Convexity of Picture Fuzzy Multisets

Titel: Convexiteit van Picture Fuzzy Multisets

Auteur: Taiwo O. Sangodapo (Universiteit van Ibadan, Nigeria)

1. Probleemstelling en Achtergrond

Het artikel adresseert een lacune in de theorie van computationele intelligentie en fuzzy logica. Hoewel er reeds uitgebreid onderzoek is gedaan naar:

• Fuzzy Sets (FS): Geïntroduceerd door Zadeh (1965), met een focus op convexiteit.
• Intuitionistische Fuzzy Sets (IFS): Uitgebreid door Atanassov (1986) en later naar convexiteit door Huang (2012) en anderen.
• Picture Fuzzy Sets (PFS): Geïntroduceerd door Cuong (2013) om een "neutraliteitsgraad" toe te voegen aan de positieve en negatieve membership, wat ontbrak in IFS.
• Fuzzy Multisets (FMS) en Picture Fuzzy Multisets (PFMS): Waarbij elementen meerdere keren kunnen voorkomen met verschillende membership-waarden.

Het specifieke probleem dat dit artikel aanpakt, is het ontbreken van een gedefinieerde en onderzochte convexiteitsnotie voor Picture Fuzzy Multisets (PFMS). Bestaande werken hebben convexiteit gedefinieerd voor gewone Picture Fuzzy Sets (zoals Sangodapo [27] in 2022 deed), maar de extensie naar multisets (waarbij elementen een "telling" of multipliciteit hebben) was nog niet formeel uitgewerkt. Dit is essentieel voor complexe toepassingen waar onzekerheid en herhaling van data tegelijkertijd moeten worden gemodelleerd.

2. Methodologie

De auteur hanteert een wiskundig axiomatische aanpak om de theorie van PFMS uit te breiden met convexiteit. De methodologie omvat:

• Literatuurstudie: Een grondige analyse van eerdere definities van convexiteit in FS, IFS en PFS, evenals de structuur van multisets.
• Definitie-uitbreiding: Het formuleren van nieuwe definities voor PFMS die de bestaande concepten van convexiteit (voor PFS) generaliseren.
• Wiskundige Bewijstechnieken: Het gebruik van:
  • Inductie (voor bewijzen over eindige verzamelingen van punten).
  • Eigenschappen van $\alpha$-snijpunten (cut sets) om equivalentie te tonen.
  • Algebraïsche manipulaties van membership-functies (positief, neutraal, negatief) en convex combinaties.
• Structuur van het bewijs: Het artikel bouwt op eerdere werken (zoals Sangodapo [27]) door de definities van convexiteit en het convex hull (Pch) toe te passen op de drie membership-functies van een PFMS: positief ($\sigma$), neutraal ($\tau$) en negatief ($\eta$), rekening houdend met de multipliciteit ($k$).

3. Belangrijkste Bijdragen en Definities

De kernbijdrage van het artikel is de introductie en formalisering van convexiteit binnen het kader van PFMS. De volgende concepten worden geïntroduceerd:

• Definitie van Convexiteit voor PFMS (Definitie 3.1):
  Een Picture Fuzzy Multiset $D$ wordt convex genoemd als voor alle $x, y \in C$ en $\lambda \in [0, 1]$ geldt:

  • $\sigma^k_D[(1-\lambda)x + \lambda y] \geq \sigma^k_D(x) \wedge \sigma^k_D(y)$ (Positieve membership is convex).
  • $\tau^k_D[(1-\lambda)x + \lambda y] \geq \tau^k_D(x) \wedge \tau^k_D(y)$ (Neutrale membership is convex).
  • $\eta^k_D[(1-\lambda)x + \lambda y] \leq \eta^k_D(x) \vee \eta^k_D(y)$ (Negatieve membership is concav, oftewel de negatieve graad neemt niet toe).
    Hierbij verwijst $k$ naar de index van de elementen in de multiset.

• Picture Convex Combination (PCC):
  De auteur definieert hoe een convex combinatie van punten in een PFMS wordt berekend, waarbij de gewichten ($\lambda_i$) worden toegepast op de membership-sequenties van de positieve, neutrale en negatieve graden.

• Picture Convex Hull (Pch):
  De definitie van het kleinste convex set dat een gegeven PFMS bevat, geformuleerd als de verzameling van alle mogelijke convex combinaties van de punten in de set.

4. Resultaten en Hoofdstellingen

Het artikel presenteert een reeks stellingen en eigenschappen die de consistentie van de nieuwe theorie aantonen:

1. Equivalentie met Snijpunten (Propositie 3.1):
   Een PFMS $D$ is convex als en slechts als zijn $(r, s, t)$-snijpunten (crisp sets) convex zijn. Dit verbindt de fuzzy-theorie met klassieke convexiteit in de meetkunde.
2. Sluiting onder Doorsnede (Propositie 3.2 & Corollarium 3.1):
   De doorsnede van twee (of een willekeurige familie van) convex PFMS is zelf ook een convex PFMS. Dit is een cruciale eigenschap voor de algebraïsche structuur van deze sets.
3. Algemene Convexiteit (Propositie 3.3):
   Een PFMS is convex dan en slechts dan als voor elke eindige familie van punten en gewichten (die optellen tot 1), de membership-waarden van het samengestelde punt voldoen aan de convexiteitsvoorwaarden (minima voor positief/neutraal, maxima voor negatief).
4. Karakterisering van het Convex Hull (Stelling 3.1):
   Het Picture Convex Hull ($Pch(D)$) van een PFMS $D$ bestaat precies uit alle convex combinaties van de punten van $D$.

5. Significatie en Toepassing

De resultaten van dit artikel hebben aanzienlijke implicaties voor de theorie van computationele intelligentie:

• Theoretische Uitbreiding: Het vult een belangrijke ontbrekende schakel in de hiërarchie van fuzzy theorieën: van FS naar IFS, PFS, en nu PFMS. Het biedt een rigoureuze wiskundige basis voor het hanteren van convexiteit in data met herhaling en neutraliteit.
• Toepassingsmogelijkheden: Picture Fuzzy Multisets zijn nuttig in scenario's waar meerdere experts of bronnen over hetzelfde object oordelen (multiset) en waar een "neutrale" mening (bijv. "weet ik niet" of "onbeslist") een rol speelt. De introductie van convexiteit maakt het mogelijk om:
  • Optimale oplossingsruimtes te definiëren in fuzzy beslissingsondersteunende systemen.
  • Fuzzy clustering-algoritmen te verbeteren die rekening houden met herhalende data en neutraliteit.
  • Fuzzy controle-systemen te ontwerpen die robuuster zijn tegen variaties in input-data.
• Toekomstig Onderzoek: De auteur suggereert dat deze basis kan worden gebruikt voor verdere extensies, zoals convexiteit in groepstheorie (reeds aangehaald in de introductie) of toepassing in specifieke algoritmen voor patroonherkenning.

Conclusie:
Dit artikel is een fundamentele bijdrage aan de wiskundige logica. Het definieert succesvol de convexiteit voor Picture Fuzzy Multisets, bewijst de essentiële eigenschappen (zoals sluiting onder doorsnede en equivalentie met snijpunten), en legt zo de basis voor toekomstige toepassingen in complexe besluitvormingssystemen waar onzekerheid, herhaling en neutraliteit centraal staan.