Fuzzy Mixed Variational-like and Integral Inequalities for Strongly Preinvex Fuzzy Mappings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is a familiar fact that convex and non-convex fuzzy mappings play a critical role in the study of fuzzy optimization. Due to the behavior of its definition, the idea of convexity plays a significant role in the subject of inequalities. The concepts of convexity and symmetry have a tight connection. We may use whatever we learn from one to the other, thanks to the significant correlation that has developed between both in recent years. Our aim is to consider a new class of fuzzy mappings (FMs) known as strongly preinvex fuzzy mappings (strongly preinvex-FMs) on the invex set. These FMs are more general than convex fuzzy mappings (convex-FMs) and preinvex fuzzy mappings (preinvex-FMs), and when generalized differentiable (briefly, G-differentiable), strongly preinvex-FMs are strongly invex fuzzy mappings (strongly invex-FMs). Some new relationships among various concepts of strongly preinvex-FMs are established and verified with the support of some useful examples. We have also shown that optimality conditions of G-differentiable strongly preinvex-FMs and the fuzzy functional, which is the sum of G-differentiable preinvex-FMs and non G-differentiable strongly preinvex-FMs, can be distinguished by strongly fuzzy variational-like inequalities and strongly fuzzy mixed variational-like inequalities, respectively. In the end, we have established and verified a strong relationship between the Hermite–Hadamard inequality and strongly preinvex-FM. Several exceptional cases are also discussed. These inequalities are a very interesting outcome of our main results and appear to be new ones. The results in this research can be seen as refinements and improvements to previously published findings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle