Part I. S2. 直觉模糊集理论-CSDN博客

2.1 直觉模糊集定义

定义1.7
设 $X$ 是一个非空经典集合，则称
$\tilde {A} = \left\{ \left\langle x,\mu_{\tilde{A}}(x), \nu_{\tilde{A}}(x) \right\rangle | x\in X \right\}\tag{2.1}$
为 $X$ 上的一个直觉模糊集，其中 $\mu_{\tilde{A}}(x)$ 和 $v_{\tilde{A}}(x)$ 分别为元素x属于 $\tilde{A}$ 的隶属度和非隶属度，即
$\mu_{\tilde{A}}:X \rightarrow [0,1], x \in X \rightarrow \mu_{\tilde{A}}(x) \in [0,1]$
$\nu_{\tilde{A}}:X \rightarrow [0,1], x \in X \rightarrow \nu_{\tilde{A}}(x) \in [0,1]$
且满足
$\leq \mu_{\tilde{A}}(x) + \nu_{\tilde{A}}(x) \leq 1, x \in X$
式中， $\mu_{\tilde{A}}$ 和 $\nu_{\tilde{A}}$ 分别表示支持元素x属于集合 $A$ 的证据所导出的肯定隶属度的下界和反对元素x属于集合 $A$ 的证据所导出的否定隶属度的下界。 $X$ 上所有直觉模糊集的集合记为 $F (X)$ 。

直觉模糊集可以简记为 $\tilde{A}=\left\langle x,\mu_{\tilde{A}},\nu_{\tilde{A}}\right\rangle$ 或者 $\tilde{A}=\left\langle\mu_{\tilde{A}},\nu_{\tilde{A}}\right\rangle/x$ 。

显然，每一个模糊集 $\tilde{A}$ 对应于下列直觉模糊集：
$\tilde{A} = \left\{ \left\langle x,\mu_{\tilde{A}}(x),1-\mu_{\tilde{A}}(x)\right\rangle|x \in X \right\}\tag{2.2}$
对于任一 $\in X$ ，称 $\pi_{\tilde{A}}=1-\mu_{\tilde{A}}(x)-\nu_{\tilde{A}}(x)$ 为直觉模糊集 $\tilde{A}$ 中元素x的直觉指数（intuitionistic index），它表示元素x对 $\tilde{A}$ 的犹豫度(hesitancy degree)。显然，对于每一个 $\in X$ ， $\leq \pi_{\tilde{A}} \leq 1$ 。特别地，如果
$\pi_{\tilde{A}}(x)=1-\mu_{\tilde{A}}(x)-[1-\mu_{\tilde{A}}]=0, x \in X\tag{2.3}$
则直觉模糊集 $\tilde{A}$ 退化为Zadeh的模糊集。因此，Zadeh的模糊集是直觉模糊集的一个特例。

示例

6个梨属于成熟和不成熟的程度分别为 $[(0.6, 0.3), (0.7, 0.2), (0.6, 0.4), (0.5, 0.2), (0.7, 0.2), (0.8, 0.1)]$
其中第1个梨属于成熟的概率为0.6，属于不成熟的概率为0.3

2.2 直觉模糊集运算法则

定义1.8
设 $\tilde{A}$ 和 $\tilde{B}$ 是论域X上的两个直觉模糊集， $\tilde{A}=\left\{ \left\langle x,\mu_{\tilde{A}}(x),\nu_{\tilde{A}}(x)\right\rangle|x \in X \right\}$ ， $\tilde{B}=\left\{ \left\langle x,\mu_{\tilde{B}}(x),\nu_{\tilde{B}}(x)\right\rangle|x \in X \right\}$ ， $\lambda \gt 0$ 是任意实数，则

(1) 直觉模糊集的包含关系： $\tilde{A} \subseteq \tilde{B}$ 当且仅当 $\forall x \in X, \mu_{\tilde{A}}(x)\leq \mu_{\tilde{B}}$ 且 $\nu_{\tilde{A}}(x)\geq \nu_{\tilde{B}}$

(2) 直觉模糊集的相等关系： $\tilde{A} = \tilde{B}$ 当且仅当 $\forall x \in X, \mu_{\tilde{A}}(x)= \mu_{\tilde{B}}$ 且 $\nu_{\tilde{A}}(x)= \nu_{\tilde{B}}$

(3) 直觉模糊集的补：
${(\tilde{A})}^c = \left\{ \left\langle x,\nu_{\tilde{A}}(x),\mu_{\tilde{A}}(x) \right\rangle|x \in X \right\}$

(4) 直觉模糊集的交：
$\tilde{A} \cap \tilde{B} = \left\{ \left\langle x,\mu_{\tilde{A}}(x)\wedge\mu_{\tilde{B}}(x),\nu_{\tilde{A}}(x)\vee\nu_{\tilde{B}}(x) \right\rangle|x \in X \right\}$
式中，符号“ $\wedge$ ”“ $\vee$ ”分别表示取小或取大算子，即 $\min$ 和 $\max$ 算子。

(5) 直觉模糊的并：
$\tilde{A} \cup \tilde{B} = \left\{ \left\langle x,\mu_{\tilde{A}}(x)\vee\mu_{\tilde{B}}(x),\nu_{\tilde{A}}(x)\wedge\nu_{\tilde{B}}(x) \right\rangle|x \in X \right\}$

(6) 直觉模糊集的和：
$\tilde{A} + \tilde{B} = \left\{ \left\langle x,\mu_{\tilde{A}}(x) + \mu_{\tilde{B}}(x) - \mu_{\tilde{A}}(x)\mu_{\tilde{B}}(x),\nu_{\tilde{A}}(x)\nu_{\tilde{B}}(x) \right\rangle|x \in X \right\}$

(7) 直觉模糊集的积：
$\tilde{A} \centerdot \tilde{B} = \left\{ \left\langle x,\mu_{\tilde{A}}(x) \mu_{\tilde{B}}(x),\nu_{\tilde{A}}(x) + \nu_{\tilde{B}}(x) - \mu_{\tilde{A}}(x)\mu_{\tilde{B}}(x) \right\rangle|x \in X \right\}$

(8) 直觉模糊集与数的乘积：
$\lambda \tilde{A} = \left\{ \left\langle x,1-{(1-\mu_{\tilde{A}}(x))}^{\lambda},{(\nu_{\tilde{A}})}^{\lambda} \right\rangle|x \in X \right\}$

(9) 直觉模糊集的乘方：
${(\tilde{A})}^{\lambda} = \left\{ \left\langle x,{(\mu_{\tilde{A}})}^{\lambda},1-{(1-\nu_{\tilde{A}}(x))}^{\lambda} \right\rangle|x \in X \right\}$

截集是直觉模糊集中的一个重要概念，是建立直觉模糊集与清晰集合之间关系的桥梁。

定义1.9
设 $\tilde{A}=\left\{ \left\langle x,\mu_{tilde{A}}(x),\nu_{\tilde{A}}(x) \right\rangle|x \in X \right\}$ 是论域X上的1个直觉模糊集，对任意有序对 $\left\langle\alpha,\beta \right\rangle$ ，其中 $\alpha \in [0,1]，\beta \in [0,1]$ ，且 $\leq \alpha + \beta \leq 1$ ，称集合
${\tilde{A}}_{\left\langle\alpha,\beta\right\rangle = \left\{x|\mu_{\tilde{A}}(x)\geq\alpha,\nu_{\tilde{A}}\leq\beta, x \in X \right\}}\tag{2.4}$
为直觉模糊集 $\tilde{A}$ 的 $\left\langle\alpha,\beta\right\rangle$ 截集（或水平集）， $\left\langle\alpha,\beta\right\rangle$ 称为置信水平或置信度。 $\alpha=1,\beta=0$ 时的截集即 ${\tilde{A}}_{\left\langle 1,0\right\rangle}$ 称为直觉模糊集 $\tilde{A}$ 的核； $\alpha=0,\beta=1$ 时的截集即 ${\tilde{A}}_{\left\langle0,1\right\rangle}$ 称为直觉模糊集 $\tilde{A}$ 的支撑。

显然，若两个有序对 $\left\langle{\alpha}_1,{\beta}_1\right\rangle$ 核 $\left\langle{\alpha}_2,{\beta}_2\right\rangle$ 满足 $\left\langle{\alpha}_1,{\beta}_1\right\rangle\leq\left\langle{\alpha}_2,{\beta}_2\right\rangle$ ，则有 ${\tilde{A}}_{\left\langle{\alpha}_1,{\beta}_1\right\rangle}\subseteq{\tilde{A}}_{\left\langle{\alpha}_2,{\beta}_2\right\rangle}$ 。
类似地，可以定义直觉模糊集的 $\alpha$ 截集核 $\beta$ 截集：
${\tilde{A}}_{\alpha}=\left\{x|\mu_{\tilde{A}}(x)\geq\alpha,x \in X \right\}\tag{2.5}$
${\tilde{A}}_{\beta}=\left\{x|\nu_{\tilde{A}}(x)\leq\beta,x \in X \right\}\tag{2.6}$
其中， $\alpha \in [0,1]，\beta \in [0,1]$ 。

由此，可以定义一个新的直觉模糊集：
$\left\langle\alpha,\beta\right\rangle{\tilde{A}}_{\left\langle\alpha,\beta\right\rangle}=\left\{ \left\langle x,\alpha \wedge \mu_{{\tilde{A}}_{\left\langle\alpha,\beta\right\rangle}}(x),\beta \vee \nu_{{\tilde{A}}_{\alpha,\beta}}(x)\right\rangle|x \in X \right\}$
于是直觉模糊集 $\tilde{A}$ 可以用 $<\left\langle \alpha,\beta \right\rangle$ 截集（或水平集）表示。

定理1.3
直觉模糊集 $\tilde{A}$ 可用截集表示为
$\tilde{A}=\bigcup_{{\alpha,\beta}\in D}\left\{ \left\langle \alpha,\beta \right\rangle{{\tilde{A}}_{ \left\langle \alpha,\beta \right\rangle}}\right\}$

其中， $\{ \left\langle \mu_s,\nu_s \right\rangle|S \wedge M\}$ ， $\{ \left\langle\mu_i, \nu_i\right\rangle | i=1,2,...,m \}$ ， $\mu_{s}=\bigwedge_{1:\left\langle\mu_{i}, \nu_{i}\right\rangle \in S} \left\{\mu_{i}\right\}$ ， ${\nu_s} = \underset{i:<\mu_i, \nu_i> \in S} {\vee} \{\nu_{i}\}$
定理1.3表明，直觉模糊集 $\tilde{A}$ 可以由若干个清晰的截集（或水平集）表示，它建立了直觉模糊集与清晰集合之间的关系，为利用清晰集合研究直觉模糊集提供了重要基础。

示例

一箱梨有6个，依次编号为1-6，甲乙分别对每个梨属于成熟和属于不成熟进行评价，得到以下结果：
$A_{甲}={(0,6,0.4),(0.7,0.2),(0.7,0.2),(0.8,0.1),(0.8,0.2),(0.6,0.3)}$
$A_{乙}={(0,6,0.3),(0.6,0.3),(0.6,0.2),(0.7,0.2),(0.7,0.2),(0.7,0.2)}$

计算代码（python）如下：

# 注意，第一行表示属于，第二行表示不属于
import numpy as np
A = [[0.6,0.7,0.7,0.8,0.8,0.6],[0.4,0.2,0.2,0.1,0.2,0.3]]
B = [[0.6,0.6,0.6,0.7,0.7,0.7],[0.3,0.3,0.2,0.2,0.2,0.2]]

A = np.array(A)
B = np.array(B)

# 判断A、B之间的包含关系
def A_in_B(A,B):
    label_A_B = np.zeros(A.shape[1])
    label_B_A = np.zeros(A.shape[1])
    shape = A.shape
    for i in range(shape[1]): #每一列对比
        A_belong = A[0][i]
        A_not_belong = A[1][i]
        B_belong = B[0][i]
        B_not_belong = B[1][i]
        if A_belong <= B_belong and A_not_belong >= B_not_belong:
            label_A_B[i] = 1
        elif A_belong >= B_belong and A_not_belong <= B_not_belong:
            label_B_A[i] = 1
    sum_A = label_A_B.sum()
    sum_B = label_B_A.sum()
    if int(sum_A) == A.shape[1]:
        print('A belongs to B!')
    elif int(sum_B) == A.shape[1]:
        print('B belongs to A!')
    else:
        print('No belongs')
# 测试
print('=========包含关系结果==========')           
A_in_B(A,B)
print('\n')

## 求补集
def get_complement(arr):
    return [arr[1],arr[0]]
#测试
A_c = get_complement(A)
B_c = get_complement(B)
print('=========补集计算结果==========')
print("直觉模糊集A的补集为：\n{}".format(A_c))
print("直觉模糊集B的补集为：\n{}".format(B_c))
print('\n')

## 求交集
def get_intersection(A,B):
    intersection = np.zeros(A.shape)
    for i in range(A.shape[1]):
        intersection[0][i] = min(A[0][i],B[0][i])
        intersection[1][i] = max(A[1][i],B[1][i])
    return intersection
# 测试
print('=========交集计算结果==========')
intersection = get_intersection(A,B)
print("直觉模糊集A和直觉模糊集B的交集为：\n{}".format(intersection))
print('\n')

## 求并集
def get_union(A,B):
    union = np.zeros(A.shape)
    for i in range(A.shape[1]):
        union[0][i] = max(A[0][i],B[0][i])
        union[1][i] = max(A[1][i],B[1][i])
    return union
# 测试
print('=========并集计算结果==========')
union = get_union(A,B)
print("直觉模糊集A和直觉模糊集B的并集为：\n{}".format(union))
print('\n')

## 求和
def get_sum(A,B):
    sum_R = np.zeros(A.shape)
    for i in range(A.shape[1]):
        sum_R[0][i] = A[0][i] + B[0][i] - A[0][i] * B[0][i]
        sum_R[1][i] = A[1][i] * B[1][i]
    return sum_R
# 测试
print('=========求和计算结果==========')
sum_r = get_sum(A,B)
print("直觉模糊集A和直觉模糊集B的和为：\n{}".format(sum_r))
print('\n')

## 求积
def get_quadrature(A,B):
    quadrature = np.zeros(A.shape)
    for i in range(A.shape[1]):
        quadrature[0][i] = A[0][i] * B[0][i]
        quadrature[1][i] = A[1][i] + B[1][i] - A[1][i] * B[1][i]
    return quadrature
# 测试
print('=========并积计算结果==========')
quadrature = get_quadrature(A,B)
print("直觉模糊集A和直觉模糊集B的积为：\n{}".format(quadrature))
print('\n')

## 数乘
def get_number_multiplication(arr,factor):
    multi_fator = np.zeros(arr.shape)
    for i in range(arr.shape[1]):
        multi_fator[0][i] = 1 - np.power(1 - arr[0][i],factor)
        multi_fator[1][i] = np.power(arr[1][i],factor)
    return multi_fator
#测试
A_nm = get_number_multiplication(A,0.6)
B_nm = get_number_multiplication(B,0.6)
print('=========数乘计算结果==========')
print("直觉模糊集A的数乘（×0.6）结果为：\n{}".format(A_nm))
print("直觉模糊集B的数乘（×0.6）结果为：\n{}".format(B_nm))
print('\n')

## 乘方
def get_power_number(arr,factor):
    power_factor = np.zeros(arr.shape)
    for i in range(arr.shape[1]):
        power_factor[0][i] = np.power(arr[0][i],factor)
        power_factor[1][i] = 1 - np.power(1 - arr[1][i],factor)
    return power_factor
#测试
A_pn = get_power_number(A,0.6)
B_pn = get_power_number(B,0.6)
print('=========乘方计算结果==========')
print("直觉模糊集A的乘方（×0.6）结果为：\n{}".format(A_pn))
print("直觉模糊集B的乘方（×0.6）结果为：\n{}".format(B_pn))
print('\n')

运行结果为：

$= = = = = = = = = 包含关系结果 = = = = = = = = = =$
No belongs
$= = = = = = = = = 补集计算结果 = = = = = = = = = =$
直觉模糊集A的补集为：
[array([0.4, 0.2, 0.2, 0.1, 0.2, 0.3]), array([0.6, 0.7, 0.7, 0.8, 0.8, 0.6])]
直觉模糊集B的补集为：
[array([0.3, 0.3, 0.2, 0.2, 0.2, 0.2]), array([0.6, 0.6, 0.6, 0.7, 0.7, 0.7])]
$= = = = = = = = = 交集计算结果 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B的交集为：
[[0.6 0.6 0.6 0.7 0.7 0.6]
[0.4 0.3 0.2 0.2 0.2 0.3]]
$= = = = = = = = = 并集计算结果 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B的并集为：
[[0.6 0.7 0.7 0.8 0.8 0.7]
[0.4 0.3 0.2 0.2 0.2 0.3]]
$= = = = = = = = = 求和计算结果 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B的和为：
[[0.84 0.88 0.88 0.94 0.94 0.88]
[0.12 0.06 0.04 0.02 0.04 0.06]]
$= = = = = = = = = 并积计算结果 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B的积为：
[[0.36 0.42 0.42 0.56 0.56 0.42]
[0.58 0.44 0.36 0.28 0.36 0.44]]
$= = = = = = = = = 数乘计算结果 = = = = = = = = = =$
直觉模糊集A的数乘（×0.6）结果为：
[[0.42292004 0.51440663 0.51440663 0.61926921 0.61926921 0.42292004]
[0.57707996 0.38073079 0.38073079 0.25118864 0.38073079 0.48559337]]
直觉模糊集B的数乘（×0.6）结果为：
[[0.42292004 0.42292004 0.42292004 0.51440663 0.51440663 0.51440663]
[0.48559337 0.48559337 0.38073079 0.38073079 0.38073079 0.38073079]]
$= = = = = = = = = 乘方计算结果 = = = = = = = = = =$
直觉模糊集A的乘方（×0.6）结果为：
[[0.73602192 0.80734438 0.80734438 0.87468966 0.87468966 0.73602192]
[0.26397808 0.12531034 0.12531034 0.06125961 0.12531034 0.19265562]]
直觉模糊集B的乘方（×0.6）结果为：
[[0.73602192 0.73602192 0.73602192 0.80734438 0.80734438 0.80734438]
[0.19265562 0.19265562 0.12531034 0.12531034 0.12531034 0.12531034]]

2.3 直觉模糊集的相似度与距离

相似度与距离是直觉模糊集理论中的一对对偶概念，用以反映两个直觉模糊集之间的接近程度和差异程度。
定义1.10
设 $\rightarrow [0,1]$ 是一映射，对于任意直觉模糊集 $\tilde{A} \in F(X)$ ， $\tilde{B} \in F(X)$ ， $\tilde{C} \in F(X)$ ，称 $s(\tilde{A},\tilde{B})$ 为直觉模糊集 $\tilde{A}$ 与 $\tilde{B}$ 的相似度，如果它满足条件：

(1) $\leq s(\tilde{A},\tilde{B}) \leq 1$ ；

(2) $s(\tilde{A},\tilde{B})=1$ 当且仅当 $\tilde{A}=\tilde{B}$ ；

(3) $s(\tilde{A},\tilde{B}) = s(\tilde{B},\tilde{A})$ ；

(4) 如果 $\tilde{A}\subseteq \tilde{B} \subseteq \tilde{C}$ ，则 $s(\tilde{A},\tilde{C}) \leq s(\tilde{A},\tilde{B})$ 且 $s(\tilde{A},\tilde{C}) \leq s(\tilde{B},\tilde{C})$ 。

根据定义1.10，对于有限论域 $X={x_1,x_2,...,x_n}$ 上的两个直觉模糊集 $\tilde{A}$ 与 $\tilde{B}$ ，可构造以下相似度测度。

闵可夫斯基相似度：
$s_{q}(\tilde{A}, \tilde{B})=1-\left[\frac{1}{2 n} \sum_{j=1}^{n}\left[\left(\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right)^{q}+\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right)^{q}+\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right)^{q}\right]\right]^{1 / q}$

汉明相似度：
$s_{1}(\tilde{A}, \tilde{B})=1-\left[\frac{1}{2 n} \sum_{j=1}^{n}\left[\left|\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right|+\mid\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)|+|\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right) \mid\right]\right]\right.\right.$

欧几里得相似度：
$s_{2}(\tilde{A}, \tilde{B})=1-\left[\frac{1}{2 n} \sum_{j=1}^{n}\left[\left(\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right)^{2}+\left(\nu_{\lambda}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right)^{2}+\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right)^{2}\right]\right]^{1 / 2}$

切比雪夫相似度：
$s_{+\infty}(\tilde{A}, \tilde{B})=1-\max _{1 \leqslant j \leqslant n}\left\{\frac{\left|\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right|+\left|\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right|+\left|\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right|}{2 n}\right\}$

如果考虑权重因素，可分别得到直觉模糊集 $\tilde{A}$ 与 $\tilde{B}$ 的加权闵可夫斯基相似度 $\bar{s}_{q}(\tilde{A}, \tilde{B})$ 、加权汉明相似度 $\bar{s}_{1}(\tilde{A}, \tilde{B})$ 、加权欧几里得相似度 $\bar{s}_{2}(\tilde{A}, \tilde{B})$ 、加权切比雪夫相似度 $\bar{s}_{+\infty}(\tilde{A}, \tilde{B})$ 等。

定义1.11
设 $\times F(X) \rightarrow[0,1]$ 是一映射，对于任意直觉模糊集 $\tilde{A}=F(X)$ ， $\tilde{B}=F(X)$ ， $\tilde{C}=F(X)$ ，称 $d(\tilde{A},\tilde{B})$ 为直觉模糊集 $\tilde{A}$ 与 $\tilde{B}$ 的距离，如果它满足条件：

(1) $\leqslant d(\tilde{A}, \tilde{B}) \leqslant 1$ ；

(2) $d(\tilde{A}, \tilde{B})=0$ 当且仅当 $\tilde{A} = \tilde{B}$ ；

(3) $d(\tilde{A}, \tilde{B})=d(\tilde{B}, \tilde{A})$ ；

(4) 如果 $\tilde{A} \subseteq \tilde{B} \subseteq \tilde{C}$ ，则 $d(\tilde{A}, \tilde{C}) \geqslant d(\tilde{A}, \tilde{B})$ 且 $d(\tilde{A}, \tilde{C}) \geqslant d(\tilde{C}, \tilde{B})$ 。

定理1.4
如果 $s(\tilde{A},\tilde{B})$ 为直觉模糊集 $\tilde{A}$ 与 $\tilde{B}$ 的归一化距离，则 $s(\tilde{A},\tilde{B})=1-d(\tilde{A},\tilde{B})$ 是 $\tilde{A}$ 与 $\tilde{B}$ 的相似度。

定理1.5
根据直觉模糊集 $\tilde{A}$ 与 $\tilde{B}$ 的相似度测度公式，对应地可以得到 $\tilde{A}$ 与 $\tilde{B}$ 的归一化距离。

闵可夫斯基距离：
$d_{q}(\tilde{A}, \tilde{B})=\left[\frac{1}{2 n} \sum_{j=1}^{n}\left[\left(\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right)^{q}+\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right)^{q}+\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right)^{q}\right]\right]^{1 / q}$

汉明距离：
$d_{1}(\tilde{A}, \tilde{B})=\left[\frac{1}{2 n} \sum_{j=1}^{n}\left[\left|\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right|+\mid\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)|+|\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right) \mid\right]\right]\right.\right.$

欧几里得距离：
$d_{2}(\tilde{A}, \tilde{B})=\left[\frac{1}{2 n} \sum_{j=1}^{n}\left[\left(\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right)^{2}+\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right)^{2}+\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right)^{2}\right]\right]^{1 / 2}$

切比雪夫距离：
$d_{+\infty}(\tilde{A}, \tilde{B})=\max _{1 \leqslant j \leqslant n}\left\{\frac{\left|\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right|+\left|\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right|+\left|\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right|}{2 n}\right\}$

加权闵可夫斯基距离：
$\bar{d}_{q}(\tilde{A}, \tilde{B})=\left[\frac{1}{2} \sum_{j=1}^{n} \omega_{j}\left[\left(\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right)^{q}+\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right)^{q}+\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right)^{q}\right]\right]^{1 / q}$

加权汉明距离：
$\bar{d}_{1}(\tilde{A}, \tilde{B})=\frac{1}{2} \sum_{j=1}^{n} \omega_{j}\left[\left|\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right|+\mid\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)|+|\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right) \mid\right]\right.\right.$

加权欧几里得距离：
$\bar{d}_{2}(\tilde{A}, \tilde{B})=\left[\frac{1}{2} \sum_{j=1}^{n} \omega_{j}\left[\left(\mu_{\lambda}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right)^{2}+\left(\nu_{\tilde{A}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right)^{2}+\left(\pi_{\tilde{A}}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right)^{2}\right]\right]^{1 / 2}$

加权切比雪夫距离：
$\bar{d}_{+\infty}(\tilde{A}, \tilde{B})=\max _{1 \leqslant j \leqslant n}\left\{\frac{\omega_{j}\left(\left|\mu_{\tilde{A}}\left(x_{j}\right)-\mu_{\tilde{B}}\left(x_{j}\right)\right|+\left|\nu_{\tilde{\lambda}}\left(x_{j}\right)-\nu_{\tilde{B}}\left(x_{j}\right)\right|+\left|\pi_{\lambda}\left(x_{j}\right)-\pi_{\tilde{B}}\left(x_{j}\right)\right|\right)}{2}\right\}$

计算代码（python）如下：

## 相似度或距离计算
# 注意，第一行表示属于，第二行表示不属于
import numpy as np

A = [[0.6,0.7,0.7,0.8,0.8,0.6],[0.4,0.2,0.2,0.1,0.2,0.3]]
B = [[0.6,0.6,0.6,0.7,0.7,0.7],[0.3,0.3,0.2,0.2,0.2,0.2]]

A = np.array(A)
B = np.array(B)

def get_distance(arr_A,arr_B,dist_type,q_value=0):
    # 闵可夫斯基距离
    if dist_type == 'q':
        temp = 0
        for i in range(arr_A.shape[1]):
            temp += np.power(arr_A[0][i] - arr_B[0][i],q_value) + \
                    np.power(arr_A[1][i] - arr_B[1][i],q_value) + \
                    np.power(arr_B[0][i] + arr_B[1][i] - arr_A[0][i] - arr_A[1][i],q_value)
        return np.power(temp/(2*arr_A.shape[1]),1/q_value)
    # 汉明距离
    if dist_type == '1':
        temp = 0
        for i in range(arr_A.shape[1]):
            temp += np.abs(arr_A[0][i] - arr_B[0][i]) + \
                    np.abs(arr_A[1][i] - arr_B[1][i]) + \
                    np.abs(arr_B[0][i] + arr_B[1][i] - arr_A[0][i] - arr_A[1][i])
        return temp/(2*arr_A.shape[1])
    # 欧几里得距离
    if dist_type == '2':
        temp = 0
        for i in range(arr_A.shape[1]):
            temp += np.power(arr_A[0][i] - arr_B[0][i],2) + \
                    np.power(arr_A[1][i] - arr_B[1][i],2) + \
                    np.power(arr_B[0][i] + arr_B[1][i] - arr_A[0][i] - arr_A[1][i],2)
        return np.power(temp/(2*arr_A.shape[1]),1/2)
    # 切比雪夫距离
    if dist_type == 'infty':
        temp_max = 0
        for i in range(arr_A.shape[1]):
            value = np.abs(arr_A[0][i] - arr_B[0][i]) + \
                    np.abs(arr_A[1][i] - arr_B[1][i]) + \
                    np.abs(arr_B[0][i] + arr_B[1][i] - arr_A[0][i] - arr_A[1][i])
            if value/(2*arr_A.shape[1]) > temp_max:
                temp_max = value/(2*arr_A.shape[1])
        return temp_max
def get_similarity(arr_A,arr_B,sim_type,q_value=0):
    return 1 - get_distance(arr_A,arr_B,sim_type,q_value)

# 测试
print('=========闵可夫斯基距离与相似度==========')
d_q = get_distance(A,B,'q',q_value=5)
print("直觉模糊集A和直觉模糊集B之间的闵可夫斯基距离为：{}\t相似度为：{}".format(d_q,1-d_q))
print('\n')
print('=========汉明距离与相似度==========')
d_1 = get_distance(A,B,'1')
print("直觉模糊集A和直觉模糊集B之间的汉明距离为：{}\t相似度为：{}".format(d_1,1-d_1))
print('\n')
print('=========欧几里得距离与相似度==========')
d_2 = get_distance(A,B,'2')
print("直觉模糊集A和直觉模糊集B之间的欧几里得距离为：{}\t相似度为：{}".format(d_2,1-d_2))
print('\n')
print('=========切比雪夫距离与相似度==========')
d_infty = get_distance(A,B,'infty')
print("直觉模糊集A和直觉模糊集B之间的切比雪夫距离为：{}\t相似度为：{}".format(d_infty,1-d_infty))
print('\n')

计算结果如下：

$= = = = = = = = = 闵可夫斯基距离与相似度 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B之间的闵可夫斯基距离为：6.464989264213939e-05 相似度为：0.9999353501073579
$= = = = = = = = = 汉明距离与相似度 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B之间的汉明距离为：0.10000000000000003 相似度为：0.8999999999999999
$= = = = = = = = = 欧几里得距离与相似度 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B之间的欧几里得距离为：0.10000000000000002 相似度为：0.9
$= = = = = = = = = 切比雪夫距离与相似度 = = = = = = = = = =$
直觉模糊集A和直觉模糊集B之间的切比雪夫距离为：0.016666666666666687 相似度为：0.9833333333333333

2.4 直觉模糊数及其运算

为方便起见，称 $\tilde{\alpha}=(\mu_{\tilde{\alpha}},\nu_{\tilde{\alpha}})$ 为直觉模糊数，其中
$\mu_{\tilde{\alpha}} \in [0,1], \nu_{\tilde{\alpha}} \in [0,1], \mu_{\tilde{\alpha}} + \nu_{\tilde{\alpha}} \leq 1$
显然， ${\tilde{\alpha}}^{+}=(1,0)$ 是最大的直觉模糊数，而 ${\tilde{\alpha}}^{-}=(1,0)$ 是最小的直觉模糊数。

定义1.12
设 ${\tilde{\alpha}}_{1} = (\mu_{\tilde{\alpha}_{1}},\nu_{\tilde{\alpha}_{1}})$ ， ${\tilde{\alpha}}_{2} = (\mu_{\tilde{\alpha}_{2}},\nu_{\tilde{\alpha}_{2}})$ 为两个直觉模糊数， $s({\tilde{\alpha}}_{1})=\mu_{\tilde{\alpha}_{1}} - \nu_{\tilde{\alpha}_{1}}$ ， $s({\tilde{\alpha}}_{2})=\mu_{\tilde{\alpha}_{2}} - \nu_{\tilde{\alpha}_{2}}$ 分别为 ${\tilde{\alpha}}_{1}$ 和 ${\tilde{\alpha}}_{2}$ 的得分值， $h({\tilde{\alpha}}_{1})=\mu_{\tilde{\alpha}_{1}} + \nu_{\tilde{\alpha}_{1}}$ ， $h({\tilde{\alpha}}_{2})=\mu_{\tilde{\alpha}_{2}} + \nu_{\tilde{\alpha}_{2}}$ 分别为 ${\tilde{\alpha}}_{1}$ 和 ${\tilde{\alpha}}_{2}$ 的精确度，则

(1) 若 $s({\tilde{\alpha}}_{1}) \lt s({\tilde{\alpha}}_{2})$ ，则 ${\tilde{\alpha}}_{1}$ 小于 ${\tilde{\alpha}}_{2}$ ，即 ${\tilde{\alpha}}_{1} \lt {\tilde{\alpha}}_{2}$ ；

(2) 若 $s({\tilde{\alpha}}_{1}) = s({\tilde{\alpha}}_{2})$ ，则
① 若 $h({\tilde{\alpha}}_{1}) = h({\tilde{\alpha}}_{2})$ ，则 ${\tilde{\alpha}}_{1} = {\tilde{\alpha}}_{2}$ ；
② 若 $h({\tilde{\alpha}}_{1}) \le h({\tilde{\alpha}}_{2})$ ，则 ${\tilde{\alpha}}_{1} \le {\tilde{\alpha}}_{2}$ ；
③ 若 $h({\tilde{\alpha}}_{1}) \gt h({\tilde{\alpha}}_{2})$ ，则 ${\tilde{\alpha}}_{1} \gt {\tilde{\alpha}}_{2}$ 。

定理1.6
设 ${\tilde{\alpha}}_{1}=(\mu_{{\tilde{\alpha}}_{1}},\nu_{{\tilde{\alpha}}_{1}})$ ， ${\tilde{\alpha}}_{2}=(\mu_{{\tilde{\alpha}}_{2}},\nu_{{\tilde{\alpha}}_{2}})$ 为两个直觉模糊数，则
${\tilde{\alpha}}_{1} \leq {\tilde{\alpha}}_{2} \Leftarrow \mu_{{\tilde{\alpha}}_{1}} \leq \mu_{{\tilde{\alpha}}_{2}}且\nu_{{\tilde{\alpha}}_{1}} \geq \nu_{{\tilde{\alpha}}_{2}}$
定义1.13
设 ${\tilde{\alpha}}=(\mu_{{\tilde{\alpha}}},\nu_{{\tilde{\alpha}}})$ ， ${\tilde{\alpha}}_{1}=(\mu_{{\tilde{\alpha}}_{1}},\nu_{{\tilde{\alpha}}_{1}})$ ， ${\tilde{\alpha}}_{2}=(\mu_{{\tilde{\alpha}}_{2}},\nu_{{\tilde{\alpha}}_{2}})$ 为直觉模糊数，则

(1) $\overline{\tilde{\alpha}}=\left(\nu_{\tilde{\alpha}}, \mu_{\tilde{\alpha}}\right)$ ；

(2) $\tilde{\alpha}_{1} \cap \tilde{\alpha}_{2} = \left({\min \left\{\mu_{\tilde{\alpha}_{1}}, \mu_{\tilde{\alpha}_{2}}\right\}}, {\max \left\{\nu_{\tilde{\alpha}_{1}}, \nu_{\tilde{\alpha}_{2}},\right\}}\right)$ ；

(3) $\tilde{\alpha}_{1} \cup \tilde{\alpha}_{2}=\left(\max \left\{\mu_{\tilde{\alpha}_{1}}, \mu_{\tilde{\alpha}_{2}}\right\}, \min \left\{\nu_{\tilde{\alpha}_{1}}, \nu_{\tilde{\alpha}_{2}}\right\}\right)$ ；

(4) $\color{red}{\tilde{\alpha}_{1} \oplus \tilde{\alpha}_{2}=\left(\mu_{\tilde{\alpha}_{1}}+\mu_{\tilde{\alpha}_{2}}-\mu_{\tilde{\alpha}_{1}} \mu_{\tilde{\alpha}_{2}}, \nu_{\tilde{\alpha}_{1}} \nu_{\tilde{\alpha}_{2}}\right)}$ ；

(5) $\color{red}{\tilde{\alpha}_{1} \otimes \tilde{\alpha}_{2}=\left(\mu_{\tilde{\alpha}_{1}} \mu_{\tilde{\alpha}_{2}}, \nu_{\tilde{\alpha}_{1}}+\nu_{\tilde{\alpha}_{2}}-\nu_{\tilde{\alpha}_{1}} \nu_{\tilde{\alpha}_{2}}\right)}$ ；

(6) $\color{red}{\left.\lambda \tilde{\alpha}=\left(1-\left(1-\mu_{\tilde{\alpha}}\right)\right)^{\lambda}, v_{\tilde{\alpha}}^{\lambda}\right), \lambda \geq 0}$ ；

(7) $\color{red}{\tilde{\alpha}^{\lambda}=\left(\mu_{\tilde{\alpha}}^{\lambda}, 1-\left(1-\nu_{\tilde{\alpha}}\right)^{\lambda}\right), \lambda \geq 0}$ 。

根据直觉模糊数的定义，可以证明以下两个定理。

定理1.7
设 ${\tilde{\alpha}}=(\mu_{{\tilde{\alpha}}},\nu_{{\tilde{\alpha}}})$ ， ${\tilde{\alpha}}_{1}=(\mu_{{\tilde{\alpha}}_{1}},\nu_{{\tilde{\alpha}}_{1}})$ ， ${\tilde{\alpha}}_{2}=(\mu_{{\tilde{\alpha}}_{2}},\nu_{{\tilde{\alpha}}_{2}})$ 为直觉模糊数，则 $\tilde{\alpha}_{1} \oplus \tilde{\alpha}_{2}$ 、 $\tilde{\alpha}_{1} \otimes \tilde{\alpha}_{2}$ 、 $\lambda \tilde{\alpha}$ 和 $\tilde{\alpha}^{\lambda}(\lambda>0)$ 均为直觉模糊数。

定理1.8
设 ${\tilde{\alpha}}=(\mu_{{\tilde{\alpha}}},\nu_{{\tilde{\alpha}}})$ ， ${\tilde{\alpha}}_{1}=(\mu_{{\tilde{\alpha}}_{1}},\nu_{{\tilde{\alpha}}_{1}})$ ， ${\tilde{\alpha}}_{2}=(\mu_{{\tilde{\alpha}}_{2}},\nu_{{\tilde{\alpha}}_{2}})$ 为直觉模糊数， $\lambda, \lambda_{1}, \lambda_{2}>0$ ，则