تقریب اعداد فازی مبتنی بر حفظ ترکیب توام پشتیبان و هسته

امروزه مفاهیم فازی به طور گسترده ای در بسیاری از برنامه های کاربردی مهندسی مانند مدل های جمعیتی، سیستم های کنترل بی نظمی، اقتصاد و امور مالی، هوش مصنوعی، علوم کامپیوتر، سیستم های خبره، علوم مدیریت، شناسایی الگو، رباتیک و سایر موارد استفاده می‌شود.به دلیل وجود پارامترهای فازی و عملیاتی که بر روی مقادیر فازی انجام می شود طبیعتا نتایج حاصل شده فازی هستند. این نتایج به سادگی قابل فهم و تفسیر نیستند و همچنین محاسبات مفاهیم فازی با پیچیدگی و دشواری توام است. از این رو برای سادگی و فهم نتایج حاصل از محاسبات فازی می بایست اعداد فازی به اعداد قطعی (غیر فازی) تبدیل شوند. فرایند تبدیل اعداد فازی به اعداد قطعی را نافازی سازی می گویند. بدیهی است که در بیشتر موارد با تبدیل مجموعه فازی به مجموعه قطعی اطلاعات بسیارمهم و ارزشمندی از دست می رود. به هر حال برای بهره بردن از نافازی سازی باید معیارهایی تعریف شود و برای آن چارچوب مشخصی وجود داشته باشد. هدف ما در این مقاله یافتن نزدیک ترین عدد فازی ذوزنقه ای به یک عدد فازی است که ترکیب محدب بازه های پشتیبان و هسته عدد فازی را حفظ می کند. این امکان به تصمیم گیرنده این اجازه را می دهد تا تقریب دلخواه یک عدد فازی را از یک دسته تقریب های ذوزنقه ای انتخاب کند.

p-sc invariance approximation of fuzzy numbers

in this paper, the aim is to find the nearest trapezoidal fuzzy numberto a given fuzzy number which preserves the convex combinationof support and core intervals of that fuzzy number. this allows the decisionmaker to select the preferred approximation of a fuzzy numberfrom a class of trapezoidal approximations.nowadays, the fuzzy concepts are widely used in many real-world engineeringapplications, such as population models, control chaotic systems, economicsand finance, artificial intelligence, computer science, expert systems, managementscience, operations research, pattern recognition, robotics and others.because of the existence of fuzzy parameters, computational complexity isthe cost of fuzzy system and this matter has captured the attention of researchersfor introducing methods and decreasing this cost. in general, mostof the fuzzy-based algorithms use a defuzzification process that maps a fuzzyparameter into a crisp one. obviously, in most cases, too much importantinformation is lost by converting fuzzy sets into a set of real numbers. itseems that we should accept some criteria and apply a framework for constructinga defuzzyfication process. van leekwijck et al. in [21] presenteda set of criteria for defuzzification strategies and classified the most widelyused defuzzification techniques into different groups and they examined theprototypes of each group with respect to the defuzzification criteria.