Mehar approach to solve neutrosophic linear programming problems using possibilistic mean
Notice bibliographique
Résumé
Abstract Khatter (Soft Computing 24 (2020) 16847–16867) pointed out that although several approaches are proposed in the literature to solve single-valued neutrosophic linear programming problems (SVNLPPS) (linear programming problems in which all the parameters except decision variables are either represented by single-valued triangular neutrosophic numbers (SVTNNS) or single-valued trapezoidal neutrosophic numbers (SVTrNNS)). However, all the methods for comparing single-valued neutrosophic numbers (SVNNS), used in existing approaches, are independent from the attitude of the decision maker towards the risk. To fill this gap, Khatter (2020), firstly, proposed a method for comparing two SVNNS by considering the attitude of the decision maker towards the risk. Then, using the proposed comparing method, Khatter (2020) proposed an approach to solve SVNLPPS. In this paper, it is pointed out that a mathematical incorrect result is considered in Khatter’s approach. Hence, it is inappropriate to use Khatter’s approach. Also, it is pointed out that some mathematical incorrect results are considered in other existing approaches for solving SVNLPPS. Hence, it is inappropriate to use other existing approaches for solving SVNLPPS. Furthermore, to resolve the inappropriateness of Khatter’s approach and other existing approaches, a new approach (named as Mehar approach) is proposed to solve SVNLPPS. Finally, correct optimal solution of some existing SVNLPPS is obtained by the proposed Mehar approach.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».