Aplicação de novas medidas de similaridade na seleção de locais para estações de recarga de veículos elétricos com base em conjuntos rijos fuzzy hesitantes ortopares q‑rung sob informação quantitativa

Por que escolher a “melhor” opção é tão difícil

A vida moderna está cheia de escolhas complicadas: onde construir estações de recarga para veículos elétricos, quais bairros da cidade sofrem mais com a poluição do ar ou mesmo qual diagnóstico médico melhor corresponde aos sintomas de um paciente. Em todos esses casos, a informação é confusa, incerta e às vezes até contraditória. Este artigo apresenta novas ferramentas matemáticas que ajudam computadores a comparar esse tipo de informação fuzzy com mais confiabilidade e, em seguida, mostra como essas ferramentas podem guiar decisões do mundo real sobre estações de recarga e qualidade do ar.

Comparando coisas que não são preto no branco

Muitas decisões dependem de quão semelhantes duas situações são. Um médico pode comparar os sintomas de um paciente com padrões típicos de uma doença, ou um planejador urbano pode comparar locais potenciais com um local “ideal” para um novo carregador. Medidas clássicas de similaridade pressupõem que os dados são organizados e precisos. Na realidade, especialistas muitas vezes hesitam: um local pode ser “regular a bom” quanto ao acesso viário, ou dados de poluição podem estar incompletos. Nas últimas décadas, pesquisadores em lógica fuzzy desenvolveram formas de representar essa incerteza, permitindo que algo esteja em parte dentro e em parte fora de uma categoria. Este artigo amplia uma das ideias mais flexíveis desse campo, um arcabouço que permite aos especialistas expressar não apenas o quanto algo pertence a um grupo, mas também o quanto não pertence e até o quanto há incerteza.

Uma nova forma de medir semelhança

Os autores focam em uma ferramenta de similaridade popular chamada similaridade cosseno, que trata dois conjuntos de dados como vetores e mede o ângulo entre eles. Um ângulo pequeno significa que os vetores apontam quase na mesma direção, então os dois casos são muito semelhantes. Entretanto, a similaridade cosseno padrão falha quando os dados incluem hesitação e múltiplos valores possíveis para cada critério, como costuma ocorrer em julgamentos de especialistas. Para resolver isso, o artigo define duas medidas aprimoradas — similaridade cosseno e similaridade cosseno ponderada — adaptadas a um rico arcabouço fuzzy chamado conjuntos rijos fuzzy hesitantes ortopares q‑rung. Em termos simples, esse arcabouço permite que cada opção carregue coleções de graus possíveis de “sim” e “não” para cada critério, mantendo ao mesmo tempo a consistência lógica da descrição geral. As novas fórmulas transformam essas descrições complexas em pontuações de similaridade estáveis e significativas entre 0 e 1.

Aplicando o método a estações de recarga

Para mostrar que a abordagem não é apenas matemática abstrata, os pesquisadores enfrentam um problema de planejamento urgente: onde posicionar estações de recarga para veículos elétricos. Eles consideram três locais candidatos e três fatores-chave: quão conveniente é o acesso viário, quanto custaria construir e o quanto a estação poderia atender os motoristas. Especialistas descrevem cada local usando opiniões hesitantes e graduadas dentro desse arcabouço fuzzy e também especificam como seria um local ideal. As novas medidas cosseno e cosseno ponderada comparam então cada local real com o ideal. Ambas as versões do método concordam no ranqueamento: um local emerge claramente como o mais próximo do alvo. Essa consistência é importante — sugere que o método é robusto, mesmo quando os fatores recebem pesos diferentes.

Avaliando a qualidade do ar da cidade com dados fuzzy

A segunda demonstração analisa a qualidade do ar em diferentes regiões. Aqui, a entrada inclui atividades humanas como trânsito e tabagismo, bem como poluentes medidos como dióxido de enxofre, óxidos de nitrogênio, monóxido de carbono e ozônio. Como esses dados podem ser incompletos ou inconsistentes, a qualidade do ar de cada região é novamente expressa usando valores fuzzy hesitantes em vez de um único número preciso. As novas medidas de similaridade comparam cada região com um perfil ideal de ar limpo, e os resultados ordenam as regiões em termos de melhor ou pior qualidade do ar de uma forma que corresponde às expectativas práticas. Isso mostra que as mesmas ferramentas podem lidar com monitoramento ambiental assim como com planejamento de infraestrutura.

Testando contra métodos antigos

Além desses dois estudos de caso, os autores confrontam suas medidas com muitas fórmulas de similaridade existentes em problemas de referência, incluindo diagnóstico médico e reconhecimento de padrões. Vários métodos antigos ou não conseguem distinguir entre padrões diferentes ou se comportam de maneira estranha — por exemplo, alegando similaridade perfeita quando dois padrões claramente não são idênticos. As novas medidas baseadas em cosseno, em contraste, satisfazem requisitos lógicos básicos, evitam armadilhas numéricas e identificam corretamente a correspondência mais próxima nesses testes. Isso traz confiança adicional de que as ferramentas não estão ajustadas a uma única aplicação, mas são geralmente confiáveis.

O que tudo isso significa para decisões reais

Para não especialistas, a terminologia técnica oculta uma mensagem simples: quando a informação é incerta e os especialistas discordam ou hesitam, ainda precisamos tomar decisões. Este artigo oferece uma forma mais cuidadosa de comparar esses dados turvos, transformando opiniões vagas e medições ruidosas em classificações consistentes de opções. Seja a tarefa localizar uma nova estação de recarga, avaliar se o ar de uma cidade é seguro ou apoiar médicos em diagnósticos complexos, essas medidas de similaridade aprimoradas prometem decisões mais transparentes e menos sujeitas a peculiaridades matemáticas. À medida que ferramentas computacionais baseadas neste trabalho forem desenvolvidas, planejadores e analistas podem ganhar uma nova lente, mais nítida, para examinar problemas em que a verdade não é apenas sim ou não, mas algo intermediário.

Citação: 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

Palavras-chave: recarga de veículo elétrico, tomada de decisão, lógica fuzzy, qualidade do ar, medidas de similaridade