमें कई विशिष्ट गुण हैं:

1. मीट्रिक गुण: शोध पत्र प्रदर्शित करता है कि $d_{TR}$ गैर-ऋणात्मकता (non-negativity), पहचान की अनिश्चितता (identity of indiscernibles), समरूपता (symmetry), और त्रिकोण असमानता (triangle inequality) को संतुष्ट करता है (इसे मिंकोव्स्की असमानता के माध्यम से सिद्ध किया गया है)।
2. बद्धता (Boundedness): दूरी, इनपुट मानों के बावजूद, $[0, M]$ अंतराल के भीतर सख्ती से बद्ध है, बशर्ते वे अपने परिभाषित अंतरालों के भीतर हों।
3. स्केल अपरिवर्तनीयता (Scale Invariance): यदि दोनों TFNs और उनके परिभाषित अंतरालों को एक धनात्मक स्थिरांक द्वारा स्केल किया जाता है, तो मीट्रिक अपरिवर्तित रहता है।
4. मूल अपरिवर्तनीयता (Origin Invariance): दूरी अप्रभावित रहती है यदि दोनों TFNs और उनके अंतराल एक स्थिरांक मान द्वारा स्थानांतरित (shift) किए जाते हैं।
5. अंतर्निहित सामान्यीकरण: यह मीट्रिक LRE तंत्र के माध्यम से विशेषता मानों को अंतर्निहित रूप से सामान्य करता है, जिससे अलग प्रीप्रोसेसिंग चरणों की आवश्यकता समाप्त हो जाती है।

परिणाम और अनुप्रयोग
शोध पत्र $d_{TR}$ को दो मुख्य प्रदर्शनों के माध्यम से मान्य करता है:

• संख्यात्मक उदाहरण: $n=2$ के साथ एक गणना चरण-दर-चरण सूत्र के अनुप्रयोग को प्रदर्शित करती है, जो दिखाता है कि विभिन्न अंतरालों में कच्चे TFN डेटा से दूरी कैसे प्राप्त की जाती है।
• केस स्टडी (सततता मूल्यांकन/Sustainability Assessment): इस मीट्रिक का उपयोग पांच काल्पनिक शहरों का मूल्यांकन करने के लिए एक आदर्श स्थिरता प्रोफ़ाइल के विरुद्ध किया गया है, जिसमें पांच संकेतक (जैसे CO2 उत्सर्जन, हरित क्षेत्र, आय असमानता) शामिल हैं जिनकी इकाइयाँ और रेंज व्यापक रूप से भिन्न हैं।
  • परिणाम दिखाते हैं कि $d_{TR}$ मान $[0, 100]$ की सीमा के भीतर उत्पन्न करता है (जहाँ $M=100$), जिससे आदर्श से प्रतिशत विचलन के रूप में सीधा अर्थ निकाला जा सकता है।
  • अध्ययन $\lambda$ की भूमिका को रेखांकित करता है। कम $\lambda$ मान (जैसे, $\lambda=1, 2$) विचलनों के संतुलित एकत्रीकरण प्रदान करते हैं, जबकि उच्च $\lambda$ मान (जैसे, $\lambda=500$) सबसे बड़े एकल विचलनों के प्रति संवेदनशीलता बढ़ाते हैं। यह निर्णय लेने वालों को गंभीर कमजोरियों का पता लगाने की अनुमति देता है, भले ही अन्य संकेतक मजबूत हों।
  • $\lambda$ के आधार पर शहरों की रैंकिंग बदल जाती है, जो विभिन्न प्रकार की निर्णय लेने की रणनीतियों (संतुलित बनाम वर्स्ट-केस फोकस) को प्राथमिकता देने में मीट्रिक की लचीलेपन को दर्शाती है।

महत्व और दावे
शोध पत्र का दावा है कि $d_{TR}$ बाहरी सामान्यीकरण की आवश्यकता के बिना विषम फजी डेटा को संभालने के लिए एक मजबूत समाधान प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

• अलग-अलग स्केल्स और इकाइयों से उत्पन्न होने वाले पूर्वाग्रहों को कम करना।
• सिंथेटिक इंडिकेटर (जैसे, स्थिरता सूचकांक, जीवन की गुणवत्ता के उपाय) के निर्माण के लिए एक एकत्रीकरण तंत्र के रूप में कार्य करना।
• दूरी-आधारित मशीन लर्निंग एल्गोरिदम और बहु-मानदंड निर्णय सहायता विधियों (जैसे, TOPSIS) में लागू होने योग्य होना।
• रैखिक $O(n)$ कम्प्यूटेशनल जटिलता बनाए रखना।

लेखक सीमाओं को स्वीकार करते हुए कहते हैं कि वर्तमान फॉर्मूलेशन विशेष रूप से TFNs के लिए है और अन्य फजी निरूपणों (जैसे, ट्रेपेज़ॉइडल या गॉसियन) पर सीधे लागू नहीं हो सकता है। वे सुझाव देते कि भविष्य के कार्य को विविध वास्तविक दुनिया के परिदृश्यों में अनुभवजन्य सत्यापन, मौजूदा मापों के साथ प्रदर्शन तुलना, और अन्य फजी संख्या प्रकारों तक विस्तार करने पर ध्यान केंद्रित करना चाहिए।