Complex Probabilistic Neutrosophic Sets for Multi-Criteria Decision-Making: New Aggregation Operators and Comparative Analysis
본 논문은 불확실한 실제 시나리오에서 전문가 의견의 수용 수준을 더 잘 포착하기 위해 새로운 복합 확률적 뉴트로소픽(CPN) 집합을 도입하고, 새로운 가중 평균 및 기하 평균 집합 연산자를 제안하며, 자동차 선택 사례 연구와 비교 분석을 통해 그에 상응하는 다기준 의사결정 프레임워크를 검증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대 세계에서 결정은 결코 단순하지 않습니다. 새로운 자동차를 선택하든, 환자를 진단하든, 혹은 비즈니스 전략을 선택하든, 우리는 종종 불완전하거나 모순되거나 시간이 지남에 따라 변하는 정보에 직면합니다. 수십 년 동안 수학자들은 이러한 불확실성을 다루기 위한 도구들을 개발해 왔습니다. 그들은 어떤 것이 특정 범주에 얼마나 속하는지를 측정하는 단순한 방식에서 시작하여, 의구심과 중립성을 설명하기 위한 층들을 추가했습니다. 이후, 그들은 조수의 상승과 하강이나 주식 가격의 변동처럼 주기적으로 변화하는 정보를 추적할 수 있는 시스템을 만들었습니다. 그러나 중요한 격차가 남아 있었습니다. 기존의 도구들은 데이터의 주기적인 특성이나 전문가의 의견에 대한 신뢰 수준 중 하나는 처리할 수 있었지만, 두 가지를 동시에 처리하는 경우는 드물었습니다. 이러한 한계로 인해, 의견이 다양하게 변하고 정보가 패턴을 반복하는 실제 상황들은 종종 지나치게 단순화되었습니다.
안바르 대학교와 킹 파이살 대학교의 연구진은 '복소 확률적 뉴토소피 세트(complex probabilistic neutrosophic set)'라고 불리는 새로운 수학적 프레임워크를 구축함으로써 이 격차를 해결했습니다. 이 시스템은 인간 판단의 온전한 복잡성을 포착하도록 설계되었습니다. 이는 세 가지 뚜렷한 유형의 정보, 즉 옵션이 수용되는 정도, 거부되는 정도, 그리고 평가자가 불확실해하는 정도를 결합합니다. 결정적으로, 이 시스템은 각 세 가지 판단에 부착된 신뢰도 또는 확률이라는 네 번째 차원을 추가합니다. 나아가, 이 판단들을 복소수 값으로 표현함으로써, 전통적인 방식으로는 놓칠 수 있는 주기적 변화나 시간 기반의 패턴을 추적할 수 있게 합니다. 연구진은 단순히 이 아이디어를 제안하는 데 그치지 않고, 이를 실제로 작동하게 할 수학적 기제까지 구축했습니다. 그들은 서로 다른 정보 조각들을 결합하는 방법, 그것들을 비교하는 방법, 그리고 무질서한 데이터 세트로부터 하나의 명확한 순위를 도출하는 방법을 정의했습니다.
이들의 새로운 시스템을 테스트하기 위해, 저자들은 실질적인 시나리오인 다섯 가지 옵션 중 최고의 자동차를 선택하려는 고객의 사례에 이를 적용했습니다. 결정은 총비용, 품질, 외관이라는 세 가지 기준을 바탕으로 이루어졌습니다. 전통적인 접근 방식에서는 전문가가 각 기준에 대해 각 자동차에 단일 점수를 부여할 것입니다. 그러나 이 새로운 프레임워크에서 전문가의 입력은 훨씬 더 풍부합니다. 각 자동차에 대해 전문가는 비용을 얼마나 좋아하는지, 얼마나 싫어하는지, 그리고 얼마나 불확실한지를 제공하며, 동시에 그러한 구체적인 감정에 대해 얼마나 확신하는지를 나타냅니다. 또한 시스템은 이러한 감정이 주기적인 성격을 가질 수 있다는 점, 즉 계절적 트렌드나 반복되는 시장 조건을 반영할 수 있다는 점을 고려합니다. 연구진은 이 복잡한 데이터를 처리하기 위해 '집계 연산자(aggregation operators)'라고 부르는 두 가지 새로운 수학적 도구를 사용했습니다. 이 도구들은 각 기준(비용, 품질, 외관)의 중요성을 가중하는 정교한 계산기처럼 작동하여, 전문가의 다층적인 의견을 각 자동차에 대한 하나의 점수로 합성합니다.
연구진이 수치를 계산했을 때, 시스템은 명확한 승자를 성공적으로 식 पहचान했습니다. 두 가지 새로운 계산 방식 모두 A5라고 명명된 자동차를 최선의 선택으로 지목했습니다. 시스템은 자동차들을 특정 순서로 배치했는데, A5를 최상위에 두고 A3라는 또 다른 자동차를 최하위에 두었습니다. 결과가 우연이 아님을 확인하기 위해, 팀은 기준의 중요도가 변함에 따라 결과가 얼마나 민감하게 반응하는지 테스트했습니다. 그들은 가중치를 조정하여 비용을 더 중요하게 만들거나 외관을 더 중요하게 만들었으며, 그 결과를 관찰했습니다. 우선순위가 크게 바뀌더라도 시스템은 안정적이었습니다. 최우선 선택지인 A5는 일관되게 상위를 유지했고, 최하위인 A3는 최하위에 머물렀습니다. 이러한 안정성은 새로운 방법이 견고하고 신뢰할 수 있으며, 현실 세계의 결정 과정이 가진 무질서하고 불확실하며 주기적인 특성을 무너지지 않고 다룰 수 있음을 시사합니다.
연구진은 또한 자신들의 새로운 방법이 기존의 수학적 모델들과 비교했을 때 어느 위치에 있는지 확인했습니다. 그들은 확률이나 주기적 패턴 중 하나는 처리할 수 있지만 둘 다는 처리할 수 없었던 이전 시스템들이 이러한 복잡한 데이터에는 불충분하다는 것을 발견했습니다. 그들의 새로운 프레임워크는 기존의 모델들을 특수한 경우로서 포함하는 포괄적인 우산 역할을 합니다. 확률 측면을 제거하면, 시스템은 주기를 다루는 알려진 모델로 단순화됩니다. 주기적 측면을 제거하면, 확률을 다루는 모델로 단순화됩니다. 이러한 유연성은 이 새로운 도구가 이전 모델들보다 더 넓은 범위의 문제에 적응할 수 있음을 의미합니다. 저자들은 현재 자신들의 연구가 개인의 의사결정과 이론적 시뮬레이션에 집중되어 있음을 인정합니다. 그들은 향후 연구에서 이러한 도구들을 전문가 집단, 실시간으로 변화하는 동적 데이터, 그리고 의료 및 금융과 같은 분야의 응용으로 확장해야 한다고 언급했습니다. 그러나 현재로서는, 이 연구가 확률과 복잡한 주기적 데이터를 결합함으로써 현대 세계의 불확실성을 헤쳐 나갈 수 있는 더 정확하고 유연한 방법을 만드는 것이 가능하다는 것을 입증하고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.