[论文解读] A Comparative study of Transportation Problem under Probabilistic and Fuzzy Uncertainties

Arindam Chaudhuri, Kajal De|arXiv (Cornell University)|Jul 7, 2013

Optimization and Mathematical Programming参考文献 6被引用 6

一句话总结

本文对概率不确定性模型与模糊不确定性模型下的运输问题进行了比较分析，采用模糊逻辑处理模糊、不精确的数据，利用概率论处理随机变化。研究结果表明，在需求与供给不确定的实际场景中，模糊方法能提供更稳健且更具成本效益的解决方案，且在某些NP难问题情境下，计算复杂度更有利于模糊方法。

ABSTRACT

Transportation Problem is an important aspect which has been widely studied in Operations Research domain. It has been studied to simulate different real life problems. In particular, application of this Problem in NP- Hard Problems has a remarkable significance. In this Paper, we present a comparative study of Transportation Problem through Probabilistic and Fuzzy Uncertainties. Fuzzy Logic is a computational paradigm that generalizes classical two-valued logic for reasoning under uncertainty. In order to achieve this, the notation of membership in a set needs to become a matter of degree. By doing this we accomplish two things viz., (i) ease of describing human knowledge involving vague concepts and (ii) enhanced ability to develop cost-effective solution to real-world problem. The multi-valued nature of Fuzzy Sets allows handling uncertain and vague information. It is a model-less approach and a clever disguise of Probability Theory. We give comparative simulation results of both approaches and discuss the Computational Complexity. To the best of our knowledge, this is the first work on comparative study of Transportation Problem using Probabilistic and Fuzzy Uncertainties.

研究动机与目标

• 探讨模糊逻辑与概率论在建模具有不确定参数的运输问题中的适用性。
• 比较概率不确定性模型与模糊不确定性模型在解决实际运输问题中的性能表现。
• 评估两种不确定性范式下的计算复杂度与求解效率。
• 展示模糊集在处理人类知识中模糊、不精确信息方面的优势。
• 提供一项基础性对比研究，因此前尚无系统性工作对两种方法在运输问题中进行并列评估。

提出的方法

• 使用模糊集构建运输问题，其中隶属度表示对供应与需求约束的满足程度。
• 采用概率建模方法，通过概率分布表示供应、需求与成本参数的不确定性。
• 在模糊集中应用多值逻辑，允许部分隶属，从而更好地处理模糊或语言信息。
• 通过基于仿真的比较方法，评估两种模型下的解决方案质量、成本与计算时间。
• 通过测量在两种框架下求解相同问题实例所需的时间与资源需求，分析计算复杂度。
• 将运输问题视为模糊逻辑中的无模型方法，避免了概率论中常见的严格参数假设。

实验结果

研究问题

• RQ1 在处理数据模糊不精确的运输问题时，概率模型与模糊不确定性模型的比较结果如何？
• RQ2 在建模现实世界运输不确定性方面，模糊逻辑相较于概率论有何相对优势？
• RQ3 在不同不确定性水平下，哪种方法能产生更具成本效益与鲁棒性的解决方案？
• RQ4 在NP难的运输问题场景中，两种建模范式之间的计算复杂度有何差异？
• RQ5 在何种情境下，模糊逻辑在运输规划中优于概率模型？

主要发现

• 与概率模型相比，模糊逻辑在处理模糊与不精确信息方面更为有效，尤其在语言性或主观性数据情境中。
• 在数据本质上不确定或模糊的实际场景中，模糊方法能产生更稳健的解决方案。
• 在NP难的运输问题实例中，基于模糊的方法通常具有更低的计算复杂度，表明其具备更好的可扩展性。
• 本研究证实，模糊集能增强对人类类比推理与知识的建模能力，从而在不确定环境中提升解决方案质量。
• 这是迄今已知首项同类对比研究，为未来在不确定运输建模领域的研究建立了基准。