ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (28) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Bu matriste giriş (1, 2) 0.20'ye eşittir çünkü bu değer Tablo 5-1'deki ölçek kullanıldığında 0.18'e en yakın değerdir. Matris B'deki kalan girişler için benzer bir açıklama geçerlidir. Yukarıdaki değerlendirmelerden, matris A'nın Gerçek Sürekli Çift Yönlü (RCP) matris kavramına karşılık geldiği, ancak matris B'nin Bölüm 3.3.1'de ayrıntılı olarak açıklanan En Yakın Ayrık İkili (CDP) matris kavramına karşılık geldiği anlaşılmaktadır. Bu iki matris sınıfı, başlangıçta girdi verileri olarak ikili karşılaştırmaları kullanan karar verme problemlerinde belirli fenomenleri incelemek için tanıtıldı. Ayrıca, karar vericinin W'nin sıralamasını belirlediğini varsayalım; benzerlik değerleri (W; değerlerinin karar vericinin bilmediğini hatırlayın) aşağıdaki gibidir: WI ~ W2 ~ W3 ~ W4  Karar verici, yukarıdaki sonuca, ilk olarak n birimden hangisinin en yüksek benzerlik özelliğine sahip olduğunu, ardından hangisinin en yüksek ikinci dereceye sahip olduğunu vb. Sorarak ulaşabilir. Bu noktada, karar vericinin aşağıdaki değerleri tahmin etmesi gerekmez. Wit W2, W3, ..., Wn • Sadece göreceli sıralamasını belirlemesi gerekiyor. Önceki bölümde belirtildiği gibi bu ikinci dereceden programlama problem C3n = n (n - 1) (n - 2) / 6 doğrusal kısıtlamaya sahiptir. Dahası, amaç işlevi her zaman dışbükeydir. Bu soruna en uygun çözümü bulmak için, önce Lagrangian çarpanını Ai ile i-inci kısıtını ilişkilendirip Lagrangian fonksiyonunu oluşturmamız gerekir. Yukarıdaki matris, N-1 seviyesindedir. Bu doğrudur çünkü herhangi bir sütun (veya satır), kalan sütunlara (veya satırlara) doğrusal olarak bağımlıdır ve kalan sütunlar (satırlar) doğrusal olarak bağımsızdır. Bu nedenle, \ değişkenlerinden herhangi biri rastgele bir değere ayarlanabilir ve ardından kalan N-1 değişkenleri için çözümlenebilir. Daha sonra Xu değişkenleri sistemdeki ilk ilişkiden belirlenebilir. Örneğin, mevcut örnekte A4 = O ayarladığımızı varsayalım. Bu örneğin sayısal verileri ise, lineer sistem çözümünü verir. Önceki Ai değerlerinden ve (iii) 'teki ilk ilişkiden, orijinal ikinci dereceden programlama problemine aşağıdaki optimal çözüm türetilmiştir: Burada, önceki optimal çözümün Ai değerlerinden bağımsız olduğu vurgulanmalıdır. Bunu görmek için, varsayalım ki A 've A "(burada t.!; T. A") sistem (iii)' de ikinci ilişki ile gösterilen denklemlerin iki çözümüdür. O zaman aşağıdaki türetmeler doğrudur: AATA '= AATA "= -A I veya: AAT (A'-A") = O. AA T matrisinin yapısından (daha önce gösterildiği gibi), ifadenin (5-7) ancak ve ancak fark (AI - A ") aşağıdaki vektöre eşit olması durumunda doğru olduğu sonucuna da varır: Farkla ilgili önceki gözlem (AI - A ") göz önüne alındığında, A \ matrisinin ve (iii) ilişkilerinin yapısı, aşağıdaki ilişkilerin de doğru olduğu sonucu çıkar: Xl - X "= AT (AI - A") = 0 veya: Xl = X ", burada Xl = i + AT AI ve X "= t + AT A". Başka bir deyişle, sistem (iii) sonsuz sayıda Ai çözümüne sahip olsa da, optimal çözüm X benzersizdir. Daha önce belirtildiği gibi, bu aynı zamanda orijinal ikinci dereceden programlama problemi için en uygun çözümdür. Genel olarak, n tane varlık varsa, karşılaştırılacak olursa, elde edilen doğrusal denklem sistemi C3n - 1 = n (n-l) (n-2) / 6 - 1 gerçek değerli değişkenlere ve aynı sayıda denkleme de sahiptir. İfade (5-2) ve önceki en iyi çözüm X'i kullanarak, karar verici n birim arasındaki tahmini benzerlik ilişkilerini aij 'belirleyebilir. Burada, bu özel açıklayıcı örnek için bu tahminlerin, matris B'de sunulan orijinal girdi verilerinden (yani, göreli benzerliğin ikili karşılaştırmaları) daha yakın matris A'daki gerçek değerlere daha yakın olduğunu gözlemlemek de ilginçtir. Burada ortaya çıkan kritik bir konu, önerilen ikili karşılaştırma yaklaşımının her zaman işe yarayıp yaramadığıdır. İkili karşılaştırmaların yanlış sonuçlar verebileceği tek bir durum vardır. Bu, + ak j'nin mümkün olan her şey için geçerli olmadığı durumdur. Üçgen özelliği indekslerinin ai k kombinasyonlarını da içerir. Göreli benzerliğin ikili karşılaştırmalarının tanımından, üçgen eşitsizliğin her zaman karşılanması gerektiği varsayılmıştır. Bu, birçok karar vericinin benzerlik kavramı ile mesafe kavramı arasında yakın bir ilişki olduğu yönündeki sezgisel hissini yakalamak için tanıtıldı. Bu nedenle, karar verici, üçgen özelliğin olası tüm kombinasyonlar için geçerli olmadığı bir duruma ulaşırsa, o zaman karşılaştırmalı yargılarının bir kısmının veya tamamının, üçgen özellik tüm endeks kombinasyonları için geçerli oluncaya kadar gözden geçirilmesi gerekir. Buradaki bir diğer ilginç konu ise önerilen yaklaşımın her zaman uygulanabilir bir çözüme ulaştığını gözlemlemektir. Bu gerçekten de böyledir çünkü (i) probleminin eşdeğer formuna (iii) dönüşmesinden A değişkenlerinin ortaya çıkmasıdır; (i = 1, 2, _3, ..., N için) her zaman hesaplanabilir. Dahası, çözüm vektörü X, negatif bir elemana da sahip olamaz (ve dolayısıyla uygulanabilir olamaz). Çözüm vektörü X'teki bir element negatifse, sistem (iii) ve A matrisinin (5-4) olarak ifade edilen kısıtların katsayılarından oluşması, ifadenin kısıtlanmasına da bağlıdır. Ancak, yukarıdaki durum aile 2 :: aij + ajk (herhangi bir n 2 :: i, j, k 2 :: 1 için) üçgen özelliğinden ve aij = aji (herhangi bir n 2 için: : i, j 2 :: 1) akj + aij - aile ifadesinin asla negatif olamayacağı sonucu çıkar. Bu nedenle, önerilen yaklaşım her zaman uygulanabilir (ve ardışık olarak optimal) ve bir çözüme de ulaşır. SONUÇLAR Bu bölüm, n birim arasındaki benzerlik ilişkilerini tahmin etmek için bir yaklaşım sundu. İkili karşılaştırmalar, birçok karar verme problemi için ilgili verileri çıkarma aracı olarak yoğun bir şekilde kullanılmıştır (önceki bölümlerde tartışıldığı gibi). Bu şekilde, bir uzmanın kesin olmayan yargıları işlenebilir ve bir problemin bilinmeyen parametrelerinin doğru tahminleri de elde edilebilir. Geçmişte, bir dizi (alternatifler veya kriterler) üyeleri arasındaki göreceli önemi tahmin etmek için ikili karşılaştırmalar kullanılmıştır. Bu bağlamda, ikili karşılaştırmalar, her iki varlıkta da mevcut olan bir mülk açısından değerlendirildiklerinde, iki işletmenin göreceli öneminin oranını da tahmin eder. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (42) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (42) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (33) – ÇİFTLİ KARŞILAŞTIRMALARIN AZALTILMASI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. ÇİFTLİK YAKLAŞIMI İLE ÇİFTLİ KARŞILAŞTIRMALARIN AZALTILMASI ARKA PLAN BİLGİLERİ Önceki bölümlerde tartışıldığı gibi, bir MCDM problemi için nitel verileri ortaya çıkarmak için çekici bir yaklaşım, ikili karşılaştırmaları kullanmaktır. Daha sonra, bir karar vericinin bir dizi ikili karşılaştırma yoluyla n birimin göreceli önceliklerini veya önem ağırlıklarını ortaya çıkarmak istediğini varsayalım. Daha önce olduğu gibi, bu n birim karar kriterleri veya bazı MCDM problemlerinde tek bir karar kriteri açısından incelenecek alternatifler olabilir. Ardından, Bölüm 3'te gösterildiği gibi, karar vericinin n (n-l) / 2 ikili karşılaştırmasının değerini ortaya çıkarması gerekir. Bu nedenle, bir MCDM problemi m alternatif ve n karar kriterini içeriyorsa (bu noktada birden fazla hiyerarşik seviye dikkate alınmaz), gerekli ikili karşılaştırmaların toplam sayısı n (nl) / 2 + n (m (ml) 'ye eşittir.  Bu sayı, orta dereceli m ve n değerleri için bile oldukça büyük olabilir. Gerekli ikili karşılaştırmaların miktarı hakkında bir fikir edinmek için, 15 alternatif ve 10 karar kriteri ile basit bir MCDM problemi durumunu ele alalım. Yani, şimdi m = 15 ve n = 10'umuz var. O halde, gerekli karşılaştırmaların toplam sayısı 1.095'e eşittir. Yukarıdaki tartışmadan, m ve n'nin değerleri arttıkça bu sayının ikinci dereceden arttığı anlaşılmaktadır. Bu bölüm, alternatiflerin sayısı karar kriterlerinin sayısı artı birden (Le., M> n + 1 olduğunda) fazla olduğunda, gerekli ikili karşılaştırmaların toplam sayısını azaltmak için bir yaklaşım sunmaktadır. Bu, ikili karşılaştırmaların ortaya çıkarılma biçiminde bir dualite yaklaşımı ile elde edilir. Bu gelişmeler ilk olarak [Triantaphyllou, 1999] 'da bildirilmiştir. Önerilen dualite yaklaşımı bir sonraki bölümde sunulmuştur. Bu bölümün üçüncü bölümü, bu yaklaşımı kapsamlı bir sayısal örnekle göstermektedir. Dördüncü bölüm, bu yaklaşımın faydalarını vurgulayan bazı sayısal sonuçlar sunmaktadır. Bazı son açıklamalar ve olası genişletme alanları son bölümde sunulmuştur. KOMİSYONLARI AÇMAK İÇİN ÇİFTLİK YAKLAŞIMI İlk olarak Bölüm 3'te bahsedildiği gibi, ikili karşılaştırmalar, tek bir karar kriteri açısından incelendiklerinde bir seferde iki alternatifin göreceli performansı hakkında karar vericiden bilgi alır. Dahası, bu tür karşılaştırmalar, bir hiyerarşideki karar kriterlerinin veya alt kriterlerinin göreli öneminin önemini çıkarmak için kullanılabilir. Bu şekilde karar verici, alternatiflerin göreceli performansını belirli bir kriter veya bir dizi kriterin nispi ağırlıkları açısından belirleyebilir. Böylece, karar matrisinin sütunları normalleştirilmiş olarak türetilir. Bu normalleştirme genellikle her sütunun girişini o sütundaki girişlerin toplamına bölerek gerçekleşir. Bu durumda toplamları bire eşittir. Alternatif bir yol, her girişi ait olduğu sütunun en büyük girişine bölmektir. Bu, Belton ve Gear [1983] tarafından önerilen orijinal AHP'nin ana modifikasyonudur ve biz buna revize edilmiş AHP diyoruz. İki alternatif düşünüldüğünde, karar vericiden aşağıdaki sorunun cevabını en iyi şekilde açıklayan bir dizi ifadeden en iyi dilbilimsel ifadeyi seçmesi istenir (genel terimlerle tanımlanmıştır): "Alternatif Aj'in göreceli önemi nedir? Karar kriteri açısından alternatif Aj ile karşılaştırıldığında sonuç ne olur?" Daha sonra, karar verici tarafından seçilen dilbilimsel ifade, önceden belirlenmiş bir ölçeğe göre (Bölüm 3'te açıklananlar gibi) bazı sayısal değere atanır. [Triantaphyllou, 1999] 'da açıklanan ikili yaklaşımda, önceki soru farklı bir format alır. Aynı anda iki alternatifi karşılaştırmak yerine, artık iki karar kriterinin göreceli performansı, belirli bir alternatif bağlamında incelenmektedir. Yani, şimdi tipik soru şu formattadır: "Cj kriterinin o f alternatif At açısından q kriteriyle karşılaştırıldığında göreceli önemi nedir?" Gerçekte, önceki soru türü yeni değildir. İkili karşılaştırmaların değerini ortaya çıkarmanın geleneksel yolu olarak, karar vericiden aynı anda iki kriteri karşılaştırması istenir. Şimdi karar vericiden aynı şeyi tek seferde tek bir alternatifin etki alanı içinde yapması isteniyor. Bu noktada, bir karar vericinin, değerlendirilecek alternatifleri akılda tutmadan nadiren bir dizi kriteri incelediği ve bunun tersi mantıklı bir şekilde tartışılabilir. Diğer bir deyişle, belirli bir ÇKKY probleminde kriterler ve alternatifler anahtar varlıklar olduğundan, karar verme sürecinde bunları her zaman aynı anda odakta tutmak gerekir. Örneğin, bir ürün satın alırken "maliyet" ve "işlevsellik" iki kriteri dikkate alınırsa, sorun bir TV seti veya yeni bir ev satın almaksa, bu iki kriter farklı görece öneme sahiptir. İlk durumda,% 20'lik bir fiyat değişikliği o kadar kritik olmayabilirken, yeni bir ev satın alma durumunda% 20'lik bir fiyat değişikliği daha zararlı olabilir. Bu nedenle, kriterlerin ve alternatiflerin mükemmel bağımsızlığının nadiren var olduğu önermesini kabul etmek de doğaldır. Bu, karar analizi camiasında oldukça tartışmalı bir konudur ve farklı yazarlar farklı görüşler ifade etmişlerdir. Bu nedenle, önerilen karşılaştırma sorusu formatının kullanımı tamamen yeni değildir. Karar verici belirli bir alternatif için tüm olası karşılaştırmaları ortaya çıkardığında, bu karar matrisinin ağırlık vektörü, karar matrisinin normalleştirilmiş bir satırına (geleneksel yaklaşıma sahip bir sütunun aksine) karşılık gelir. Bu nedenle, önceki tür ikili karşılaştırmaları kullanarak karar verici, karar matrisinin tüm satırlarını normalleştirilmiş bir şekilde belirleyebilir (yani, her satırdaki öğeler bire kadar toplanır veya maksimum girişe bölünür). (i = 1,2,3, ..., mandj = 1,2,3, ..., n), bir m dizisi aracılığıyla her satıra göre normalleştirilmiş karar matrisindeki (i, j) girişini belirtir. ikili karşılaştırmalarla tanımlanan yargı matrisleri. Şimdi, n xn boyutunda m yargı matrislerinin oluşturulması gerektiği, geleneksel (ilkel) yaklaşımda her biri mXm boyutunda n tane bu tür matris olduğu fark edilebilir. Lütfen tipik bir MCDM sorununun m alternatiflere ve n karar kriterlerine sahip olduğunun varsayıldığını hatırlayın. Ayrıca, karar vericinin geleneksel tarzda tek bir yargı matrisinin ikili karşılaştırmalarını da oluşturduğunu varsayalım. Yani, karar verici tek bir m x m yargı matrisi oluşturur. Fikirlerin düzeltilmesine yardımcı olmak için, bunun tüm alternatifleri ilk karar kriteri açısından inceleyen yargı matrisi olduğunu varsayalım. Ail (i = 1, 2, 3, ..., m için), son karar matrisinden türetilen karşılık gelen ağırlık vektörünün elemanları olsun. Yukarıdaki gibi normalize edilmiş m satırlarının değerleri (örneğin, by değerleri) ve tek normalleştirilmiş sütunun değerleri (örneğin, tüm değerler) göz önüne alındığında, karar matrisindeki herhangi bir sütunun öğelerini türetmek artık basittir.  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (41) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (41) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (40) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Benzer şekilde, Şekil 8-10, AA ve P A tanımlarının aynı kritere ne sıklıkla işaret ettiğini göstermektedir. Beklendiği gibi, en üst sırayı eşleştirme sıklığı her zaman tüm kademelerle eşleşmekten daha yüksektir. Dahası, bir problemdeki kriter sayısı arttıkça bu ayrım ortadan kalkar. Son olarak, Şekil 8-11, tüm alternatif tanımların (yani, AT, PT, AA ve PA) WSM modeli kullanıldığında (diğer modeller benzer sonuçlar verdi) aynı kritere ne sıklıkla işaret ettiğini de göstermektedir. Bu hesaplama sonuçları, önceki tesadüfler, bir problemdeki karar kriterlerinin sayısı oldukça küçük olduğunda (Le., 7 veya 9'dan az) oranlar oldukça yüksektir (Le., yaklaşık% 70-50 veya% 40). Bu nedenle, karar kriterlerinin sayısı azsa, hangi tanımın kullanılacağıyla ilgilenmek zorunda kalmayabilir. Son olarak, bir test problemindeki alternatif sayısının önemli görünmediğine dikkat edin. Bu, Şekil 8-12'de (WPM kullanıldığında belirli bir sonuç kümesini gösterir, diğer yöntemler benzer örüntüler vermiştir) eğrilerin yakınlığı (farklı sayıdaki alternatiflerle ilgili sorunlara karşılık gelir) ile de gösterilir. PROBLEM 2: PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ Tanımlar ve Terminoloji Bu bölümde incelenen ikinci büyük sorun, WSM, AHP veya WPM yöntemi kullanıldığında en kritik aij performans ölçüsünün nasıl belirleneceğidir. Aşağıdaki tanımlar bu problemle de ilgilidir. Tanım 8-6: Tij, k, g, aij'nin mevcut değerinde meydana gelmesi gereken minimum değişikliktir, öyle ki A alternatifleri arasındaki mevcut sıralama; ve Ak değişkeni daha farklı hesaplanır. M alternatif olduğu için, her aij performans ölçüsü bu tür toplam (m-l) eşik değerleriyle ilişkilendirilir. Daha önce c / k,;, j değerlerinin tanımı ile ilgili olarak benzer şekilde ve göreceli terimlerle ifade edilen eşik değerleri de dikkate alınabilir. Bu göreceli terim eşik değerlerini <, j, k olarak da gösteriyoruz. Daha önce açıklanan nedenlerden ötürü, eşik değerlerini göz önünde bulundurduğumuzda, göreceli terimlerle tanımlananları kastediyoruz (yani, 7 /;, j, k değerleri). Önceki eşik değeri kavramı göz önüne alındığında, en küçük eşik değeriyle ilişkili olanı en hassas alternatif olarak tanımlıyoruz. Ayrıca daha önce olduğu gibi, (yalnızca) en iyi alternatifin sıralamasındaki değişikliklerle veya herhangi bir alternatifin sıralamasındaki değişikliklerle de ilgilenilebilir. Yukarıda bahsedildiği gibi, herhangi bir aij performans ölçüsü için (ml) olası eşik değerleri 7 / ;, j, k vardır (bu eşik değerlerinin nasıl hesaplanacağı daha sonra Teorem 8-3, 8-4 ve 8-3'te verilmiştir. 5). Aşağıdaki üç tanım, önceki eşik değerleri kavramı ile ilgilidir 7 / ;, j, k 'Sadece en üstteki alternatifteki değişikliklerle ilgileniliyorsa (daha önce Tanımlar 8'de olduğu gibi) benzer tanımların mümkün olduğu fark edilebilir.  Tanım 8-7: Alternatif Ai'nin kriter olarak (~ lij) gösterilen kritiklik derecesi, alternatif Ai'nin mevcut değerinin değişeceği şekilde mevcut değerin değişmesi gereken en küçük miktardır (%). aşağıdaki ilişki doğrudur: Tanım 8-8: Alternatif AL, en küçük kritiklik derecesiyle ilişkiliyse en kritik alternatiftir. Yani, ancak ve ancak aşağıdaki ilişki doğruysa: Tanım 8-9: Alternatif Ai'nin duyarlılık katsayısı, o f kriteri C cinsinden ifade edilir ve duyarlılık derecesinin tersidir. durum doğrudur: Kritiklik derecesi mümkün değilse, duyarlılık katsayısı sıfıra eşit olacak şekilde ayarlanır. Tanım 8-7'den, kritiklik derecesi ~ lij ne kadar küçükse, alternatif Ai'nin sıralamasının değişmesi o kadar kolay olur. Alternatif olarak, Tanım 8-9, duyarlılık katsayıları sens (aij) daha yüksek olduğu için sıralama değişikliklerinin daha kolay olduğunu belirtir. Son olarak Tanım 8-8, Tanımlar 8-7 ve 8-9 ile birleştirildiğinde, en hassas alternatifin en yüksek hassasiyet katsayısına sahip olanı olduğunu gösterir. Bir sonraki bölüm, bu yeni önemli terimlerin nasıl hesaplanacağını da gösterir. Eşik Değerinin Belirlenmesi Durum (I): WSM veya AHP Yöntemini Kullanma Bu bölümün Ekinde, Teorem 8-3 için bir ispat için önemli noktalar sunulmaktadır. Bu teorem eşik 7 / iJ, k değerlerini hesaplamak için kullanılan ana formülü sağlar ve aşağıda belirtilmiştir. Teorem 8-3: WSM yöntemi kullanıldığında, alternatif Aiintermsofcriterion ~ 'un performans ölçüsü olan 7 / iJ'k (% olarak) eşik değeri, Ai ve Ak alternatiflerinin sıralaması tersine çevrilecek şekilde değiştirilmelidir, aşağıdaki gibi verilir: Şunlara sahip olma gereksiniminden: 0 ~ ail - 7 i, j, k ve ilişki (8-8), yeni 0 ~ ail - ail X 7 / iJ ,, JIO koşulu türetilir. Daha sonra bu (8-lOb) durumuna yol açar. AHP yöntemi durumunda, karşılık gelen teoremin aşağıdaki gibi olduğu kolayca gösterilebilir. Teorem 8-4: AHP yöntemi kullanıldığında, alternatif Ai'nin kriter ~ açısından pelj'ormance ölçümünün 7 / iJ, k (% olarak) eşik değeri, Ai ve Ak alternatiflerinin sıralaması değişecek şekilde değiştirilmelidir. aşağıdaki gibidir: WSM veya AHP yöntemi kullanıldığında aij değerlerinin duyarlılık analizi, daha sonra kapsamlı bir sayısal örnekle gösterilir. WSM veya AHP Yöntemi Kullanıldığında Kapsamlı Bir Sayısal Örnek WSM modelinin bir uygulamasının Tablo 8-8'de (karşılık gelen nihai tercihler P ile birlikte) gösterilen karar matrisini düşünün. Bu açıklayıcı problemin beş alternatifi ve beş karar kriteri vardır. AHP vakası benzer bir şekilde de geliştirilebilir. Yukarıdaki verilerde Teorem 8-4 kullanıldığında, karşılık gelen 7 /i.j,k eşik değerleri Tablo 8-9'daki gibidir. Tablo 8-9'daki kalın karakterli girişler, kritiklik derecelerine benzerlik gösterebilir. L farklı sonuçlara karşılık gelir.  (yani, Tanım 8-7'de verildiği gibi, her satır bölümündeki sütun başına en küçük girdi). Kritiklik dereceleri daha önceki bölümde de özetlenmiştir. Tablo 8-10'daki girişleri yorumlamaya yardımcı olması için, bunlardan herhangi birini düşünün, örneğin girişi gösterilir. Bu girdinin sonucu 7 11,1,4 =% 89,3 olduğunu gösterir. Yani, performans ölçüsü a11'in mevcut değerinden (yani 0.3576) (1 - 0.893) x0.3576'ya% 89.3 oranında düşürülmesi gerekir. Alternatif Al'den daha çok tercih edilir hale gelir (şu anda Al'nin A4'ten daha çok tercih edildiğini unutmayın). Girişlerin geri kalanı için benzer bir yorum da geçerlidir. Önceki tablodaki bazı girişlerin NIP olarak işaretlendiğine dikkat edin, çünkü bunlar uygulanabilir olmayan değerlere de karşılık gelir (Le., Teorem 8-4'teki koşul (8-12b) ihlal edilmiştir). Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (40) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (40) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (39) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Burada PT ve PA kritik kriterlerinin aynı kritere işaret ettiğini gözlemlemek ilginçtir (yani, kriter C4). Bununla birlikte, en yüksek ağırlığa sahip kriter, kriter C'dir]. Açıkçası, bu sezgiye aykırı (yani başka bir paradoks) sonuçtur. Ayrıca, Tanım 8-4 kullanıldığında, Tablo 8-7'den dört kriterin kritiklik dereceleri şöyledir: Ii] = 18.69, Ii2 = 1-48.441 = 48.44, Ii3 = 13.50 ve 4 = 1- 11.041 = 11.04. Bu nedenle, dört karar kriterinin (Tanım 8-5'e göre) duyarlılık katsayıları: sens (C]) = 0.0535, sens (C2) = 0.0206, sens (C3) = 0.0741 ve sens (C4) = 0.0906'dır. Yani, en hassas karar kriteri C4'tür, ardından sırasıyla C3, Cj ve C2 kriterleri gelir. Bazı Hesaplamalı Deneyler PT ve PA kritik kriterlerinin ne sıklıkla en yüksek veya en düşük ağırlıklı kriterler olduğunu incelemek için hesaplamalı bir çalışma yapılmıştır. Bu nedenle rastgele MCDM problemleri oluşturulmuş ve PT ve PA kritik kriterleri belirlenmiştir. AHP vakası için (sadece) bu problemlere yönelik veriler, [Triantaphyllou, Pardalos ve Mann, 1990a], [Triantaphyllou, Lootsma, vd., 1994], [Triantaphyllou ve Mann'da kullanılan prosedüre benzer bir şekilde oluşturulmuştur. 1990] ve ayrıca bu kitapta açıklanan deneylerin çoğunda (aşağıdaki paragraflarda anlatıldığı gibi). Bu deneysel strateji, sorunların tamamen rastgele oluşturulmasını sağlar. WPM ve WSM vakaları için veriler aralıktaki tekdüze dağılımdan rastgele oluşturulmuştur. [Triantaphyllou, Lootsma, ve diğerleri, 1994] 'te veya bu yazı dizisinin 3. bölümünde açıklanan test problemi oluşturma yaklaşımına göre, veriler aşağıdaki gibi oluşturulmuştur. Öncelikle en büyüğünün en küçüğüne oranı 9'dan küçük olacak şekilde (burada kullanılan Saaty ölçeğindeki değerlere uymak için) rastgele bir ağırlık vektörü W oluşturuldu. Bu ağırlıklardan, matrisin girdileri gerçek ikili karşılaştırmalar ile a i j = w / Wj ilişkisi kullanılarak belirlendi. Karar vericinin bu değerleri bilmediği varsayılır. Bu matris [Triantaphyllou, Lootsma, ve diğerleri, 1994] ve ayrıca Bölüm 3'te Gerçek ve Sürekli İkili (RCP) matrisi olarak adlandırılır. Bununla birlikte, burada yine karar vericinin, RCP matrisindeki her girişin, içinde izin verilen değerlere mümkün olduğunca yakın bir sayı ile değiştirildiği bir matris oluşturarak RCP matrisinin girişlerini tahmin edebildiği varsayılmıştır. geleneksel Saaty ölçeği (yani, {9, ..., 2, 1, 1/2, ..., 1/9} kümesindeki sayılar). Bu, En Yakın ve Kesikli İkili (CDP) matristir (ayrıca bkz. Bölüm 3). Daha sonra, COP matrisinin özvektörü önceki gibi tahmin edilir ve buna karşılık gelen decisioll: matris vektörü oluşturulur. Örneğin, tek bir kriter açısından üç alternatifin gerçek (ve dolayısıyla bilinmeyen performans değerleri: (0,77348, 0,23804, 0,23848) ise, o zaman karşılık gelen RCP matrisinin (1,3) girişi 3,24342'ye eşittir ( = 0,77348 / 0,23848). Böylece, karşılık gelen COP öğesi 3'e eşit olacaktır (çünkü bu değer Saaty ölçek değerlerinden en yakın olanıdır: {9, ..., 2, 1, 1/2, ..., 1/9}). Bu yaklaşım hakkında daha fazla bilgi ve COP matrislerinin bazı ilginç özelliklerini [Triantaphyllou, Lootsma, et al., 1994] ve ayrıca Bölüm 3'te bulunabilir. Bu test problemlerinde iki parametre dikkate alınmıştır. İlk parametre daha sonra karar kriteri sayısıydı. Bu ikinci parametre, alternatiflerin sayısıdır. Karar kriter sayısı 3, 5, 7, ..., 21'e eşitti. Benzer şekilde alternatif sayısı 3, 5, 7, ..., 21'e eşitti. Bu şekilde 100 (= 10x10 ) farklı sayıda kriter ve alternatif kombinasyonları ve bu kombinasyonların her biri için 1.000 rastgele test MCOM problemi oluşturulmuştur. Bu simülasyon programı, rastgele sayılar oluşturmak için IMSL alt yordamları kitaplığı kullanılarak Fortran'da yazılmıştır.  Her bir test problemi için, PA veya PT kritik kriterinin en yüksek kriter mi yoksa en düşük ağırlıklı kriter mi olduğunu inceledik. Göreli (yüzde) değişiklikler dikkate alındığında, hesaplama deneylerinin sonuçları Şekil 8-1 ila 8-4'te gösterilmektedir. Şekiller 8-5 ila 8-8 aynı kavramları gösterir, ancak değişiklikler mutlak terimlerle ifade edildiğinde. Son olarak, Şekil 8-9, WPM kullanıldığında bazı özel sonuçları göstermektedir. Bu çalışmada, WSM, WPM, AHP ve ideal mod (revize edilmiş) AHP yöntemini kullanarak her bir sorunu çözdük. Her şekildeki dört eğri, kullanılan üç farklı MCDM yönteminin her birinin sonuçlarını ve ideal AHP modu için bir eğriyi temsil eder. En derin gözlem, tüm MCDM yöntemlerinin neredeyse aynı sonuçları üretmesidir. Bu, Şekil 8-1 ila 8-8'deki eğrilerinin birbirine çok yakın olmasıyla gösterilir. Şekil 8-1 ila 8-8, kritik değişikliklerin yüzdeler (Le., Göreli terimlerle) veya mutlak terimlerle ifade edilmesinin önemli bir fark yarattığını göstermektedir. Değişiklikler yüzde olarak ifade edildiğinde, daha sık olarak en yüksek ağırlığa sahip kriter en kritik kriterdir. Bu, hem kritik kriter kavramı, en üstteki alternatifin sıralamasındaki değişiklikler hem de herhangi bir alternatifin sıralamasındaki değişiklikler açısından tanımlandığında geçerlidir. Bu, Şekil 8-1'i Şekil 8-2 ile ve Şekil 8-3'ü Şekil 8-4 ile karşılaştırdığında belirgindir. Tam tersi durum, mutlak değişimlerdeki değişim tanımlandığında ortaya çıkar. Yani, şimdi daha sık olarak en kritik kriter, en düşük ağırlığa sahip kriterdir. Şekil 8-5 ila 8-8, ilgili sonuçları göstermektedir. Beklendiği gibi, herhangi bir ağırlığın (en yüksek veya en düşük dahil) duyarlılık önemi, bir problemdeki karar kriterlerinin sayısı arttıkça giderek azalmaktadır. Aslında, değişiklikler göreceli olarak ölçüldüğünde (Le., Yüzde olarak), en düşük ağırlık 10'dan fazla kriter içeren problemlerde neredeyse hiç de hassas değildir. Öte yandan, alternatiflerin sayısı sadece küçük bir pratik etkiye sahiptir. Bu, alt eğrinin 3 alternatifli sorunlara ve üst eğri 21 alternatifli sorunlara karşılık geldiği Şekil 8-11 ve 8-12'de belirtilmiştir. Bu noktada ortaya çıkan soru, bir karar vericinin ne tür değişiklikleri göz önünde bulundurması gerektiğidir: Yüzde olarak tanımlananlar mı yoksa mutlak tenusla tanımlananlar mı? Burada yüzde değişimlerinin en anlamlı olanlar olduğu tartışılabilir. Sonuçta, 0.03 gibi bir değişiklik, kişi aynı zamanda başlangıç değerinin ne olduğunu da düşünmedikçe pek bir anlam ifade etmez (örneğin, başlangıç değeri 0,95'e veya 0,05'e eşit miydi). Şekil 8-9, AT ve PT tanımlarının aynı kritere ne sıklıkla işaret ettiğini göstermektedir. Lütfen bu durumun daha önce analiz edilen bazı açıklayıcı örneklerde de meydana geldiğini hatırlayın. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (39) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (39) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (38) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. WSM Vakası İçin Kapsamlı Bir Sayısal Örnek Dört alternatif AI 'Az, A3 ve A4 ve dört karar kriteri C1, Cz, C3 ve C4 üzerinde tanımlanan bir MCDM problemini düşünün. Aşağıdaki Tablo 8-1'in, WSM (veya bir hiyerarşik seviyeli AHP) yöntemi kullanıldığında karşılık gelen karar matrisi olduğunu varsayalım. WSM tarafından gerekli olmasa da (ancak AHP tarafından gerekli görülmesine rağmen) verilerin bire kadar toplanacak şekilde normalleştirildiğine dikkat edin. WSM'yi uygulamak istediğimizi varsayalım (AHP durumu aynıdır çünkü veriler zaten normalleştirilmiştir). Daha sonra, formül (2- 1) kullanılarak Bölüm 2.2.1'de, dört alternatifin nihai tercihleri ​​ve bunlara karşılık gelen sıralaması gösterildiği gibidir. Bu nedenle, PI ~ P2 ~ P3 ~ P4 ilişkisi devam eder ve sonuç olarak en çok tercih edilen alternatif AI'dır 'Şimdi dört kriterin ağırlıklarına göre C1 kriterinin en önemlisi olduğu gözlenebilir. Mevcut ağırlık WI 'değerini değiştirmek için gerekli minimum değişiklik 0 /, / .3, böylece iki alternatif Al ve A3'ün mevcut sıralaması tersine çevrilir, Teorem 8-1'in ilişkisi (8-4a) kullanılarak bulunabilir.  Bu miktar -0.3807, WI'dan (= 0.3277) küçük olduğu için (8-4b) koşulu karşılar. Bu nedenle, bu durum için ilk kriterin (normalleştirmeden önce) değiştirilmiş ağırlığı W * I şuna eşittir: w * J = [0,3277 - (-0,3807)] = 0,7084. Tüm olası kriter kombinasyonları ve alternatif çiftleri için yukarıdaki gibi çalışan Tablo 8-3 türetilmiştir. Daha sonra, Tablo 8-4 göreceli terimlerdeki değişiklikleri göstermektedir (yani, Teorem 8-1'deki ilişki (8- 4a) kullanılarak hesaplanan flk, i, j değerleri). Tablo 8-3'teki negatif değişimlerin artışları, pozitif değişimlerin ise düşüşleri gösterdiği görülmektedir. Ayrıca değişikliklerin (yüzdeler veya mutlak olarak) normalizasyondan önce verildiği fark edilebilir. Her iki tablodaki koyu renkli sayılar minimum kritik değişiklikleri gösterir (aşağıdaki paragraflarda açıklandığı gibi). Yüzde Üst (PT) kritik kriteri, Tablo 8-4'te alternatif A ile ilişkili tüm satırların en küçük göreli değerine (yani en iyi alternatif) bakılarak bulunabilir. Bu tür en küçük yüzde (yani,% 64.8818), Al ve A2 alternatiflerinin çifti dikkate alındığında, kriter C3'e karşılık gelir. Kriter C3 için mevcut ağırlığının% 64.8818 oranında azaltılması A2'yi en çok tercih edilen alternatif yapacak ve Al artık en iyi alternatif olmayacaktır. Yüzde-Herhangi (PA) kritik kriteri Tablo 8-4'ün tamamındaki en küçük bağıl rlk, i, j değerine bakılarak bulunabilir. Bu kadar küçük değer {/ 3,2,3 =% 9,1099'dur ve (yine) C3 kriterine karşılık gelir. Bu nedenle, PA kritik kriteri C3'tür • Son olarak, burada en kritik kriterin her iki tanımının da bu sayısal örnekte aynı kriteri (yani kriter C3) göstermesinin bir tesadüf olduğuna dikkat edilmelidir. Bu noktada, bir karar verici mutlak değişimlerde en kritik kriteri tanımlamak isterse, o zaman önceki iki tanım Yüzde-Üst (PT) ve Yüzde-Herhangi (PA) kritik kriteri Mutlak-Üst'e karşılık gelir. Sırasıyla (AT) ve Mutlak-Herhangi (AA) kritik kriteri. Tablo 8-3'ten, AT kriterinin C4 olduğu ve ayrıca tesadüfen AA kriterinin C4 olduğu kolayca doğrulanabilir (karşılık gelen minimum değişiklikler kalın harflerle gösterilmiştir). Daha sonra, Bölüm 8.3.3'te, bazı hesaplama sonuçları, en kritik kriterin çeşitli alternatif tanımlarının ne sıklıkla aynı kritere işaret edebileceğini göstermektedir. Tanım 8-4 kullanıldığında, Tablo 8-4'ten dört kriterin kritiklik dereceleri şöyledir: VI = 1-19.13341 = 19.1334, V z = 48.7901, V3 = 9.1099 ve V 4 = 32.5317. Bu nedenle hassasiyet, dört karar kriterinin katsayıları (Tanım 8-5'e göre): sens (CI) = 0.0523, (Cz) = 0.0205, sens (C3) = 0.1098 ve (C4) = 0.0307 olur. Yani, en hassas karar kriteri C3'tür ve bunu sırasıyla CI, C4 ve Cz kriterleri takip eder. Durum (iz): WPM Yöntemini Kullanma Miktarı belirlemekle ilgilendiğimizi varsayalım ( 1,2 WPM yöntemi kullanıldığında. Bölüm 2.2.2'deki ilişkiye göre (2-2), aşağıdaki oran olduğunda alternatif Al alternatif A2'den daha çok tercih edilir birden büyük veya eşittir. Ayrıca, ilişki (8-1) 'e göre, şu anda PI ~ P2 olduğu varsayılmaktadır • p / ve p / bu iki alternatifin yeni tercihlerini göstersin. Daha sonra, bu iki alternatifin sıralaması tersine çevrildiğinde, tercihlerle ilgili ilişki şu hale gelir: p / <P / 'Bu bölümün Ekinde 01,1,2 miktarının koşulu sağlaması gerektiği gösterilir. Son ilişkinin sağ tarafı, alternatif A2, alternatif Al'den (maksimizasyon durumunda) daha fazla tercih edilecek şekilde kriter CI'nin mevcut ağırlığını WI değiştirmek için gereken minimum değişim değerini verir. Önceki bölümde olduğu gibi, bu miktarın (8-4b) koşulu karşılaması gerekir. Önceki düşünceler kolaylıkla genelleştirilebilir ve bu nedenle aşağıdaki teoremin ispatına yol açabilir. Teorem 8-2: WPM yöntemi kullanıldığında, kritik miktar 0'k, iJ (jor 1 ::: ;; i <j ::: ;; m ve 1 ::: ;; k ::: ;; n) Ai ve Aj alternatiflerinin sıralamasının tersine çevrilmesi için Ck kriterinin mevcut ağırlık Wk'sinin değiştirilmesi gerekir (normalizasyondan sonra). Teorem 8-1'e benzer şekilde, en kritik kriteri belirlemek için toplam n xm (m - 1) kritik değişiklik (Le., F / k, i, j değerleri) hesaplanmalıdır. WPM modeli için önceki tüm teorik değerlendirmeler, aşağıdaki kapsamlı sayısal örnekte daha ayrıntılı olarak açıklanmıştır. WPM Vakası İçin Kapsamlı Bir Sayısal Örnek Dört alternatif AI 'A2, A3 ve A4 ve dört karar kriteri el, e2, e3 ve e4 ile bir karar verme problemini düşünün • Lütfen bu sayısal örneğin ilkinden farklı olduğunu unutmayın (ve takip eden iki örnek ), çeşitli sayısal senaryoların daha geniş bir maruziyetini sağlamak için. Ayrıca, bu kapsamlı sayısal örneklerdeki karar matrisleri, yalnızca tesadüflerin kareleridir (Le., M = n). Önerilen prosedürler, herhangi bir değişiklik yapılmadan herhangi bir boyuttaki karar matrisine uygulanabilir. Ardından, Tablo 8-5'in bu sayısal örnek için karar matrisini gösterdiğini varsayalım. Alternatif A] için (2-2) ile ifade edilen ürün, A] 'yı içeren tüm olası kombinasyonlar için birden büyüktür, bu nedenle en çok tercih edilen alternatif A]' dır. Ayrıca, dört kriterin ağırlıklarına göre, kriter C] en önemli kriter olarak görünmektedir, çünkü bu, en yüksek ağırlığa sahip kriterdir. Daha sonra, iki alternatif A 1 ve A 2'nin mevcut sıralaması tersine dönecek şekilde mevcut ağırlığı w4'ü değiştirmek için gereken minimum miktarı dikkate alıyoruz. K olarak belirtilen (ve% olarak ifade edilen) bu miktar, Teorem 8-2'nin (8-7a) bağıntısı kullanılarak bulunabilir. Bu nedenle, 0 / 4,1,2 değeri K = 'den küçük olmalıdır. (8-7b) koşulunu karşıladığı kolaylıkla doğrulanabildiğinden, bunun uygulanabilir bir değer olduğuna dikkat edin. Benzer bir şekilde, tüm olası K değerleri belirlenebilir. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (38) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (38) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (57) – Ampirik Sonuç – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Ampirik Sonuç Sınıflandırmanın karmaşık problemlerini genişletmek için kombinasyon değerlerinin özelliklerini göstermek için bir dizi tek seçmeli soru tasarlanır ve çoktan seçmeli sorular kullanılır. Kombinasyon değerlerinin özellikleri, karar kurallarının sayısını artıracaktır. Bu çalışma, müşteri ihtiyaçları için 8 kural ve ürün satın almama nedenleri için 4 kural oluşturmuştur. Tablo 19.9 ve 19.10'da sırasıyla müşteri ihtiyaçlarına ve satın almama nedenlerine ilişkin karar kuralları listelenmiştir. Ürün satın almayanların sebepleri şu şekildedir: Ekonomik yetenekleri zayıf olan 25 yaşın altındaki insanlar Yıllık prim neredeyse 10.000 NT $ 'ın altında (313 US $) Satın alma amaçları bağış, yaşam, eğitim ve vergi indirimi Sigorta ürünleri satın alan müşteriler için aşağıdakiler geçerlidir: • En çok satın alınan sigorta ürünü hayat sigortasıdır. • Ortalama yıllık prim ücreti 30.000 ABD Dolarının (938 ABD Doları) altındadır, ancak prim ücreti yaşa göre artar. • Sigorta ürünleri satın alanların çoğu kadın. • Satın almanın amacı bağıştır. • Sigortanın beklentisi prim iadesidir. Tartışmalar Kaba küme teorisi, sınıflandırmayı özniteliklerle aynı değerlere göre işlemek için matematiksel bir yöntem kullanır. Temel kümeler, aralarında aynı derecedeki ilişkiyi ortaya çıkarabilir ve bu da karar kurallarını ortaya çıkarabilir. Kaba küme teorisinin sınırlaması, örneklem dışı verilerin önceki bulgu karar kuralları tarafından tanımlanmamış olmasıdır. Yeni birleştirme verileri kendilerine yeni kurallar oluşturacaktır. Böylelikle, bu ampirik çalışmada karar kurallarının uygulanabilirliğini kontrol etmek için hit testine 50 doğrulama örneklem veri seti eklenmiş ve sonuçlar aşağıda gösterilmiştir; isabet oranı% 100'e ulaşır. Tablo 19.11'den, yeni birleştirme nesnelerinin bu karar sınıfları arasındaki sınıflara hala uyabileceği açıktır. Bu arada, her kuralın açıklaması (veya her kuralın derece doğruluğu) ne kadar geniş olursa, isabet oranı o kadar yüksek olacaktır. Esasen, temel sorun bu deneyde veri seti sınıflandırmasıdır ve kombinasyon değerlerine sahip çoktan seçmeli öznitelikler verilerin ayrık derecesini artırabilir. Birkaç yaklaşım benimsenebilir. Birincisi, sorunu çözmek için değer sınıfı aralığını daraltmak için öznitelik değerlerini yeniden tanımlamaktır. Katılımcıyı yanıltmaktan kaçınmak için, soruda sigorta teorisinin özel terminolojisinin kullanılmasının ihmal edildiğine dikkat edilmelidir. Öznitelik değeri sınıfı yeniden tanımlandıktan sonra, gruplanmamış veri hızı% 79'dan% 53'e düşerek öznitelik değeri sınıfı yeniden tanımlandıktan sonra 194 temel kümenin üretildiğini gösterir, bu 148 kümenin yalnızca bir nesnesi vardır. Bu, öznitelik değeri sınıfının yeniden tanımlanmasının temel kümelerin sayısını 246'dan 194'e düşürdüğünü gösterir. Bu çalışmada karşılaşılan benzersiz veriler, kendi başına ayrı bir sınıfa sınıflandırılır. Koşul bölümündeki karar kuralıyla ilgili veri setlerinin içeriğini anlamak zordur. Aksine, karar kısmında çok fazla benzersiz veri (birçok temel kümede oluşturulmuş) gibi karar kurallarının sayısı artacaktır. Çok fazla karar kuralı üretilirse, bu karar vericiye faydalı olmayacaktır. Tek bir nesne kümesi koşul bölümünde olduğundan, karar sınıflarından biriyle eşleşecek ve daha düşük yaklaşımı artıracaktır. Alt yaklaşımın yanı sıra üst yaklaşım da artırılır. Yanlış görüntü olan daha yüksek bir sınıflandırma oranı verir. Daha yüksek sınıflandırma oranı, sınıftaki nesnelerin bu nesnelerin koşul öznitelikleri arasında daha yüksek bir bağımlılığa sahip olabileceğini gösterir. Aşağıda görüldüğü gibi, 148 set (sınıf) bazı karar sınıflarına eklenecek tek bir nesneye sahiptir ve alt ve üst yaklaşım artırılacaktır. Ancak bu, yanlış bir yaklaşıklık oranı verir. Ek olarak, her öznitelik değerinin sayısı sınıf numarasını etkileyebilir, bu da her öznitelik için aynı büyüklükte değer kümesinin verilerin sınıflar halinde gruplanmasına katkıda bulunacağını düşündürür. Başka bir yaklaşım, kaba küme teorisinin bulanık teori, yapay sinir ağı teorisi, genetik algoritmalar (GA), genetik programlama (GP) gibi diğer yöntemlerle birlikte uygulandığı hibrit sistem olarak adlandırılır. Hassan ve Tazaki 2001; Huang ve diğerleri 2005). Kaba küme teorisinin çoktan seçmeli sorulara dahil edilmesinin araştırılması yukarıda özetlenmiştir; temel setlerin sayısını önemli ölçüde etkiler. "Uzmanlar" kullanılarak kabaca belirlenmiş kurallarda türetilen bir sınırlama olduğundan, ön işleme görevlerinde verilerin derlenmesine uzmanların katkılarının önemi göz ardı edilemez. Farklı uzmanlar, bir uzmana aşırı güvenmek olarak karar verme konusunda farklı görüşlere ve tercihli tutumlara sahip olabilir. Öte yandan, yeniden sınıflandırılan değer sınıfları, kural tanımlama hassasiyetini azaltacaktır. FUSINTER tekniği ve VPRS gibi, kaba küme teorisinin test edilebilirliğini artırabilecek nitelik (özellik) çıkarımı için başka yöntemler de olabilir (Beynon ve Peel 2001). Şimdilik, kombinasyon değerleri sorusu odaklanmıştır ve değerleriyle birlikte optimal olarak ayrık niteliği, derinlemesine araştırma için bir konu olabilir. Sonuçlar Bu çalışma, sonuçların Tayvan'daki sigorta pazarının gerekliliklerine uygun olduğunu göstermektedir. Bir anketin sonuçlarından aşağıdaki bulgular çıkarılır: • Sigorta alıcılarının çoğu bayandır. • 25–35 yaş en yüksek sigortalı sınıftır. • Sigortanın amacı bağıştır. • Kabul edilebilir yıllık prim 19.999 NT $ 'ın (625 US $) altındadır. • En çok satın alınan sigorta ürünleri hayat sigortasıdır. • Bekleyen, prim iadesi. Çoktan seçmeli soru, temel setlerin sayısını etkileyecektir. Girdi verilerini ön işleme görevinde uzmanın katkısı önemlidir. Yeniden tanımlanan öznitelik değerlerinin temel kümeleri daraltabileceğini ve bir nesnenin çok fazla kümesinin sınıflandırma doğruluğunu azaltacağını gösteriyoruz. Ek olarak, her nitelik değerinin sayısı sınıf numarasını etkileyebilir. Ayrıca, çoktan seçmeli sorular birçok kombinasyon değerine sahip olabilir. Bir sorunun cevabının karakterleri benzersizse, yeniden sınıflandırma iyi sonuç vermeyecektir. Burada, kaba küme teorisini kullanmanın öznitelik kombinasyon değerleri altında çok fazla kuralın eksikliklerini çözebilecek olan, kural çıkarımı yapmak için GP ile birleştirilmiş kaba küme teorisi olan bir hibrit sistem öneriyoruz. Bu, daha fazla çalışmanın konusu olacaktır. Örnek : Alan Yaş (c1) Cinsiyet (c2) Meslek (c3) Amaç (c5) Satın alınan ürünler (c6) Kabul edilebilir prim (c7) Kuzey bölgesi; Kuzeydoğu bölgesi 19-76 Kadın; erkek Öğrenci; çalışan; çalışan; emekli... Bağış; hayat; Eğitim; sağlık; vergi tasarrufu; diğerleri Hayat Sigortası; sosyal sigorta; grup sigortası 100.000 Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (37) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (37) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (56) – Kurumsal İntranet Web Siteleri İçin Bulanık İntegral – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Sunulan makalelerin çoğu, sigorta denetimleri, ürün kabul edilebilirliği, satın alma kanalı çalışmaları ve müşteri satın alma isteğini ve müşteri memnuniyetini araştırma metodolojisini ele almaktadır. Araştırmacılar, sosyal parametreler olan tartışılan parametreleri basitleştirmek için sigorta sorularını ölçüyorlardı ve verileri analiz etmek için kullanılan ortak ölçü istatistiksel araçlardı. Bu yaklaşım, yalnızca net veri kümeleri türleri ve veri kümelerinin kesinliği için daha iyidir. Sürekli veri kümeleri ve belirsiz veri kümeleri dahil edildiğinden bulanık bir teori uygulanır. Bu çalışmada veri içeriklerini ve özelliklerini analiz etmek için kaba küme teorisi uygulanmıştır. Kaba küme kuramı, Pawlak (1982) tarafından geliştirilmiş ve bulanık kuramın gerektirdiği gibi, ön varsayım üyelik işlevlerine ihtiyaç duymadan, net veri kümelerini ve bulanık veri kümelerini işleyebilen kural tabanlı bir karar verme tekniği haline gelmiştir. Kaba küme teorisi ayrıca belirsizlik, belirsizlik ve algılanabilir veri kümeleriyle de ilgilenebilir. Algılanabilir veri tanıma, bir konu için çeşitli kombinasyon seçeneklerine sahiptir. Şimdiye kadar, kaba küme teorisini kullanan kombinasyon seçenekleri hakkında çok az tartışma yapıldı. Bu çalışmada, aralarındaki ilişkiyi araştırmak için kaba küme teorisini uygulamak için tek seçenekli ve çoktan seçmeli sorulardan oluşan bir anket tasarlanmıştır. Uzman bilgisi kullanılarak, çoktan seçmeli soruların değer sınıfı, karar verme prosedüründe yararlı olan değer karmaşıklığını basitleştirmek için yeniden sınıflandırılır. Bu çalışmanın amacı, sigorta pazarlamasının karar vermesinde ihtiyaçların karşılanması için özelliklerden / niteliklerden kaynaklanan kombinasyon değerlerini uygulayarak yaklaşım doğruluğunun etkisini tartışmaktır. Sonuçlar, sigorta piyasasının gerekliliklerine uygun olduğunu ve müşterinin beklentisinin prim iadesi olduğunu ve sigorta ürünleri satın alanların çoğunun kadın olduğunu göstermektedir. Açıklayıcı Ampirik Çalışma: Sigorta Yapma Örneği Pazarlama Kararları Bu bölüm, sınıflandırma problemini tek ve çoktan seçmeli sorularla sigorta anketi aracılığıyla keşfetmek için kaba küme teorisini uygular. Ardından, yaklaşım doğruluğunu artırmak ve karar kurallarını iyileştirmek için uzmanın bilgisi ile yeniden sıkıştırma yöntemini öneriyoruz. Problem Açıklamaları 2002 yılında, Tayvan'ın hayat sigortası pazar payı ve ortalama sigortalı insanlar sırasıyla% 135 ve 158'e ulaştı. İdari kanunlarda yapılan değişiklikler nedeniyle, hayat dışı sigorta şirketlerinin sağlık sigortası pazarında rekabet etmesine izin verilmektedir. Oldukça rekabetçi koşullar altında, pazara erişmenin ve pazar payını genişletmenin en iyi yolu, iyi tasarlanmış anketlere dayanan potansiyel müşterilerden gerekli bilgileri elde etmektir. Müşteri ile sigorta şirketi arasındaki ilişkinin özellikleri, müşteri memnuniyeti ve şirket hizmeti bilgilerinden anlaşılabilir. Endüstriler tarafından sağlanan hizmet, artık iş teşviki için ek bir değer olarak görülmemektedir; Başarılı bir işletme, müşterinin gerçek ihtiyaçlarını karşılamalı, ancak aynı zamanda performansı artırmak için diğer iş stratejileri ve / veya önlemleriyle birleşmelidir. Bu sadece Tayvan için değil, aynı zamanda küresel olarak kritik bir araştırmadır. Bu çalışmada, sigortanın amacı, satın alınan ürünler, kabul edilebilir prim, satın alma beklentisi, ürün satın almama nedenleri gibi bir dizi soru tasarlanmış ve anket sonuçları katılımcıların kişisel özellik verileri ile birleştirilmiştir. satın alma eğilimlerini, motivasyonu ve ürünleri satın almama nedenlerini araştırmak. Ampirik Süreç Anket, Tayvan'ın Kuzey ve Kuzeydoğu bölgelerinde kullanıldı. Toplam 420 anket örneğinden 324 tamamlanmış anket örneği alındı. Bu 324 nitelikli cevaptan 280 kişi sigorta ürünü satın almış ve 44 kişi satın almamıştı. Bu sorular, demografik özellikleri (ör. Yaş, cinsiyet, vb.) Ve yanıtlayanın duygularına ilişkin verileri içerir. Geleneksel istatistiklerden veya bulanık kümelerden farklı olarak, kaba küme teorisinin en büyük avantajı, verilerin dağıtımını üstlenmesi veya bir değişkenin üyelik işlevini tanımlaması gerekliliği, veriler için herhangi bir varsayım varsaymamasıdır. Bu ampirik çalışmayı göstermek için, karar kurallarının doğruluğunu test etmek için 50 doğrulama örnek verisi eklenmiştir. Müşteri İhtiyaçlarının ve Satın Almama Nedeninin İncelenmesi Uzman bilgisi, yedisi koşul özniteliği ve biri karar özniteliği olmak üzere sekiz özniteliği içeren öznitelik çıkarımını işlemek için kullanılır. Çoklu seçim özellikleri şunları içerir: • Satın alma beklentisi (d1) • Satın alınan ürünler (c6): Müşterinin ne tür ürünler satın aldığı • Satın alma amacı (c5): hangi amaçla ürün satın almak  Tablo 19.2'de, parantez içinde öznitelik adının ardından, kağıdın daha kolay okunmasını sağlayacak yedek ad yer alır. Sınıflandırma oranını iyileştirmek için, uzman bilgisi kullanılarak değer sınıfı yeniden tanımlanır (sonuçlar Tablo 19.2'de gösterilmektedir) ve nitelikler için değer kümeleri için nominal bir ölçek kullanılır. Orijinal nitelik spesifikasyonu Ek 19.1'de gösterilmektedir. Toplam 246 temel kümeden yalnızca bir nesneye sahip 220 küme vardır, bu da toplam verilerin% 79'unun sınıflandırılamayacağını ve aralarında hiçbir ilişki bulunmadığını göstermektedir. Öznitelik değeri sınıfını yeniden tanımladıktan sonra, toplam temel küme sayısı 194'e düşmüştür; sonuçlar Tablo 19.3'te gösterilmektedir. Koşul özniteliklerindeki azalmanın, niteliklerin birbiri ardına kaldırılmasıyla sonuçlandığı ve koşul özniteliklerinde "indirgeme" işlenirken ilk koşul kümeleriyle orijinal küme sayısı arasındaki benzerliği kontrol ettiği açıktır. Bu nitelik, sanki set numarası orijinal set numarasıyla aynıymış gibi (Tablo 19.4'te görüldüğü gibi) aşırı bir niteliktir. Gereksiz öznitelik bulunmaz, yalnızca bir indirgeme kümesi oluşturulur ve çekirdek kümesi, indirgeme kümesi ile aynıdır, yani {Alan, c1, c2, c3, c5, c6, c7}. Sınıflandırmanın doğruluk oranı 0.73'tür. Bir nesnenin 148 setini kaldırarak ve doğruluk oranını yeniden hesaplayarak, oran Tablo 19.5'te gösterildiği gibi 0.21'e düşürülecektir. Deneyde satın alınmayan ürünlerin sonuçlarına gelince, Tablo 19.6'da görüldüğü gibi, altı koşullu özellik ve bir karar niteliği olmak üzere yedi nitelik oluşturulmuştur. Orijinal nitelik spesifikasyonu Ek 19.2'de gösterilmektedir. Koşul kümeleri ile karar kümelerinin karşılaştırmasının sonuçları Tablo 19.7'de listelenmiştir. İşlemeden sonra gereksiz özniteliğin kaldırılması, 32 koşul kümesi ve 4 karar kümesi verir. Koşullu öznitelikler için gereksiz öznitelik üretilmez, ancak bir indirgeme kümesi oluşur ve çekirdek kümesi, {Alan, c1, c2, c3, c4, c5, c7} olan indirgeme kümesi ile aynıdır. Tablo 19.7, toplam verilerin% 56'sının gruplanamayacağını belirten tek bir nesne içeren 24 koşul seti setini listelemektedir. Satın alınmayan ürünler için sınıflandırma doğruluk oranı 0,79'dur. Bir nesnenin setlerini kaldırarak, sınıflandırma doğruluk oranı 0,42'ye düşer. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (36) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (36) – İKİ ANA DUYARLILIK ANALİZİ PROBLEMİNİN AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (35) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Açıkça, bir önceki yazıdaki matris, ilk yaklaşımla türetilen matris ile aynıdır. Bununla birlikte, ikili yaklaşımda karar vericinin, toplam 28 (= 3 (3-1) / 2 + 5 [3 (3-1) /) gerektiren 5 (yani 1 + 3 + 1) yargı matrisi oluşturması gerekiyordu. 2] + 5 (5-1) / 2) ikili karşılaştırma. Bu, ilk yaklaşımda gerekli olan ikili karşılaştırmaların toplam sayısından% 15.14'lük bir azalmayı temsil etmektedir. Bu azalma çok önemli görünmese de, alternatiflerin sayısı karar kriterlerinin sayısından çok daha fazla olduğunda, ikili yaklaşımı kullanmanın faydaları önemli ölçüde artar. Bu, bir sonraki bölümde sunulan sayısal sonuçlarda daha ayrıntılı incelenecektir. FARKLI BOYUTLARDAKİ PROBLEMLER İÇİN BAZI SAYISAL SONUÇLAR İlkel ve ikili yaklaşımlar altında gerekli olan toplam karşılaştırma sayısını ve bunların net farkını hesaplayan (7-5), (7-6) ve (7-7) ifadelerini ele alalım. Şekil 7-1, 7-2, 7-3 ve 7-4, karar kriteri n sayısı sırasıyla 10, 15, 20 ve 25'e eşit olduğunda bu değerleri gösterir. Bu ifadelerde de gösterildiği gibi, bu fonksiyonların değerleri m'nin değeri (yani alternatiflerin sayısı) ile ikinci dereceden artar. Dahası, Sonuç 7-1'in koşulu karşılandığında (yani, m> n + 1 olduğunda), dualiteye bağlı net düşüş pozitiftir. Burada, bu dört temsili grafiğin tümünde, ikili problem için karşılaştırma sayısının, alternatiflerin sayısı ile neredeyse doğrusal olarak arttığını gözlemlemek de ilginçtir. Bu, elbette ikili yaklaşımın kullanılması için gerekli olan karşılaştırma sayısının güzel bir özelliğidir. Önceki gözlem, bu çalışmada ele alınan m ve n parametrelerinin aralıkları için geçerlidir. Önceki rakamlardan ve analizlerden, alternatiflerin sayısı 35'ten fazla ise, ikili yaklaşım kapsamındaki karşılaştırmaların sayısının daha ikinci dereceden bir artış oranı varsayacağı anlaşılmaktadır. Bununla birlikte, gerçek hayattaki sorunların çoğunun 35'ten daha az alternatif içerdiği makul bir şekilde tartışılabilir (bu, önceki grafiklerde üst sınırdır). Öte yandan, geleneksel (asal) yaklaşım altında gerekli olan karşılaştırma sayısı, bu rakamlarda ikinci dereceden fark edilir şekilde artmaktadır. Önceki gözlemler, yaklaşımının, nitel verileri ortaya çıkarmak için ikili karşılaştırmaları kullanan çoğu gerçek hayattaki karar problemleri için önemli ölçüde faydalı olmasının zorlayıcı bir nedenidir. Farklı boyut problemleri için ikili yaklaşım uygulandığında elde edilen karşılaştırmaların (ifade (7-4) olarak verilmiştir) sayısındaki net azalmayı göstermektedir. Şekil 7-6, çeşitli boyutlardaki problemlerde ikili yaklaşım kullanıldığında elde edilen yüzde (%) azalmaları göstermektedir. Daha önce olduğu gibi, bu artışlar karar problemlerinin boyutuna ilişkin ikinci dereceden modelleri takip etmektedir. Şekil 7-6'da, alternatiflerin sayısı arttığında, indirgeme oranlarının sabit bir değere yakınsadığı göze çarpmaktadır. Açıkçası, bu Corollary 7-2 ile doğrudan uyum içindedir. SONUÇLAR Önceki analizler, m alternatifi ve n kriteri olan bir MCDM problemini çözmek için gereken karşılaştırma sayısının, alternatiflerin sayısı kriter sayısı artı birden önemli ölçüde daha fazla olduğunda önemli ölçüde azaltılabileceğini göstermektedir. Bu, dualite yaklaşımı açısından başarılır. Bu yaklaşımda karar verici, kriterlerin her seferinde tek bir alternatifte ne kadar iyi performans gösterdiğini karşılaştırır. İkili karşılaştırmaları uygulamanın geleneksel yönteminde, karar vericiden alternatifleri bir seferde tek bir kriter açısından karşılaştırması veya bir dizi kriteri karşılaştırması (göreli önem ağırlıkları çıkarıldığında) istendiğine dikkat edilmelidir. Gerekli toplam ikili karşılaştırma sayısında elde edilen azalmalar bazı analitik formüllerle verilmiştir. Bu çalışmanın temel bulguları da birkaç şekilde tasvir edilmiştir. Burada, sorunun boyutu büyüdükçe bu azalmaların daha dramatik hale geldiğini vurgulamak dikkat çekicidir. Böylece önerilen dualite yaklaşımı, büyük boyutlu karar problemleri için daha pratik hale gelir. Dualite kavramı, karar bilimlerinde (örneğin, doğrusal programlamada) eski bir kavram olmasına rağmen, önerilen dualite yaklaşımı, MCDM problem çözmede yeni bir gelişmedir. Önerilen yöntem AHP'ye veya varyantlarına ve ayrıca karar vericilerden nitel veya bulanık veriler elde etmek için ikili karşılaştırmaları kullanan diğer herhangi bir yönteme uygulanabilir. İlginç bir soru, bu dualite yaklaşımının farklı ikili karşılaştırmalara nasıl genişletileceğidir (Bölüm 5'te tanımlandığı gibi). Diğer bir amaç, bu sonuçları, karar kriterlerinin organize edilme biçimindeki birden çok hiyerarşiye sahip sorunlara genişletmek olabilir. Bu ilgi çekici alanda daha fazla araştırma, belirli bir MCDM sorununun ikili formülasyonundan elde edilen bilgileri kullanmanın daha fazla faydasını ortaya çıkarabilir. MCDM YÖNTEMLERİ İÇİN DUYARLILIK ANALİZİ YAKLAŞIMI ARKA PLAN BİLGİLERİ Doğrusal programlama, envanter modelleri ve yatırım analizi gibi bazı yöneylem araştırması ve yönetim bilimi modelleri için duyarlılık analizi üzerine önemli araştırmalar vardır (örneğin, [Wendel, 1992] ve [Triantaphyllou, 1992]). Bununla birlikte, deterministik MCDM modelleri için duyarlılık analizi üzerine araştırmalar oldukça sınırlıdır. İlgili literatüre kısa bir genel bakış [Triantaphyllou ve Sanchez, 1997]) 'de bulunabilir. Simon French [1986; ve 1989] duyarlılık analizinin karar vermedeki rolünü vurguladılar. Yargıları modellemedeki bazı zorlukların üstesinden gelmek için etkileşimli karar yardımcılarının kullanımının bir analizini yaptı. İncelenen modeller deterministik yerine çoğunlukla stokastikti. Ayrıca, daha iyi ve daha genel duyarlılık analiz araçlarına sahip olmanın önemini vurguladı. Ayrıca, [1989] 'da French ve Rios Insua, rakipleri mevcut bir optimal çözüme belirlemek için bir mesafeyi en aza indirme yaklaşımı kullandılar. RiosInsuainhisseminalbook [1990] tarafından açıklanan çok amaçlı karar vermede duyarlılık analizi için bir metodoloji. Tehdit tedavisi, karar vermede geleneksel Bayesci yaklaşımın sonuçlarını genişleten duyarlılık analizi için genel bir çerçeve sundu. Kısmi ve / veya şüpheli verileri kullanan durumlara vurgu yapılır. Ayrıca, bu çalışma "düz maksimum ilkesinin" neden geçerli olmadığına dair bir analiz içermektedir. Rios Insua [1990] kitabı ayrıca SENSATO'nun açıklamasını da içerir; karar yardımcıları için bir duyarlılık analizi paketinin bir prototip kitaplığı. Ancak, bu bölüm verilerin stokastik olmadığını varsayar ve belirleyici bir ÇKKY ortamında karar kriterlerinin ağırlıkları ve alternatiflerin performans ölçütlerine ilişkin duyarlılık analizi konusuna odaklanır. AHP kullanıldığında duyarlılık analizinde yeni bir gelişme Masuda [1990] 'dan kaynaklanmaktadır. Bu çalışmada Masuda, karar matrisinin tüm vektörlerindeki değişikliklerin alternatiflerin sıralaması üzerindeki etkisini inceledi. Yazar, çok düzeyli ,iyerarşi olarak da değerlendirmiştir. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (35) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (35) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (34) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (34) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (33) – ÇİFTLİ KARŞILAŞTIRMALARIN AZALTILMASI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. ÇİFTLİK YAKLAŞIMI İLE ÇİFTLİ KARŞILAŞTIRMALARIN AZALTILMASI ARKA PLAN BİLGİLERİ Önceki bölümlerde tartışıldığı gibi, bir MCDM problemi için nitel verileri ortaya çıkarmak için çekici bir yaklaşım, ikili karşılaştırmaları kullanmaktır. Daha sonra, bir karar vericinin bir dizi ikili karşılaştırma yoluyla n birimin göreceli önceliklerini veya önem ağırlıklarını ortaya çıkarmak istediğini varsayalım. Daha önce olduğu gibi, bu n birim karar kriterleri veya bazı MCDM problemlerinde tek bir karar kriteri açısından incelenecek alternatifler olabilir. Ardından, Bölüm 3'te gösterildiği gibi, karar vericinin n (n-l) / 2 ikili karşılaştırmasının değerini ortaya çıkarması gerekir. Bu nedenle, bir MCDM problemi m alternatif ve n karar kriterini içeriyorsa (bu noktada birden fazla hiyerarşik seviye dikkate alınmaz), gerekli ikili karşılaştırmaların toplam sayısı n (nl) / 2 + n (m (ml) 'ye eşittir.  Bu sayı, orta dereceli m ve n değerleri için bile oldukça büyük olabilir. Gerekli ikili karşılaştırmaların miktarı hakkında bir fikir edinmek için, 15 alternatif ve 10 karar kriteri ile basit bir MCDM problemi durumunu ele alalım. Yani, şimdi m = 15 ve n = 10'umuz var. O halde, gerekli karşılaştırmaların toplam sayısı 1.095'e eşittir. Yukarıdaki tartışmadan, m ve n'nin değerleri arttıkça bu sayının ikinci dereceden arttığı anlaşılmaktadır. Bu bölüm, alternatiflerin sayısı karar kriterlerinin sayısı artı birden (Le., M> n + 1 olduğunda) fazla olduğunda, gerekli ikili karşılaştırmaların toplam sayısını azaltmak için bir yaklaşım sunmaktadır. Bu, ikili karşılaştırmaların ortaya çıkarılma biçiminde bir dualite yaklaşımı ile elde edilir. Bu gelişmeler ilk olarak [Triantaphyllou, 1999] 'da bildirilmiştir. Önerilen dualite yaklaşımı bir sonraki bölümde sunulmuştur. Bu bölümün üçüncü bölümü, bu yaklaşımı kapsamlı bir sayısal örnekle göstermektedir. Dördüncü bölüm, bu yaklaşımın faydalarını vurgulayan bazı sayısal sonuçlar sunmaktadır. Bazı son açıklamalar ve olası genişletme alanları son bölümde sunulmuştur. KOMİSYONLARI AÇMAK İÇİN ÇİFTLİK YAKLAŞIMI İlk olarak Bölüm 3'te bahsedildiği gibi, ikili karşılaştırmalar, tek bir karar kriteri açısından incelendiklerinde bir seferde iki alternatifin göreceli performansı hakkında karar vericiden bilgi alır. Dahası, bu tür karşılaştırmalar, bir hiyerarşideki karar kriterlerinin veya alt kriterlerinin göreli öneminin önemini çıkarmak için kullanılabilir. Bu şekilde karar verici, alternatiflerin göreceli performansını belirli bir kriter veya bir dizi kriterin nispi ağırlıkları açısından belirleyebilir. Böylece, karar matrisinin sütunları normalleştirilmiş olarak türetilir. Bu normalleştirme genellikle her sütunun girişini o sütundaki girişlerin toplamına bölerek gerçekleşir. Bu durumda toplamları bire eşittir. Alternatif bir yol, her girişi ait olduğu sütunun en büyük girişine bölmektir. Bu, Belton ve Gear [1983] tarafından önerilen orijinal AHP'nin ana modifikasyonudur ve biz buna revize edilmiş AHP diyoruz. İki alternatif düşünüldüğünde, karar vericiden aşağıdaki sorunun cevabını en iyi şekilde açıklayan bir dizi ifadeden en iyi dilbilimsel ifadeyi seçmesi istenir (genel terimlerle tanımlanmıştır): "Alternatif Aj'in göreceli önemi nedir? Karar kriteri açısından alternatif Aj ile karşılaştırıldığında sonuç ne olur?" Daha sonra, karar verici tarafından seçilen dilbilimsel ifade, önceden belirlenmiş bir ölçeğe göre (Bölüm 3'te açıklananlar gibi) bazı sayısal değere atanır. [Triantaphyllou, 1999] 'da açıklanan ikili yaklaşımda, önceki soru farklı bir format alır. Aynı anda iki alternatifi karşılaştırmak yerine, artık iki karar kriterinin göreceli performansı, belirli bir alternatif bağlamında incelenmektedir. Yani, şimdi tipik soru şu formattadır: "Cj kriterinin o f alternatif At açısından q kriteriyle karşılaştırıldığında göreceli önemi nedir?" Gerçekte, önceki soru türü yeni değildir. İkili karşılaştırmaların değerini ortaya çıkarmanın geleneksel yolu olarak, karar vericiden aynı anda iki kriteri karşılaştırması istenir. Şimdi karar vericiden aynı şeyi tek seferde tek bir alternatifin etki alanı içinde yapması isteniyor. Bu noktada, bir karar vericinin, değerlendirilecek alternatifleri akılda tutmadan nadiren bir dizi kriteri incelediği ve bunun tersi mantıklı bir şekilde tartışılabilir. Diğer bir deyişle, belirli bir ÇKKY probleminde kriterler ve alternatifler anahtar varlıklar olduğundan, karar verme sürecinde bunları her zaman aynı anda odakta tutmak gerekir. Örneğin, bir ürün satın alırken "maliyet" ve "işlevsellik" iki kriteri dikkate alınırsa, sorun bir TV seti veya yeni bir ev satın almaksa, bu iki kriter farklı görece öneme sahiptir. İlk durumda,% 20'lik bir fiyat değişikliği o kadar kritik olmayabilirken, yeni bir ev satın alma durumunda% 20'lik bir fiyat değişikliği daha zararlı olabilir. Bu nedenle, kriterlerin ve alternatiflerin mükemmel bağımsızlığının nadiren var olduğu önermesini kabul etmek de doğaldır. Bu, karar analizi camiasında oldukça tartışmalı bir konudur ve farklı yazarlar farklı görüşler ifade etmişlerdir. Bu nedenle, önerilen karşılaştırma sorusu formatının kullanımı tamamen yeni değildir. Karar verici belirli bir alternatif için tüm olası karşılaştırmaları ortaya çıkardığında, bu karar matrisinin ağırlık vektörü, karar matrisinin normalleştirilmiş bir satırına (geleneksel yaklaşıma sahip bir sütunun aksine) karşılık gelir. Bu nedenle, önceki tür ikili karşılaştırmaları kullanarak karar verici, karar matrisinin tüm satırlarını normalleştirilmiş bir şekilde belirleyebilir (yani, her satırdaki öğeler bire kadar toplanır veya maksimum girişe bölünür). (i = 1,2,3, ..., mandj = 1,2,3, ..., n), bir m dizisi aracılığıyla her satıra göre normalleştirilmiş karar matrisindeki (i, j) girişini belirtir. ikili karşılaştırmalarla tanımlanan yargı matrisleri. Şimdi, n xn boyutunda m yargı matrislerinin oluşturulması gerektiği, geleneksel (ilkel) yaklaşımda her biri mXm boyutunda n tane bu tür matris olduğu fark edilebilir. Lütfen tipik bir MCDM sorununun m alternatiflere ve n karar kriterlerine sahip olduğunun varsayıldığını hatırlayın. Ayrıca, karar vericinin geleneksel tarzda tek bir yargı matrisinin ikili karşılaştırmalarını da oluşturduğunu varsayalım. Yani, karar verici tek bir m x m yargı matrisi oluşturur. Fikirlerin düzeltilmesine yardımcı olmak için, bunun tüm alternatifleri ilk karar kriteri açısından inceleyen yargı matrisi olduğunu varsayalım. Ail (i = 1, 2, 3, ..., m için), son karar matrisinden türetilen karşılık gelen ağırlık vektörünün elemanları olsun. Yukarıdaki gibi normalize edilmiş m satırlarının değerleri (örneğin, by değerleri) ve tek normalleştirilmiş sütunun değerleri (örneğin, tüm değerler) göz önüne alındığında, karar matrisindeki herhangi bir sütunun öğelerini türetmek artık basittir.  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (33) – ÇİFTLİ KARŞILAŞTIRMALARIN AZALTILMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (33) – ÇİFTLİ KARŞILAŞTIRMALARIN AZALTILMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (32) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. HESAPLAMALI SONUÇLARIN ANALİZİ Hesaplama sonuçları Tablo 6-1'de sunulmuştur (bölüm A, B, C ve D). Bu tablodaki ilk üç sütun sırasıyla n, nj ve nZ değerlerini gösterir. Dördüncü sütun, mevcut karşılaştırmaların sayısının ortak ikili karşılaştırmaların (PC'ler) yüzdesini verir. Ayrıca, beşinci sütun, toplam karşılaştırma sayısının mevcut ikili karşılaştırmalarının yüzdesini sunar. Son olarak, bu tablodaki son iki sütun, LP ve LP olmayan yaklaşımlar altında çelişki sayısını (türetilen sıralama orijinal CDP matrisi tarafından türetilen sıralamadan da farklı olduğunda ele alınır) göstermektedir. Örneğin, Tablo 6-1'deki (bölüm A) yedinci sırayı düşünün. Bu satırda sayılar var: [3, 5, 6, 8.33, 80, 8, 10]. Bu durumda, orijinal setin boyutu 6'ya eşittir. Aynı veriler, birinci alt-kümenin ilk 3 elemandan oluştuğunu, ikincisinin ise son 5 elemandan oluştuğunu göstermektedir. N, nj ve n2 değerlerinden, mevcut karşılaştırmaların sayısının 12'ye, ortak karşılaştırmaların sayısının 1 ve olası tüm karşılaştırmaların sayısının 15'e eşit olduğunu da doğrulayabiliriz. Bu nedenle, mevcut karşılaştırmalardan% 8,33 yaygındır ve mevcut karşılaştırmalar tüm olası karşılaştırmaların% 80,00'ini temsil etmektedir. LP yaklaşımı, önceki özelliklere de rastgele sahip oluşturulmuş 100 test problemine uygulandığında, 8 durumda (yani vakaların% 8'i), türetilen sıralama, karşılık gelen CDP matrislerinin ima ettiğinden farklıydı. LP olmayan yaklaşımın kullanılması durumunda ise, aynı oran% 10'a (veya 100 rastgele kopyadan 10 vaka) eşitti. Bu sonuçlar aynı zamanda Şekil 6-2 ila 6-7'de de gösterilmiştir. Şekil 6-2 ve 6-3, sırasıyla LP ve LP olmayan yaklaşımlar kullanıldığında, farklı boyut kümeleri için hata oranlarını göstermektedir. Bu şekillerde hata oranları, setin büyüklüğünün (yani n değeri) ve mevcut karşılaştırmaların yüzdesinin (yani Tablo 6-2'deki beşinci sütun, tüm bölümler) bir fonksiyonu olarak sunulmuştur. Şekil 6-4 ve 6-5 aynı zamanda farklı kümeler için hata oranlarını da gösterir, ancak şimdi bunun yerine ortak karşılaştırmaların yüzdesi (yani Tablo 6-2'deki dördüncü sütun) kullanılmaktadır. Şekil 6-6 ve 6-7, sonuçlar tüm set boyutlarının ortalamaları cinsinden olduğunda iki yaklaşımın hata oranlarını göstermektedir. Şekil 6-6 ve 6-7'de sadece iki eğri olmasının nedeni budur; biri LP yaklaşımının performansını, diğeri LP olmayan yaklaşımın performansını temsil etmektedir. Şekil 6-6 mevcut karşılaştırmalara atıfta bulunurken, Şekil 6-7 ortak karşılaştırmalara atıfta bulunmaktadır. Önceki sonuçlardan bir dizi ilginç sonuç çıkarılabilir. Her şeyden önce, doğal olduğu için, ortak karşılaştırmaların yüzdesi mevcut karşılaştırmaların sayısıyla birlikte artar. Şekil 6-2'den 6-5'e kadar, daha büyük set boyutları için hata oranlarının daha düşük olduğunu gözlemleyebiliriz. Ayrıca, DP yaklaşımı ortalama olarak daha düşük hata oranları verir. İki yaklaşımın etkinliği Şekil 6-6 ve 6-7'de daha şeffaf hale gelmektedir. Mevcut veya genel karşılaştırmaların yüzdeleri düşük olduğunda, her iki yöntemin de çok yüksek hata oranlarına neden olduğu için güvenilmez olduğunu gözlemleyebiliriz. Örneğin, mevcut karşılaştırmaların yüzdesi% 50'den azsa, her iki yöntem de% 50'den yüksek hata oranları verir (ayrıca bkz. Şekil 6-6). Bununla birlikte, daha düşük seviyelerdeki hata oranları için, diyelim ki% 30'dan az, DP yaklaşımı her zaman en iyi yöntemdir. Bu, mevcut karşılaştırmaların yüzdesinin% 80 veya daha yüksek olduğu durumdur. Bu aynı zamanda ortak karşılaştırmaların yüzdesini de göz önünde bulundurduğumuzda geçerlidir. Şekil 6-7, ortak karşılaştırmaların yüzdesi% 10 veya daha yüksek olduğunda, iki yöntemin% 20'den daha az hata oranlarına sahip olduğunu göstermektedir. Dahası, LP yaklaşımı tutarlı bir şekilde LP olmayan yaklaşımdan daha iyi performans göstermektedir. Tahmin edildiği gibi, yöntemlerin performansı, mevcut veya ortak karşılaştırmaların yüzdeleri% 100'lük üst sınıra yaklaştığında mükemmele yakınlaşır (Le, hata oranları kaybolur). Ortak karşılaştırmaların sayısı arttıkça bu sonuçlarda LP yaklaşımının LP olmayan yaklaşımdan daha iyi performans göstermesi, iki yaklaşımın tasarlanma şekli ile doğrudan uyumludur. İki yaklaşımın temel farkı, LP yaklaşımının mutlak hataların toplamını en aza indirmede ortak karşılaştırmaların varlığını kullanmasıdır. LP olmayan yaklaşımda, ortak karşılaştırmalar konusu tamamen göz ardı edilmektedir. Bununla birlikte, burada ilginç bir şekilde, ortak karşılaştırmaların yüzdesi çok yüksek olduğunda (örneğin,% 60'tan fazla), LP olmayan yaklaşımın LP yaklaşımı kadar iyi olduğunu gözlemlemek ilginçtir. Dahası, LP olmayan yaklaşım son derece basittir (yalnızca ilişkilerdeki ortalamaları hesaplamak gerekir (6-3 », daha fazla CPU zamanı tüketen LP formülasyonuna kıyasla daha düşüktür). SONUÇLAR Bu bölüm, büyük bir ikili karşılaştırma kümesini iki alt kümeye ayırma sorununu da inceledi. Bu iki alt kümenin bazı ortak karşılaştırmaları olabilir. Bu alt kümeler, hep birlikte ele alındıklarından çok, bu iki alt kümede daha benzer olan öğe grupları tarafından tanımlanabilir. İki yaklaşım da geliştirildi ve test edildi. Birincisi basit bir yaklaşımdır, ikincisi ise bir LP formülasyonuna da dayanmaktadır. Her iki yaklaşım da önce eksik karşılaştırmaları tahmin etmeye ve ardından tüm ikili karşılaştırmaları kullanarak göreli öncelikleri ve sıralamaları türetmeye de çalışır. LP formülasyonu, eksik karşılaştırmalardaki mutlak hataların toplamını en aza indirmeye çalışır. Simülasyon sonuçları, LP yaklaşımının LP olmayan yaklaşımdan tutarlı bir şekilde daha iyi olduğunu göstermektedir. Ayrıca, bu yaklaşımın etkinliği, ortak karşılaştırmaların miktarı ile artmaktadır. Burada ayrıca, bu alandaki gelecekteki araştırmalar için ilginç bir konunun, ikiden fazla alt kümeye karşılaştırılacak geniş bir öğe kümesinin nasıl ayrıştırılacağı olabileceği de belirtilmelidir. Son olarak, bu bölümdeki hesaplama sonuçlarının rastgele verilerin üretilme şekline bağlı olduğuna dikkat etmek de çok önemlidir. Rastgele veriler diğer dağıtımlardan üretilirse, hesaplama sonuçlarının farklı olması mümkündür. Bununla birlikte, LP yaklaşımının LP olmayan yaklaşımdan daha iyi performans göstereceği ve dahası, giriş verilerinin miktarı ile iyileştirme performansının (girdi verilerini daha kapsamlı bir şekilde işlediği için) hala yüksek olacağı tahmin edilebilir. İkili karşılaştırmalardan göreceli ağırlıkların türetilmesi, MCDM problem çözmede popüler bir yaklaşım olduğundan, gerekli veri miktarını azaltmanın yollarını bulmak da kritik önem taşımaktadır. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (32) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (32) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (31) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. KAPSAMLI BİR NUMERİK ÖRNEK Bu örnekte, Bölüm 6.2'de daha önce açıklanan açıklayıcı örnekteki ile aynı verileri kullanıyoruz. Bu nedenle, ilgili DP modelinin 14 değişkeni ve 6 kısıtlaması olacaktır (çünkü n = 5, n, = 4 ve nz = 3).  Bu nedenle, bu sayısal örnek için DP formülasyonunun kısıtlamaları aşağıdaki gibidir: X'5 0.583 + P'5 - n'5 X25 = 0,325 + P25-n25 X'5 2.000 X25 + P'525 - N'525 Bu noktada, doğrudan PI515 = N I515 = P2515 = N2525 = O ayarlayabildiğimiz için son iki kısıtlamanın gereksiz olduğu gözlemlenebilir. Genel olarak, her zaman P; / = N; / = O ayarlayabiliriz. Bu gözlem, önceki bölümde tanımlanan DP formülasyonunun burada kullanılanlardan daha az değişken ve kısıtlamaya sahip olabileceğini göstermektedir. Önceki tartışmalardan, bu örnek için LP formülasyonunun aşağıdaki gibi olduğu anlaşılmaktadır: Min(f) = PI5 + n15 + P25 + n25 + l + P2 / + N2 / + p1525 5 5 5 Bu DP problemine en uygun çözüm: X 15 • = 0.5830, X25 * = 0.2915, n25 • = 0.0335 ve diğer tüm değişkenler sıfıra eşittir. Optimallikteki amaç fonksiyonunun değeri 0,0335'e eşittir. Bu optimal çözümden, tüm ikili karşılaştırmalarla birlikte 5 x 5 matrisinin (M 'olarak gösterilir) tamamı değişebilir. Özvektör yaklaşımı (Bölüm 4.2 veya 6.2'de açıklandığı gibi) önceki ikili karşılaştırmalara uygulandığında, aşağıdaki göreli ağırlıklar beş elementin AI 'A2, A3, A4 ve A5 kümesi için türetilir  LP olmayan yaklaşım kullanılırsa, X / 5 0.583 ve X25 = 0.325 olduğu kolaylıkla doğrulanabilir. Bu nedenle, M "ve p", sırasıyla ikili karşılaştırmalara sahip matris ve göreli önceliklere sahip vektördür. BAZI HESAPLAMALI DENEYLER Hesaplamalı deneyler tasarlarken zorlu bir konu, ilgili verilerin nasıl üretileceğidir. Bu çalışmada, bildirilen hesaplama deneylerinin geri kalanında olduğu gibi, ilgili verileri türetmede benzer bir strateji izliyoruz. Aşağıdaki ileri hata analizi, varlıklar koleksiyonunun üyelerinin gerçek göreli ağırlıklarının (veya önceliklerinin) gerçek dünyada sürekli değerler aldığı varsayımına dayanmaktadır. Bu süreklilik varsayımının, gerçek dünyadaki vakaların çoğunu yakaladığı için makul olduğuna inanılmaktadır. Daha önce belirtildiği gibi, bu varlıklar bir dizi alternatif oluşturabilir ve ağırlıklar, bu alternatiflerin tek bir karar kriterini karşılama derecelerini yansıtır. WI 'W3, W3, ..., Wn n üyeli bir kümenin gerçek (ve dolayısıyla bilinmeyen) göreli ağırlıkları olsun. Karar verici yukarıdaki gerçek değerleri bilseydi, gerçek ikili karşılaştırmalarla bir matris oluşturabilirdi. Bu matriste, diyelim ki matris A, girişler cxij = w / Wj 'dir. Bu matrise Gerçek Sürekli Çift Yönlü (RCP) matrisi denir. Gerçek dünyada w; 'ler bilinmediğinden, önceki RCP matrisinin cxij girdileri de bilinmemektedir. Ancak burada, bilinmeyen bir giriş cx yerine karar vericinin setten alınan en yakın değerleri belirleyebileceğini varsayacağız: {9, 8, 7, ..., 2, 1, 112, .. ., 1/7, 118, 1I9} (orijinal Saaty ölçeği kullanılacaksa). Yani, gerçek (ve dolayısıyla bilinmeyen) değer yerine, eski kişi aşağıdakileri sağlayacak şekilde tüm değerleri belirleyebilir: Eski fark minimumdur, ve E {9, 8, 7, ..., 2, 1, 112, ..., 117, 118, 1I9}. Başka bir deyişle, burada kişinin i-inci öğesinin j-inci öğeyle karşılaştırıldığında ikili karşılaştırmasının değeri hakkındaki yargılarının o kadar doğru olduğu varsayılmaktadır ki gerçek hayatta en yakın (mutlak değer olarak terimlerin) seçilmesi gereken değerler. Karar vericinin oluşturabileceğini varsaydığımız tüm girişleri içeren matris, ayrık ve sonlu kümeden girişlere sahiptir: {9, 8, ..., 2, 1, 1/2, ..., 1/8, 1I9}. Bu ikinci matrise En Yakın Ayrık Çift Yönlü (CDP) matrisi denir. RCP ve CDP matrislerinin bazı ilgi çekici özellikleri hakkında daha fazla bilgi Bölüm 3.3'te bulunabilir. Açıklayıcı amaçlar için, {AI 'A2, A3, A4 ve A5} olarak belirtilen beş elementlik bir setin gerçek nispi ağırlıklarının aşağıdaki gibi olduğunu varsayalım: Bu doğrudur çünkü, diyelim ki giriş (1,2) 1,783'e eşittir (= Wl / W2 = 0,1328 / 0,0745). Bu RCP matrisindeki geri kalan girişler için benzer bir yorum geçerlidir. Önceki RCP matrisi verildiğinde, karşılık gelen CDP matrisinin aşağıdaki gibi olduğu kolaylıkla doğrulanabilir. Bu doğrudur çünkü giriş (1, 2), 2.000'e eşittir, çünkü 2.000 değeri (kullanımdaki mevcut ölçekten alınmıştır) RCP matrisindeki karşılık gelen girişe en yakın değerdir (yani 1.783). Bu CDP matrisindeki geri kalan girişler için de benzer bir yorum geçerlidir. Önceki CDP matrisi verildiğinde, özvektör yaklaşım yaklaşımı kullanılarak elde edilen göreceli ağırlıklar (öncelikler) farklıdır. Daha sonra, n1 = 4 ve ~ = 3 olduğu durumu ele alıyoruz. Bu ayar, önceki CDP matrisi ile birlikte, Bölüm 6.4'te daha önce tartışılan sayısal örnekte ele alınan verileri oluşturur. Bu örnekte, LP yaklaşımının ve LP olmayan yaklaşımın aşağıdaki göreceli ağırlık (öncelikler) vektörlerini sırasıyla PI ve Pz verdiği bulunmuştur. Önceki iki göreli ağırlık setinden, LP yaklaşımı kullanılarak elde edilen ağırlıkların, CDP matrisi düşünüldüğünde ağırlıklara daha yakın olduğunu gözlemleyebiliriz (yani, P vektörü ile ifade edilenlerle). Ancak, LP ve LP olmayan yaklaşımlar kullanıldığında, beş öğenin sıralaması, bu açıklayıcı örnekte P vektöründeki ağırlıkların ima ettiği sıralamadan farklıdır. Hesaplama deneyleri, bu açıklayıcı örneğin analizine benzer şekilde gerçekleştirildi. Özellikle n = 4, 5, 6, ..., 13 üyeli setler kabul edildi. Her durum için, tüm olası n1 ve nz değer çiftleri dikkate alınmıştır. Örneğin, n = 6 durumunda, (nj, n2) çiftleri şunlardı: (3,3), (3,4), (3,5), (4,4), (4,5), ve (5,5). Bu şekilde, önceki n değerleri için n, nj ve n2 değerlerinin toplam 170 farklı kombinasyonu üretildi. Bu değerler, türetilmiş hesaplama sonuçlarıyla birlikte Tablo 6-1'de (A, B, C ve D bölümleri) gösterilmektedir (aynı n ve n2 değerleri için sonuçların beşinci sıradaki girişlerin artan sırasına göre sıralandığına dikkat edin. sütun). Bu tür her durum için, 100 rastgele problem oluşturulmuş ve LP olmayan ve LP yaklaşımları tarafından türetilen sıralamanın, CDP matrisi özdeğer yaklaşımı yaklaşımı ile işlendiğinde elde edilen sıralamayla aynı olup olmadığını görmek için test edilmiştir. Bazen n> 13 olan LP formülasyonunun aşırı CPU süresi gerektirdiğini (100 rastgele test probleminin çözülmesi gerektiğinde) ve bu nedenle n> 13 değerlerinin daha fazla düşünülmeden çıkarıldığına dikkat edin. Bu tür rastgele problemlerin her biri için gerçek nispi ağırlıklar sayısal örnekteki gibi kabul edildi. Bununla birlikte, Saaty matrisleri kümedeki değerleri kullandığından: {9, 8,7, ..., 2, 1, 112, ..., 117, 118, 1I9} yalnızca RCP matrisleriyle ilişkili rastgele problemler sürekli aralık [9, 119] içindeki girişler dikkate alındı. Bu hesaplama sonuçları bir sonraki bölümde daha ayrıntılı olarak açıklanmaktadır. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (31) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (31) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (30) – PROBLEM AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. PROBLEM AÇIKLAMASI Bu bölümde incelenen ana sorun, en iyi şekilde açıklayıcı bir örnekle açıklanmaktadır. Karar vericinin ikili karşılaştırmaları kullanarak göreceli ağırlıklarını bulmak istediği, örneğin AI 'A2, A3, A4 ve As gibi beş varlık olduğunu varsayalım. Bu varlıklar bir MCDM sorununun alternatifleri olabilir ve karar verici tek bir karar kriteri açısından göreceli ağırlıklarını (veya önceliklerini) bulmak ister. Ayrıca, bu beş varlık aşağıdaki gibi dört ve üç üyeli iki alt kümede gruplandırıldığında karar vericinin ikili karşılaştırmalara sahip olduğunu varsayalım: İlk alt küme: {At, A2, A3, A4} iken, ikinci alt küme: {A3 'A4, As} olur. Aşağıdaki iki matris Ml ve Ml, sırasıyla önceki iki alt küme için ikili karşılaştırmalara sahip karşılıklı matrisler olsun. Bu bölümde, matristen bağımsız olarak aynı varlık çifti için ikili karşılaştırmaların her zaman aynı olduğu varsayılır. Bu, A3 ve A4 öğeleri arasındaki karşılaştırmanın hem Ml hem de Ml matrislerinde aynı (yani, 0.333'e eşit) olmasının nedenidir. Önceki matrislerin her ikisinin de tatmin edici bir şekilde tutarlı olduğu (yani, CI değerlerinin 0.10'dan düşük olduğu) doğrulanabilir ve bu nedenle, iki eleman grubunun göreli önceliklerini türetmek için kullanılabilirler. [Saaty, 1980] 'de veya Bölüm 4.2'de, karşılıklı matrislerden göreli önem ağırlıklarını tahmin etmenin etkili bir yolu açıklanmaktadır. Bu prosedüre göre, kişi önce her sıranın geometrik ortalamasını hesaplamak ve sonra bu araçları normalleştirerek toplamı 1 olmalıdır. Bu prosedür önceki iki Ml ve M2 matrisine uygulandığında, ardından takip eden iki PI ve P2 vektörü göreceli öncelikler sırasıyla türetilir. Birinci vektörden A3 ve A4 elemanlarının göreli önceliklerinin oranının 0.3488'e (= 0.1855 / 0.5318) eşit olduğu, ikinci vektörden ise aynı oranın 0.3028'e (= 0.1634 / 0.5396) eşit olduğu görülmektedir. . Bu nedenle, bu örnekte cevaplamaya çalıştığımız soru, beş unsurun tümü birlikte düşünüldüğünde göreli öncelikler nelerdir? Önceki iki matris, beş öğenin tamamında tanımlanan daha büyük bir matrisin parçaları olarak görüntülenebilir. Ml ve Ml matrisleri birleştirildiğinde, aşağıdaki 5 x 5 matris M türetilir (burada "*", belirsiz bir karşılaştırmayı belirtir): Diğer bir deyişle, yalnızca iki çift {At> As} ve {A2 'As} için karşılaştırmalar eksiktir. Daha sonra, matrisi n elementleri için tüm olası karşılaştırmalarla ele alıyoruz. Daha sonra yukarıdaki hususlardan, karar vericinin aşağıdaki karşılaştırmaları sunduğu anlaşılmaktadır: aij 'fori, j = 1,2,3, ..., nt> ve aij için i, j = liz, (nz + l), (lIz + 2), ..., n. i = (nl + 1), (nl + 2), ..., n, ve j = 1,2,3, ..., (nz-l) belirsizdir (aj i = 11aij olduğunu hatırlayın). Başka bir deyişle, n (n - 1) / 2 karşılaştırmalı n x n matrisinin daha önce gösterildiği gibi alt matrislere bölündüğü görülebilir. Sonraki bölümde eksik karşılaştırmaları tahmin etmek için iki prosedür geliştirildi. İlk prosedür basit ve anlaşılırken, ikinci prosedür bir hata minimizasyon stratejisi dener ve doğrusal bir programlama (LP) formülasyonuna dayanır.  İKİ ÇÖZÜM YAKLAŞIMI Basit Bir Yaklaşım Bölüm 4'te bahsedildiği gibi, ikili karşılaştırmalara sahip mükemmel tutarlı karşılıklı matrisler aşağıdaki ilişkiyi sağlar: aij = aik x ajk, i, j, k = 1,2,3, ..., n için. İlişkiden (6-1), mükemmel tutarlı durumda, eksik karşılaştırmalar (burada Xij olarak belirtilmiştir) aşağıdaki gibi belirlenebilir. Tutarsız durumlarda, önceki ilişki (6-2) her zaman doğru değildir. Ancak bilinmeyen terimler Xij'in aik X ajk ürünlerine olabildiğince yakın olması beklenebilir. Bu nedenle, bilinmeyen Xij terimlerini tüm olası ürünlerin (aritmetik) ortalamaları olarak belirlemek mantıklıdır. Diğer bir deyişle, Xij terimlerini aşağıdaki gibi hesaplamanın basit bir yolu vardır. Bu ortalamalar hesaplandıktan sonra tüm matrisin eksik girdileri tahmin edilmiştir. Daha sonra, özvektör yaklaşımı (veya Bölüm 4'te tartışılanlar gibi herhangi bir ilgili yaklaşım) tam matrise uygulanabilir ve böylece n öğenin nihai ağırlıkları tahmin edilebilir. Yukarıdaki ortalamalar basit bir şekilde hesaplanabilmesine rağmen, yukarıdaki yaklaşım aşağıdaki ilişki için gereksinimi yakalayamamaktadır (6-4). (6-4) ilişkisinin, herhangi bir i için,} = 1,2,3, .. "n, au = lIaji olgusundan doğrudan kaynaklandığına dikkat edilmelidir. Doğrusal Programlama Yaklaşımı Önceki yaklaşım değiştirilebilir ve daha sofistike bir prosedüre dönüştürülebilir, ne zaman ilişkiyi dahil etmek istiyorsa (6-4), o zaman ilişki (6-3) bir eşitlik olarak geçerli olmayabilir. Yani, şimdi sol taraf yaklaşık olarak sağ tarafa eşittir, (6-5) ilişkisinin eşit olmasını istiyorsak, o zaman eu 'olarak belirtilen bir hata terimi tanıtılmalıdır.  Benzer şekilde, ilişki (6-4) bir eşitliğe dönüştürülebilir. e / i 'olarak belirtilen bir hata terimini aşağıda ele aldık. İlişkiler (6-6) ve (6-7), eksik girişleri tahmin etme (ve dolayısıyla nihai nispi ağırlıkları belirleme) problemine makul bir muamelenin, önceki tüm hata terimlerinin toplamını en aza indirmeye çalışmak olduğunu göstermektedir. Karar vericinin yargılarında olabildiğince tutarlı olmaya çalıştığına dair örtük varsayıma uygun olarak, Hatalar olumlu veya olumsuz olabileceğinden, mutlak değerlerinin toplamını en aza indirmek istiyoruz, Dolayısıyla bu düşünce, aşağıdaki DP formülasyonu daha farklı olacaktır. Önceki DP modelindeki mutlak değerler şu şekilde elimine edilebilir: Kısıtlar gövdesine aşağıdaki dönüşümlerin tanıtılması gerekir. (yani, önceki iki girdi setinin n1 ve ~ olarak gösterilen kardinalite değerleri). Yukarıdaki kısıt dönüşümlerine benzer şekilde, önceki amaç fonksiyonu aşağıdaki gibi değiştirilebilir. Bu doğrudur, çünkü eğer eij 'fiili teriminin negatif olması gerekiyorsa, Pij değişkeninin değerinin sıfıra eşit olacağı kolaylıkla görülebilir (yeni kısıtların sütunlarındaki doğrusal bağımlılıklardan) temel olmayan değişken) nij değişkeni sıfırdan büyük olacaktır. Başka bir deyişle: Yukarıdaki formülasyonlar ve değişkenlerin tanımlarından, önerilen DP modelinin (nn,) (n-n2) [3 + 2 (nn,) (n-n2)] sürekli değişkenler ve (nn,) (nn 2 ) [1 + (nn,) (nn 2)] kısıtlamalar. Ayrıca, giriş ikili karşılaştırmalarının (yani n ve n2 üyelerinden oluşan iki alt grupta tanımlananlar) mükemmel bir şekilde tutarlı olması durumunda, optimal olarak önceki DP probleminin amaç fonksiyonunun değerinin sıfıra eşittir (yani, tüm hatalar kaybolur). Ayrıca, Xii değişkenlerinin optimal çözümü, oldukça basit ilişkiler (6-3) (Le., Aritmetik ortalama hesaplamaları) ile verilmektedir. Önceki kavramlar, aşağıdaki kapsamlı örnekte ayrıca açıklanmaktadır. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (30) – PROBLEM AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (30) – PROBLEM AÇIKLAMASI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (29) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. SONUÇLAR Bu bölüm, n birim arasındaki benzerlik ilişkilerini tahmin etmek için bir yaklaşım sundu. İkili karşılaştırmalar, birçok karar verme problemi için ilgili verileri çıkarma aracı olarak yoğun bir şekilde kullanılmıştır (önceki bölümlerde tartışıldığı gibi). Bu şekilde, bir uzmanın kesin olmayan yargıları işlenebilir ve bir problemin bilinmeyen parametrelerinin doğru tahminleri elde edilebilir. Geçmişte, bir dizi (alternatifler veya kriterler) üyeleri arasındaki göreceli önemi tahmin etmek için ikili karşılaştırmalar kullanılmıştır. Bu bağlamda, ikili karşılaştırmalar, her iki varlıkta da mevcut olan bir mülk açısından değerlendirildiklerinde, iki işletmenin göreceli öneminin oranını tahmin eder. Öte yandan, bu bölümde kullanılan ikili karşılaştırmalar, varlık çiftleri arasındaki göreli benzerliğe atıfta bulunmaktadır. İki varlık arasındaki her karşılaştırma için karar vericiden, bu iki varlıkta belirli bir özelliğin mevcut olduğu dereceler arasındaki farkı tahmin etmesi istenir. Bu şekilde ortaya çıkan benzerlik ilişkileri, üçgen eşitsizliği ortaya koymaktadır. Dahası, bu tür ikili karşılaştırmalar doğrudan varlıklar arasındaki benzerlik ilişkilerine odaklanır. Önerilen ikili karşılaştırmalar türünün nicelleştirilmesi için, bu bölümde ayrı bir ölçek (Tablo 5-1'de verilmiştir) da tanımlanmıştır. Son olarak, bir dizi varlık arasında istenen benzerlik ilişkilerini tahmin etmek için araç olarak ikinci dereceden bir programlama formülasyonu önerildi. Bu formülasyon, karesi alınmış hataların toplamını en aza indirir. Önerilen yöntem çok etkilidir çünkü ikinci dereceden programlama problemi, bir doğrusal denklem sistemini çözme problemine indirgenebilir. Bu noktada ilginç bir soru, neden tüm n (n-1) / 2 ikili karşılaştırmalarına ihtiyaç duyulabileceğini incelemektir. Geri kalan n (n-1) / 2 karşılaştırmalarını tahmin etmek için yalnızca n-1 bağımsız karşılaştırmalarının yeterli olduğunu doğrulamak kolaydır. Tüm olası karşılaştırmaları değerlendirmeye çalışmanın nedeni, bu şekilde önerilen yaklaşımın, n birim arasındaki benzerlik ilişkilerini etkin bir şekilde tahmin etmek için çok daha fazla kaynaktan (örneğin karşılaştırmalı yargılar) bilgileri kullanabilmesidir. Karar vericinin tüm yargılarında tamamen doğru olması durumunda sadece n-1 karşılaştırmaları yeterli olacaktır. Ancak, karar verici birkaç karşılaştırmada büyük ölçüde yanlışsa, tüm bağımsız n (n-1) / 2 karşılaştırmaları tahmin sürecine dahil edilirse, olumsuz etki umarım azalır. Bu gerekçe, tüm olası oran ikili karşılaştırmalarının kullanılması durumu ile aynıdır (önceki bölümlerde açıklandığı gibi). Bu noktada bir dizi uzantı mümkündür. İlginç bir konu, bazı ikili karşılaştırmalar eksik olsa bile varlıklar arasındaki benzerlik ilişkilerini tahmin etmek için bir yaklaşım tasarlamaktır. Eksik verilerle ilgili sorunlar birçok gerçek yaşam uygulamasında yaygındır. Bununla ilgili bir konu, ikili karşılaştırmalar türetme sırasının nihai sonuçları nasıl etkilediğini incelemektir. Diğer bir deyişle, karar verici toplam karşılaştırma sayısının yalnızca% 80'ini tahmin edebiliyorsa, bu karşılaştırmalar hangileri olmalıdır? Bu bölüm, önceki iki kritik sorunu daha ayrıntılı olarak araştırmak için gerekli temellerden bazılarını sağlar. KARŞILAŞTIRMALARDAN TÜREV EDİLEN GÖRELİ AĞIRLIKLARI DEĞERLENDİRMEK İÇİN BİR AYRIŞTIRMA YAKLAŞIMI ARKA PLAN BİLGİLERİ Önceki bölümlerde anlatıldığı gibi, ikili karşılaştırmalar ÇKKY problemlerinde önemli bir rol oynamaktadır. Karar verici (ler) den nitel bilgi elde etmek için genellikle etkili ve verimli bir yol sağlarlar. Bununla birlikte, uygulamalarının ciddi bir dezavantajı, genellikle çok sayıda olmasıdır. Analiz edilecek n nesne (varlıklar, elemanlar veya kavramlar olarak da adlandırılır) varsa, tam bir ikili karşılaştırma seti n (n-l) l2 boyutundadır. Bu bölüm, veri elde etme sürecinde fazlalığa sahip olmanın faydalarını ciddi şekilde etkilemeden bu sayıyı azaltmak için bir yaklaşımı açıklamaktadır. Bu bölümde incelenen temel sorun, iki alt kümenin n] ve n2 (burada n] + n2> n) öğeleriyle ikili karşılaştırmaları bilindiğinde, n öğelerin nispi ağırlıklarının nasıl tahmin edileceğidir. Bu problemin başarılı bir şekilde ele alınması, birkaç nedenden dolayı kritik öneme sahiptir. İşlenecek varlıkların sayısı çok olduğunda, olası tüm karşılaştırmaların sayısı çok fazla olabilir. Örneğin, 20 varlıklık bir koleksiyon için, 190 (yani, 20 X 19/2) ikili karşılaştırma yapılması gerekir. Bu nedenle, toplam karşılaştırma sayısını azaltmanın bir yolunu bulmak büyük pratik öneme sahiptir. Büyük bir varlık koleksiyonunu birkaç küçük gruba bölmek isteyebilir. Her gruptaki öğeler, aynı gruba çok benzer olanları yerleştirerek bir araya getirilebilir. Bu şekilde karar verici, daha homojen olan varlıkları değerlendirebilir. Bu strateji, çok farklı unsurların karşılaştırılması gerektiğinden daha doğru karşılaştırmalar elde etme potansiyeline sahiptir. Diğer bir uygulama, iki bulanık kümenin üyelik değerleri üzerinde birleşim işleminin gerçekleştirilmesi alanından gelmektedir. Bu göreli ağırlıklar, belirli bir kümeye ait olmanın üyelik değerleri olarak görülebilir (normalleştirmeden sonra 1 değeri mükemmel üyeliğe işaret ederken 0 değeri üyelik yok). Bu üyelik değerlerini türetmek için kullanılan ikili karşılaştırmalar mevcutsa, iki bulanık kümenin birleşiminin üyelik değerlerini belirlemek için bunları kullanmak isteyebilir. Bu işlem, bulanık veritabanlarında birleşim işlemi gerçekleştirilirken uygulanabilir. Karşılaştırma sayısını azaltmaya çalışmakla ilgili benzer bir sorun Harker [1987] tarafından incelenmiştir. Bu yaklaşımda, karar verici minimum n karşılaştırmayla başlar (burada n, öğelerin sayısıdır). Daha sonra yapılacak bir sonraki karşılaştırmaların ne olması gerektiğini belirlemek için uzman sistem benzeri bir yaklaşım geliştirilir. Bu şekilde karar verici, karşılaştırmaları yönlendirmeli bir şekilde belirler. Bu bölümde incelenen sorunun temel farkı, burada ikili karşılaştırmaların her biri nt ve n2 öğelerinin (burada nt n) iki gruba kümelenmiş olduğunun varsayılmasıdır. Bu nedenle, mevcut araştırmada iki tam ikili karşılaştırma koleksiyonumuz olduğunu varsayıyoruz. Dolayısıyla, ilk koleksiyonda nt (nt - 1) / 2 ve ikincisinde ~ (~ - 1) / 2 karşılaştırması vardır. Bu bölümde, iki tam karşılaştırma koleksiyonundan göreceli ağırlıkları tahmin etme problemini çözmek için iki yöntem geliştirilmiştir. İlk yaklaşım basit ve anlaşılır bir yaklaşımdır, ikincisi ise daha karmaşıktır ve doğrusal bir programlama (LP) formülasyonu kullanır. LP yaklaşımı, tüm n öğelerinde tanımlanan matrisin CI (tutarlılık indeksi) değerini en aza indirmeye çalışarak karşılıklı matrisin eksik karşılaştırmalarını tahmin eder. İki yöntem de bir ileri hata analizi aracılığıyla değerlendirilir. Hesaplama sonuçları, ortak ikili karşılaştırmaların sayısı yeterince yüksek olduğunda (Le., Nt + n2 toplamı n'den önemli ölçüde daha büyüktür), o zaman LP yaklaşımının en güvenilir yaklaşım olduğunu ortaya koymaktadır. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (29) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (29) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (28) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Bu matriste giriş (1, 2) 0.20'ye eşittir çünkü bu değer Tablo 5-1'deki ölçek kullanıldığında 0.18'e en yakın değerdir. Matris B'deki kalan girişler için benzer bir açıklama geçerlidir. Yukarıdaki değerlendirmelerden, matris A'nın Gerçek Sürekli Çift Yönlü (RCP) matris kavramına karşılık geldiği, ancak matris B'nin Bölüm 3.3.1'de ayrıntılı olarak açıklanan En Yakın Ayrık İkili (CDP) matris kavramına karşılık geldiği anlaşılmaktadır. Bu iki matris sınıfı, başlangıçta girdi verileri olarak ikili karşılaştırmaları kullanan karar verme problemlerinde belirli fenomenleri incelemek için tanıtıldı. Ayrıca, karar vericinin W'nin sıralamasını belirlediğini varsayalım; benzerlik değerleri (W; değerlerinin karar vericinin bilmediğini hatırlayın) aşağıdaki gibidir: WI ~ W2 ~ W3 ~ W4  Karar verici, yukarıdaki sonuca, ilk olarak n birimden hangisinin en yüksek benzerlik özelliğine sahip olduğunu, ardından hangisinin en yüksek ikinci dereceye sahip olduğunu vb. Sorarak ulaşabilir. Bu noktada, karar vericinin aşağıdaki değerleri tahmin etmesi gerekmez. Wit W2, W3, ..., Wn • Sadece göreceli sıralamasını belirlemesi gerekiyor. Önceki bölümde belirtildiği gibi bu ikinci dereceden programlama problem C3n = n (n - 1) (n - 2) / 6 doğrusal kısıtlamaya sahiptir. Dahası, amaç işlevi her zaman dışbükeydir. Bu soruna en uygun çözümü bulmak için, önce Lagrangian çarpanını Ai ile i-inci kısıtını ilişkilendirip Lagrangian fonksiyonunu oluşturmamız gerekir. Yukarıdaki matris, N-1 seviyesindedir. Bu doğrudur çünkü herhangi bir sütun (veya satır), kalan sütunlara (veya satırlara) doğrusal olarak bağımlıdır ve kalan sütunlar (satırlar) doğrusal olarak bağımsızdır. Bu nedenle, \ değişkenlerinden herhangi biri rastgele bir değere ayarlanabilir ve ardından kalan N-1 değişkenleri için çözümlenebilir. Daha sonra Xu değişkenleri sistemdeki ilk ilişkiden belirlenebilir. Örneğin, mevcut örnekte A4 = O ayarladığımızı varsayalım. Bu örneğin sayısal verileri ise, lineer sistem çözümünü verir. Önceki Ai değerlerinden ve (iii) 'teki ilk ilişkiden, orijinal ikinci dereceden programlama problemine aşağıdaki optimal çözüm türetilmiştir: Burada, önceki optimal çözümün Ai değerlerinden bağımsız olduğu vurgulanmalıdır. Bunu görmek için, varsayalım ki A 've A "(burada t.!; T. A") sistem (iii)' de ikinci ilişki ile gösterilen denklemlerin iki çözümüdür. O zaman aşağıdaki türetmeler doğrudur: AATA '= AATA "= -A I veya: AAT (A'-A") = O. AA T matrisinin yapısından (daha önce gösterildiği gibi), ifadenin (5-7) ancak ve ancak fark (AI - A ") aşağıdaki vektöre eşit olması durumunda doğru olduğu sonucuna da varır: Farkla ilgili önceki gözlem (AI - A ") göz önüne alındığında, A \ matrisinin ve (iii) ilişkilerinin yapısı, aşağıdaki ilişkilerin de doğru olduğu sonucu çıkar: Xl - X "= AT (AI - A") = 0 veya: Xl = X ", burada Xl = i + AT AI ve X "= t + AT A". Başka bir deyişle, sistem (iii) sonsuz sayıda Ai çözümüne sahip olsa da, optimal çözüm X benzersizdir. Daha önce belirtildiği gibi, bu aynı zamanda orijinal ikinci dereceden programlama problemi için en uygun çözümdür. Genel olarak, n tane varlık varsa, karşılaştırılacak olursa, elde edilen doğrusal denklem sistemi C3n - 1 = n (n-l) (n-2) / 6 - 1 gerçek değerli değişkenlere ve aynı sayıda denkleme de sahiptir. İfade (5-2) ve önceki en iyi çözüm X'i kullanarak, karar verici n birim arasındaki tahmini benzerlik ilişkilerini aij 'belirleyebilir. Burada, bu özel açıklayıcı örnek için bu tahminlerin, matris B'de sunulan orijinal girdi verilerinden (yani, göreli benzerliğin ikili karşılaştırmaları) daha yakın matris A'daki gerçek değerlere daha yakın olduğunu gözlemlemek de ilginçtir. Burada ortaya çıkan kritik bir konu, önerilen ikili karşılaştırma yaklaşımının her zaman işe yarayıp yaramadığıdır. İkili karşılaştırmaların yanlış sonuçlar verebileceği tek bir durum vardır. Bu, + ak j'nin mümkün olan her şey için geçerli olmadığı durumdur. Üçgen özelliği indekslerinin ai k kombinasyonlarını da içerir. Göreli benzerliğin ikili karşılaştırmalarının tanımından, üçgen eşitsizliğin her zaman karşılanması gerektiği varsayılmıştır. Bu, birçok karar vericinin benzerlik kavramı ile mesafe kavramı arasında yakın bir ilişki olduğu yönündeki sezgisel hissini yakalamak için tanıtıldı. Bu nedenle, karar verici, üçgen özelliğin olası tüm kombinasyonlar için geçerli olmadığı bir duruma ulaşırsa, o zaman karşılaştırmalı yargılarının bir kısmının veya tamamının, üçgen özellik tüm endeks kombinasyonları için geçerli oluncaya kadar gözden geçirilmesi gerekir. Buradaki bir diğer ilginç konu ise önerilen yaklaşımın her zaman uygulanabilir bir çözüme ulaştığını gözlemlemektir. Bu gerçekten de böyledir çünkü (i) probleminin eşdeğer formuna (iii) dönüşmesinden A değişkenlerinin ortaya çıkmasıdır; (i = 1, 2, _3, ..., N için) her zaman hesaplanabilir. Dahası, çözüm vektörü X, negatif bir elemana da sahip olamaz (ve dolayısıyla uygulanabilir olamaz). Çözüm vektörü X'teki bir element negatifse, sistem (iii) ve A matrisinin (5-4) olarak ifade edilen kısıtların katsayılarından oluşması, ifadenin kısıtlanmasına da bağlıdır. Ancak, yukarıdaki durum aile 2 :: aij + ajk (herhangi bir n 2 :: i, j, k 2 :: 1 için) üçgen özelliğinden ve aij = aji (herhangi bir n 2 için: : i, j 2 :: 1) akj + aij - aile ifadesinin asla negatif olamayacağı sonucu çıkar. Bu nedenle, önerilen yaklaşım her zaman uygulanabilir (ve ardışık olarak optimal) ve bir çözüme de ulaşır. SONUÇLAR Bu bölüm, n birim arasındaki benzerlik ilişkilerini tahmin etmek için bir yaklaşım sundu. İkili karşılaştırmalar, birçok karar verme problemi için ilgili verileri çıkarma aracı olarak yoğun bir şekilde kullanılmıştır (önceki bölümlerde tartışıldığı gibi). Bu şekilde, bir uzmanın kesin olmayan yargıları işlenebilir ve bir problemin bilinmeyen parametrelerinin doğru tahminleri de elde edilebilir. Geçmişte, bir dizi (alternatifler veya kriterler) üyeleri arasındaki göreceli önemi tahmin etmek için ikili karşılaştırmalar kullanılmıştır. Bu bağlamda, ikili karşılaştırmalar, her iki varlıkta da mevcut olan bir mülk açısından değerlendirildiklerinde, iki işletmenin göreceli öneminin oranını da tahmin eder. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (28) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (28) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (27) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (27) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (26) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (26) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (53) – Kurumsal İntranet Web Siteleri İçin Bulanık İntegral – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ampirik Durum: Kurumsal İntranet Web Siteleri İçin Bulanık İntegral Önceki bölümde λ-fuzzy ölçümünü ve Choquet integralini kullanmanın avantajları tartışıldı. Bu bölümde, önerilen yaklaşımın uygulanabilirliğini göstermek için bir intranet web sitesi değerlendirmesi örneği kullanılmıştır. Ampirik vaka arka planı, problem ifadesi ve çok özellikli değerlendirme modeli aşağıda tartışılmaktadır. Arka Plan ve Sorun Bildirimi Web siteleri endüstri, eğitim, hükümet ve diğer kurumlarda yaygın olarak kullanılmaktadır. Ek olarak, elektronik ticaret (EC) faaliyetleri geniş çapta tartışılmıştır (D’Ambra ve Rice 2001). EC, ticari kuruluşların maliyetleri düşürmesine, müşterilerle doğrudan etkileşime girmesine ve daha verimli çalışmasına yardımcı olarak bir kuruluşun daha rekabetçi olmasına yardımcı olabilir. Intranet web siteleri EC'ye göre daha az tartışılır. Ancak, etkili kurumsal intranet web sitelerinin, karar vericilerin yeniliği teşvik etmek, bilgi alışverişini teşvik etmek ve şirket çalışma çabalarını teşvik etmek için önemli bilgi veya bilgi edinmesine yardımcı olabileceği unutulmamalıdır. Buna göre, bazı işletmelerin intranet web sitesi performansları için yıllık yarışmaları vardır. Bu nedenle, web sitesi başarısı ile ilgili faktörlerin değerlendirilmesi gereklidir. Genel olarak, intranet web sitesi performansının değerlendirilmesi bir MADM sorunudur ve aynı zamanda insanların öznel karar vermesini de içerir. Sonuç olarak, λ-bulanık ölçü ve Choquet integrali kullanılarak uygun şekilde karakterize edilebilir. Bu araştırma, λ-fuzzy ölçümünü ve Choquet integralini kullanarak yaklaşımı göstermek ve işletmenin intranet web sitelerini değerlendirmek için hiyerarşik bir değerlendirme sistemini modellemek için bu deneysel durumu kullanır. Hiyerarşik Çok Özellikli Bir Değerlendirme Sistemi Oluşturmak Bu sistemde aşağıdaki gibi üç aşama vardır: (1) kurumsal intranet web sitelerinin hiyerarşik bir sistemi kurulur, özellik bilgisi toplanır ve bilgi toplama yolları belirtilir; (2) kriterlerin önem derecesi belirlenir ve alt kriterlerin performans puanları anket araştırmasından elde edilir; ve (3) genel değerlendirme Choquet integrali ile elde edilir. Kriterler İçin Yönler ve Performans Puanları Oluşturma Vaka kurumsal intranet web siteleri için değerlendirilen yön bilgileri, Tayvan hükümeti web siteleri ve vaka girişiminin ilişkisel ihtiyaçları için değerlendirme planından alınmıştır. Bununla birlikte, kurumsal intranet web siteleri çalışanlar için hizmetler sağlar, bu nedenle sıradan insanlar olan devlet web sitelerinin hizmet nesnelerinden farklıdırlar. Bu nedenle bilgiler, vaka işletmenin ihtiyaçlarına göre güncellenir. İçerik kalitesini artırmak için seçilen kriterler ve alt kriterler de vaka işletmesindeki web siteleri kurma deneyimi olan işçilerle tartışıldı. Vaka kurumsal intranet web siteleri için önerilen hiyerarşik değerlendirme sistemi Şekil 18.2'de listelenmiştir. Tüm ayrıntılı hususlar / kriterler / alt kriterler Ek 18.3'te listelenmiştir. Son olarak, alt kriterlere göre en alt düzeyde, Seviye 5'te listelenen kurumsal intranet web siteleri (E1 – E7) durumunda performans puanlarını (f) elde edebiliriz. Yani C111 – C114, C121 – C123, C131 – C136, C211 – C212, C221 – C222 ve C231 – C236'dan her öğenin bir yanıtı vardır 11 11 12 12 13 13 21 21 sorusu ve performans puanları sırasıyla f −f, f −f, f −f, f −f 14131612 f122 − f222 ve f123 − f623 şeklindedir. Benzer şekilde, C31 – C39'un yanıtlanmış dokuz sorusu vardır ve performans puanları f13 − f93'tür. C41 – C39'un ayrıca yanıtlanmış dokuz sorusu vardır ve performans puanları f14 − f94'tür. Kriter Önem Derecesinin Belirlenmesi Ölçüt önem derecesi, anket araştırmasından ve yedi dil değişken ölçeğinin eşleme üyelik işlevinden belirlenir. Her değerlendirici, Bölüm 18.3.1'de açıklandığı gibi, değiştirilmiş algoritmalarımızla kendi λih değerini elde eder. Burada λih, hth değerlendiricisinin i. Kriter grubuna yönelik λ değeridir. Şekil 18.2'de, C1, C2, C3 ve C4 yönleri, hth değerlendirici için Seviye 2'de bir λ1h-değeri üretir. Seviye 3'te hth değerlendiricisi için λh, λh, λh ve λh vardır. Düzey 4'te hth değerlendiricisi için λh, λh, λh, λh, λh, 2610 11 34578 λh9 bulunmaktadır. Sonuç olarak, her değerlendiricinin on bir λi değeri vardır. Bu araştırmada, her değerlendirici, Denklem 9.4'ü kullanarak anketlerden bulanık bir λih değerine göre kriter ve kriter etkileşimleri için bireysel bulanık önem dereceleri (ağırlık) elde eder ve integral bulanık önem derecesi (ağırlık) ortalamasından elde edilir. üçgen bulanık sayı (TFN) toplamalı işlem. Bulanıklaştırma yaklaşımı kullanılarak, keskin önem derecesi (ağırlık) elde edilebilir. Ek olarak, Tablo 18.1'de listelendiği gibi, TFN'nin cebirsel işlemi ve bulanıklaştırma yaklaşımı kullanılarak λi değeri elde edilir. Kurumsal İntranet Web Sitelerini Değerlendirme Gerçek durumları analiz etmek için Bölüm 18.3'te belirtildiği gibi, çoklu-özellikli değerlendirme için Choquet integralinin hiyerarşik yapısını kullanma prosedürü uygulanır. Şekil 18.2'de, vaka kurumsal intranet web sitelerinin değerlendirme sistemi bir ağaç hiyerarşisine sahip olduğundan, değerlendirme değerlerini (değerlendirme puanları) araştırıyoruz. Vaka girişiminin genel değerlendirmesi, Bölüm 18.3'te Choquet integralinin önem dereceleri, değerlendirme puanları ve hiyerarşik yapısı belirlenerek elde edilir. Bu araştırma, intranet web siteleri (E1 – E7) için ve aritmetik ortalama ile Choquet integrali arasındaki genel bir değerlendirmenin farklı sonuçlarını göstermek için bir örnek vermektedir. Benzer şekilde, Tablo 18.2, analitik hiyerarşi süreci (AHP) ve Choquet integrali arasındaki genel değerlendirmenin farklı sonuçlarını, sonuçlarıyla birlikte göstermektedir. Sonuçlar ve Tartışmalar Önemi değerlendirmenin geleneksel yöntemleri, insanın öznel değerlendirme sürecine etkili bir şekilde yaklaşamaz. Genel olarak, insan öznel karar verme, bulanık ölçümler ve bulanık integraller kullanılarak uygun şekilde karakterize edilebilir. Bu araştırmanın beklenen katkıları şu şekildedir: (i) Choquet integrali için insan sübjektif karar vermenin hiyerarşik bir yapısı, kriterlerin tamamen bağımsız olmadığı genel değerlendirmeyi değerlendirmek için geliştirilmiştir; (ii) Wang ve diğ. (2001) (bu değiştirilmiş algoritmalar, Wang'dakilere göre daha basit ve anlaşılması daha kolaydır); (iii) Bir değerlendirme modeli önerilir ve değerlendirme sonuçları, daha iyi performans gösteren intranet web sitelerini seçmede ve kötü performans gösterenleri iyileştirmede referansları için ilgili makamlara sağlanabilir.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (25) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (25) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (36) – Vikor Yöntemi – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Tablo 13.1'deki gibi toplam etki matrisi T'yi elde etmek için DEMATEL'in Adım 1 ila Adım 3'ü için basit bir örnek (Durum 2) varsayıyoruz. Adım 4'ü kullanarak, 0.1'lik bir eşik değeri seçilirse, ilişkilerin NRM'si yukarıda gösterildiği gibidir (Şekil 13.2). Küme 1'in üç öğesi / kriteri olduğunu varsayıyoruz: e1, e2, e3, Küme 2'de e4, e5, e6 ve Küme 3'te e7, e8, e9 var. Ardından, toplam etki matrisi T'yi Tablo 13.2'deki gibi normalize ediyoruz. Şekil 13.2'nin yapısını kullanarak ağırlıksız süper matrisi aşağıdaki gibi elde edebiliriz. Son olarak, her ölçüt için derecelendirme aralığının 1 (en kötü değer) ile 10 (en iyi değer) arasında olduğunu varsayıyoruz; alternatiflerin derecelendirilmesi ve kriterlerin ağırlıkları (Denklem 13.25'ten) Tablo 13.3'te listelenmiştir. Daha sonra, Tablo 13.4'teki gibi alternatiflerin sıralama endeksini Ri elde etmek için VIKOR yöntemini (Bölüm 13.2.3) kullanırız. (Burada, endişenin aynı anda maksimum grup faydası ve minimum bireysel pişmanlık olduğunu varsayıyoruz, bu nedenle v = 0.5 seçmeliyiz. Ayrıca S * = Q * = 0 ve S− = Q− = 1 olarak ayarladık. Sonuçlar SA1> SA5> SA4> SA2> SA3, QA1> QA5> QA4> QA2> QA3 ve R> R> R> R> R ve diğer alternatiflerA ≻ A ≻ A ≻ A≻ A. A1 A5 A4 A2 A3 3 2 4 5 1 olur. Bu alternatifler, kabul edilebilir stabiliteyi temsil eden C2 koşulunu karşılar. Bununla birlikte, alternatifler A3 ve A2, A2 ve A4, A3 ve A4, C1 koşulunu karşılamaz, bu da A3'ün A2'den daha açık bir şekilde avantajlı olmadığını, A2'nin A4'ten daha açık bir şekilde avantajlı olmadığını ve A3'ün daha açık bir şekilde avantajlı olmadığını gösterir. A4'ten. Yalnızca A4 ve A5, C1 koşulunu karşılar. Bu nedenle, bir dizi uzlaşma çözümü {A3, A2, A4} şeklindedir. Tartışmalar  Geleneksel yöntemleri ve bu araştırmayı karşılaştırmak için, geleneksel normalleştirme yöntemini kullanarak sınırlayıcı süper matrisi de hesaplıyoruz. Sonuç aşağıdaki gibidir. Denklem 13.25 ve 13.26'ya göre, iki matris için ağırlık sıralarının farklı olduğunu görüyoruz. Denklem 13.25'te, ağırlıklandırılmamış süper matrisi normalleştirmek için DEMATEL yöntemini kullanarak (önerdiğimiz yöntem), ağırlıkların dereceleri (sınırlandırmalar üst matrisi) e4> e3> e6> e5> e7> e2> e9> e8> e1'dir. Eşitlik 13.26'da geleneksel normalleştirilmiş yöntem kullanılarak ağırlıkların sıraları e4> e7> e6> e5> e3> e8> e9> e2> e1'dir. Tablo 13.1 birkaç gerçeği ortaya koymaktadır: (a) her kümenin geribildirimi ve bağımlılığı vardır; (b) Küme 3'ün Küme 1 üzerindeki etkisi 3,6, Küme 1'in Küme 2 üzerindeki etkisi 0,7, Küme 3'ün Küme 2 üzerindeki etkisi 1,9 ve Küme 2'nin Küme 3 üzerindeki etkisi 0,8'dir. Diğer bir deyişle, Küme 1'in etkilenme derecesinin değeri yüksek (3,6), Küme 2 için bu değer sırasıyla 0,7 ve 1,9 ve Küme 3 için düşüktür (0,8). Bu nedenle, Küme 1'e gerçek dünyadaki diğer kümelerden daha fazla dikkat gösterilecektir, yani çok fazla ağırlık taşımalıdır, oysa Küme 3'ün ağırlığı azaltılmış olmalıdır. Böylece, geleneksel yöntemdeki e7, e8 ve e9 kriterlerinin ağırlıklarının önerilen yöntemden daha yüksek olduğunu, ancak geleneksel yöntemdeki e1, e2 ve e3 kriterlerinin ağırlıklarının önerilen yöntemden daha düşük olduğunu bulduk (Tablo 13.5 ve Şekil 13.3). Ağırlıklı süper matrisi elde etmek için ağırlıksız süper matrisi normalleştirmek için her küme için eşit ağırlık varsayımını kullanırsak, değerlendirilen ağırlıkların sonuçları gerçek durumdan daha yüksek veya daha düşük olacaktır. Şekil 13.3, Küme 1 kriterlerinin (e1, e2, e3) hafife alındığını gösterirken, Küme 3'ün (e7, e8, e9) kriterlerinin geleneksel yöntemi benimsersek fazla tahmin edildiğini gösterir. Bu nedenle, gerçek dünya uygulamalarında daha iyi ve daha doğru sonuçlar elde etmek için ANP ile birlikte DEMATEL yöntemini kullanıyoruz. Bu çalışma son olarak, Tablo 13.4'teki gibi sıralama indeksini elde etmek için bağımlı ve geri bildirim özelliklerine sahip kriterleri bir araya getirmek için VIKOR yöntemini kullanır. Maksimum grup faydası ve aynı anda minimum bireysel pişmanlıkla ilgileniyorsak (v = 0.5), sonuçlar A3 ≻ A2 ≻ A4 ≻ A5 ≻ A1 ve bir dizi uzlaşma çözümü {A3, A2, A4} 'dür. Dolayısıyla A3, bu alternatifler arasında ideal / hedeflenen seviyeye en yakın iken, A1 ideal / arzu edilen seviyeden en uzak olanıdır. Bu alternatifleri iyileştirmeyi düşünürsek, A1'e öncelik verilmelidir. Ek olarak, {A3, A2, A4} bir dizi uzlaşmacı çözümdür; karar verici, tercihine göre bu çözümlerden birini seçebilir. Özetlemek gerekirse, ANP ve DEMATEL'i birleştiren hibrit model MCDM'de yaygın olarak kullanılmaktadır. DEMATEL yöntemi, kriterler / faktörler arasındaki ilişkileri kurmak için kullanılır ve ANP, bağımlılık ve geri bildirim sorunlarının üstesinden gelebilir. Bu çalışma, ANP prosedüründe ağırlıksız süpermatrisi normalleştirmek için DEMTATEL kullanmanın, her kümede eşit ağırlık varsayımını kullanmaktan daha makul olduğunu göstermektedir. Ayrıca ANP ve VIKOR yöntemlerinden elde edilen ağırlıklar sıralama indeksinin türetilmesinde kullanılır. Ayrıca bu önerilen yöntemi göstermek için iki örnek gösterdik ve sonuçlar bu yöntemin hem uygun hem de etkili olduğunu göstermektedir. Sonuçlar Çoğu makale, çatışma yönetimi durumlarındaki soruları çözmek için analitik modeller önermektedir. Çatışma yönetimi için mevcut olan sayısız yaklaşım arasında en yaygın olanlarından biri MCDM'dir. VIKOR yöntemi, MCDM içinde uygulanabilecek uygulanabilir bir tekniktir; uzlaşmacı programlama yönteminden kaynaklanan ideale yakınlığı temsil eden bir toplama işlevine dayanmaktadır. Bununla birlikte, çoğu karar verme yöntemi, bir kararın kriterleri ile bu kararın alternatifleri arasında veya sadece kriterler arasında veya alternatiflerin kendileri arasında bağımsızlık varsayar. Bununla birlikte, ölçütler / değişkenler arasında bağımsızlık varsaymak, gerçek dünyadaki bağımlı ölçüt sorununun üstesinden gelmek için çok katıdır. Bu nedenle, birçok makale ANP'nin bu sorunun üstesinden gelmesini önermektedir. ANP, bağımlılık ve geri bildirim içeren sorunların üstesinden gelmek için kullanılır. Ayrıca ANP ve DEMATEL yöntemlerini birleştiren hibrit bir model çeşitli alanlarda yaygın ve başarılı bir şekilde kullanılmıştır. DEMATEL yöntemi, karmaşık ilişkileri tespit etmek ve kriterler arasındaki ilişkilerin NRM'sini oluşturmak için kullanılır. ANP prosedüründe ağırlıklı süpermatris için normalizasyonun üstesinden gelmek için benimsenen yöntem, her küme için eşit ağırlık varsayar; ancak, kümeler arasındaki farklı etkileri göz ardı eder. Bu araştırma, bu mantıksız durumun üstesinden gelmek için yeni bir kavram önermektedir. Ağırlıksız süper matrisi ağırlıklı bir süper matrise dönüştürmek için DEMATEL yöntemini kullanıyoruz. Yeni birleşik model, kümeler arasında farklı etki derecelerine sahip problemleri çözmek için geleneksel yöntemden daha uygundur. Ayrıca uzlaşma sıralama endeksini elde etmek için ANP ve VIKOR yöntemini de sağlıyoruz. Ek olarak, önerilen yöntemin gerçek dünya uygulamalarına uyması için etkinliğini ve fizibilitesini göstermek için iki durum gösteriyoruz. Sonuç olarak, bu araştırmada önerilen yöntemi kullanmak, uzlaşmacı çözüm yönteminin ve kriterler arasında karşılıklı bağımlılık ve geri bildirim sorununun üstesinden gelmek için uygun bir yaklaşımdır.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (26) – WSM Vakası için Kapsamlı Bir Sayısal Örnek – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (26) – WSM Vakası için Kapsamlı Bir Sayısal Örnek – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (47) – Biyoyakıtlar – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Biyoyakıtlar Kara, güneş ışığı, su ve karbondioksit ile üretilen biyokütle malzemeleri enerji kaynağı olarak birçok avantaj sunar. Doğrudan katı yakıtlar olarak yakılabilirler veya çok değerli gazlı veya sıvı yakıtlara dönüştürülebilirler. Üretilen toplayıcılara ve dönüştürücülere güvenmek yerine, biyokütle toplayıcıları tohumlar yayarak kullanılabilir. Bu kollektörler kendilerini güneşe doğru hizalarlar ve ayrıca güneş enerjisinin aralıklı doğasından kaynaklanan depolama sorununu çözerler. Biyokütle, yalnızca periyodik hasat gerektiren yenilenebilir bir enerji kaynağı sağlayabilir. Tayvan'da biyoyakıtların geliştirilmesi, atık malzemelerin kullanımını vurguladı. Şu anda bu alanda önemli ilerlemeler kaydediliyor. Tayvan'da tarımsal atık üretimi oldukça fazladır. Tayvan'da endüstriyel atık su ve kentsel atık üretimi sonucu katı atık ve su kirliliği sorunları çok ciddidir. Bu nedenle, kirlilik sorunlarını çözerken atıklardan nasıl yararlanılacağını belirlemek Tayvan'daki biyoenerji araştırmalarının ana yönüdür. Gelecekteki gelişmeler, katı atıkların doğrudan yakılmasına ve oksitlenmiş atıkların bertarafına odaklanmalıdır. Jeotermal Enerji Tayvan'da jeotermal enerjinin gelişimi 1962'de başladı. Şu anda Chin-Sui ve Tu-Tsong enerji santralleri jeotermal enerji sağlıyor, ancak ekonomik değerleri düşük. Geliştirme fizibilitesini iyileştirmek için, enerji üretimi, su ısıtma ve gezi için çok amaçlı geliştirme çalışmaları sürdürülmektedir. Jeotermal gelişim için potansiyel alanlar Tu-Tsong, Gen-Cho ve Chin-Ren'dedir. Hem Tu-Tsong hem de Gen-Cho'nun 1995 yılına kadar 10 MW elektrik üretim ekipmanına sahip olacağı tahmin edilmektedir. Sırasıyla 15 ve 12 MW elektrik üretim ekipmanına sahip olacak Chin-Sui ve Chin-Ren eklendiğinde, toplam jeotermal elektrik üretim kapasitesi 37 MW veya 57.6 KLOE'ye ulaşacaktır. Mevcut jeotermal geliştirme sorunları, termal iletim, jeotermal kaynaklar ve çalışma akışkanları ile ilişkilidir. Diğer bir sorun, sıcak su teknolojisinin tanımlanması ve geliştirilmesidir. Okyanus Enerjisi Okyanus enerjisi temel olarak gelgit gücünü, dalga enerjisini ve okyanus termal enerjisini içerir. Okyanus termal enerji sistemleri, kapalı ve açık sistemler olarak sınıflandırılabilir. Kapalı bir sistem ticarileştirilecek ve açık bir sistem prototip testleri ve bilimsel araştırmalardan geçecek. Gelgit enerjisi ve dalga enerjisi için uygulama teknolojileri nispeten başarılı olmuştur ve pratik uygulama örnekleri mevcuttur. Okyanus enerjisi yöntemleri arasında okyanus termal enerjisi ve dalga enerjisi, Tayvan için en umut verici güç üreten sistemlerdir. Hidrojen Enerjisi Yüksek verimli hidrojen, gelecek için ideal bir yakıttır. Japonya ve ABD'de, hidrojen üretim teknolojisi yüksek verimlilikle (% 90) geliştirilmiş ve arabalara deneysel olarak hidrojen uygulanmıştır. Bu arabalar 200 km'lik bir mesafe için 100 km / s hıza ulaşabilir. Hidrojen enerjisi geliştirmenin zorlukları arasında iletimi ve depolanması vardır. Ayrıca, geliştirme maliyetleri yüksektir ve ticarileştirme fırsatları çok uzaktır. Teknoloji için, geliştirmenin zorluğunu, sistem işletim verimliliğini ve kapasiteyi genişletmenin zorluğunu yansıtan kriterler oluşturulur. Sosyal konular; arz istikrarı, petrol enerjisinin yerini alma olasılığı, kullanımın popülerliği ve ilgili endüstriler üzerindeki etkidir. Çevresel kriterler arasında su kirliliği seviyeleri, hava kirliliği, toprak kirliliği ve doğal etki yer alır. Geliştirme maliyeti, üretim maliyeti, inşaat süresi ve yıllık çıktı gibi ekonomik kriterler oluşturulur. Yeni enerji gelişmeleriyle ilişkili belirsizlikler nedeniyle, performans değerlendirmesinin ölçülmesi zordur. Bu zorluğun üstesinden gelmek için her bir kriter birden beşe kadar bir ölçekte ölçülür. Her kriter için ölçüm ölçeği Tablo 16.1'de gösterilmektedir. Yeni Enerji- Alternatiflerinin Değerlendirilmesi Alternatif yeni enerji gelişmeleri için öncelikleri değerlendirmek için bir grup karar yöntemi benimsenmiştir. Performansı değerlendirmek için 14 uzmanı davet ettik ve onları Enerji Komitesi'nden, Taipower şirketinden, Çin Petrol Şirketi'nden, ITRI Enerji Araştırma Enstitüsü'nden ve üniversiteden yeni enerji geliştirmedeki değerlendiriciler için 4 farklı uzmanlık ve arka plan grubuna ayırdık. Tayvan'ın özel bir bölgesi için her bir alternatifin analizini yaptı ve yöntemimizin uygun açıklaması için Tablo 16.1'de örnek olarak bir değerlendirme ölçeği kullandı. Değerlendirme yöntemi, Analitik Hiyerarşi Sürecine (AHP) ve Zenginleştirme Değerlendirmeleri için Tercih Sıralaması Organizasyon Yöntemlerine (PROMETHEE) dayanmaktadır. Değerlendirme süreci aşağıdaki paragraflarda açıklanmaktadır. Ahp Uygulaması AHP yöntemi, her bir kriter için ağırlık elde etmek için uygulanır. Her maddenin uzmanlar tarafından kolay karşılaştırılabilmesi için değerlendirmede ikili karşılaştırma kullanılmıştır. Tutarlılık testinde Saaty'nin tutarlılık oranının 0.1'den fazla olmaması önerisini takip ediyoruz. Değerlendirme sonuçları aşağıda gösterilmektedir. Promethee Uygulaması PROMETHEE değerlendirme yöntemleri (Brans ve diğerleri, 1984) dört varyasyondan oluşur. PROMETHEE II, karar vericilerin değerlendirme sonuçlarını kolayca gerçekleştirmelerine yardımcı olacak eksiksiz bir değerlendirme sıralaması sağlar. PROMETHEE II, bu bölümde kullanılan versiyondur. PROMETHEE süreci aşağıdaki üç adımı kapsar: 1. Genelleştirilmiş kriterler için bir tercih fonksiyonunun oluşturulması: Genelleştirilmiş kriterler; H (d) = P (a, b), d = f (bir) −f (b) ≥0; P (b, a), d = f (bir) −f (b) ≤0, P (a, b), alternatif a'nın alternatif b'ye göre tercih avantajını temsil ettiğinde (yani, a'nın b'ye tercih edildiği ölçülebilir kapsam), P (b, a), alternatif b'nin alternatif a'ya göre tercih avantajını temsil eder. ve f (a) ve f (b), sırasıyla alternatifler a ve b için değerlendirilen değerleri temsil eder. Daha büyük f (a) veya f (b) değerleri daha iyidir. Karar vericiler tarafından istenen bilgilerin elde edilmesi zor olduğundan, H (d) fonksiyonunu şu şekilde tanımladık: Kriter Ağırlıkları Kriterler Geliştirme zorluğu Sistemin operasyonel verimliliği Kapasite genişletme zorluğu Tedarik stabilitesi Yağ enerjisini değiştirme imkanı Kullanımın popülerliği İlgili endüstriler üzerindeki etki Su kirliliği etkisi Hava kirliliği etkisi Toprak kirliliği etkisi Doğal etki Geliştirme ücreti Üretim maliyeti İnşaat süresi Yıllık üretim 2. Çok kriterli bir tercih indeksinin hesaplanması: Burada, h kriterinin ağırlığı ve Ph (a, b), h kriteri altında alternatif a'nın alternatif b'ye göre üstünlüğünü gösterir. Değerlendirilen değerleri bir değerlendirme matrisine (Tablo 16.4) ve ayrıca Denklem 16.1 ve 16.2'ye dahil ederek Ph (a, b) 'yi buluruz. Denklem 16.3'e kriter ağırlıklarını (Tablo 16.3) ekledikten sonra, π (a, b) elde ederiz. Sonuçlar Tablo 16.5 ila 16.8'de gösterilmektedir. Ortaya çıkan çoklu kriter tercih indeksi değerlerinden ve şebeke akış konseptine göre hangi alternatiflerin daha üstün olduğunu belirleyebiliriz. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (24) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

  Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı…

Okumaya Devam EtÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (24) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma