چکیده
1. مقدمه
2. تعاریف و برخی خواص
3. مجموعه های فازی فیثاغورث و اندازه گیری شباهت
4. روش اصلاح شده برای مسائل MCDM با مجموعه های فازی فیثاغورث
5. نمونه های کاربردی
6. نتیجه گیری
منابع
Abstract
1. Introduction
2. Definitions and some properties
3. Pythagorean fuzzy sets and similarity measure
4. Modified method to MCDM problems with Pythagorean fuzzy sets
5. Application examples
6. Conclusion
References
چکیده
اندازه گیری شباهت در این مقاله برای مجموعه های فازی فیثاغورث (PFSs) تایید شده است. ما اشاره می کنیم که یک معیار مشابه برای دو PFS یک مقدار فازی فیثاغورث (PFV) است. برای محاسبه معیار تشابه دو PFS، منطقی است که شباهت آنها مبهم باشد. بنابراین، ما برای اولین بار معرفی می کنیم، تا آنجا که می دانیم، اقدامات مشابه برای دو PVF مانند PFV است. برای محاسبه PFV اندازه مشابه، ابتدا روش محاسبه اندازه مشابه فیثاغورث برای دو PFV را با استفاده از T-norm و S-norm ارائه می کنیم و سپس آن را برای محاسبه اندازه مشابه برای دو PFS گسترش می دهیم. در نهایت، یک مثال عددی برای نشان دادن اعتبار و کاربرد روش تصمیم گیری ارائه شده ارائه شده است.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
The similarity measure in this paper is verified for Pythagorean fuzzy sets (PFSs). We point out that a similar measure for two PFSs is a Pythagorean fuzzy value (PFV). To calculate the similarity measure of two PFSs, it is logical that their similarity should be vague. Therefore, we introduce for the first time, as far as we know, the similarity measures for two PVFs is the same as PFV. For calculating PFV of similar measure, we first present the method for calculating Pythagorean similar measure for two PFV by using T-norm and S-norm and then extend it to calculate similar measure for two PFSs. Finally, a numerical example is provided to illustrate the validity and applicability of the presented decision-making method.
Introduction
In many multi-criteria decision making (MCDM) problems, the decision maker has to use vague (qualitative) values to decide. In the face of qualitative values, for the first time, Bellman and his associates introduced the theory of fuzzy sets (FSs) using mathematical modeling. In making decision with fuzzy sets, the decision maker considers only the degree of correctness of the option and cannot take into account the degree of incorrectness. Continuing this trend, Atanassov in [1] introduced the intuitionistic fuzzy sets (IFSs) theory which is a generalization from FSs which included both the degrees of membership and non-membership.
Atanassov and Gargov [2] presented an interval valued IFS (IVIFS) as a generalization and an intuitionist fuzzy sets (IFS) that makes use of interval value instead of a real number.
Conclusion
We have successfully introduced a new definition for similarity measure for Pythagorean collections, which is also a PFV. We define the similarity measure of the two PFVs with a PFV, using T-norm, and S-norm and we generalized it to PFS. This method is used for decision making with Pythagoras value, using similarity measure. The advantages of this method include:
Calculating the similarity size in the form of PFSs takes more information into decision making, and we lose a lot of information, if converted to a real number.