Toepassing van nieuwe gelijkenheidsmaatstaven bij de locatiekeuze voor oplaadpunten voor elektrische voertuigen op basis van q‑rung orthopair hesitant fuzzy rough sets onder kwantitatieve informatie

Waarom het zo moeilijk is de “beste” optie te kiezen

Het moderne leven staat vol lastige keuzes: waar bouw je oplaadpunten voor elektrische voertuigen, welke stadswijken lijden het meest onder luchtvervuiling, of welke medische diagnose komt het beste overeen met iemands klachten. In al deze gevallen is informatie rommelig, onzeker en soms tegenstrijdig. Dit artikel introduceert nieuwe wiskundige middelen die computers helpen zulke vage informatie betrouwbaarder te vergelijken, en laat vervolgens zien hoe die middelen echte keuzes over oplaadpunten en luchtkwaliteit kunnen sturen.

Dingen vergelijken die niet zwart‑wit zijn

Veel beslissingen hangen af van hoe gelijk twee situaties zijn. Een arts kan de klachten van een patiënt vergelijken met typische ziektepatronen, of een stadsplanner kan potentiële locaties vergelijken met een “ideale” plek voor een nieuw laadpunt. Klassieke gelijkenheidsmaatstaven gaan ervan uit dat de data keurig en precies zijn. In werkelijkheid aarzelen experts vaak: een locatie kan “matig tot goed” scoren op verkeersbereikbaarheid, of gegevens over vervuiling kunnen incompleet zijn. In de afgelopen decennia hebben onderzoekers in fuzzy logica manieren ontwikkeld om deze onzekerheid te representeren, waardoor iets deels binnen en deels buiten een categorie kan vallen. Dit artikel bouwt voort op een van de meest flexibele van deze ideeën, een raamwerk waarmee experts niet alleen kunnen aangeven hoe sterk iets tot een groep behoort, maar ook hoe sterk het niet behoort, en zelfs hoe onzeker ze zijn.

Een nieuwe manier om gelijkenis te meten

De auteurs richten zich op een populaire gelijkenheidstool genaamd cosinus‑gelijkenis, die twee datasets als pijlen behandelt en de hoek daartussen meet. Een kleine hoek betekent dat de pijlen bijna in dezelfde richting wijzen, dus de twee gevallen zijn erg gelijk. Standaardige cosinus‑gelijkenis faalt echter wanneer de data aarzeling en meerdere mogelijke waarden per criterium bevatten, zoals vaak voorkomt bij deskundige beoordelingen. Om dit te verhelpen definieert het artikel twee verbeterde maatstaven — cosinus en gewogen cosinus‑gelijkenis — toegesneden op een rijk fuzzy raamwerk genaamd q‑rung orthopair hesitant fuzzy rough sets. In eenvoudige termen laat dit raamwerk elke optie toe verzamelingen mogelijke “ja”‑ en “nee”‑graden voor elk criterium te hebben, terwijl het geheel logisch consistent blijft. De nieuwe formules zetten deze complexe beschrijvingen om in stabiele, betekenisvolle gelijkenisscores tussen 0 en 1.

De methode toepassen op oplaadpunten

Om te tonen dat de aanpak niet alleen abstracte wiskunde is, pakken de onderzoekers een actueel planningsprobleem aan: waar plaats je oplaadpunten voor elektrische voertuigen. Ze beschouwen drie kandidaatlocaties en drie kernfactoren: hoe gunstig de verkeersbereikbaarheid is, hoeveel het zou kosten om te bouwen, en hoe goed het station bestuurders kan bedienen. Experts beschrijven elke locatie met aarzeling en graduele oordelen binnen dit fuzzy raamwerk, en geven ook aan hoe een ideale locatie eruit zou zien. De nieuwe cosinus‑ en gewogen cosinus‑maatstaven vergelijken vervolgens elke reële locatie met het ideale profiel. Beide versies van de methode komen tot dezelfde rangorde: één locatie blijkt duidelijk het dichtst bij het doel te liggen. Deze consistentie is belangrijk — het suggereert dat de methode robuust is, zelfs wanneer factoren verschillende gewichten krijgen.

De lucht in de stad controleren met fuzzy data

De tweede demonstratie kijkt naar de luchtkwaliteit in verschillende regio’s. De invoer bevat hier menselijke activiteiten zoals verkeer en roken, evenals gemeten verontreinigende stoffen zoals zwaveldioxide, stikstofoxiden, koolmonoxide en ozon. Omdat zulke gegevens incompleet of inconsistent kunnen zijn, wordt de luchtkwaliteit van elke regio weer met aarzeling‑fuzzy waarden uitgedrukt in plaats van één scherp getal. De nieuwe gelijkenheidsmaatstaven vergelijken elke regio met een ideaal profiel van schone lucht, en de resultaten sorteren de regio’s in betere of slechtere luchtkwaliteit op een manier die overeenkomt met praktische verwachtingen. Dit laat zien dat dezelfde instrumenten milieumonitoring aankunnen evenals infrastructuurplanning.

Testen tegen oudere methoden

Buiten deze twee casestudies plaatsen de auteurs hun maatstaven tegenover veel bestaande gelijkenheidsformules op benchmarkproblemen, waaronder medische diagnose en patroonherkenning. Verschillende oudere methoden falen of gedragen zich vreemd — bijvoorbeeld door perfecte gelijkenis te beweren wanneer twee patronen duidelijk niet identiek zijn. De nieuwe cosinusgebaseerde maatstaven voldoen daarentegen aan basislogische vereisten, vermijden numerieke valkuilen en identificeren correct de dichtstbijzijnde overeenkomst in deze tests. Dit geeft extra vertrouwen dat de instrumenten niet alleen voor één toepassing zijn afgestemd maar algemeen betrouwbaar zijn.

Wat dit betekent voor echte beslissingen

Voor niet‑specialisten verbergt de technische jargon een eenvoudige boodschap: wanneer informatie onzeker is en experts het oneens zijn of aarzelen, moeten we toch keuzes maken. Dit artikel biedt een zorgvuldiger manier om zulke onduidelijke data te vergelijken, en zet vage meningen en lawaaierige metingen om in consistente ranglijsten van opties. Of het nu gaat om het plaatsen van een nieuw laadpunt, het beoordelen of de lucht in een stad veilig is, of het ondersteunen van artsen bij complexe diagnoses, deze verbeterde gelijkenheidsmaatstaven beloven beslissingen die transparanter zijn en minder gevoelig voor vreemde wiskundige eigenaardigheden. Naarmate computertools op basis van dit werk worden ontwikkeld, kunnen planners en analisten een scherper beeld krijgen van problemen waarbij de waarheid niet alleen ja of nee is, maar ergens ertussenin.

Bronvermelding: 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

Trefwoorden: opladen van elektrische voertuigen, besluitvorming, fuzzy logica, luchtkwaliteit, gelijkenheidsmaatstaven