Approche intuitionniste floue basée sur le coefficient de corrélation et l’énergie de Laplacien sans signe avec applications

Choisir avec discernement lorsque l’information est floue

Les grandes décisions — comme investir dans une voiture électrique, une nouvelle technologie ou un projet public — sont rarement prises avec une information parfaite. Les experts peuvent n’être que partiellement sûrs, être en désaccord ou hésiter parce que l’avenir est incertain. Cet article présente une boîte à outils mathématique conçue pour capturer cette hésitation et ce désaccord de manière plus fidèle, afin que les groupes puissent faire des choix à la fois transparents et robustes lorsque les faits sont imprécis.

Pourquoi les moyennes ordinaires ne suffisent pas

La plupart des méthodes de décision supposent que chaque option peut être notée clairement sur une échelle, puis moyennée ou pondérée pour obtenir un classement. En réalité, les experts pensent souvent en termes comme « presque bon », « probablement non » ou « je ne suis pas sûr ». La logique floue traditionnelle permet de dire à quel point quelque chose appartient à une catégorie, mais n’exprime pas clairement le non‑acceptation et le doute en même temps. Les auteurs s’appuient sur une idée plus riche appelée « graphe flou intuitionniste », où chaque connexion porte trois informations : dans quelle mesure les experts la soutiennent, dans quelle mesure ils s’y opposent, et combien ils en sont incertains. Cela donne une image plus vivante des jugements humains désordonnés.

Mêler structure et similarité

Une fois les opinions d’experts codées sous forme de graphe, la question devient : comment transformer cette structure en un classement équitable des options ? L’article combine deux lentilles complémentaires. La première s’intéresse à la forme du graphe lui‑même en utilisant une quantité appelée « énergie du Laplacien sans signe », qui peut être vue comme un score structurel : les options qui se trouvent dans des configurations plus fortes et plus solidaires du réseau reçoivent plus de poids. La seconde examine la ressemblance entre les options, au moyen d’une mesure de type corrélation qui indique quand des alternatives sont jugées de manière similaire. En fusionnant ces deux perspectives — structure et similarité — le cadre évite de s’appuyer excessivement soit sur des moyennes brutes, soit sur des comparaisons purement statistiques.

Des avis d’experts aux classements finaux

Les auteurs décrivent un processus pas à pas pour utiliser leur méthode en prise de décision de groupe. Les experts évaluent d’abord chaque option (par exemple plusieurs modèles de voitures électriques) selon des critères clés comme l’autonomie, la sécurité et le prix, en utilisant des nombres flous intuitionnistes qui codent le soutien, l’opposition et l’hésitation. Ces jugements forment un réseau pour chaque critère, à partir duquel sont calculés des scores d’énergie structurelle. Les valeurs d’énergie sont ensuite converties en poids objectifs pour les critères, réduisant le besoin d’attributions d’importance ad hoc et subjectives. Parallèlement, des mesures de corrélation captent à quel point chaque paire d’options est perçue comme similaire. La méthode mélange ces ingrédients en scores globaux via deux procédures légèrement différentes, conçues pour être mathématiquement cohérentes mais conceptuellement simples : l’une agrège les valeurs en un score flou unique par option, l’autre s’appuie plus directement sur la similarité à des points de référence idéaux et anti‑idéaux.

Mettre la méthode à l’épreuve pour les voitures électriques

Pour montrer comment le cadre se comporte en pratique, les auteurs l’appliquent à une décision d’investissement stylisée portant sur quatre voitures électriques. Les experts évaluent chaque modèle selon l’autonomie, les dispositifs de sécurité et le prix, dans un contexte d’incertitude. La méthode calcule ensuite les énergies structurelles pour chaque réseau de critères, déduit les poids des critères, mesure la similarité entre les voitures, puis les classe. Les deux procédures aboutissent au même ordre : une voiture (étiquetée A) arrive systématiquement en tête, tandis qu’une autre (D) est en dernier. Il est important de noter que ce classement reste stable même lorsque l’on modifie l’équilibre entre information structurelle et corrélation dans des limites raisonnables, ce qui suggère que le résultat n’est pas excessivement sensible aux réglages du modèle.

Ce que cela signifie pour les choix du monde réel

En termes simples, l’étude propose une manière de transformer des avis d’experts flous et hésitants en classements clairs et défendables d’options concurrentes. En modélisant explicitement le soutien, l’opposition et l’incertitude, et en combinant une vue de la façon dont les options sont liées avec une vue de leur similarité, la méthode produit des décisions moins arbitraires et plus robustes. Bien que l’exemple de l’article porte sur le choix d’une voiture électrique, les mêmes idées peuvent guider des décisions dans des domaines comme les projets d’énergie durable, les produits financiers ou les infrastructures publiques — partout où des groupes doivent trancher sous incertitude et souhaitent que leur raisonnement soit à la fois systématique et transparent.

Citation: Atheeque, A.M., Basha, S.S. Intuitionistic fuzzy approach based on correlation coefficient and signless Laplacian energy with applications. Sci Rep 16, 6315 (2026). https://doi.org/10.1038/s41598-026-36485-3

Mots-clés: prise de décision en situation d’incertitude, graphes flous, sélection de véhicules électriques, méthodes de décision de groupe, mesures de corrélation et d’énergie