Contexte académique et introduction du problème

Dans le domaine de la prise de décision multi-experts multi-critères (Multi-Expert Multi-Criteria Decision-Making, MEMCDM), la gestion efficace de l’incertitude et de l’imprécision des informations reste un défi central. En particulier, dans les scénarios complexes impliquant plusieurs experts et critères de décision, les opinions des experts divergent souvent, ce qui complique le processus décisionnel. Pour répondre à ce problème, les chercheurs ont proposé des méthodes de décision basées sur les ensembles d’intervalles (Interval Sets), qui permettent de décrire de manière plus complète les informations qualitatives incertaines grâce à des ensembles de bornes supérieures et inférieures. Cependant, les méthodes de décision existantes basées sur les ensembles d’intervalles, en particulier les mesures de similarité et de dissimilarité dans la méthode de file d’attente alternative (Alternative Queuing Method, AQM), présentent certaines limitations, notamment dans le cadre de la quantification absolue (Absolute Quantization), où l’exactitude et l’exhaustivité de l’extraction d’informations doivent être améliorées.

Cette étude vise à améliorer les mesures de similarité et de dissimilarité des ensembles d’intervalles en introduisant l’idée de quantification relative (Relative Quantization), et à proposer une méthode de file d’attente alternative améliorée (Improved AQM, IAQM) pour améliorer les performances décisionnelles du MEMCDM. Plus précisément, les auteurs construisent des mesures de similarité et de dissimilarité améliorées des ensembles d’intervalles à travers une analyse structurelle systématique et une fusion statistique, et proposent des degrés de possibilité améliorés (Possibility Degrees), formant ainsi un indice décisionnel plus puissant pour classer les alternatives.

Source de l’article et informations sur les auteurs

Cet article est co-écrit par Xin Xie, Xianyong Zhang, Zhiying Lv et Jiang Chen, qui appartiennent respectivement à l’École des sciences mathématiques de l’Université normale du Sichuan, au Collège d’intelligence artificielle de l’Université des technologies de l’information de Chengdu, et à plusieurs laboratoires du Centre de recherche de l’Université normale du Sichuan. L’article a été accepté le 15 février 2025 et publié dans la revue Cognitive Computation, avec le DOI 10.1007/s12559-025-10426-0.

Processus de recherche et méthodes principales

1. Construction et amélioration des tables d’informations sur les ensembles d’intervalles

Tout d’abord, les auteurs passent en revue les concepts de base des tables d’informations sur les ensembles d’intervalles (Interval-Set Information Tables, ISITs) et soulignent les lacunes des mesures de similarité et de dissimilarité existantes. Les méthodes de mesure existantes reposent principalement sur la quantification absolue, c’est-à-dire en calculant le rapport entre l’intersection et l’union des trois régions (région positive, région négative et région frontière) des ensembles d’intervalles pour mesurer la similarité et la dissimilarité. Cependant, cette méthode présente des limites en termes de profondeur et d’exhaustivité de l’extraction d’informations.

Pour améliorer ce problème, les auteurs proposent la formule centrale de quantification relative corereli, qui fusionne deux ratios de cardinalité relative par moyenne arithmétique, fournissant ainsi une description plus riche des informations. Plus précisément, corereli prend en compte non seulement la relation entre l’intersection et l’union, mais introduit également une division structurelle des ensembles d’intervalles, reflétant ainsi plus précisément la similarité et la dissimilarité entre les ensembles d’intervalles.

2. Mesures de similarité et de dissimilarité améliorées

Sur la base de corereli, les auteurs proposent des mesures de similarité améliorées (Improved Similarity Measures, ISMs) et des mesures de dissimilarité améliorées (Improved Dissimilarity Measures, IDMs). Ces méthodes de mesure simulent structurellement les mesures absolues existantes, mais sont essentiellement améliorées par la quantification relative. Par exemple, la similarité de Hamming normalisée améliorée (Improved Normalized Hamming Similarity, ISNH) et la similarité euclidienne améliorée (Improved Euclidean Similarity, ISNE) sont reconstruites à travers la formule centrale relative corereli.

De plus, les auteurs proposent une mesure de similarité hybride généralisée (Generalized-Hybrid Similarity Measure, ISGHN), qui étend davantage la portée d’application des mesures de similarité par une approche paramétrique. Grâce à ces améliorations, les auteurs démontrent la supériorité des mesures relatives en termes d’extraction d’informations et de performances décisionnelles.

3. Méthode de file d’attente alternative améliorée (IAQM)

Sur la base des mesures de similarité et de dissimilarité améliorées, les auteurs proposent une méthode de file d’attente alternative améliorée (Improved AQM, IAQM) pour traiter les problèmes de MEMCDM basés sur les ensembles d’intervalles. Plus précisément, l’IAQM est mise en œuvre à travers les étapes suivantes :

1. Transformation des informations : Conversion des informations d’évaluation de plusieurs experts en une table d’informations sur les ensembles d’intervalles.
2. Détermination des poids : Détermination des poids des critères par la méthode de déviation maximale basée sur les mesures de dissimilarité améliorées.
3. Calcul des degrés de possibilité : Utilisation des degrés de possibilité améliorés pour comparer les alternatives par paires sous chaque critère.
4. Génération de l’indice de classement : Génération d’un indice de classement puissant par moyenne arithmétique pondérée pour le classement final des alternatives.

4. Évaluation de l’algorithme et validation expérimentale

Pour vérifier l’efficacité et la supériorité de l’IAQM, les auteurs conçoivent deux types d’expériences sur les données : un cas pratique de sélection de plateforme de commerce électronique et des expériences de simulation basées sur six ensembles de données publics. Dans le processus d’évaluation, les auteurs proposent deux nouveaux indicateurs d’évaluation décisionnelle — séparabilité (Separability) et bonté (Goodness) — pour quantifier la qualité du classement des décisions.

4.1 Cas de sélection de plateforme de commerce électronique

Dans le cas de sélection de plateforme de commerce électronique, les auteurs comparent les effets décisionnels de l’AQM existant et de l’IAQM améliorée sur quatre plateformes de commerce électronique. Les résultats montrent que l’IAQM surpasse l’AQM existant en termes de précision et de stabilité du classement des décisions, en particulier dans la gestion des divergences d’opinions entre plusieurs experts, où l’IAQM démontre une robustesse accrue.

4.2 Expériences de simulation sur des ensembles de données publics

Dans les expériences de simulation sur six ensembles de données publics, les auteurs vérifient davantage l’universalité et l’efficacité de l’IAQM sur différents ensembles de données. Les résultats expérimentaux montrent que les performances décisionnelles de l’IAQM surpassent celles de l’AQM existant sur tous les ensembles de données, en particulier dans la gestion des données de haute dimension et des scénarios décisionnels complexes, où l’IAQM démontre une adaptabilité accrue.

Conclusions et valeur de la recherche

Cet article améliore les mesures de similarité et de dissimilarité des ensembles d’intervalles en introduisant l’idée de quantification relative, et propose une méthode de file d’attente alternative améliorée (IAQM) pour traiter les problèmes de MEMCDM basés sur les ensembles d’intervalles. Les principales contributions de cette recherche incluent :

1. Proposition de mesures de similarité et de dissimilarité relatives : Grâce à la formule centrale de quantification relative corereli, les auteurs construisent des mesures de similarité et de dissimilarité plus précises, améliorant la profondeur et l’exhaustivité de l’extraction d’informations.
2. Méthode de file d’attente alternative améliorée (IAQM) : Basée sur les méthodes de mesure améliorées, les auteurs proposent l’IAQM, qui surpasse l’AQM existant en termes de précision et de robustesse du classement des décisions.
3. Proposition d’indicateurs d’évaluation décisionnelle : Les auteurs conçoivent deux nouveaux indicateurs d’évaluation décisionnelle — séparabilité et bonté — pour quantifier la qualité du classement des décisions, fournissant ainsi de nouveaux outils d’évaluation pour les recherches futures.

Cette recherche approfondit théoriquement les mesures d’incertitude des ensembles d’intervalles et fournit des solutions plus efficaces pour les problèmes complexes de prise de décision multi-experts multi-critères dans les applications pratiques, ayant ainsi une valeur scientifique et des perspectives d’application importantes.

Points forts de la recherche

1. Introduction de la quantification relative : Grâce à l’idée de quantification relative, les auteurs améliorent les mesures de similarité et de dissimilarité existantes, augmentant ainsi la précision et l’exhaustivité de l’extraction d’informations.
2. Méthode de file d’attente alternative améliorée (IAQM) : L’IAQM démontre une robustesse et une adaptabilité accrues dans la gestion des problèmes complexes de MEMCDM, en particulier dans les scénarios où les opinions des experts divergent.
3. Nouveaux indicateurs d’évaluation décisionnelle : La proposition de séparabilité et de bonté fournit de nouveaux outils de quantification pour l’évaluation de la qualité du classement des décisions, ayant une importance méthodologique significative.

Autres informations de valeur

Le cadre de recherche et la conception expérimentale de cet article fournissent des références importantes pour les recherches futures, en particulier dans la gestion des données de haute dimension et des scénarios décisionnels complexes, où l’universalité et l’efficacité de l’IAQM offrent de nouvelles idées pour la conception d’algorithmes décisionnels. De plus, l’idée de quantification relative proposée par les auteurs offre de nouvelles perspectives pour la gestion de l’incertitude dans d’autres domaines.