Development of Aczel-Alsina Aggregation Operators in Neutrosophic Cubic Sets for Multi-Expert and Multi-Criteria Weighting: Optimizing Alternative Fuel Technology Selection
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
Managing vague and uncertain data has long been a challenge in decision-making (DM), particularly in scenarios where criteria and expert assessments play a critical role. This paper introduces operational laws based on Aczel-Alsina (AA) norms within Neutrosophic Cubic Sets (NCS) to more effectively handle uncertainty. Leveraging these operational laws, we propose two aggregation operators: the Neutrosophic Cubic Aczel-Alsina Weighted Averaging (NCAAWA) and the Neutrosophic Cubic Aczel-Alsina Weighted Geometric (NCAAWG) operators. These provide a comprehensive approach to data aggregation, preserving both additive and multiplicative influences on outcomes in complex systems. In DM, the importance of weights is paramount, and we introduce a novel method for determining weights based on a model value that represents the entire dataset. This model value serves as a pivotal measure for deriving weights, reflecting the relevance and influence of each input from expert and criteria matrices. The use of model value enhances the intuitiveness and accuracy of the aggregated results. To demonstrate the utility of this approach, we propose a DM method that integrates NCAAWA and NCAAWG with the Weighted Aggregated Sum and Product Assessment Selection (WASPAS) model, allowing for the simultaneous consideration of both additive and multiplicative criteria. This dual approach provides a more comprehensive evaluation of alternatives by accounting for the cumulative and interactive contributions of criteria. The proposed DM method is applied to the evaluation of alternative fuel technologies (AFT), a complex area involving multi-expert criteria that span economic, social, environmental, and technical aspects. The framework offers a balanced and thorough assessment, accommodating the interdependencies and uncertainties inherent in the criteria involved.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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