T-Number مدل اعتماد در اعداد فازی

مقدمه

تصمیم‌گیری یکی از مهم‌ترین فعالیت‌های انسانی است که در زندگی روزمره و حوزه‌های حرفه‌ای با آن روبه‌رو می‌شویم. اما وقتی پای عدم قطعیت و ابهام به میان می‌آید، کار کمی پیچیده‌تر می‌شود. تصور کنید در حال برنامه‌ریزی برای سرمایه‌گذاری در یک پروژه انرژی خورشیدی هستید، اما داده‌های مربوط به تابش خورشید به دلیل تغییرات آب‌وهوایی چندان قابل اعتماد نیستند. یا فرض کنید در یک کارخانه، باید ریسک‌های احتمالی فرآیند تولید را ارزیابی کنید، اما نمی‌دانید تا چه حد می‌توانید به اطلاعات موجود اطمینان کنید. اینجاست که نیاز به روش‌هایی احساس می‌شود که نه تنها عدم قطعیت را مدیریت کنند، بلکه میزان اعتماد ما به داده‌ها را هم در نظر بگیرند. در این مطلب، می‌خواهیم شما را با مفهومی جدید به نام “اعداد اعتماد” (T-Numbers) آشنا کنیم که توسط سعید جعفرزاده قوشچی و همکارانش در مقاله‌ای با عنوان “Trust number: Trust-based modeling for handling decision-making problems” در سال 2024 معرفی شده است. این روش، رویکردی تازه برای بهبود تصمیم‌گیری در شرایط پیچیده و مبهم ارائه می‌دهد. 

در ویدیوی زیر روش trust number بر اساس مقاله بیس توضیح داده شده است.

چرا اعتماد در تصمیم‌گیری مهم است؟ 

همه ما در زندگی تجربه‌هایی داشته‌ایم که به یک نفر یا یک منبع اطلاعاتی اعتماد کرده‌ایم و بعد متوجه شده‌ایم که شاید نباید این‌قدر مطمئن می‌بودیم. در دنیای تصمیم‌گیری هم همین‌طور است. داده‌ها همیشه کامل و دقیق نیستند؛ گاهی از منابعی می‌آیند که خودشان مطمئن نیستند یا تحت تأثیر عوامل مختلفی تغییر می‌کنند. منطق فازی، که سال‌ها پیش توسط لطفی زاده (1965) معرفی شد، ابزار قدرتمندی برای مدیریت این ابهام‌هاست. اما مشکلی که وجود دارد این است که وقتی داده‌ها از منبعی غیرقابل اعتماد باشند، حتی منطق فازی هم ممکن است ما را به نتیجه‌ای برساند که چندان قابل اتکا نیست. اینجا بود که محققان به فکر افتادند معیاری به نام “اعتماد” را وارد معادله کنند. 

اعداد اعتماد یا T-Numbers، که در این مقاله معرفی شده‌اند، دقیقاً همین کار را می‌کنند. این مفهوم، اعداد فازی مثلثی (Triangular Fuzzy Numbers یا TFN) را با یک لایه جدید ترکیب می‌کند: میزان اعتماد یا بی‌اعتمادی به بخش‌های مختلف داده‌ها. به زبان ساده، این روش به ما اجازه می‌دهد بگوییم مثلاً “من به این بخش از داده‌ها خیلی اعتماد دارم، اما به آن بخش دیگر نه”. این ایده نه تنها جالب است، بلکه در عمل هم کاربردهای زیادی دارد.

اعداد اعتماد چطور کار می‌کنند؟ 

بیایید کمی دقیق‌تر نگاه کنیم. فرض کنید یک عدد فازی مثلثی داریم، مثلاً (4, 5.5, 7)، که نشان‌دهنده میزان تولید انرژی خورشیدی در روز است (به کیلووات‌ساعت بر مترمربع). عدد 4 پایین‌ترین مقدار ممکن، 5.5 مقدار متوسط و 7 بالاترین مقدار است. حالا اگر بگوییم به مقدار پایین (4) اعتماد بالایی داریم، چون در تابستان معمولاً کمتر از این مقدار نمی‌شود، اما به مقدار بالا (7) کمی بی‌اعتمادیم، چون خیلی به ندرت به آن می‌رسیم، چه اتفاقی می‌افتد؟ اعداد اعتماد به ما اجازه می‌دهند این حس اعتماد و بی‌اعتمادی را به صورت عددی وارد محاسبات کنیم. مثلاً می‌گوییم اعتمادمان به عدد 4 حدود 0.8 است و بی‌اعتمادی‌مان به عدد 7 حدود 0.6. نتیجه یک مدل ریاضی می‌شود که هم ابهام را در نظر می‌گیرد و هم حس ما نسبت به داده‌ها را.

این روش با تعریف عملیات جدید روی اعداد فازی، مثل جمع، تفریق و محاسبه فاصله، امکان استفاده از آن را در مدل‌های تصمیم‌گیری مثل T-TOPSIS فراهم کرده است. T-TOPSIS نسخه توسعه‌یافته‌ای از روش معروف Fuzzy TOPSIS است که با اضافه کردن عامل اعتماد، دقت و انعطاف‌پذیری بیشتری به ما می‌دهد. محققان این مقاله دو مطالعه موردی واقعی هم آورده‌اند تا نشان دهند این روش چطور در عمل جواب می‌دهد.

چیزی که اعداد اعتماد را خاص می‌کند این است که به ما اجازه می‌دهند جنبه انسانی تصمیم‌گیری را وارد مدل‌های ریاضی کنیم. اعتماد یک حس ذهنی است، اما وقتی بتوانیم آن را اندازه بگیریم و در محاسبات استفاده کنیم، تصمیم‌گیری از یک فرآیند خشک و مکانیکی به چیزی تبدیل می‌شود که به واقعیت نزدیک‌تر است. مطالعات قبلی، مثل کار zadeh (2011) روی Z-Numbers (اعداد فازی z همان میزان اطمینان از پاسخ تصمیم گیرنده را وارد مدل های فازی می کنند)، یا Seiti et al (2019) روی R-Numbers که در واقع همان وارد کردم ریسک در اعداد فازی است هم به نوعی سعی کرده‌اند عدم قطعیت و اطمینان را ترکیب کنند، اما T-Numbers با تمرکز روی انعطاف‌پذیری و کاربرد عملی، یک قدم جلوتر می‌رود.

کاربرد در دنیای واقعی 

در مقاله بیس این روش، اولین مطالعه موردی درباره ارزیابی ریسک در فرآیند جوشکاری اولتراسونیک در یک کارخانه تولید قطعات خودرو است. در این فرآیند، شش حالت خرابی مثل “سر و صدای زیاد دستگاه” یا “سقوط قالب” شناسایی شده بود. با استفاده از روش T-TOPSIS، محققان توانستند این خرابی‌ها را بر اساس سه معیار شدت (Severity)، وقوع (Occurrence) و تشخیص (Detection) اولویت‌بندی کنند، در حالی که سطح اعتماد یا بی‌اعتمادی به داده‌ها را هم در نظر گرفتند. نتایج نشان داد که وقتی اعتماد یا بی‌اعتمادی را وارد محاسبات می‌کنیم، رتبه‌بندی خرابی‌ها تغییر می‌کند و دقیق‌تر می‌شود. مثلاً در سناریویی که اعتماد به داده‌ها بالا بود، بازه عدم قطعیت کم شد و تصمیم‌گیری مطمئن‌تر شد.

مطالعه دوم درباره انتخاب تأمین‌کننده در یک زنجیره خرده‌فروشی بود. پنج تأمین‌کننده بر اساس معیارهای کیفیت، هزینه و زمان تحویل ارزیابی شدند. روش قدیمی F-TOPSIS نتوانست تأمین‌کننده‌ها را کاملاً از هم جدا کند، اما T-TOPSIS با در نظر گرفتن اعتماد، یک رتبه‌بندی واضح و دقیق ارائه داد. این نشان می‌دهد که وقتی به داده‌ها نگاه عمیق‌تری داریم و حس اعتمادمان را وارد می‌کنیم، تصمیم‌های بهتری می‌گیریم.

در شکل زیر نمایش برش آلفا (alpha cut) به صورت اعداد فازی مثلثی در حالت اعتماد آورده شده است که شامل ناحیه مثبت می باشد.

در شکل زیر نیز نمایش برش آلفا (alpha cut) به صورت اعداد فازی مثلثی در حالت عدم اعتماد آورده شده است که برای اولین بار شامل ناحیه منفی می شود.

چنانچه نیازمند مشاوره و تحلیل پروژه خود با این روش هستید با ما تماس بگیرید/9181-885-933-98+