基于Lower Prevision概念的Z-Number计算新方法概要

《Entropy》：An Outline of New Approach to Computation with Z-Numbers Based on the Concept of Lower Prevision

　　

摘要：Z-number（Z-数）概念旨在形式化部分可靠信息，它由描述随机变量取值的语言评价及其关联可靠性程度组成；后者被定义为对概率测度值的模糊约束，因真实概率分布未知。Lotfi Zadeh基于模糊与概率算术给出了Z-number计算的扩展原理，并指出Z-number计算问题易表述而难求解。此后出现了诸多理论与应用研究，但Z-number的计算复杂度仍是挑战——其根源在于因真实概率分布未知而引入的概率分布集合。本文概述了一种基于不精确概率(imprecise probability)理论的Z-number计算新方法，具体采用lower prevision（下预望，即概率测度集合的下包络）作为计算基础，理由是lower prevision与凸概率测度集之间存在一一对应关系。实验结果表明，所提方法相比现有方法降低了计算复杂度。

论文解读：《基于Lower Prevision概念的Z-Number计算新方法概要》

Z-number（Z-数）由Lotfi Zadeh提出，用以形式化描述"变量取值约为某模糊数A且该断言可靠性约为模糊数B（B?[0,1]）"的部分可靠信息，其中B约束的是P(A)——即随机变量真实概率分布在模糊事件A上的概率测度。现有Z-number算术沿两条路线发展：一是将Z-number压缩为普通模糊数（如Kang等人用模糊期望），计算简便但丢失可靠性分量信息；二是遵循Zadeh原始语义、显式恢复隐含概率分布再做卷积运算（如Aliev等人的离散/连续Z-number算术及Pirmuhammadi等人的参数法），虽保留双分量语义但需对每个α-cut求解线性规划(Linear Programming, LP)提取相容概率分布并对分布对做卷积，随离散化点数呈组合爆炸，计算负担极重。也有工作（Zhu的核密度估计近似、Li的三角分布特例）试图降维，但仍依赖特定分布假设或大规模数值积分，且传统隐分布法始终绕不开"重构分布+枚举卷积"。本文发表于《Entropy》，旨在利用不精确概率理论中的lower prevision（下预望，概率测度集合的下包络，与闭凸credal set一一对应）替代直接操作概率分布集合，在保留Z-number双分量结构的前提下大幅削减运算量。

主要关键技术方法

研究人员将Z-number的A分量离散化为有限支撑上的离散模糊数，B分量的各α-cut给出P(A)的取值区间，由此诱导出credal set（相容概率测度集合）。对每个credal set构造lower prevision（下预望）P?(E)=inf_P∈MP(E)（E为模糊事件，隶属函数视为gambling function/gamble）。两Z-number进行二元运算时：A分量按标准模糊算术得结果A₁₂；构建权重矩阵W_ij=μ_A12(a_i⊙a_j)衡量各离散点对与结果模糊数的兼容度；结果Z-number的B分量由各α-level下对兼容可靠度P?(μ_A(X)≥·)取inf-sup递推得到，三角模糊数情形可导出解析公式，无需LP求解与分布卷积。数值实验以三角模糊数Z-number加法为例，采用三点离散化和三水平α-cut验证。

研究结果

1. Introduction（引言）

研究人员综述了Z-number定义及现有算术方法的局限：转换法信息损失大，隐分布直接法计算复杂，指出核心难点在于需从B分量恢复潜在概率分布集合并做卷积运算，引出用imprecise probability中lower prevision描述credal set以避免显式枚举分布的动机。

2. Materials and Methods（材料与方法）

给出离散模糊数、概率质量函数、模糊事件概率测度P(A)=Σμ_A(x_i)p(x_i)、离散Z-numberZ(A,B)及credal set G={p|P(A)∈B_α,?α}的形式定义；引入lower envelope P?(E)=inf_P∈MP(E)与lower prevision P?(f)=inf_P∈ME_P[f]（f为gamble），并说明coherent lower prevision与非空闭凸概率测度集的一一对应关系，为后续框架提供理论基础。

3. Proposed Lower-Prevision-Based Framework（基于下预望的Z-number计算框架）

分四阶段：(1)A分量模糊算术离散化计算A₁₂；(2)据Z-number的B分量α-cut约束构造各操作数credal set并求对应lower prevision；(3)对结果离散支撑点构建权重矩阵W_ij，利用lower prevision的独立性性质推演结果A₁₂对应的lower prevision；(4)B₁₂分量按各α-level取inherited reliability（∑_i,jW_ij·p_iq_j）在容许分布上的下、上界重建。三角模糊数情形给出解析α-cut表达式：B₁₂(α)=[min_{a∈[L1(α),U1(α)], d∈[L2(α),U2(α)]}(1?2a)(1?2d), max_a,d(1?2a)(1?2d)]，无需LP或数值积分。

4. Numerical Experiments and Comparative Analysis（数值实验与对比分析）

• •
  4.1 Addition of Two Z-Numbers（两个Z-number的加法）：设Z₁=((1,2,3),(0.7,0.8,0.9))，Z₂=((7,8,9),(0.4,0.5,0.6))，三点离散化对称潜在分布p(a)=(a,1?2a,a)，导得A₁₂=(8,10,12)，B₁₂α-cuts分别为[0.28,0.54]（α=0）、[0.35,0.475]（α=0.5）、{0.4}（α=1），三角近似为(0.64,0.70,0.77)。
• •
  4.2 Numerical Example（数值算例）：具体代入计算确认上述解析结果，给出B₁₂三个α-cut数值。
• •
  4.3 Comparison of Results and Complexity Analysis（结果对比与复杂度分析）：与Aliev等[3]（需解LP，O(CLP(n)+m2n2)）和Li等[10]（三角分布仍需枚举卷积对，O(1)但限分布型）对比，所提3-point/3-α解析法复杂度O(r)=O(1)。Python实测：文献[3][10]约0.05s，所提方法约3.84×10??s；B分量MAPE相当；四Z-number连加所得B₁₂可靠性值高于对比方法，证明信息衰减更慢。

5. Discussion and Conclusions（讨论与结论）

研究人员指出：Z-number隐含的概率不确定可用credal set描述，lower prevision与其一一对应，以此为基础可避免显式重构分布与卷积枚举。权重矩阵W量化配对运算结果与输出模糊A分量的兼容性，inherited reliability为其关于潜在分布的加权平均。三角模糊数下B₁₂的α-cut有解析形式，消除了重复数值优化。该框架原则上兼容多峰潜在分布，但此时可能需数值优化；离散化节点数增加会线性增大权重矩阵规模，是精度与效率的折衷。当前解析推导限于三角模糊数、三点/三α离散及独立变量加法，未来可推广至其他模糊形、高密度离散、减乘除运算、变量相关性及与type-2/type-3模糊集的关系。结论翻译如下：

总而言之，Z-number刻画了对随机变量真实概率分布的不确定性，这种不确定性可用可能概率分布的集合（混合）形式化描述。依据Walley的不精确概率思想，概率分布集合可由lower prevision（下预望测度）捕获。本文提出了一种基于此原理的Z-number计算新方法概要，可在不限制概率分布类型的条件下降低Z-number运算复杂度。研究人员以两Z-number相加为例予以说明，并与两种已有方法对比验证了所提方法的有效性。该方法中诱导可靠度测度与潜在分布的中心概率质量直接相关；权重矩阵在机制中起关键作用——其元素反映离散输入值两两算术结果与结果模糊分量的隶属兼容度，结果继承可靠度为这些兼容值关于输入Z-number潜在分布的加权平均。所提方法α-cut可有解析表达，无需反复数值优化，具有简洁计算结构，可为更一般的Z-number算术提供基准范例。