区间二型模糊语言Z-numbers及其应用

区间二型模糊语言Z-numbers及其应用
张凤晓;张丽平;吴涛
【摘要】针对区间二型模糊多属性群决策问题,提出了以区间二型模糊语言Z-numbers(IT2FLZNs)为信息环境的群决策方法.首先,在区间二型模糊集和Z-numbers理论基础上提出了区间二型模糊语言Z-numbers并定义了其相关运算性质,提出了两个区间二型模糊语言Z-numbers之间的相似度与距离;其次,在专家和属性权重都未知的情况下,根据决策中总体不确定性最小原则,利用相似度构建最优化模型,确定专家和属性的权重,并且通过综合比较各方案的群体效用值、个体遗憾值和亲密度来选择最优方案;最后,通过一个银行流动风险的实例验证所提方法的有效性与可行性.
【期刊名称】《重庆工商大学学报（自然科学版）》
【年(卷),期】2019(036)002
【总页数】7页(P1-7)
【关键词】区间二型模糊语言Z-numbers;相似度;语言尺度函数;亲密度;多属性群决策
【作者】张凤晓;张丽平;吴涛
【作者单位】安徽大学数学科学学院,合肥230601;安徽大学数学科学学院,合肥230601;安徽大学数学科学学院,合肥230601;安徽大学计算机智能与信号处理教育部重点实验室,合肥230039
【正文语种】中文
【中图分类】C934
0 引言
模糊集概念[1—2]被提出后，被广泛应用于统计决策、系统工程、模式识别、人工智能等领域。

Zadeh[3]在1975年提出二型模糊数用来解决不确定问题，但由于
计算复杂，通常采用Mendel提出的区间二型模糊数[4]，区间二型模糊数是二型
模糊数的特例。

Zadeh[5]于2011年提出了Z-numbers的概念，Z-numbers的
构造更好地考虑了信息的“可信赖”程度。

Wang [6]根据Z-numbers和语言评
价集，提出了语言Z-numbers，并定义了相关的一些算子。

Xu[7]提出了不确定
语言型变量，并基于语言型偏好关系提出了语言型变量的集结算子，这为语言型模糊数的决策提供了便利。

Kang[8—9]等提出将Z-numbers转化为梯形模糊数来
计算不确定问题，文献[10]将Z-numbers理论应用于关键缓存计算方法中。

Bhanu[11]在Zadeh的基础上提出了一些Z-numbers的算子。

Bao[12]提出了语言型集合的语言评估尺度，将语言型集合转化为具体的数值，为比较语言型模糊集之间的优劣性提供了有力的工具。

Wang[13]和Peng[14]在前人研究的基础上，
提出了新的语言型尺度函数，并运用在犹豫不确定语言型Z-numbers中，为语言型模糊集在实际决策应用做出了贡献。

为了更好地表达现实环境中的不确定性，本文将区间二型模糊语言运用在Z-numbers中，以便更好地解决不确定问题。

提出了区间二型模糊语言Z-numbers(IT2FLZNs)在多属性群决策中的应用。

首先，给出了关于区间二型模糊集及Z-numbers的相关概念，同时，提出了IT2FLZNs
的定义，并给出了IT2FLZNs的相似度，利用相似度，构建数学模型求解各专家的权重及各属性的权重向量，并通过亲密度来确定折中方案。

通过一个银行流动风险的实例，说明了方法的可行性与有效性。

1 基础知识
1.1 相关定义
定义1(二型模糊集[15]) 给定论域X及其元素x∈X，二型模糊集合A可以由其隶
属函数μA(x,u)，μ∈Jx⊆[0,1]表示为
A={((x,u),μA(x,u)):∀x∈X,u∈Jx∈[0,1]}
(1)
其中，0≤μA(x,u)≤1，x是主变量，Jx是主隶属度值域，u是次变量，uA(x,u)是
次隶属函数。

若论域X是连续的，则式(1)可以表示为
(2)
其中，积分号“”表示集合的并，如果论域X是离散的，则用求和号“∑”取代公式中的积分号。

定义2 (区间二型模糊集[4]) 在二型模糊集中，当所有的μA(x,u)=1时，集合A为区间二型模糊集合，可表示为
(3)
为了方便，定义A=(AU,AL)，一个区间梯形二型模糊数记为
(4)
并满足0≤m(A*)≤n(A*“*”代表L或U。

1.2 Z-numbers 模糊数
模糊集的创始人Zadeh 教授在经典模糊集的基础上，提出了Z-numbers 模糊集，与经典模糊集理论相比，Z-numbers 模糊集考虑了信息的可靠性程度，因而能更好地表达现实环境中的不确定性。

定义3( Z-numbers)[5] 一个Z-number Z是由一对有序的模糊数组成，记为Z=(A,B)。

A和B用来描述随机变量X的值，其中第一个元素A是对随机变量X 的值的一个限制，第二个元素B表示的是对A可靠性程度的测量。

例如，A和B 用自然语言表示可为(好，可能)。

1.3 语言尺度函数
定义4(语言尺度函数)[16] 假设si∈S是一个语言术语，其中S={si|i=0,1,2，…，2t}是语言型术语的集合。

如果一个θi∈[0,1]是一个数值，语言尺度函数是从si到θi(i=0,1,…，2t)的一个映射f，被定义如下：
f:si→θi(i=0,1,…,2t)
(5)
并且，0≤θ0<θ1<…≤θ2t≤1，所以θi可以看作是决策者对选择si的一种偏好，si越优则θi越大，偏好越强烈。

2 IT2FLZNs的运算及相似度计算
2.1 概念
定义5(IT2FLZNs) 假设X是一个论域，A是一个区间二型模糊集合，B是一个包含奇数个离散有序语言型术语的集合，则在论域X上，一个区间二型模糊语言Z-number (IT2FLZN)可以表示如下：
其中，且是对不确定变量的一个模糊限制，是对的可靠性测量。

例1 假设t=3，A={非常低，低，中低，中，中高，高，非常高} 是一个区间二型模糊集合的语言集，B={极其不可能，非常不可能，不可能，偶尔，可能，非常可能，极其可能} 是对A可靠性测量的有序性语言集。

则一个语言Z-number集合可表示为
其中，是语言Z-numbers，可以表示为(低，不可能)，(中，非常可能)，(高，可能)。

2.2 基本运算
定义6 假设Zi，Zj是两个区间二型模糊语言Z-numbers：
其中，sφi,sφj∈S={si|i=0,1,2，…,2t}，设f为一个语言尺度函数，λ>0，则
IT2FLZNs运算如下：
(1) 加法运算。

Zi⊕Zj=
(2) 减法运算。

Zi-Zj=
(3) 乘法运算。

Zi⊗Zj=
(4) 数乘运算。

λZi=
(5) 补集运算
例假设A,B仍为例1中的语言集合，其中区间二型模糊语言所对应的模糊数已知，取语言尺度函数为则计算结果如下：
Z1⊕Z2=
Z1-Z2=
Z1⊗Z2=
2Z1=
ZC=
2.3 相似度分析
定义7 (相似度) 设zi,zj 是两个IT2FLZNs，其中：
sφi,sφj∈S={si|i=0,1,2…,2t}
则zi,zj的相似度为
Sim(Zi,Zj)=1-d(Zi,Zj)
(6)
其中，
(7)
为zi,zj之间的距离，Sim(Zi,Zj)越大，则相似度越大。

性质1 Sim(Zi,Zj)∈[0,1]
证明很显然，d(Zi,Zj)为欧氏距离，且d(Zi,Zj)∈[0,1]，所以性质1得证。

性质2 Sim(Zi,Zj)=Sim(Zj,Zi)
证明由定义7本身得证。

性质3 Sim(Zi,Zj)=1，当且仅当Zi=Zj。

证明充分性：如果Zi=Zj，则d(Zi,Zj)=0，所以Sim(Zi,Zj)=1。

必要性：如果Sim(Zi,Zj)=1，则d(Zi,Zj)=0。

由距离的定义可知Zi=Zj。

3 IT2FLZNs的多属性群决策方法
3.1 决策问题描述
对于IT2FLZNs 的多属性群决策问题，设D={d1,d2,…dq}为不同的决策者，
λ={λ1,λ2,…λq}T为对应决策的权重，且满足设有m个决策方案A={a1,a2,…,am}，n个属C={c1,c2,…,cn}，每个属性对应的权重为假设一个决策者dk(k=1,2,…,q)对于方案ai(i=1,2,…,m)在属性cj(j=1,2,…,n)下的评估信息为IT2FLZNs，可表示为
其中表示ai在属性cj 下的模糊限制，sφijk表示模糊限制的可靠性。

每个决策者
所给出的决策矩阵为
在群决策过程中，需要尊重每位专家的权威性，所以专家自身的权重需要考虑。

由于相似度可以表示评估信息的相似性，所以当某一专家相似度矩阵值更大时，说明该专家与整体保持度高，差异性小，所给信息更重要，应该给该专家更大的权重，由此构建模型如下：
max F(λk)=
(8)
其中，Δ表示专家权重信息部分已知。

若在某一相同属性下，两个方案之间相似度很小，则属性扮演更重要的作用，应给与更大的权重，若相似度很大，则属性对方案选择影响不大，对应权重较小，由此，构建如下线性优化模型：
(9)
其中，Δ1表示属性权重信息部分已知。

3.2 决策步骤
步骤1 根据属性的类型对原始决策矩阵规范化。

如果属性类型是效益型，则如果
属性类型是成本型，则
步骤2 计算相似度。

由定义7计算相似度：其中，为和之间的距离。

步骤3 通过式(8)计算专家的权重向量λ=(λ1,λ2,…λq)。

步骤4 根据专家的权重值，利用区间二型加权平均算子汇总群体决策矩阵
R=(zij)m×n。

步骤5 通过式(9)计算每个属性的权重向量w=(w1,w2,…,wn)。

步骤6 对群体决策矩阵R,通过期望值函数[17]换算，确定方案正理想解和负理想解其中,
步骤7 计算各方案的群体效用值U(ai)、个体遗憾值R(ai)和亲密度Q(ai)，有:
(10)
(11)
(12)
其中,i∈1,2,…,m;j∈1,2,…,n；d表示任意两个IT2FLZNs之间的距离；表示偏好系数，1-θ表示个体遗憾值权重。

当θ>0.5时，专家倾向于按最大化群体效用方式进行决策；当θ<0.5时，专家倾向按个体遗憾最小方式进行排序；当θ=0.5时，专家按群体效用和个体遗憾同等重要的方式进行决策。

步骤8 分别根据U(ai)、R(ai)和Q(ai)对方案进行升序排列,得到3个排序,数值越小表明方案越优。

步骤9 确定折中方案。

设按照Q(ai)值升序的排列结果为a(1),a(2),…,a(m)。

如果a(1) 同时满足以下两个条件,则a(1)为折中方案:
(1)
(2) 在依据U(ai)和R(ai)进行排列时, a(1)至少有一个依然排列为最小值。

如果上述条件不能同时满足,则可以依据以下情况分别得到妥协解方案: 如果不满足条件2,则方案a(1) 和a(2) 均是折中方案;如果不满足条件1, 则折中方案为a(t)(t=1,2,…,M),其中a(M) 满足
4 实例分析
流动风险对银行自身的稳定性十分重要，流动风险指的是银行在合同到期时无法按时、有效地满足其预期的合同支付义务，因此，银行的流动性能够持续保证其在技术上的偿付能力，而流动性风险评估对于世界各地的银行来说都是非常重要的。

假设有3家银行A=(a1,a2,a3)将被评估，而在现实中会考虑4种属性:(c1)确保现金流入和现金流出之间的适当平衡的能力；(c2)协调银行发行短期、中期和长期融资的能力；(c3)优化再融资成本的能力，在流动性和盈利能力之间取得平衡；(c4)通过现金池技术或其他优化工具，优化银行结构为银行集团的能力。

专家权重信息为Δ={0.1≤λ1≤0.4;0.15≤λ2≤0.35;0.2≤λ3≤0.35}，
Δ1={0.1≤w1≤0.4;0.15≤w2≤0.35;0.2≤w3≤0.4;0.2≤w4≤0.3}，区间二型模糊集合所对应模糊数见文献[18]的表1，原始评估信息如表1—表3所示：
表1 专家d1决策矩阵Table 1 Expert d1 decision
matrixc1c2c3c4a1(H,S4)(H,S5)(H,S5)(VH,S5)a2(H,S6)(MH,S3)(VH,S4)(H,S4)a3 (VH,S5)(H,S5)(H,S3)(H,S4)
表2 专家d2决策矩阵Table 2 Expert d2 decision
matrixc1c2c3c4a1(VH,S4)(M,S4)(H,S3)(VH,S5)a2(VH,S5)(H,S5)(MH,S3)(H,S4) a3(H,S5)(MH,S3)(VH,S5)(H,S5)
表3 专家d3决策矩阵Table 3 Expert d3 decision
matrixc1c2c2c3a1(M,S5)(MH,S4)(H,S4)(H,S5)a2(H,S4)(VH,S5)(VH,S4)(H,S4)a 3(MH,S6)(H,S3)(MH,S5)(VH,S4)
步骤1 由于4个属性全是效益型，因此不需要规范化，则
步骤2 根据式(7)计算相似度如下：
步骤3 通过模型式(8)，计算专家权重如下：
max F(λ)=0.748 1λ1+0.755 5λ2+0.759 4λ3
则专家权重为λ={0.3,0.35,0.35}。

步骤4 根据专家的权重值，可以利用区间二型加权平均算子汇总决策信息如下：R=(zij)m×n：
z11={(0.588 4,0.729 9,0.729 9,0.818 3;1,1),(0.659 1,0.729 9,0.729 9,0.774 1;0.9,0.9)}z12={(0.420 3,0.589 4,0.589 4,0.731 1;1,1),(0.504 9,0.589 4,0.589 4,0.660 3;0.9,0.9)}z13={(0.527 2,0.709 1,0.709 1,0.827 5;1,1),(0.618 2,0.709 1,0.709 1,0.768 3;0.9,0.9)}z14={(0.757 7,0.880 9,0.880 9,0.912 9;1,1),(0.819 3,0.880 9,0.880 9,0.896 9;0.9,0.9)}z21={(0.697 6,0.846 7,0.846 7,0.905
3;1,1),(0.772 1,0.846 7,0.846 7,0.876 0;0.9,0.9)}z22={(0.617 3,0.755 6,0.755 6,0.829 9;1,1),(0.686 4,0.755 6,0.755 6,0.792 7;0.9,0.9)}z23={(0.601 4,0.704 0,0.704 0,0.753 5;1,1),(0.652 7,0.704 0,0.704 0,0.728 7;0.9,0.9)} z24={(0.571 5,0.734 8,0.734 8,0.816 5;1,1),(0.663 2,0.734 8,0.734 8,0.775
7;0.9,0.9)}z31={(0.645 1,0.806 4,0.806 4,0.908 4;1,1),(0.725 8,0.806 4,0.806 4,0.857 4;0.9,0.9)}z32={(0.488 7,0.642 5,0.642 5,0.744 1;1,1),(0.565 6,0.642 5,0.642 5,0.693 3;0.9,0.9)}z33={(0.595 8,0.734 1,0.734 1,0.819 2;1,1),(0.664 9,0.734 1,0.734 1,0.776 6;0.9,0.9)}z34={(0.652 3,0.793 8,0.793 8,0.850
2;1,1),(0.723 0,0.793 8,0.793 8,0.822 0;0.9,0.9)}
步骤5 通过模型式(9)，计算属性的权重为w=(0.15,0.35,0.2,0.3)。

步骤6 对群体决策矩阵R,确定方案正理想解g+={z21,z22,z33,z14}和负理想g-={z11,z12,z23,z24}。

步骤7 根据式(8)—式(10)计算各方案的群体效用值U(ai)、个体遗憾值R(ai)和亲密度Q(ai)，U(a1)=0.697 5,U(a2)=0.5,U(a3)=0.610 8；R(a1)=0.35，
R(a2)=0.3，R(a3)=0.283 4。

根据式(10)，令θ=0.5，计算亲密度为Q(a1)=1，Q(a2)=0.124 6，Q(a1)=0.280 5。

步骤8 分别根据 U(ai)、R(ai)和Q(ai)对方案进行升序排列,得到3个排序：
U(ai):a1≻a3≻a2R(ai):a1≻a2≻a3Q(ai):a1≻a3≻a2
步骤9 由于因此当θ=0.5，a2,a3为折中方案。

在实际决策中, 根据各专家不同的决策态度, 可以采取不同的偏好系数, 即θ可取[0,1]的任何值。

下面分析偏好系数θ的变化对最终排序结果的影响,计算结果如表4所示。

表4 偏好系数θ对排序的影响Table 4 Influence of preferece coefficient θ on sortingθQ(a1)Q(a2)Q(a3)排序折中方案010.249 20a3≻a2≻a1a2,a30.110.224 30.056 1a3≻a2≻a1a2,a30.310.174 40.168 3a3≻a2≻a1a2,a30.510.124
60.280 5a2≻a3≻a1a2,a30.710.074 70.392 7a2≻a3≻a1a2,a30.910.012
90.514 9a2≻a3≻a1a21100.561 0a2≻a3≻a1a2
显然, 从表4可以看出θ 会对结果产生影响。

当θ 取值为[0,0.3] 即专家较多考虑个体遗憾时,折中方案为a2,a3；当θ取值为0.9 即较多考虑群体效用时，折中方案为a2。

另外,当θ分别取两个极端值,即当θ=0，只考虑个体遗憾时,排序结果等价于依据个体遗憾最小R(ai)进行排序；当θ=1，即只考虑群体效用时，排序结果等价于依据群体效用最大U(a1)进行排序。

因此，θ描述了最大群体效用和最小个体遗憾之间的妥协，θ值的变化可以表达专家不同的主观偏好，提高决策的灵活性和可用性。

5 结束语
基于区间二型模糊集合在不确定问题中的广泛应用，以及Z-numbers对自然语言的客观信息和主观理解成分的并列表达，更好地考虑了信息的“可信赖”程度。

由此，提出了区间二型模糊语言Z-numbers，并定义了相关算子，利用相似度，构
建数学模型解决专家及属性权重，并通过群体效用值来确定折中方案。

通过一个银行流动风险的实例，说明了该方法的可行性与有效性。

下一步将考虑区间二型模糊集合与Z-numbers在决策中的其他应用。

【相关文献】
[1] 胡宝清. 模糊理论基础[M]. 武汉: 武汉大学出版社, 2004
HU B Q. Fundamentals of Fuzzy Theory [M].Wuhan:Wuhan University Press, 2004
[2] ZADEH L A. Fuzzy Sets [J]. Information and Control, 1965, 8(3): 338—353
[3] ZADEH L A. The Concept of a Linguistic Variable and Its Application to Approximate Reasoning [J]. Information Science, 1975, 8(3): 199—249
[4] MENDEL J M, JOHN R I, LIU F L. Interval Type-2 Fuzzy Logical Systems Made Simple [J]. IEEE Transactions on Fuzzy Systems,2006,14(6): 808—821
[5] ZADEH L A. A Note on Z-numbers [J].Journal of Information Science, 2011, 181(14): 2923—2932
[6] ALIEV R A, ALIZADEH, A V, HUSEYNOV, O H. The Arithmetic of Discrete Z-numbers [J].Journal of Information Science, 2015, 290(C): 134—155
[7] XU Z S. A Method Based on Linguistic Aggregation Operators for Group Decision Making with Linguistic Preference Relations [J]. Journal of Information Science,2004,
166(14): 19—30
[8] KANG B Y,WEI D J, LI Y,et al. A Method of Converting Z-number to Classical Fuzzy Number [J].Journal of Information Sciences,2012, 9(3): 703—709
[9] KANG B Y, WEI D J, LI Y,et al. Decision Making Using Z-numbers under Uncertain Environment [J]. Computer Science and Information,2012, 8(7): 2807—2814
[10]赵程伟, 董雄报, 洪青. 基于Z-number理论的关键链缓冲计算方法[J].土木工程与管理学报, 2017,34(5): 159—164
ZHAO C W, DONG, X B, HONG Q. Critical Chain Buffering Calculation Method Based on Z-number Theory.[J]. Journal of Civil Engineering and Management, 2017,34(5): 159—164 [11]BHANU M S, VELAMMAL G.Operations on Zadeh’s Z-number [J]. IOSR Journal of Math, 2015, 11(3): 88—94
[12]BAO G Y,LIAN X L,HE M,et al. Improved Two-tuple Linguistic Representation Model Based on New Linguistic Evaluation Scale [J]. Control & Decision, 2010,25(5): 780—784 [13]WANG J Q, CAO Y X, ZHANG H Y. Multi-Criteria Decision-Making Method Based on
Distance Measure and Choquet Integral for Linguistic Z-Numbers [J]. Cognitive Computation,2017(9): 827—842
[14]PENG H G, WANG J Q. Hesitant Uncertain Linguistic Z-numbers and Their Application in Multi-criteria Group Decision-Making Problems[J].International Journal of Fuzzy Systems, 2017, 19(5): 1300—1316
[15]MENDEL J M, JOHN R I. Type-2 Fuzzy Sets Made Simple [J]. IEEE Transactions on Fuzzy Systems, 2002, 10(2): 117—127
[16]WANG J Q, WU J T, WANG J,et al.Multicriteria Decision-making Methods Based on the Hausdorff Distance of Hesitant Fuzzy Linguistic Numbers [J]. Soft Computer, 2016, 20(4): 1621—1633
[17]张砚. 基于区间二型模糊数的多准则决策方法研究[D]. 长沙：中南大学，2012
ZHANG Y. Research on Multi-criteria Decision Making Method Based on Interval Type-2 Fuzzy Number[D]. Changsha: Central South University, 2012
[18]HU J H, ZHANG Y. Multi-criteria Group Decision Making of Interval Type-2 Fuzzy Number Based on Similarity[J].Systems Engineering and Electronics,2013, 35(6): 1243—1247。