
2.2 常用的直觉模糊集之间距离和贴近度测度方法
直觉模糊集之间的距离和贴近度一直是直觉模糊集领域的研究热点。众多学者对其展开了研究并提出了一系列测度方法。
令论域X={x1,x2,…,xn},直觉模糊集A={(x,μA(x),vA(x))|x∈X},B={(x,μB(x),vB(x))|x∈X}。
Szmidt和Kacprzyk[6]定义了如下直觉模糊集之间的距离测度方法。
Hamming距离:


标准Hamming距离:


Euclidean距离:

标准Euclidean距离:

Xu[125]推广了上述定义,具体为:


如果考虑各元素xi∈X的权重wi,则上述直觉模糊集之间的加权距离可表示为:


Liang和Shi[10]提出了如下贴近度测量方法:

其中,φ1(xi)=|μA(xi)-μB(xi)|/2+|(1-vA(xi))/2-(1-vB(xi))/2|,φ2(xi)=|(μA(xi)+1-vA(xi))/2-(μB(xi)+1-vB(xi))/2|,φ3(xi)=max(πA(xi)/2,πB(xi)/2)-min(πA(xi)/2,πB(xi)/2),0≤ωm≤1,=1。
Wang和Xin[12]给出了一种距离定义:


Hung和Yang[15]给出了下列贴近度定义:





Vlachos和Sergiadis[34]介绍了直觉模糊集之间的区别度IIFS(A,B),它也可以视为一种特殊的距离测度方法:

考虑对称性,对称的区别度可定义为:

易证,0≤DIFS(A,B)≤2ln2。可见DIFS(A,B)并不满足直觉模糊集之间距离的公理化定义。因此,可以用DIFS(A,B)/2ln2来测度距离。
基于文献[17]的贴近度定义,Xu[18]提出了一种改进的直觉模糊集之间贴近度的测度方法:

其中,BC是B的补集,d(A,B)代表标准Hamming距离。
在直觉模糊算子的基础上,Xia和Xu[19]提出了多种直觉模糊集之间贴近度的测度方法。例如:



其中,k,λ∈[0,1],k+λ≤1,tai=μA(xi)-μB(xi),tbi=vA(xi)-vB(xi)。