Aplicación de nuevas medidas de similitud en la selección de sitios para estaciones de carga de vehículos eléctricos basada en conjuntos difusos rudos hesitantes ortopares q‑rung bajo información cuantitativa

Por qué elegir la «mejor» opción es tan difícil

La vida moderna está llena de decisiones complejas: dónde construir estaciones de carga para vehículos eléctricos, qué barrios de una ciudad sufren más contaminación atmosférica o incluso qué diagnóstico médico se ajusta mejor a los síntomas de un paciente. En todos estos casos, la información es desordenada, incierta y a veces contradictoria. Este artículo presenta nuevas herramientas matemáticas que ayudan a los ordenadores a comparar esa información difusa de manera más fiable, y luego muestra cómo esas herramientas pueden orientar decisiones del mundo real sobre estaciones de carga y calidad del aire.

Comparar cosas que no son blanco o negro

Muchas decisiones dependen de cuán similares son dos situaciones. Un médico puede comparar los síntomas de un paciente con los patrones típicos de una enfermedad, o un planificador urbano puede comparar sitios potenciales con una ubicación “ideal” para un nuevo cargador. Las medidas clásicas de similitud asumen que los datos son ordenados y precisos. En realidad, los expertos a menudo dudan: un sitio puede ser “regular a bueno” en acceso de tráfico, o los datos de contaminación pueden estar incompletos. En las últimas décadas, los investigadores en lógica difusa han desarrollado formas de representar esta incertidumbre, permitiendo que algo pertenezca en parte y no pertenezca en parte a una categoría. Este artículo se basa en una de las ideas más flexibles de este ámbito, un marco que permite a los expertos expresar no solo cuán fuertemente algo pertenece a un grupo, sino también cuán fuertemente no pertenece y, además, cuán inseguros están.

Una nueva manera de medir la semejanza

Los autores se centran en una herramienta de similitud popular llamada similitud coseno, que trata dos conjuntos de datos como vectores y mide el ángulo entre ellos. Un ángulo pequeño significa que los vectores apuntan casi en la misma dirección, por lo que los dos casos son muy similares. Sin embargo, la similitud coseno estándar falla cuando los datos incluyen vacilación y múltiples valores posibles para cada criterio, como ocurre a menudo en juicios de expertos. Para solucionarlo, el artículo define dos medidas mejoradas—similitud coseno y similitud coseno ponderada—adaptadas a un marco difuso rico llamado conjuntos rudos hesitantes ortopares q‑rung. En términos simples, este marco permite que cada opción contenga colecciones de grados posibles de “sí” y “no” para cada criterio, sin perder la consistencia lógica de la descripción global. Las nuevas fórmulas transforman estas descripciones complejas en puntuaciones de similitud estables y significativas entre 0 y 1.

Poner el método en práctica para estaciones de carga

Para mostrar que el enfoque no es solo matemáticas abstractas, los investigadores abordan un problema de planificación urgente: dónde ubicar estaciones de carga para vehículos eléctricos. Consideran tres sitios candidatos y tres factores clave: cuán conveniente es el acceso por tráfico, cuánto costaría construir y qué tan bien podría servir la estación a los conductores. Los expertos describen cada sitio usando opiniones hesitantes y graduadas dentro de este marco difuso, y también especifican cómo sería un sitio ideal. Las nuevas medidas coseno y coseno ponderado comparan entonces cada sitio real con el ideal. Ambas versiones del método coinciden en el ordenamiento: un sitio emerge claramente como el más cercano al objetivo. Esta consistencia es importante: sugiere que el método es robusto, incluso cuando los factores reciben pesos diferentes.

Comprobar la calidad del aire en la ciudad con datos difusos

La segunda demostración analiza la calidad del aire en distintas regiones. Aquí, la entrada incluye actividades humanas como el tráfico y el tabaquismo, así como contaminantes medidos como dióxido de azufre, óxidos de nitrógeno, monóxido de carbono y ozono. Debido a que esos datos pueden ser incompletos o inconsistentes, la calidad del aire de cada región se expresa nuevamente mediante valores difusos hesitantes en lugar de un único número preciso. Las nuevas medidas de similitud comparan cada región con un perfil ideal de aire limpio, y los resultados ordenan las regiones según mejor o peor calidad del aire de una manera que coincide con expectativas prácticas. Esto muestra que las mismas herramientas pueden manejar la monitorización ambiental así como la planificación de infraestructuras.

Probar frente a métodos antiguos

Más allá de estos dos estudios de caso, los autores enfrentan sus medidas con muchas fórmulas de similitud existentes en problemas de referencia, incluyendo diagnósticos médicos y reconocimiento de patrones. Varios métodos anteriores o bien no distinguen entre patrones diferentes o se comportan de forma extraña—por ejemplo, afirmando similitud perfecta cuando dos patrones claramente no son idénticos. Las nuevas medidas basadas en coseno, por el contrario, satisfacen los requisitos lógicos básicos, evitan trampas numéricas y identifican correctamente la coincidencia más cercana en estas pruebas. Esto da mayor confianza de que las herramientas no están afinadas para una única aplicación sino que son generalmente fiables.

Qué significa esto para las decisiones reales

Para los no especialistas, la jerga técnica oculta un mensaje sencillo: cuando la información es incierta y los expertos discrepan o vacilan, aún tenemos que tomar decisiones. Este artículo ofrece una manera más cuidadosa de comparar datos borrosos, convirtiendo opiniones vagas y mediciones ruidosas en clasificaciones coherentes de opciones. Tanto si la tarea es ubicar una nueva estación de carga, juzgar si el aire de una ciudad es seguro o apoyar a los médicos con diagnósticos complejos, estas medidas de similitud mejoradas prometen decisiones más transparentes y menos propensas a rarezas matemáticas. A medida que se desarrollen herramientas informáticas basadas en este trabajo, los planificadores y analistas pueden ganar una lente nueva y más precisa para examinar problemas donde la verdad no es solo sí o no, sino algo intermedio.

Cita: Attaullah, Khan, A., Boulaaras, S. et al. Application of novel similarity measures in electric vehicle charging station site selection based on q-rung orthopair hesitant fuzzy rough sets under quantitative information. Sci Rep 16, 9504 (2026). https://doi.org/10.1038/s41598-025-34665-1

Palabras clave: carga de vehículos eléctricos, toma de decisiones, lógica difusa, calidad del aire, medidas de similitud