Çok Amaçlı Karar Verme (25) – Hiyerarşik 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. Tanım 9.6 : I1 ∩ I2, I1 I2 ve I2 I1'in hiçbiri boş değilse, I1, I2 ⊂ Q ve I1 ve I2'nin üst üste geldiğini varsayalım. Tanım 9.7 : Bir X kümesi için Γ topoloji, X'in bir alt kümeleri kümesidir, öyle ki boş kümeler boş ve X Γ içindedir; ii. Keyfi Γ kümelerinin birleşimi Γ içindedir; iii. Sonlu sayıda Γ kümesinin kesişimi Γ içindedir. Γ, X için bir topolojiyse, (X, Γ) çifti topolojik bir uzaydır ve Γ'daki X'in alt kümeleri açık kümeler olarak adlandırılır. Tanım 9.8 : Bir topolojik uzay (X, Γ) bağlıdır, ancak X, iki boş olmayan açık kümeye bölünemez. ii. A'nın kapanışı, x'i içeren her açık kümenin A ile boş olmayan bir kesişimine sahip olduğu tüm x ∈ X kümesidir. iii. (X, Γ) ayrılabilir ancak X, kapanışı X'te olan sayılabilir bir alt küme içerir. Teori 9.1: i. Her (Xi, Γi) için, i = 1, ..., q topolojik olarak ayrılabilir ve bağlantılıdır. Böylece, (X, Γ), X = ∏i = 1 Xi, Γ = ∏i = 1 Γi ile topolojik olarak ayrılabilir ve bağlantılıdır. ii. X üzerinde {f} zayıf bir sıradır ve her x ∈X için, {x f} ∈Γ ve {x ≺} ∈Γ. Tanım 9.9: Ψ, Q'nun alt kümelerinin bir toplamı olsun. (A) ∅, Q ∈ψ ve (b) I1, I2 ∈ψ çakışırsa, I1 ∪ I2, I1 ∩ I2, I1 I2, I2 ise tamamlanabilir  deriz. I1 ve (I1 I2) ∪ (I2 I1) tümü ψ'ye aittir; ii. I verildiğinde, ψ'nin tamamlanması  (ψ), ψ içeren tüm koleksiyonların kesişimi olarak tanımlanır; iii. VerilenT∈ψ, TisatopelementofψifT ≠ QveTisQ dışında herhangi bir ψ öğesi tarafından tutulmaz. Tanım 9.10 : Q'nun alt kümelerinin bir koleksiyonu olalım. i. ψ'nin herhangi bir A, B'si için, I1 = A, Ir = B ve Ik-1 Ik, k = 2, ile çakışacak şekilde ψ dizisi (I1, ..., Ir) varsa ψ bağlanır. ii. ψ'nin her bir öğesi tercihe göre ayrılabilirse prefer tercihe göre ayrılabilirdir. Teorem 9.1: Eğer (i) ψ bağlıysa ve tercihe göre ayrılabilirse, (ii) A B veya B A kesinlikle gerekli olacak şekilde en az bir üst üste binen A, B öğesi çifti vardır, (iii) her {i} ⊂ Q önemlidir ve (iv) Varsayım 9.1 karşılandığında,  (ψ) tercihe göre ayrılabilir. Teorem 9.2 : Teorem 9.1'in tuttuğunu ve  (ψ) 'nin Q'nun alt kümelerinin bazı tercihli ayrılabilir koleksiyonu ψ için tercihe göre ayrılabilir olduğunu varsayalım. Of ( ψ), dikkate alınmalıdır: Durum (i). {T1, ..., Tm} karşılıklı olarak örtüşmez. Sonra {T0, T1, ..., Tm}, burada T0 = Q (∪mi = 1Ti), Q'nun bir bölümünü oluşturur ve v {x} şu şekilde yazılabilir: v (x) = F (y0, v1 (x1), ..., vm (xm)), Burada F (x0, ⋅) bileşenlerinde kesin bir artışı gösterir vi, i = 1, ..., m, eğer her Ii, i = 1, ..., m, tercihe göre ayrılabilir. Durum (ii). bazılarıyla {T1, ..., Tm} çakışıyor. Her bir {i}, i = Q, kesinlikle gerekliyse, {T1, ..., Tm} Q'nun bir bölümünü oluşturur ve v (x) şu şekilde yazılabilir: v (x) = ∑vi (xi), ψ'nin herhangi bir alt kümesinin birleşimi tercihe göre ayrılabilirse. Teorem 9.2'ye göre, Q kriterinin indeks seti, bağımsız ve bağımsız olmayan kriterleri gösteren hiyerarşik bir yapıya ayrıştırılabilir. Bu nedenle, orijinal kriter kümesindeki bulanık ölçüleri belirleme çalışması önemli ölçüde azaltılabilir, yani sadece Choquet integralindeki bağımsız olmayan kriterlere odaklanabiliriz. Ardından, istatistik bakış açısına dayalı olarak bulanık ölçümleri aşağıdaki gibi türetmek için bir matematiksel program geliştirilir. {F} ve {~} açıklanmış tercih kümeleri olsun. Bir karar vericinin tercih yapısının var olduğunu ve bir Choquet integral işlevi ile temsil edilebileceğini varsayın. Bilgi tam olmayabileceğinden, gözlemlenen tercih Choquet integral fonksiyonunu tam olarak yansıtamaz. Böylece, gözlenen Choquet integral işlevi şu şekilde formüle edilebilir: C (x, ε) = C (x, g) + ε, Burada C (x, g) gerçek Choquet integral fonksiyonunu belirtir ve ε, beklenen E (ε) değeri sıfıra eşit olan rastgele bir değişkendir. Daha sonra, doğru Choquet integral fonksiyonu kullanılamadığından, amaç, C (x, g) {f} ve {~} tercihlerinin ortaya konan kümeleriyle en tutarlı olmasını sağlayacak şekilde bulanık ölçümleri g belirlemeye dönüştürülür. Açığa çıkan tercih setlerinin bilgilerine göre, (hj, hk) ∈ {f} ise, ∫hjdgj - ∫hkdgk> 0, hepsi için (h j, hk) ∈ {≻} olur. Öte yandan, (hj, hk) ∈ {~} ise, bekleyebiliriz, yani  ∫hjdgj −∫hkdgk = 0 forall (hj, hk) ∈ {∼} sonucuna varırız. Bu nedenle matematiksel program şu şekilde geliştirilebilir: Min∑ (yjk) p + ∑ (zst) p, öyledir ki, ∫hjdgj - ∫hkdgk + yjk ≥ δ, ∀ (h j, hk) ∈ {≻}, ∫hjdgj −∫hkdgk + zst = 0, ∀ (hj, hk) ∈ {∼}, g ({x1, x2, ..., xj}) ≥ g ({x1, x2, ..., xk}), g ({∅}) = 0, g ({x1, x2, ..., xn}) = 1, ∀1≤k <j≤n olur. Burada p ≥ 1, lp-normunu belirtir, zst ∈R ve δ keyfi olarak küçük bir pozitif sabiti gösterir. Örnek 9.2: Bilgisayar satın alma kriterleri CUP hızı (x1), hafıza (x2), grafikler (x3), ekran (x4), depolama (x5), onarım maliyeti (x6), servis (x7), fiyat olarak temsil edilsin (x8), marka (x9) ve görünüm (x10). Her bir kritere göre tercih edilen derecelendirmelerin karar verici tarafından Tablo 9.4'te gösterildiği gibi on puanlık ölçeklere (yani mükemmel = 10, çok zayıf = 1) göre verildiğini varsayalım. Yukarıdaki MCDM probleminden, Q = {1,2,3,4,5,6,7,8,9,10} kriterlerin indeks kümesini gösterir. Ψ = {(1,2,3), (3,4), (7,8), (8,9)} kriterlerin bir bölümü olduğunu varsayalım, burada (1,2,3) bilgisayar, (3,4) bilgisayarın görsel kabiliyetini (7,8) hizmet endeksini ve (8,9) marka endeksini göstermektedir. Bu nedenle, yukarıdaki tamamlanma şu şekilde elde edilebilir 􏰱 (ψ) = ∅, (3), (4), (7), (8), (9), (1,2), (7,9), (1,2,4), (7, 8,9), (1,2,3,4), Q. {} Tanım 9.9'a göre, C (ψ) 'nin üst elemanları T0 = {5,6,10}, T1 = {1,2,3,4} ve T2 = {7,8,9} olmalıdır. Daha sonra, üst elemanlar T1 ve T2, aşağıdaki gibi daha da ayrıştırılır. İlk olarak, T1'in tamamlanması 1 (ψ) = {∅, (7), (8), (9), (7,8), (8,9), (7,9), ( 7,8,9)}. Öyleyse, T1'e göre üst elemanlar T11 = {1,2}, T12 = {3} ve T13 = {4} 'dür. Öte yandan, T2'nin tamamlanması 2 (ψ) = {∅, (3), (4), (1,2), (3,4), (1,2,3) şeklinde de hesaplanabilir. , (1,2,4), (1,2,3,4)}. Bu nedenle, T2'ye göre, üst öğeler T21 = {7}, T22 = {8} ve T23 = {9} 'dur. Yukarıdaki ayrıştırma sonuçlarına göre, Choquet integralinin yapısı, Şekil 9.2'de gösterildiği gibi hiyerarşik bir grafikle temsil edilebilir. Şekil 9.2'den, orijinal sette bulanık ölçülerin belirlenmesi işinin önemli ölçüde azaltılabileceği görülebilir. Daha sonra, açıklanmış tercih kümelerine dayalı olarak aşağıdaki gibi bulanık ölçümleri türetmek için Denklem 9.17 kullanılır. Yukarıdaki karar probleminin ortaya çıkan tercihi karar verici tarafından şu şekilde verilebilir: {≻} = (A, E), (A, F), (A, J), (B, E), (C, A), (C, B), (C, D), (C, E ), (C, F), (C, G), (C, H), (C, I), (C, J), (D, A), (D, B), (D, I), (G, E), (H, A), (H, BB), (H , E), (H, G), (J, F)} ve {∼} () () (). Açıklanan tercihteki geçişlilik özelliğinin gerçekçi MCDM sorunlarını yansıtmak için mutlaka tatmin edilmediğine dikkat edin. Ardından, bulanık ölçüler şu şekilde elde edilebilir: minyp + 􏰩 + yp + | z | p + 􏰩 + | z | p, AE JF AB EG öyledir ki ∫hAdgA −∫hEdgE + yAE ≥δ, 􏰩 ∫hJdgJ −∫hFdgF + yJF ≥δ, ∫hAdgA −∫hBdgB + zAB = 0, 􏰩 ∫hDdgD −∫hGdgG + zDG = 0, g ({x1}), g ({x2}) ≤ g ({x1, x2}), g ({x5}), g ({x6}) ≤ g ({x5, x6}), g ({x5}), g ({x10}) ≤ g ({x5, x10}), g ({x6}), g ({x10}) ≤ g ({x6, x10}), g ({x5, x6}), g ({x5, x10}), g ({x6, x10}) ≤ g ({x5, x6, x10}), g ({∅}) = 0, g ({x1, x2, ⋅⋅⋅, x10}) = 1. Daha sonra, Tablo 9.5'te gösterildiği gibi, her alternatifin bulanık integralini ve katsayılarını türetebiliriz. Tablo 9.5'ten, bulanık integralin sonuçlarının, karar vericiler tarafından önerilen açığa çıkarılan tercih kümeleriyle neredeyse tutarlı olduğu görülebilir. Ek olarak, optimum bulanık ölçümler, önerilen matematiksel programlama modeli kullanılarak da türetilebilir, böylece bulanık integralin sonuçları, açıklanan tercih kümeleriyle en tutarlıdır. 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 Amaçlı Karar Verme (25) – Hiyerarşik 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…

Okumaya Devam EtÇok Amaçlı Karar Verme (25) – Hiyerarşik Bulanık İntegral – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (26) – Kaba Setler – 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. Kaba Setler İlk kez 1982'de Pawlak tarafından tanıtılan kaba kümeler, bilişsel bilimler, makine öğrenimi, bilgi edinme, karar analizi dahil olmak üzere yapay zeka alanlarına yaklaşan belirsizlik ve belirsizlikle başa çıkmak için değerli bir matematiksel araçtır. Bilgi keşfi, karar destek sistemleri, tümevarımlı akıl yürütme ve örüntü tanıma söz konusudur. Kaba küme teorisinin (RST) başlangıç ​​noktası, ilgi konusu olan her nesne ile bazı bilgileri ilişkilendirdiğimiz ve nesnelerin karakterlerinden dolayı bazı bilgilerle benzer veya ayırt edilemez olduğu varsayımıdır. Bu tür bir ayırt edilemezlik ilişkisi, RST'nin matematiksel temelidir. RST'nin temel kavramı, belirli bir yaklaşım uzayındaki kümelerin yaklaşık eşitliğidir. Pawlak'a göre, bir yaklaşım uzayı A sıralı bir çifttir (U, R), burada U, evren olarak adlandırılan belirli bir küme ve bu eşdeğerlik ilişkisi R ⊂ U × U, ayırt edilemezlik ilişkisi olarak adlandırılan ikili bir ilişkidir. Yani, eğer x, y ∈ U ve (x, y) ∈ R ise bu, x ve y'nin A'da ayırt edilemez olduğu anlamına gelir; R ilişkisinin denklik sınıfları, A'da temel kümeler (atomlar) olarak adlandırılır (boş bir küme de temeldir) ve A'daki tüm atomların kümesi U / R ile gösterilir. Kaba küme yaklaşımında, herhangi bir belirsiz kavram, belirsiz kavramın alt ve üst yaklaşımı olan bir çift kesin kavramla karakterize edilir (Pawlak 1997). X ⊆ U, U'nun bir alt kümesi olsun, bu durumda X'in A'daki alt ve üst yaklaşımları şu şekilde gösterilir: A (X) = {x∈U | [x] R ⊂X} ve A (X) = {x ∈U | [x] R ∩ X ≠ ∅}, Sırasıyla, burada [x] R, x öğesini içeren R ilişkisinin denklik sınıfını belirtir; ek olarak, set; BNA (X) = A (X) - A (X) (10.3) A'da X'in sınırı olarak adlandırılır. X kümesi A'da kabaca tanımlanabiliyorsa, bu, X kümesini A'da alt ve üst yaklaşımını tanımlayarak bazı “yaklaşımlarla” tanımlayabileceğimiz anlamına gelir. Üst yaklaşım A− (X), muhtemelen kavrama ait olan nesneleri içeren A'daki en az tanımlanabilir küme anlamına gelirken, daha düşük yaklaşım A (X), kesinlikle kavrama ait olan nesneleri içeren A'daki en büyük tanımlanabilir küme anlamına gelir. Bir kümenin alt ve üst yaklaşımları kullanılarak, yaklaşımın doğruluğu ve kalitesi tanımlanabilir ve veri tablosunda gizlenen bilgiler keşfedilebilir ve karar kuralları şeklinde ifade edilebilir. Teorinin daha fazla detayı Pawlak'ta   bulunabilir. RST'nin temel kavramları ve veri analizinin analitik prosedürü aşağıda tartışılmaktadır. Bilgi Sistemi Kaba küme tabanlı veri analizi, bazı niteliklere göre karakterize edilen ilgi konusu nesneler hakkındaki verileri içeren, bilgi sistemi adı verilen bir veri tablosundan başlar. Belirli bir alanda karar vermek genellikle veri ve bilgiyi içeren bilgi sisteminin yapılandırılmasını ve analiz edilmesini gerektirir. RST, bilgi sisteminin nitelikleri açısından belirli nesneler hakkında bilgi içerdiğini beyan eder. Nesneler vakalar, durumlar, süreçler ve gözlemler olarak yorumlanabilirken, nitelikler özellikler, değişkenler ve karakteristik koşullar olarak yorumlanabilir. RST'de, yaklaşım uzayını oluşturmak için bir bilgi sistemi kullanılır. Bilgi sistemi, her bir nesnenin bir dizi öznitelikle tanımlandığı şekilde bir RST uygulaması olarak görülebilir (Pawlak 1997). Pawlak'a (1984, 1997) göre, bir bilgi sistemi, dörtlü S = (U, Q, V, ρ) ile tanımlanır, burada üni- verseUisafinitesetofattributes, V = ∪q∈Q Vq öz niteliğinin etki alanıdır;  ρ: U × Q → V, her q ∈ Q, x ∈ U için ρ (x, q) ∈ Vq olacak şekilde bir açıklama fonksiyonudur. Pratikte, bilgi sistemi, sütunların öz niteliklerle etiketlendiği sonlu bir veri tablosudur. satırlar nesnelerle etiketlenir ve q sütunu ve x satırındaki giriş ρ (x, q) değerine sahiptir; tablodaki her satır, S'deki bir nesne hakkındaki bilgileri temsil eder. Ayırt Edilemez İlişki RST'nin başlangıç ​​noktasının kesin olmayan bilgi olduğu temelinde nesneleri ayırt etmek zordur (Pawlak 1997). Başka bir deyişle, kesin olmayan bilgiler, nesnelerin mevcut veriler açısından ayırt edilemez olmasına neden olur. S = (U, Q, V, ρ) bir bilgi sistemi olsun ve P ⊆ Q, x, y ∈ U olsun, böylece x ve y, S'deki P öznitelikleri kümesiyle ayırt edilemez (xP ̃ y ) ancak her q ∈ P için r (x, q) = r (x, q) değeri oluşur. P ̃ (veya INDP) ilişkisinin denklik sınıfları S'de P temel kümeleri olarak adlandırılırken, S'de Q temel kümeleri atomlar olarak adlandırılır. Bu temel kümeler en küçük ayırt edilebilir nesne gruplarını ve temel kümelerin inşasını temsil eder sınıflandırmanın kaba kümeler aracılığıyla gerçekleştirilmesindeki birincil adımdır. Ayrıca, ayırt edilemez ilişki, veriler üzerinde iki ana işlemi, yani bir kümenin alt ve üst yaklaşımlarını tanımlamak için kullanılır. Bir kümenin alt ve üst yaklaşımlarını kullanarak, [0,1] aralığından sayılar olan yaklaşımın doğruluğunu ve kalitesini tanımlayabiliriz. Dahası, yaklaşımın doğruluğunu ve kalitesini kullanmak, nesnelerin sınıflandırmasını tam olarak nasıl tanımlayabileceğimizi tanımlamanın uygun bir yoludur. Setlerin Yaklaşıklığı ve Doğruluk Yaklaşımı RST'de, belirsiz kavramı ele almak için kümelerin yaklaştırmaları tanıtılmıştır. P ⊆ Q ve Y ⊆ U olsun. Y'nin P-düşük yaklaşımı şu şekilde gösterilir: P (Y) = {x | INDP (x) ⊆Y}, Y'nin P-üst yaklaşımı ile gösterilir. P (Y) = {x | INDP (x) ∩Y ≠ ∅}, ve Y kümesinin P sınırı, ile gösterilen şüpheli bölgedir. BNP (Y) = P (Y) −P (Y). Alt ve üst yaklaşımlar aynıysa, yani P– (Y) = P (Y), Y kümesi tanımlanabilir; aksi takdirde, Y kümesi S'de tanımlanamaz. Dimitras ve ark. (1999), PY kümesi, P öznitelikleri kümesine göre kesinlikle Y'nin elemanları olarak sınıflandırılabilen U'nun elemanlar kümesidir; P – Y kümesi, P öznitelikleri kümesine göre muhtemelen Y'nin elemanları olarak sınıflandırılabilen U'nun elemanlar kümesidir; ve BNP (Y) kümesi, P nitelikleri kümesi ile kesinlikle Y olarak sınıflandırılamayan öğeler kümesidir. Pawlak'a (1982) göre, ηP (Y) sınıflandırmasının doğruluğu μ (Y), kalite ... ... P ve βP (Y) sınıflandırmasının doğruluğu aşağıdaki gibi ölçülebilir. S'de P ile Y kümesinin yaklaşık μP (Y) doğruluğunu ölçmek için, şu yolu kullanabiliriz: μP (Y) = (PY) = (PY), Burada 0 ≤ μP (Y) ≤ 1; μP (Y) = 1 ise Y, S'de P ile tanımlanabilirken, μ (Y) <1 ise Y, S'de P ile tanımlanamaz. Ek olarak, S bir bilgi sistemi, P'nin bir alt kümesi olsun ... nitelikler P ⊆ Q; ve Y, U'nun P tarafından sınıflandırılması olsun. Y = {Y, Y, ..., Y}, i12n alt kümeleri Y sınıflandırmasının sınıflarıdır, Y'nin P-düşük yaklaşımı PY olarak gösterilir ... , ve Y ... 'nin P-üst yaklaşımı P – Y olarak belirtilir .... Daha sonra, P ile sınıflandırma ηP (Y ...) kalitesi şu şekilde ölçülebilir: n (􏰲􏰲􏰲y) ∑n (x) P (Y ...) sınıflandırmasının doğruluğuna gelince, şu şekilde ölçülebilir: i = ∑n βP Y = i = 1∑n i = 1. 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 Amaçlı Karar Verme (26) – Kaba Setler – 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 Amaçlı Karar Verme (26) – Kaba Setler – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (24) – Hiyerarşik 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. Bulanık ölçü şu şekilde ifade edilebilir: gλ ({x1, x2, ..., xn}) = ∑gλ ({xi}) + λ ({j}) + 􏰩 + λn − 1gλ ({x1}) gλ ({x2}) ... gλ ({xn}) Yani; 1. λ12nλ12n 2. g ({x0}) = 0, g ({x *}) = 1, i = 1,2, ..., n λi λi 3. w = u (x *, x0) = gλ ({x}) iii2n 4. 1 + λ = Π (1 + λgλ ({xi})) i = 1 Ek olarak, eğer ∑in = 1 gλ ({xi}) = 1 ise, bulanık ölçü şu şekilde yazılabilir: ∑n i = 1 Eğer λ ≠ 0 ise, bu form toplamsal olmayan bulanık integral olarak adlandırılır; λ> 0 ise çarpımsal bulanık ölçü olarak adlandırılır; ve −1 <λ <0 ise, buna ikame edici bulanık ölçü denir. Ardından, Choquet integralinin prosedürlerini göstermek için sayısal bir örnek kullanılır. Örnek 9.1 : Bankaların değerlendirme kriterlerinin şu şekilde temsil edilebileceğini düşünün. Yatırım geliri (x1), kredi geliri (x2), faiz geliri (x3) ve risk yönetimi (x4) olsun. Beş banka ve bunlara karşılık gelen ağırlıklar ve değerlendirme puanları Tablo 9.1'de gösterildiği gibi açıklansın. Yukarıdaki kriterler karar vericiler tarafından birbirine bağlı olarak kabul edildiğinden, bu sorunun üstesinden gelmek için Choquet integrali kullanılır. Denklem 9.3'ü çözerek, kriterler arasındaki çarpım etkisini gösteren λ = 0.05'i elde edebiliriz. Yukarıdaki sonuçtan sonra, Tablo 9.2'de gösterildiği gibi tüm bulanık ölçümleri çıkarabiliriz. Son olarak, yukarıdaki bilgileri birleştirerek alternatifleri sıralamak için Choquet integrallerini hesaplayabiliriz. Ağırlıklı toplamlar ve ağırlıklı ürün yöntemleriyle karşılaştırılan sonuçlar Tablo 9.3'te gösterildiği gibi açıklanabilir. Tablo 9.3'e göre Choquet integralinin, kriterler arasındaki tercihli bağımlılığı dikkate alarak başka bir tercih yapısını tanımlayabildiği görülmektedir. Hangi tercih yapısının karar vericilerin tercihlerini temsil edebileceğini açıklığa kavuşturmak ilginçtir. Tercih bağımsızlığı veya tercih ayrılabilirliği kavramlarını kullanarak tercih yapısını tespit etmenin yanı sıra, yorumlayıcı yapısal modelleme (ISM), karar verme deneme ve değerlendirme laboratuvarı (DEMATEL) veya bulanık biliş haritaları (FCM) gibi diğer yapısal modellemeler de yapılabilir. Kullanılmış. Bu yapısal modellerin ayrıntılı açıklamaları için Ek'e bakın. Hiyerarşik Bulanık İntegral Bulanık integrallerin önceki tartışmalarında, λ ölçüleri kavramına göre bulanık ölçüler türetilmiştir (Denklem 9.4). Bununla birlikte, belirli MADM problemlerinde yararlı değildir çünkü ayrıştırılabilir katsayılar (örneğin, olasılık ölçüleri veya Sugeno'nun λ-ölçüleri), bazı kriter alt kümeleri için süper ilave olamaz ve diğer alt-kümeler için alt-katkı maddesi olamaz (Grabisch 1995). Bu nedenle, ayrıştırılabilir katsayılar, tüm kriterler kümesi üzerinde yalnızca alt eklemeli veya süper eklemeli alt kümeleri ifade edebilir ve bunların belirli MCDM sorunlarına uymasını kısıtlayabilir. Katsayıların tanımlanmasındaki karmaşıklığı azaltmak için Sugeno ve meslektaşları, Choquet integralini kapsama hariç tutma durumuna göre hiyerarşik bir yapıya ayrıştırmak için çok düzeyli yöntemleri (Sugeno, Fujimoto ve Murofushi 1995; Tanaka ve Sugeno 1991) önermişlerdir. (IEC), böylece tahmini katsayıların sayısı önemli ölçüde azaltılabilir. Bununla birlikte, yöntemleri yalnızca hiyerarşik Choquet integralini oluşturmanın bir yolunu sunarak katsayıların nasıl türetileceği sorununu açık bırakır. Buna ek olarak, Grabisch (1997) k-toplamsal ölçüler kavramını önermiş ve Miranda, Grabisch ve Gil (2002) katsayı sayısını, Σkj = 1 (nj) ve [(| A1 | + 'e düşürmek için p-simetrik önlemler önermiştir. 1)] × ⋅ ⋅ ⋅ × [(| Ap | + 1)] −2, burada {A1, ..., Ap}, sırasıyla ölçütlerin bölünmesini belirtir. Toplamsal ölçümler katsayıları belirleme karmaşıklığını önemli ölçüde azaltmasına rağmen, uygun katsayıları belirleme girişimleri, pratik problemlerde karar vericinin yeteneğini hala aşırı yüklüyor (örneğin, n = 10 ve k = 2 için, 55 katsayıları tanımlanmalıdır). Öte yandan, p-simetrik ölçümler yalnızca belirli bir varsayım durumunda kullanılabildiğinden (yani, kayıtsızlık bölümü hakkındaki bilgiler), Choquet integralinin gerçekçi problemlerle başa çıkma uygulamalarını kısıtlar. Pratik problemlerde katsayıları belirlemek için iki yöntem önerilmiştir. Hata kriterinin en aza indirilmesine dayanan ilk yöntem, katsayıları türetmek için yanıt vererek sayısal olarak bağımsız değişkenler gerektirir ve bu nedenle bu yöntem örüntü tanıma problemleri için daha uygundur. Örneğin, Grabisch (1995) sezgisel en düşük ortalama kareler (HLMS) algoritmasını önermiş, Combarro ve Miranda (2006) genetik algoritmalar kullanmıştır ve Beliakov (2002) katsayıları belirlemek için en küçük kareler spline yöntemini kullanmıştır. Öte yandan, kısıt memnuniyetine dayanan ikinci yöntem, yalnızca bir karar verici tarafından sağlanan açıklanmış tercih bilgisine dayanan katsayıları tanımlar. Bu nedenle, bu yöntem pazarlama araştırması ve tüketici seçimindeki uygulamalar için daha uygundur. Birinci yöntemle karşılaştırıldığında, ikinci yöntem çok iyi araştırılmamıştır. Bunun nedeni, ilk yöntem deneysel verilerden katsayıları tanımladığından, eğer veri seti yeterince büyükse, tatmin edici bir çözüm için her zaman en uygun yöntemi bulabiliriz. Öte yandan, ikinci yöntemin sonucu, bir karar vericinin elde edebileceği bilgilere bağlıdır, yani bilgi ne kadar eksiksiz olursa, sonuç o kadar tatmin edici olacaktır. Bu nedenle, bilgi kısıtlıysa, tatmin edici bir sonuç elde etmek için yalnızca tahmini katsayıların sayısını azaltabiliriz. Bu bölümde odak noktamız, katsayıları açığa çıkan tercih bilgilerinden belirleme meselesidir. K-katkılı veya p-simetrik ölçüler kullanmak yerine, Choquet integralini tercih ayrılabilirliği (1968) kavramına göre hiyerarşik bir yapıya ayırırız, böylece tahmin edilen katsayıların sayısı önemli ölçüde azaltılabilir. Olası sonuçlar üzerindeki tercihler, X = ∏iq = 1 Xi, her X ⊂ R1 ve Q = {1,2, ..., q} kriterlerin indeks kümesi olsun. I ⊂ Q verildiğinde, tamamlayıcısı I = Q \ I ile gösterilecektir. Ek olarak, ψ = {I1, I2, ..., Im}, her Ik ≠ ∅, Q'nun bir bölümü olsun. Tanım 9.4: Açıklanan tercih kümesi de göz önüne alındığında, {f} ve I⊂Q, I ≠ ∅.Letz∈XI ve w∈XI. Herhangi bir z0, z1 ∈XI için z ve / veya I'nin tercihe göre ayrılabilen iff (z0, w0) f (z1, w0) olduğu ve bazı w0 ∈XI'nin (z0, w) ψ (z1, w ) tüm w ∈XI için sonuç aynıdır. Tanım 9.5 : I⊂Q verildiğinde, I ≠. XI'in tüm öğelerinin farklı olmaması ve her xI ∈XI için XI'nin tüm öğelerinin farklı olmaması durumunda, bazı xI ∈XI olması durumunda gerekli olduğu söylenebilir. 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 Amaçlı Karar Verme (24) – Hiyerarşik 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…

Okumaya Devam EtÇok Amaçlı Karar Verme (24) – Hiyerarşik Bulanık İntegral – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (23) – Bulanık İntegral Tekniği – 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. Bulanık İntegral Tekniği Çok öz nitelikli karar verme (MADM), çoklu, çelişkili ve etkileşimli kriterler arasındaki en uygun alternatifin belirlenmesini içerir. Çoklu özellikli fayda teorisine (MAUT) dayanan birçok yöntem (örneğin, ağırlıklı toplam ve ağırlıklı ürün yöntemleri) çoklu kriter karar verme (MCDM) problemleriyle başa çıkmak için önerilmiştir. MAUT kavramı, tüm kriterleri, alternatifleri değerlendirmek için fayda fonksiyonu adı verilen belirli bir tek boyutta toplamaktır. Bu nedenle, MAUT'un ana sorunu, karar vericinin tercihlerini temsil edebilecek rasyonel ve uygun bir toplama operatörü bulmaktır. MAUT'un toplama işlecini tartışmak için birçok makale önerilmiş olsa da, MAUT'un ana sorunu tercihli bağımsızlık varsayımıdır. Tercihli bağımsızlık, bir kriterin diğer bir kritere göre tercih sonucunun kalan kriterlerden etkilenmemesi olarak tanımlanabilir. Bununla birlikte, ölçütler genellikle pratik MCDM problemlerinde etkileşimlidir. Bu eklemeli olmayan sorunun üstesinden gelmek için Choquet integrali önerildi (Choquet 1953; Sugeno 1974). Choquet integrali, artıklık ve destek / sinerji kavramını kullanan kriterler arasında belirli bir etkileşim türünü temsil edebilir. Bulanık İntegral 1974'te Sugeno, olağan toplamsal özelliği daha zayıf bir gereksinimle, yani küme dahil etmeye göre monotonluk özelliğini değiştirerek bir ölçünün olağan tanımını genelleştiren bulanık ölçüm ve bulanık integral kavramını tanıttı. Bu bölümde, bulanık ölçü ve bulanık integral teorisinden bazı kavramlara bir giriş vereceğiz. Daha ayrıntılı bir açıklama için okuyucular, Dubois ve Prade (1980), Grabisch (1995) ve Hougaard ve Keiding (1996) 'ya başvurabilir. Tanım 9.1 : X, σ-cebirin özellikleriyle donatılmış ölçülebilir bir küme olsun, burada א X'in tüm alt kümeleridir. Ölçülebilir uzayda (X, א) tanımlanan bir bulanık ölçü g küme fonksiyonudur g: א → [0,1 ] aşağıdaki özellikleri karşılayan: 1. g (ψ) = 0, g (X) = 1'dir. 2. Tüm A, B ∈ א için, eğer A ⊆ B ise g (A) ≤ g (B) (monotonluk) olur. Yukarıdaki tanım ışığında, (X, א, g) 'nin bulanık bir ölçü alanı olduğu söylenebilir. Ayrıca, monotonluk koşulunun bir sonucu olarak, g (A ∪ B) ≥ max {g (A), g (B)} ve g (A ∩ B) ≤ min {g (A), g ( B)}. G (A ∪ B) ≥ max {g (A), g (B)} durumunda, g set fonksiyonu bir olasılık ölçüsü (Zadeh 1978) olarak adlandırılır ve g bir gereklilik ölçüsü olarak adlandırılır, eğer g (A ∩ B) ≤ dak {g (A), g (B)}. Tanım 9.2: H = ∑n a ⋅1 basit bir fonksiyon olsun, burada 1 i = 1 i Ai Ai'nin karakteristik fonksiyonudur. Ai ∈א, i = 1, ..., n; Ai kümeleri ikili olarak ayrıktır ve M (Ai) Ai'nin ölçüsüdür. O halde h'nin Lebesgue integrali, ∫h⋅dM = M.ai şeklinde denklemleştirilir. Tanım 9.3: (X, א, g) bulanık bir ölçü uzayı olsun. Basit bir h fonksiyonuna göre bulanık bir g: א → [0,1] ölçüsünün Choquet integrali şu şekilde tanımlanır: ∫h (x) ⋅dg ≅ ∑h (xi) −h (xi − 1) ⋅g (Ai), Yukarıdaki aynı gösterimle ve h (x (0)) = 0. G, bir güç kümesi P (x) üzerinde tanımlı ve bu değeri sağlayan bulanık bir ölçü olsun. Yukarıdaki Tanım 9.1.'e göre  aşağıdaki özellik açıktır: ∀A, B∈P (X), A∩B = ∅, o halde, gλ (A∪B) = gλ (A) + gλ (B) + λgλ (A) gλ (B), − 1λλ <∞ için, X = {x1, x2, ..., xn}, bulanık yoğunluk gi = gλ ({xi}) ayarı aşağıdaki gibi formüle edilebilir: g ({x, x, ..., x}) = ∑g + λ∑∑g⋅g + ⋅⋅⋅ + λn − 1g⋅g⋅⋅⋅g λ12ni i1i2 12n = 1∏n (1 + λ⋅gi) −1 için − 1≤λ 0 ise, gλ (A ∪ B)> gλ (A) + gλ (B), bu da A ve B'nin çarpma etkisine sahip olduğunu gösterir. Durum 2. Eğer λ = 0 ise, o zaman gλ (A∪B)> gλ (A) + gλ (B), A ve B'nin ilave bir etkiye sahip olduğunu gösterir. Durum 3. Eğer λ gλ (A) + gλ (B), A ve B'nin ikame edici bir etkiye sahip olduğu anlamına gelir. Sonra, h bulanık ölçülebilir uzayda (X, א) tanımlanmış ölçülebilir bir küme fonksiyonu olsun. H (x1) ≥ h (x2) ≥ ⋅ ⋅ ⋅ ≥ h (xn) olduğunu varsayalım, o zaman fuzzy ölçümünün fuzzy integrali g () h (⋅) 'ye göre aşağıdaki gibi tanımlanabilir (Ishii ve Sugeno 1985): ∫h⋅dg = h (xn) ⋅g (Hn) + h (xn − 1) −h (xn) ⋅g (Hn − 1) + ⋅⋅⋅ + h (x1) −h (x2) ⋅g (H1) = h (xn) ⋅  g (H n) - g (H n - 1)  + h (xn - 1) ⋅  g (H n - 1) - g ((H n - 2)  + ⋅⋅⋅ + h (x1) ⋅g (H1), (9,5) Burada H1 = {x1}, H2 = {x1, x2}, ..., Hn = {x1, x2, ..., xn} = X. Buna ek olarak, karşılık gelen şekil de gösterildiği gibi gösterilebilir.  Tanım 9.2 ve 9.3'e dayanarak, Choquet integralinin, indislerin yeniden sıralanmasına kadar Lebesgue integrali olduğu görülebilir. Choquet integrali, bulanık ölçü toplamsal ise Lebesgue integraline indirgenecektir. Daha sonra, çok özellikli fayda fonksiyonu ile bulanık ölçüm arasındaki ilişkiler tartışılacaktır. Çok özellikli yardımcı program işlevinin genel biçimi şu şekilde ifade edilebilir: u (x1, x2, ..., xn) = ∑wiu (xi) + λ ∑wiwju (xi) u (xj) + 􏰩 λn − 1w1w2 ... wnu (x1) u (x2) ... u ( xn), Yani; 1. u (x0, x0, ..., x0) = 0 ve u (x *, x *, ..., x *) = 1 12n 12n 2. u (x), x'in koşullu fayda fonksiyonudur, yani u (x0) = 0, u (x *) = 1, i i = 1,2, ..., n 3. w = u (x *, x0) 4. λ  1 + λ = ∏ in = 1 (1 + λ w I) Ayrıca, eğer ∑n w = 1 olarak yazılabiliyorsa, diğer bir deyişle λ = 0 ise, o zaman toplamaya dayalı fayda fonksiyonu (x1, x2, ..., xn) = wi (u) xi olur. Ve eğer ∑n i = 1 ise ve diğer bir deyişle λ ≠ 0 ise, çarpımsal fayda fonksiyonu şu şekilde yazılabilir: 1 + λu (x1, x2, ..., xn) = ∏ i = 1 (1 + λwu (x) veya u (x1, x2, ..., xn) = λi = 1 (1 + λwu (x)) - 1. 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 Amaçlı Karar Verme (23) – Bulanık İntegral Tekniği – 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 Amaçlı Karar Verme (23) – Bulanık İntegral Tekniği – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (22) – Gri İlişkisel Model – 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. Deng ayrıca gri bağıntı katsayısı için aşağıdaki gibi matematiksel bir denklemi önermiştir: γ (x (k), x (k)) = minmin∆i (k) + ζmaxmax∆i (k), / ∆i (k) + ζmaxmax∆i (k) ik, yani; Δi (k) = | x0 (k) –xi (k) | ve ζ ayırt edici katsayıdır (ζ ∈ [0,1]) olur. Tanım 8.2 : Γ (x0, xi) gri ilişkinin dört aksiyomunu karşılarsa, o zaman γ'nın gri bağıntılı harita olduğu söylenir. Tanım 8.3: Γ gri ilişkisel haritanın bütünüyse, γ ∈ Γ gri ilişkinin dört aksiyomunu karşılıyorsa ve X gri ilişkinin faktör kümesiyse, (X, Γ) gri ilişkisel uzay, γ ise gri ilişkisel alan olarak adlandırılacaktır. Γ için özel harita anlamına gelir. Tanım 8.4 : (X, Γ) gri ilişkisel uzay olsun ve γ (x0, xj), γ (x0, xp), ..., γ (x0, xq) γ (x0, xj)> γ (x0, xp)> ⋅⋅⋅> ​​γ (x0, xq) ise, gri ilişkisel sıraya göre xj f xp f ⋅⋅⋅ fxq olur. Referans dizi ile diğer diziler arasındaki gri ilişkinin derecesini elde ettiğimizde, alternatifler arasındaki sıralama şu şekilde sıralanabilir: γ (x0, xi) = wkγ (x0 (k), xi (k)) wk, k'inci kriterin ağırlıklarını belirtir. Ağırlıklar w = (w1, ..., wk, ..., wn) analitik hiyerarşi süreci (AHP) (kriterler bağımsız olduğunda) veya analitik ağ süreci (ANP) (kriterler geri bildirime bağlı olduğunda) elde edilebilir. . Çoklu Kriter Değerlendirmesi İçin Gri İlişki Karar verme süreçlerinde, karar vericiler, mümkün olduğunca çok pratik bilgi toplamak için her zaman araştırma, anket, inceleme, örnekleme vb. Her türlü yöntemi kullanmaya çalışırlar. İstenilen / istenilen seviyelere ulaşılabilir. Bu tür çabalar gösterilmiş olsa bile, karar alma için gerekli tüm bilgileri elde etme ümidi imkansızdır; bu nedenle, karar vericiler genellikle kararlarını gri süreçlerde almaya zorlanır. Çok kriterli karar verme perspektifinden bakıldığında Yu (1990), daha kapsamlı karar vermenin dört temel unsuru içermesi gerektiğini düşündü (Tablo 8.1): (1) ikame alternatifler seti {xi | En iyi alternatifi bulmak için i = 1,2, ..., m}; (2) değerlendirme kriterleri seti {cj | j = 1, 2, ..., n}; (3) değerlendirme kriterleri tarafından hesaplanan alternatiflere göre beklenen değer veya sonuç matrisi X = [xi (j)] m × n; (4) karar vermenin tercih yapısı {wj | j = 1, 2, ..., n}. (3) 'e dayanarak, alternatiflerin her biri için kriterlerin beklenen değerleri, karar matrisini veya performans matrisini X = [xi (j)] m × n oluşturmaya yardımcı olabilirken, karar vericinin tercih yapısı tercihi belirtir kriterler arasındaki ağ ilişki haritasına bağlı olarak AHP veya ANP kullanan karar vericiler tarafından sonuçlara yönelik karşılaştırma veya kriterler arasında ağırlık karşılaştırması gerekti. Sonuç olarak, karar vermeyi formüle etmek için ihtiyaç duyulan dört temel unsur, çok kriterli değerlendirme yapmak için gerekli girdi olacaktır. Hesaplama prosedürleri aşağıdaki gibi gösterilmiştir: 1. İstenen değerler için gri ilişki katsayıları γ (x ∗ (j), x (j)) = minmin | x ∗ (j) - xi (j) | + ςmaxmax | x ∗ (j) - xi (j) | / | x ∗ (j) - xi (j) | + ςmaxmax | x ∗ (j) - xi (j) | Gri ilişkinin derecesi (derecesi) (ne kadar büyükse o kadar iyi) γ (x ∗ (j), x (j)) = ben j ben j. i | x ∗ (j) - xi (j) | + ςmaxmax | x ∗ (j) ağırlık wj, kriter yapısına bağlı olarak AHP veya ANP ile elde edilebilir. Kriter yapısını nasıl bilebiliriz? Yorumlayıcı yapısal modelleme (ISM), DEMATEL, bulanık bilişsel harita (FCM) ve benzerlerinin tekniklerine dayanmaktadır. 2. En kötü değerler için gri ilişki katsayıları γ (x ∗ (j), x (j)) = minmin | x− (j) −xi (j) | + ςmaxmax | x− (j) −xi (j) | / | x - (j) - xi (j) | + ς maksimum maksimum | x - (j) - xi (j) | Gri ilişkinin derecesi (derecesi) (ne kadar büyük olursa o kadar kötü, ne kadar küçükse o kadar iyi) γ (x−, xi) = xi (j) | / | x ∗ (j) - xi 3. TOPSIS konseptine göre sıralama veya iyileştirme için Denklem 8.7 ve 8.9'u birleştirmek için; Ri = γ (x ∗, xi). / γ (x -, xi) denklemi kurulur. ARAÇ SEÇİMİ ÖRNEĞİ Örnek : Araba seçimi sorununun değerlendirmesini düşünün. En iyi alternatifi belirlemek için tüketici tarafından dört kriter, kalite, onarım maliyeti, fiyat ve görünüm dikkate alınır. Her kritere göre tercih edilen alternatif derecelendirmeleri Tablo 8.2'de gösterildiği gibi temsil edilmektedir. Her bir kriterin karşılık gelen referans noktalarını (istenen / istenen seviyeleri belirleyerek) bölerek normalleştirilmiş dönüşümün türetilmesine izin verin. Ardından, yukarıdaki ham verileri Tablo 8.3'te gösterildiği gibi aşağıdaki karşılaştırmalı sıraya aktarabiliriz. Ham Verilerin karşılaştırmalı dizisi Referans noktası Alternatif 1 (A1) Alternatif 2 (A2) Alternatif 3 (A3) Alternatif 4 (A4) Referans Noktaları ve diziler arasındaki mutlak fark Referans noktaları Δr1 (k) Δr2 (k) Δr3 (k) Δr4 (k) Daha sonra, Tablo 8.4'te gösterildiği gibi referans dizisi ile diğer diziler arasındaki | x0 (k) - xi (k) | arasındaki mutlak farkı hesaplayabiliriz. Tablo 8.4'ten, mini vizon Δj (k) = 0.1 ve maxk Δj (k) = 0.7 olarak görülebilir. Ζ = 0.5 varsayımı altında, Tablo 8.5'te gösterildiği gibi, referans sekans ile diğer sekanslar arasındaki gri ilişkinin derecesini türetebiliriz. Ayrıca her bir kriterin ağırlığı da Tablo 8.5'te verilebilir. Son olarak, γ (x0, x1) = 1 / 4∑4 wkγ (x0 (k), x1 (k)) = 0.1424; γ (x0, x2) = k = 1 0,1598; γ (x0, x3) = 0,1657; γ (x0, x4) = 0,1615. Bu nedenle, tercih edilen alternatif sırasını A3 f A4 f A2 f A1 olarak türetebiliriz. Referans dizisi ve diğer diziler arasındaki gri ilişki derecesi Referans noktaları γ (x0 (k), x1 (k)) γ (x0 (k), x2 (k)) γ (x0 (k), x3 (k)) γ (x0 (k), x4 (k)) Ağırlık Bulanık İntegral Tekniği Çok öz nitelikli karar verme (MADM), çoklu, çelişkili ve etkileşimli kriterler arasındaki en uygun alternatifin belirlenmesini içerir. Çoklu özellikli fayda teorisine (MAUT) dayanan birçok yöntem (örneğin, ağırlıklı toplam ve ağırlıklı ürün yöntemleri) çoklu kriter karar verme (MCDM) problemleriyle başa çıkmak için önerilmiştir. MAUT kavramı, tüm kriterleri, alternatifleri değerlendirmek için fayda fonksiyonu adı verilen belirli bir tek boyutta toplamaktır. Bu nedenle, MAUT'un ana sorunu, karar vericinin tercihlerini temsil edebilecek rasyonel ve uygun bir toplama operatörü bulmaktır. MAUT'un toplama işlecini tartışmak için birçok makale önerilmiş olsa da, MAUT'un ana sorunu tercihli bağımsızlık varsayımıdır. 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 Amaçlı Karar Verme (22) – Gri İlişkisel Model – 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 Amaçlı Karar Verme (22) – Gri İlişkisel Model – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Çok Amaçlı Karar Verme (21) – Gri İlişkisel Model – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Promethee IV Ayrıca, PROMETHEE IV, PROMETHEE II'yi sürekli bir eylemler dizisi (veya alternatifler) durumuna genişletir A. Böyle bir dizi, eylemler örneğin yüzdeler, bir ürünün boyutları, bir alaşımın bileşimleri, yatırım gibi…

Okumaya Devam EtÇok Amaçlı Karar Verme (21) – Gri İlişkisel Model – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (20) – PROMETHEE YÖNTEMLERİ – 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. PROMETHEE YÖNTEMLERİ PROMETHEE Yöntemleri ek bilgi ister, ancak yalnızca birkaç parametre sabitlenecek ve hepsinin gerçek bir ekonomik önemi var. PROMETHEE yöntemlerinde altı olası genelleştirilmiş kriter türü dikkate alınabilir ve Tablo 7.1'de gösterildiği gibi, bunların her biri çok kolay bir şekilde tanımlanabilir çünkü yalnızca bir veya iki parametrenin sabitlenmesi gerekir: 1. q bir fark eşiğidir. Karar vericinin altında kayıtsızlık olduğunu düşündüğü d'nin en büyük değeridir; 2. p, kesin bir tercih eşiğidir. Karar vericinin üzerinde katı bir tercih olduğunu düşündüğü en düşük d değeridir; 3. σ, normal dağılımın standart sapmasıyla doğrudan bağlantılı iyi bilinen bir parametredir. A, MCDM problemleri için sonlu bir alternatifler kümesi olsun ve her bir gj alternatifi için a, b ∈ A alternatiflerinin her çifti için bir tercih fonksiyonu fj'nin tanımlandığını varsayalım; yani, j kriterinde a f b olduğunda, fj (a, b) = fj (dab | j), alternatif a derecesinin, farklı performans değeri mesafesine sahip alternatif b'yi (a üzerinden b) tercih ettiğini gösterir dab | j = gj (a) - j kriterinde gj (b); ve π (a, b) aşağıdakiler tarafından tanımlanan tüm kriterlere göre bir tercih indeksidir: π (bir, b) = 1 / n f (j) (bir, b) π (a, b) = 1 / n wj fj (bir, b) Burada Denklem 7.1 kriterlerin hepsinin eşit olduğunu ve Denklem 7.2b kriter ağırlığının kriter ağırlığının j kriterinde wj ve j = 1,2, ..., n olduğunu gösterir. wj, DEMATEL'den veya yorumlayıcı yapısal modelleme (ISM) tekniklerinden bir ağ ilişki haritasına (NRM) dayalı analitik hiyerarşi süreci (AHP) veya analitik ağ süreci (ANP) ile elde edilebilir. Tercih indeksi π (a, b), tüm kriterler dikkate alınarak karar vericinin a'ya göre tercih yoğunluğunu verir. 0 ≤ π (a, b) ≤ 1'e sahibiz. Ayrıca, geçiş ilişkisini kullanarak A'nın alternatiflerini değerlendirmek için aşağıdaki akışları tanımlarlar: 1. Çıkış akışı: φ + (bir) = ∑π (bir, b), 2. Giriş akışı: φ− (bir) = ∑π (b, bir), 3. Net akış: φ (bir) = φ + (bir) −φ− (bir). PROMETHEE yöntemlerinde, çıkış akışı ne kadar yüksek ve giriş akışı ne kadar düşükse, alternatif o kadar iyidir. Çıkış ve giren akış, sırasıyla, A'daki alternatifler için aşağıdaki ön siparişleri başlatır: aP + b ancak φ + (a)> φ + (b); aI + b ancak φ + (a) = φ + (b); aP − b ancak (a) φ (b), (7.11) aIIIb (a, b'ye kayıtsızdır), ancak φ (a) = φ (b), (7.12) Karar vericinin karar problemini, PROMETHEE II'de verilen kısmi ön sipariş yerine tam ön siparişi kullanarak başarması daha kolay görünüyor. PROMETHEE I Bununla birlikte, kısmi ön sipariş, çıkış ve giren akışlarla ilgili olarak yalnızca onaylanmış geçişleri dikkate alarak daha gerçekçi bilgi sağlar. Öte yandan, karşılaştırılamazlık ilişkisi de çok faydalı olabilir. PROMETHEE I ve II'de, iki eylem arasındaki kayıtsızlık durumu yalnızca karşılık gelen akışlar kesinlikle eşit olduğunda ortaya çıkar. Bununla birlikte, genelleştirilmiş kriterlerin sürekli karakteri nedeniyle (Tablo 7.1'de olduğu gibi), iki eylem için a ve b akışları birbirine çok yakın olabilir, o zaman a ve b arasındaki kayıtsızlık göz önünde bulundurulur. Promethee III Yukarıdaki nedenlere bağlı olarak, PROMETHEE III, her eylem a'yı, bir aralığı [xa, ya] ilişkilendirir ve aşağıdaki gibi tam bir aralık sırasını (PIII, IIII) tanımlar: aPIIIb (aoutranksb) iffxa> yb, aIIIIb (a, b'ye kayıtsızdır) xa ≤ yb ve xb ≤ ya, [xa, ya] aralığı şu şekilde verilir: xa = φ (a) −ασa ya = φ (a) + ασa burada n, eylemlerin (veya kriterlerin) sayısıdır: φ (bir) = 1∑ (π (bir, b) −π (b, bir)) = 1φ (bir) σ2 = (π (bir, b) −π (b, bir) −φ (bir)), burada genel olarak α> 0 olur. Başka bir deyişle, [xa, ya], merkezi a'nın net ortalama akışı olan ve uzunluğu sayıların dağılımının standart hatasıyla orantılı olan bir aralıktır (π (a, b) - π (b, a)). Ek olarak, α'nın değeri ne kadar küçükse, kesin geçiş sayısı o kadar büyük olur; a = 0 için (PIII, IIII), (PII, III) ile çakışır. PIII hala geçişken IIII'in mutlaka geçişli olmaması dikkat çekicidir. Örneğin, üç eylemin a, b ve c'yi geçmek için, aIIIIb ve bIIIIc'ye sahibiz, ancak aPIIIc yoktur. Aslında, α seçimi uygulamaya bağlı olacaktır. Örneğin, çok fazla kayıtsızlığı önlemek için, aralıkların ortalama uzunluğunun, iki ardışık ortalama akış arasındaki ortalama mesafeden daha az olması istenebilir. Bu genel olarak α için yaklaşık 0.15 değerine yol açar. Kısaca, vakalarımızda PROMETHEE I kullanırsak, A alternatifleri setindeki kısmi ön siparişi (PI, II, R) belirlememize yardımcı olabilir; PROMETHEE II kullanırsak, net akış tarafından tetiklenen tam bir ön sipariş (PII, III) elde edebiliriz; ayrıca, PROMETHEE III'ü istismar etmek, geçişsiz kayıtsızlığa izin verme ve karşılaştırılamazlığı kayıtsızlıktan ayırt etme avantajına sahiptir. 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 Amaçlı Karar Verme (20) – PROMETHEE YÖNTEMLERİ – 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 Amaçlı Karar Verme (20) – PROMETHEE YÖNTEMLERİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (18) – ELEKTRİK YÖNTEMİ – 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. ELEKTRİK YÖNTEMİ Roy, bulanık koşullarda karar vericilerin tercihlerini modellemek için keskin geçiş ilişkilerini genişleten ELECTRE III'ü geliştirdi. Daha sonra ELECTRE III'ü  kısaca gözden geçireceğiz. Bu değerlendirme prosedürlerinin ayrıntılı bir açıklaması için Hwang ve Yoon, Roy, Tzeng ve Wang, Tsaur ve Tzeng  ve Teng ve Tzeng'e bakınız. A = (a, b, c, ..., n) bir dizi alternatif ve (g1, g2, ..., gm) MCDM problemlerimiz için bir dizi kriter olsun; gj (aj), gj kriterinde alternatif a ∈ A'nın performansını veya değerlendirmesini temsil eder. Hedefin gj (aj) kriterini maksimize edip etmemesine veya minimize etmesine bağlı olarak, ne kadar yüksek veya düşük olursa, alternatif söz konusu kriteri o kadar iyi karşılar. Sonuç olarak, bir alternatifin çok kriterli değerlendirmesi ; e a ∈ A, g (a) = (g1 (a), g2 (a), ..., gm (a)) vektörüyle temsil edilecektir. ELECTRE III modelinin değerlendirme prosedürleri, eşik fonksiyonunun oluşturulmasını, uyum indeksi ve uyumsuzluk indeksinin açıklanmasını, güvenilirlik derecesinin onaylanmasını ve alternatiflerin sıralamasını kapsar. Bu veriler genellikle değerlendiriciler veya karar vericiler tarafından öznel bir yargı kullanılarak bulanık verilerle temsil edilir ve bunun daha ayrıntılı açıklaması aşağıda yer almaktadır. Q (g) ve p (g) sırasıyla kayıtsızlık eşiğini ve tercih eşiğini temsil etsin. G (a) ≥ g (b) ise: 1. g (a)> g (b) + p (g (b)) ⇔ aPb, 2. g (b) + q (g (b)) <g (a) <g (b) + p (g (b)) ⇔ aQb, 3. g (b) <g (bir) g (b) ⇒ g (bir) + q (g (bir))> g (b) + q (g (b)), g (bir) + q (g (bir))> g (b) + q (g (b)), tüm kriterler için p (g)> q (g). Ayrıca pj (gj (a)) ve qj (gj (a)), Roy’un formülüne göre hesaplanabilir: pj (gj (a)) = αp + βpgj (a); qj (gj (a)) = αq + βqgj (a), Burada pj (gj (a)) ve qj (gj (a)), eşik değerleri aşağıdaki durumlardan biri olacak şekilde çözülebilir : 1. Her iki sabit (β eşittir sıfır ve α belirlenmelidir) 2. gj (a) ile orantılı (β belirlenmelidir ve α sıfıra eşittir); veya 3. Bu ikisini birleştiren bir form (hem α hem de β belirlenmelidir) Her alternatif çifti için bir uyum indeksi C (a, b) hesaplanır: Ci (a, b), kriter i altındaki alternatif a ve alternatif b'nin geçiş derecesidir ve C (a, b) = eğer g (b) −g (a)> p (g (a)) ve 0 <ci (a, b) <1 olduğunda qi (gi (a)) vi (gi (a)) ve 0 <di (a, b) <1 olduğunda pi (gi (a)) c (a, b) için kriterler kümesidir. ELECTRE III'te kullanılan kötüye kullanma sıralama prosedürü genellikle aşağıdaki adımlardan oluşur: Adım 1: Azalan damıtma prosedürü ile eksiksiz bir Z1 ön siparişi oluşturun. 1. Değerlendirilebilirlik indeksinin maksimum değerini, λmax = maxS (a, b) belirleyin, burada maksimizasyon söz konusu mevcut alternatifler kümesi üzerinden alınır. 2. λ * = λmax - (0,3 - 0,15λ) olarak ayarlayın. 3. Her bir alternatif için λ-kuvvetini, yani sayısını belirleyin. λ olduğu akım kümesindeki alternatifler λ = λ * kullanılarak tercih edilir. 4. Her bir alternatif için λ-zayıflığını, yani akım kümesindeki λ-tercih edilen alternatiflerin sayısını λ = λ * kullanarak belirleyin. 5. Her alternatif için, λ-kuvveti eksi λ-zayıflığı olan niteliğini belirleyin. 6. En büyük niteliğe sahip alternatifler grubuna ilk damıtma ürünü D1 denir. 7. D1'in birden fazla üyesi varsa, tüm alternatifler sınıflandırılana kadar işlemi D1 setinde tekrarlayın; daha sonra orijinal set eksi D1 ile devam edin, tüm alternatifler sınıflandırılana kadar tekrarlayın. Adım 2: Artan bir damıtma ile eksiksiz bir Z2 ön siparişi oluşturun prosedür. Bu, azalan damıtma ile aynı şekilde elde edilir, tek fark, yukarıdaki 6. adımda, en düşük niteliğe sahip alternatifler kümesinin birinci damıtmayı oluşturmasıdır. Adım 3: Nihai sonuç olarak kısmi ön sipariş Z = Z1 ∩ Z2'yi oluşturun. Son sipariş, aşağı doğru emirden sonra elde edilebilir ve yukarı doğru sıranın ortalaması alınır, yani; Z = 12 (Z1 + Z2). Ek olarak, bulanık çok aşamalı karar vermenin (FMADM) pratik problemlerinde, değerlendiriciler ve karar vericiler öngörülmelidir ve bunlar zorunlu olarak çeşitli paydaşlardan ve çıkar gruplarından oluşmalıdır. Bu üyelerin farklı geçmişleri ve konumları, büyük ölçüde değişen öznel yargılarla sonuçlanır. Örneğin, yukarıdaki eşikler (uyum, uyumsuzluk ve veto) bulanık verilerde sunulabilir; bu ELECTRE III ve IV'ün gerçek dünya problemlerinin değerlendirilmesi için daha uygun olduğunu göstermektedir. Örnek : Bir dizüstü bilgisayar satın almak için bir karar verme sorunu olduğunu varsayalım. Altı seçenekten birini seçmek için beş kriter, kalite, fiyat, işlev, hizmet ve görünüm dikkate alınır. Her bir alternatif için tercih edilen derecelendirmeler ve her bir kritere göre ağırlık, Tablo 6.10'da gösterildiği gibi verilmiştir. Basit olması için, kayıtsız eşiği ikiye, tercih eşiğini üçe ayarladık ve veto işlevini devre dışı bıraktık.  Daha sonra, Tablo 6.12'de gösterildiği gibi, ELECTRE III'ün sıralama adımlarına göre nihai siparişler alınabilir. Alternatif 6'nın en iyi seçenek olması gerektiği ve Alternatif 1, 2 ve 5'in sıra 2 ile bağlandığı görülebilir. ELECTRE III, bulanık kümeler kavramını bulanık ortamlar altında ele alınan MADM problemlerine entegre etmiş olsa da, ELECTRE III'ün hesaplanması çok karmaşık. Ek olarak, ELECTRE III'ü kullanmadan önce alternatiflerin ağırlıklarını ölçmeliyiz. Bu eksiklikler, uygulamalarını kısıtlamaktadır. Daha sonra, ELECTRE prosedürünü basitleştirmek ve alternatiflerin ağırlıklarının gerekliliğini ortaya çıkarmak için ELECTRE IV'ü tanıtacağız. 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 Amaçlı Karar Verme (18) – ELEKTRİK YÖNTEMİ – 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 Amaçlı Karar Verme (18) – ELEKTRİK YÖNTEMİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (17) – PROMETHEE Yöntemi – 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. Elektre IV Roy ve Bouyssou (1983) ELECTRE III prosedürünü basitleştirmek için ELECTRE IV'ü önerdi. ELECTRE III ve ELECTRE IV arasındaki temel fark, ELECTRE IV'ün, pratikte ölçülmesi zor olabilecek kriterlerin ağırlıklarını ifade eden herhangi bir ağırlık getirmemesidir. Ancak bu, kriterlerin ağırlıklarının eşit kabul edildiği anlamına gelmez. Bu nedenle, ELECTRE III'te olduğu gibi sözde kriterler kullanılır. ELECTRE'de beş geçiş ilişkisi tanımlanmıştır (Roy ve Bouyssou 1993): 1. Yarı-baskınlık Çift (b, a) yarı-baskınlık ilişkisini ancak ve ancak aşağıdaki durumlarda doğrular: • Her ölçüt için b, a'ya tercih edilir veya ilgisizdir ve • a'nın performansının b'ninkinden daha iyi olduğu kriter sayısı (a'nın b'ye kayıtsız kalması), sayısından kesinlikle daha düşükse b'nin performansının a'nınkinden daha iyi olduğu kriterler. 2. Kanonik hakimiyet Çift (b, a) kanonik egemenlik ilişkisini ancak ve ancak aşağıdaki durumlarda doğrular: • Kriter olmaması için, a kesinlikle b'ye tercih edilir • a'nın zayıf olarak b'ye tercih edildiği kriter sayısı, b'nin kesinlikle a'ya tercih edildiği kriterlerin sayısına eşit veya daha düşükse ve • a'nın performansının b'ninkinden daha iyi olduğu kriterlerin sayısı, b'nin performansının a'nınkinden daha iyi olduğu kriterlerin sayısından kesinlikle düşükse. 3. Sözde baskınlık Çift (b, a) sözde baskınlığın ilişkisini ancak ve ancak aşağıdaki durumlarda doğrular: • Kriter olmaması için, a kesinlikle b'ye tercih edilir ve • a'nın zayıf bir şekilde b'ye tercih edildiği kriter sayısı, b'nin kesinlikle veya zayıf olarak a'ya tercih edildiği kriterlerin sayısına eşit veya daha düşükse. 4. Alt hakimiyet (B, a) çifti, alt-baskınlık ilişkisini, ancak ve ancak hiçbir kriter yoksa, a'nın kesinlikle b'ye tercih edilmesi durumunda doğrular. 5. Veto hakimiyeti Çift (b, a) veto hakimiyeti ilişkisini ancak ve ancak aşağıdaki durumlarda doğrular: • Ya hiçbir kriter için, a kesinlikle b'ye tercih edilir ya da • A, yalnızca bir kriter için b yerine kesinlikle tercih edilir, ancak bu kriter, a'nın b ile geçişini veto etmez ve dahası, kriterlerin en az yarısı için kesinlikle a yerine b tercih edilir. Kısmi ön sipariş, ELECTRE III'te olduğu gibi gerçekleştirilir, ancak yalnızca iki geçiş düzeyi olması gerçeğiyle daha basit hale getirilir. Örnek : Bir dizüstü bilgisayar satın almak için bir karar verme sorunu olduğunu varsayalım. Altı seçenekten birini seçmek için beş kriter, kalite, fiyat, işlev, hizmet ve görünüm dikkate alınır. Her bir alternatif için tercih edilen derecelendirmeler ve her kritere göre ağırlık, Tablo 6.13'te gösterildiği gibi verilmiştir. Bu örnekte, karar vericiden kriterler için ağırlıkların miktarını belirlemesini istemediğimize dikkat edin. Basit olması için, kayıtsız eşiği ikiye, tercih eşiğini üçe ayarladık ve veto işlevini ve sözde baskınlığı devre dışı bıraktık; Azalan ve artan emirleri Tablo 6.14'te gösterildiği gibi hesaplayabiliriz. Daha sonra, Tablo 6.15'te gösterildiği gibi, ELECTRE VI sıralama adımlarına göre nihai siparişler alınabilir. Tablo 6.15'ten, Alternatif 1 ve Alternatif 6'nın en iyi seçenekler olduğu ve Alternatif 4'ün en kötüsü olduğu sonucuna varabiliriz. Birçok ELECTRE modeli geliştirilmiş olsa da, araştırmacılar pratikte FMADM problemleriyle uğraşırken genellikle ELECTRE III veya IV'ü seçerler. Ayrıca Roy (1991), araştırmacıların pratik karar verme bağlamlarında en uygun olanı seçmelerine yardımcı olan ELECTRE yöntemlerinin özelliklerini özetlemektedir. PROMETHEE Yöntemi Brans vd. (1984, 1985), MADM problemlerini çözmek için PROMETHEE (Zenginleştirme Değerlendirmeleri için Tercih Sıralaması Organizasyon Yöntemleri) adı verilen yeni bir geçiş yöntemleri ailesini ele almaktadır. Bu yöntemler, kriter kavramının genelleştirilmesine dayanmaktadır. Bu dönemde, ilk önce bulanık geçiş ilişkisinin temel bir kavramı ele alınır ve birbirlerindeki farklı ilişki derecelerine alternatifler için ikili karşılaştırma ölçüleriyle her bir kritere yerleştirilir. Bu farklı ilişki dereceleri daha sonra sınırlı bir uygulanabilir çözümler kümesi üzerinde kısmi bir ön sipariş (PROMETHEE I), tam bir ön sipariş PROMETHEE II) veya bir aralık siparişi (PROMETHEE III) oluşturmak için kullanılır. PROMETHEE IV olarak adlandırılan başka bir yöntem, uygulanabilir çözüm setinin sürekli olduğu durum için tanıtıldı. Bu sonuçlar, sayısal bir uygulamada gösterildiği gibi karar verici tarafından kolayca anlaşılabilir. Promethee Metodu Kavramı Çok özellikli bir karar verme probleminin şu şekilde temsil edilmesine de izin verin: Max {g1 (ai), g2 (ai), ..., gj (ai), ..., gn (ai) | ai ∈A}, burada A = {ai | i = 1,2, ..., m} olası eylemler (veya alternatifler) kümesidir ve g = {gj | j = 1,2, ..., n} bir dizi dikkate alınan kriterdir; gj (ai), j. kritere göre ai eyleminin performansını temsil eder. Belirli bir alternatif çifti için, a ve b, j = 1,2, ..., n için gj (a) ≥ gj (b) 'ye sahipse ve en az bir eşitsizlik katı ise, o zaman a b'ye hakim olur. Brans ve ark. (1984), PROMETHEE yöntemleri, hakimiyet düzenini zenginleştirmeyi içeren geçiş yöntemlerine de aittir. Üç aşama içerirler: 1. Genelleştirilmiş kriterlerin oluşturulması 2. A üzerinde bir geçiş ilişkisinin belirlenmesi 3. Bir cevap vermek için bu ilişkinin değerlendirilmesi  İlk aşamada, bir tercih fonksiyonu dikkate alınarak her bir ölçüt gj ile genelleştirilmiş bir ölçüt ilişkilendirilir. İkinci aşamada, karar vericilerin tercihini temsil eden değerli bir geçiş ilişkisi de elde etmek için çok kriterli bir tercih indeksi tanımlanır. Geçiş ilişkilerinin değerlendirilmesi de , her eylem için bir çıkış ve giren akış dikkate alınarak elde edilir. Promethee i, ii, iii, iv Brans vd. ilk olarak A'nın sonlu bir olası alternatifler kümesi olduğunu varsayar. A için kısmi bir ön sipariş (PROMETHEE I) veya tam bir ön sipariş (PROMETHEE II) ilk önce karar vericiye önerilebilir. PROMETHEE III, kayıtsızlığı vurgulayan bir aralık sırası sağlar; PROMETHEE IV, sürekli olası alternatiflerle de ilgilenir. 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 Amaçlı Karar Verme (17) – PROMETHEE Yöntemi – 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 Amaçlı Karar Verme (17) – PROMETHEE Yöntemi – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (19) – ELEKTRİK YÖNTEMİ – 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. ELEKTRİK YÖNTEMİ Roy (1968) ve Benayoun ve ark. (1966) ilk olarak Eleme Et Seçimi Translating Reality (ELECTRE) yöntemini tanıtmak için geçiş ilişkileri kavramını kullandı. O zamandan beri, problem ifadesinin doğasına (bir çekirdek çözümü bulmak veya alternatiflerin sırasını sıralamak için), dikkate alınacak kriterlerin önem derecesine (doğru veya sahte) dayalı olarak çeşitli ELEKTRİK modelleri geliştirilmiştir.  (ağırlıklar, uyum indeksi, uyumsuzluk indeksi, veto etkisi) ELEKTRİK  ELEKTRİK I modeli ilk olarak Roy (1968) tarafından gerçek kriterlerin ve sınırlı geçiş ilişkilerinin verildiği bir durumda çekirdek çözümünü bulmak için geliştirildi. Yani, ELEKTRİK Alternatiflerin sıralamasını türetemem, ancak çekirdek setini çıkarıyorum. ELECTRE I'de nesneler arasındaki ilişkileri ölçmek için uyum indeksi ve uyumsuzluk indeksi adı verilen iki indeks kullanılır. Uyum indeksi için, C (a, b) a'nın ne kadar olduğunu en az b kadar iyi ölçer. Öte yandan, uyumsuzluk indeksi D (a, b), b'nin kesinlikle a'ya tercih edilme derecesini ölçer. ELEKTRİK I'deki uyum indeksi ve uyumsuzluk indeksi şu şekilde tanımlanabilir: C (a, b) = ∑∑i∈Q (a, b) wi Burada C (a, b) ve D (a, b) ∈ [0,1], gj (k) k. alternatif için j. özniteliğin tercih edilen puanlarını belirtirken, Q (a, b) için kriterler kümesini belirtir. burada a eşittir veya b'ye tercih edilir, R (a, b), b'nin kesinlikle a'ya tercih edildiği ve A tüm alternatifler kümesini temsil eden kriterler dizisidir. A ve b alternatiflerini karşılaştırmak için, a ve b arasındaki ilişkiyi aşağıdaki kurallar olarak belirleyebiliriz: Eğer C (a, b)> C * ve D (a, b) C * ve D (b, a)> D * ise b, a'dan üstündür, aksi takdirde b, a'yı geçmez. Daha sonra, a ve b arasındaki geçiş oranı Tablo 6.1'e başvurarak türetilebilir. Örnek : Küresel bir konumlandırma sisteminin (GPS) montajı için çok özellikli bir karar probleminin dikkate alındığını varsayalım. Dört alternatif, dört kritere göre değerlendirilir: güvenilirlik, işlevsellik, hizmet ve doğruluk. Her bir alternatifin karşılık gelen tercih edilen derecelendirmeleri, gösterildiği gibi beş puanlık bir sıralama ölçeği ile tanımlanabilir: Hiç Memnun Kalmadım (VD), Memnun Kalmadım (D), Memnun Kalmadım (U), Memnun Kalmadım (S) ve Çok Memnunum (VS), şeklinde derecelendirilebilir. Denklem 6.1 ve 6.2'ye göre, uyum ve uyumsuzluk indisleri sırasıyla Tablo 6.3 ve 6.4'te gösterildiği gibi türetilebilir. Daha sonra, C = 0.7 ve D = 0.7 ayarlanarak, Örnek 6.1 için geçiş ilişkileri Şekil 6.1'de gösterildiği gibi oluşturulabilir. Şekil 6.1'e göre, Alternatif 1'in çekirdek çözümü olması gerektiği görülebilir. Ancak Alternatif 2 ve Alternatif 4 arasında hangisinin daha iyi olduğunu belirlemek zordur. ELECTRE I'in eksiklikleri açıktır. Birincisi, yalnızca çekirdek çözümünü bulabilir ve sıralamayı alternatifler arasında sıralayamaz. İkinci olarak, nihai sonuçlar oy barajına göre değiştiğinden, uygun barajın nasıl belirleneceği bilinmemektedir. Üçüncü olarak, çekirdek kümesi herhangi bir devre içeriyorsa, çekirdek kümesi benzersiz değildir ve çıkmayabilir. ELEKTRİK II, Roy ve Bertier (1973) tarafından ELECTRE I’in alternatifler sıralaması üretememesinin üstesinden gelmek için önerildi. ELEKTRİK II, basitçe çekirdek setini bulmak yerine, güçlü ve zayıf geçiş ilişkilerini tanıtarak alternatifler sıralayabilir. Ayrıca, a'nın b'ye tercih edildiği ek bir kısıtlama hem C (a, b)> C * hem de C (a, b) ≥ C (b, a) 'yı karşılamalıdır. Bu kısıtlamanın çekirdek kümesindeki devreleri engellediği açıktır. Burada θi, bir karar vericinin i'inci kriter için karar vericinin i'inci kritere gösterdiği dikkatin derecesini temsil etmek için kullandığı R derecesi parametresini belirtir. Denklem (6.9) ve (6.10) 'dan 0 ≤ C (a, b) ≤ 1 ve 0 ≤ D (a, b) ≤ 1 olduğu görülebilir. ELECTRE II'nin prosedürü aşağıdaki şekilde açıklanabilir. Güçlü geçiş ilişkisi için uyum ve uyumsuzluk eşiğini C +, D + ve C +> C− ve D + <D− olduğunda zayıf geçiş ilişkisi için C−, D− belirleyin. ELECTRE II'nin adımları aşağıdaki üç aşamaya ayrılabilir (Belton ve Stewart 2002). İlk aşama: azalan sırayı belirleyin. 1. Ω tüm alternatifler olsun. 2. Ω 'deki diğer alternatifler tarafından güçlü bir şekilde geride bırakılmayan baskın olmayan kümesi 􏰯 türetin. 3. 􏰯 'deki diğer alternatifler tarafından zayıf bir şekilde geride bırakılmayan 􏰯 ′ kümesini türeterek azalan sıralamanın birinci sınıfını belirleyin. 4. 􏰯 ′ 'deki alternatifleri çıkarın ve tüm alternatifler sınıflandırılana kadar 3. adımı tekrarlayın. İkinci aşama: artan sırayı belirleyin. 1. Ω tüm alternatifler olsun. 2. Ω 'deki diğer alternatifleri kuvvetli bir şekilde geride bırakmayan hakim kümeyi 􏰰 türetin. 3. 􏰰'deki diğer alternatifleri zayıf bir şekilde geride bırakmayan 􏰰 􏰰 kümesini türeterek artan sıralamanın birinci sınıfını belirleyin. 4. 􏰰 ′ 'deki alternatifleri çıkarın ve tüm alternatifler sınıflandırılana kadar 3. adımı tekrarlayın. Üçüncü aşama: son sırayı belirleyin. Azalan ve artan emirlerin kesişimini hesaba katarak, alternatiflerin son sırasını belirleyebiliriz. Örnek : Bir dizüstü bilgisayar satın almak için bir karar verme sorunu olduğunu varsayalım. Dört alternatiften birini seçmek için dört kriter, kalite, fiyat, işlev ve hizmet dikkate alınır. Her bir alternatife göre tercih edilen derecelendirmeler ve her kritere göre ağırlık, Tablo 6.5'te gösterildiği gibi verilmiştir. Uyum ve uyumsuzluk endekslerini hesaplamak için, aşağıdaki miktarlar ilk olarak Denklem 6.6 ila 6.8'e göre türetilmelidir: W+ (1,2)=0.3+0.3=0.6; W+ (1,4)= 0.2+0.3+0.3= 0.8; W+ (2,3)=0.2+0.3=0.5; W + (3,1) = 0.2; W+ (3,4)=0.2; W+ (4,2)=0.3; W= (1,2)=0; W = (2,1) = 0; W= (2,4)=0; W= (3,2)=0.2; W = (4,1) = 0.2; W= (4,3)= 0.2+0.3+0.3= 0.8. W+ (1,3)=0.3+0.3=0.6; W+ (2,1)=0.2+0.2=0.4; W+ (2,4)=0.2+0.2+0.3=0.7; W+ (3,2)=0.3; W + ( 4 , 1) = 0 0 ; W+ (4,3)=0. W= (1,4)=0.1; W= (2,3)=0.2; W = (3,1) = 0.2; W= (3,4)=0.2+0.3+0.3=0.8; W= (4,2)=0; Şimdi, C + = 0.7 ve C− = 0.6 güçlü ve zayıf uyum indeksleri ve D + = 0.5 ve D− = 0.7 güçlü ve zayıf uyumsuzluk indeksleri olsun. Ardından, azalan ve artan siparişler Tablo 6.8'de gösterildiği gibi türetilebilir. Son olarak yukarıdaki emirlerin kesişimine göre aşağıdaki kısmi sıranın Tablo 6.9'daki gibi gösterilmesi gerektiği görülmektedir. ELEKTRİK II, çekirdek çözümlerinin alt kümesi yerine alternatiflerin kısmi ön sırasını türeterek ELECTRE I'in uzantısı olarak kabul edilebilir. Sonraki bölümde ELECTRE III tanıtıldı. Uygunluğu ve uyumsuzluk indekslerini türetmek için "doğru" kriterleri kullanan ELECTRE I ve ELECTRE II'nin aksine, ELECTRE III alternatiflerin kısmi ön sırasını hesaplamak için sözde kriterler kullanır. 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 Amaçlı Karar Verme (19) – ELEKTRİK YÖNTEMİ – 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 Amaçlı Karar Verme (19) – ELEKTRİK YÖNTEMİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (15) – VIKOR – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
VIKOR, özellikle karar vericinin sistem tasarımının başında tercihini ifade edemediği veya bilmediği durumlarda, çok kriterli karar vermede yardımcı bir araçtır. Elde edilen uzlaşma çözümü, karar vericiler tarafından kabul edilebilir, çünkü "çoğunluk" için maksimum bir "grup faydası" (en az S, Denklem 5.1 ile temsil edilir) ve "rakibin bireysel pişmanlığının minimum (minR ile temsil edilir)" sağlar. Uzlaşmacı çözümler, karar vericilerin kriter ağırlıklarına göre tercihlerini içeren müzakerelerin temeli olabilir. Örnek : Mevcut sistemi değiştirmek için yeni bir tesise ihtiyaç olup olmadığını değerlendirmeye çalışan bir yönetici düşünün. Yönetici tarafından üç kriterin, dayanıklılığın, kabiliyetin ve güvenilirliğin dikkate alındığını ve her alternatifin tercih edilen derecelendirmelerinin Tablo 5.6'da gösterildiği gibi ifade edilebileceğini varsayın. Daha sonra, ilk önce her bir alternatifin tercih edilen derecelendirmelerini Tablo 5.7'de gösterildiği gibi normalleştirmeliyiz, böylece tercih edilen derecelendirmeler aynı ölçekte [0,1] 'e düşebilir, ancak bizim örneğimizde kriterlerin ölçeği aynıdır. Q1 = 0.5 × (0.60 - 0.15) (0.65 - 0.15) + 0.5 × (0.30 - 0.15) (0.40 - 0.15) = 0.75; Q2 = 0,5 × (0,30−0,15) (0,65−0,15) + 0,5 × (0,20−0,15) (0,40−0,15) = 0,25; Q3 = 0,5 × (0,15−0,15) (0,65−0,15) + 0,5 × (0,15−0,15) (0,40−0,15) = 0; Q4 = 0,5 × (0,65−0,15) (0,65−0,15) + 0,5 × (0,40−0,15) (0,40−0,15) = 1. Daha sonra alternatifleri Sj, Rj ve Qj değerlerine göre azalan sırayla Tablo 5.8'de gösterildiği gibi sıralayabiliriz. Alternatiflerin tercih edilen sırasına göre A ≻ A ≻ A ≻ A; mevcut sistemler yeni tesisle değiştirilmelidir ve Alternatif 3 en iyi seçimdir. VİKOR VE TEDAVİ BİRLEŞTİRME TOPSIS'in temel temelinden, TOPSIS'in ana idealinin referansa bağlı teori idealinden geldiği sonucuna varabiliriz (Kahneman ve Tversky 1979). Referans bağımlı teori, tüketicilerin alternatifleri öznel bir referans noktasına göre kazançlar ve kayıplar açısından değerlendirdiklerini belirtir. Bu nedenle de, bir alternatiften PIS ve NIS'e olan mesafenin doğru bir şekilde nasıl ölçüleceği sorunu TOPSIS'in anahtarıdır. Bu bölümde Öklid mesafesi kullanılmasına rağmen, p mertebesindeki Minkowski mesafesi (p-norm mesafesi) de kullanılabilir. Buna ek olarak, TOPSIS son zamanlarda, göçmen bir ev sahibi ülke seçmek (Chen ve Tzeng 2004), itfaiye istasyonu yerinin seçimi (Tzeng ve Lin 1997) ve diğer yöntemlerle karşılaştırma (Opricovic ve Tzeng 2004) gibi çeşitli uygulamalarda yaygın olarak kullanılmaktadır. . Ne yazık ki Opricovic ve Tzeng (2004), geleneksel TOPSIS yönteminin sıralama amacıyla kullanılamayacağını sonucuna ulaşılmıştır. Sebepler şu şekilde açıklanmaktadır: TOPSIS yöntemi, sıralama için bir toplama işlevi sunar. Denklem 5.7. Cr ∗ (sıralama indeksi) oluşumuna göre, alternatif ar, C ∗> C ∗ veya D− / (D ∗ + D−)> D (/ (D ∗ + D− ise a (a> a) 'dan daha iyidir ), eğer bu denklem; 1. D ∗ D−; yani C ∗ = D - / (D ∗ + D -)> C ∗ = D - / (D ∗ + D−), rk rkr TOPSIS yönteminde ar> ak; 2. D ∗> D ∗ ve D−> D−; ve D ∗ <D ∗ D− / D−; en iyi çikolata bazlı pozitif ideal çözüme en erken, D ∗ a şeklinde sonuca ulaşılır. Koşul 1, alternatif ar'ın ak'dan daha iyi olduğu, çünkü ideale daha yakın ve negatif ideale uzak olduğu zaman, “normal” durumu gösterir. Aksine, Denklem 5.7'deki koşullu 2, bir alternatif ar'ın idealden a'dan daha uzak olduğunu gösterir. D = D− ve C ∗ = 0.5 olan bir alternatif olsun. Bu durumda, A ideal A * 'ya rk daha yakın olmasına rağmen, D ∗> D ∗ ve D−> D ∗ olan tüm alter kk yerlileri a'dan daha iyi sıralanır. VIKOR ve TOPSIS tarafından dikkate alınan mesafeler Şekil 5.2'de gösterilmektedir. Bir alternatif ar, TOPSIS sonucu olarak k'den daha iyidir, ancak ak, ideal çözüme daha yakın olduğu için, VIKOR tarafından derecelendirilen ar'dan daha iyidir. Dr ∗ ve Dr− mesafelerinin göreli önemi, karar vermede büyük bir sorun olsa da Denklem 5.7'de dikkate alınmamıştır. Bulanık Topsis Tercih edilen derecelendirmeler genellikle öznel belirsizliğe atıfta bulunduğundan, TOPSIS'i bulanık sayıların durumunu dikkate alacak şekilde genişletmek doğaldır. Bulanık TOPSIS, aşağıdaki gibi bulanık aritmetik işlemler kullanılarak sezgisel olarak genişletilebilir. Bir dizi alternatif verildiğinde, A = {Ak | k = 1, ..., n} ve bir ölçüt kümesi, C = {Cj | j = 1, ..., m}, burada X = {xkj | k = 1, ..., n; j = 1, ..., m} belirsiz derecelendirmeleri belirtir ve w􏰧 = {w􏰧 j | j = 1, ..., m} bulanık ağırlık kümesidir. TOPSIS'in ilk adımı normalleştirilmiş derecelendirmeleri şu şekilde hesaplamaktır: r􏰧 (x) = ∑, k = 1, ..., n; j = 1, ..., m ve ardından ağırlıklı normalleştirilmiş derecelendirmeleri hesaplamak için; v􏰧 (x) = w􏰧r􏰧 (x), k = 1, ..., n; j = 1, ..., m. ij j ij denklemi kurulur. Daha sonra PIS ve NIS şu şekilde türetilir: PIS = A = {v􏰧1 (x), v􏰧2 (x), ..., v􏰧j (x), ..., v􏰧m (x)} {(k kj 1) {(k kj 1) (k kj 2) NIS = A = {v􏰧1 (x), v􏰧2 (x), ..., v􏰧j (x), ..., v􏰧m (x)} = minv􏰧 (x) | j∈J, maxv􏰧 (x) | j∈J | k = 1, ..., n, {(k kj 1) (k kj 2) Burada J1 ve J2 sırasıyla fayda ve maliyet özellikleridir. Keskin duruma benzer şekilde, bir sonraki adım, alternatifler arasındaki PIS ve NIS'den ayrımı hesaplamaktır. Ayırma değerleri, aşağıdaki şekilde verilen Öklid mesafesi kullanılarak da ölçülebilir: k = 1 v􏰧 (x) −v􏰧 + (x) , k = 1, ..., n, ∑ 2m k kj j maks {v􏰧 (x)} - v􏰧 + (x) = min {v􏰧 (x)} - v􏰧− (x) = 0. Daha sonra, bulanıklaştırılmış ayırma değerleri, PIS ile benzerlikleri hesaplamak için CoA gibi bulanıklaştırılmış yöntemlerden biri kullanılarak türetilmelidir. Daha sonra, PIS ile benzerlikler şu şekilde verilmiştir: C ∗ = D (S−) D (S +) + D (S−) , k = 1, ..., n, Burada C ∗ ∈ [0,1] ∀k = 1, ..., n olur.  Son olarak, tercih edilen siparişler en iyi alternatifleri seçmek için azalan sırada Ck ∗ 'ye göre sıralanır. Daha sonra, bulanık TOPSIS prosedürlerini göstermek için sayısal bir örnek düşünülmüştür. Örnek : Örnek 5.1'deki soruna dayanarak, en iyi alternatifi belirlemede yöneticinin öznel belirsizliğini temsil etmek için bulanık sayıları kullanabiliriz. Daha sonra bulanık bilgi tablosu Tablo 5.9'da gösterildiği gibi ifade edilebilir. Daha sonra, Denklem 5.9'u kullanarak, Tablo 5.10'da gösterildiği gibi her alternatifin bulanık normalleştirilmiş derecelendirmelerini türetebiliriz.

Çok Amaçlı Karar Verme (15) – VIKOR – 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 Amaçlı Karar Verme (15) – VIKOR – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (14) – VIKOR – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Örnek : Mevcut sistemi değiştirmek için yeni bir tesisin gerekip gerekmediğini değerlendirmeye çalışan bir yönetici düşünün. Yönetici tarafından üç kriterin, dayanıklılığın, kabiliyetin ve güvenilirliğin dikkate alındığını ve her alternatifin tercih edilen derecelendirmesinin Tablo 5.2'de gösterildiği gibi ifade edilebileceğini varsayın. Daha sonra, ilk önce her bir alternatifin tercih edilen derecelendirmelerini Tablo 5.3'te gösterildiği gibi normalleştirmeliyiz, böylece tercih edilen derecelendirmeler aynı ölçekte [0,1] 'e düşebilir, ancak bizim örneğimizde kriterlerin ölçeği aynıdır. Her bir kriterin ağırlıklarını karşılık gelen tercih edilen derecelendirmelerle çarparak, ağırlıklı normalleştirilmiş derecelendirmeleri Tablo 5.4'te gösterildiği gibi elde edebiliriz. Daha sonra, Öklid mesafesini kullanarak, Tablo 5.5'te gösterildiği gibi PIS ve NIS'den her bir alternatife olan ayrımı hesaplayabiliriz. Son olarak, PIS'e alternatiflerin benzerlikleri C derived = 0.5037; C '= 0.6581; C '= 0.7482; C ∗ = 0.3340 1234 alternatiflerin tercih edilen sırası şu şekilde belirlenebilir: A3 ≻ A2 ≻ A1 ≻ A4. Alternatiflerin tercih edilen sıralamasına göre mevcut sistemlerin yeni tesis ile değiştirilmesi gerektiği ve Alternatif 1'in en iyi seçim olduğu görülmektedir. Vikor VlseKriterijumska Optimizacija I Kompromisno Resenje (VIKOR) yöntemi, karmaşık sistemlerin çok kriterli optimizasyonu için geliştirilmiştir. Başlangıçtaki (verilen) ağırlıklarla elde edilen uzlaşma çözümünün tercih kararlılığı için uzlaşma sıralama listesini, uzlaşma çözümünü ve ağırlık kararlılığı aralıklarını belirler. Bu yöntem, çelişen kriterlerin varlığında bir dizi alternatif arasından sıralama ve seçim yapmaya odaklanır. “İdeal” çözüme özel “yakınlık” ölçüsüne dayalı çok kriterli sıralama endeksini sunar. Her alternatifin her bir kriter fonksiyonuna göre değerlendirildiği varsayıldığında, uzlaşma sıralaması, yakınlık ölçüsünü ideal alternatifle karşılaştırarak gerçekleştirilebilir. Uzlaşma sıralaması için çok ölçütlü ölçü, uzlaşmalı bir programlama yönteminde bir toplama işlevi olarak kullanılan Lp-metriğinden geliştirilmiştir (Yu 1973; Zeleny 1982). Çeşitli k alternatifleri (k = 1, ..., n) a1, a2, ..., an olarak gösterilir. Alternatif ak için, j. yönün / kriterin derecelendirmesi fkj ile belirtilir, yani fkj, alternatif ak için j değer alır. Kriter fonksiyonunun değeridir; m ölçüt sayısıdır (j = 1,2, ..., m). VIKOR yönteminin geliştirilmesi aşağıdaki Lp-metrik formuyla başladığında: L =  n w f ∗ −f f ∗ −f− p, 1≤p≤∞; k = 1,2, ..., n olur. VIKOR yöntemi içinde, sıralama ölçüsünü formüle etmek için L1, k ve L∞, k kullanılır. Mink Sk ile elde edilen çözüm, maksimum grup faydası (p = 1 olduğunda ortalama boşluk olarak gösterilen "çoğunluk" kuralı) ve mink Rk ile elde edilen çözüm, "rakibin" minimum bireysel pişmanlığı ile olur. Uzlaşmacı çözüm Fc, ideale "en yakın" olan uygun bir çözümdür. F * ve uzlaşma, Şekil 5.1'de ∆f = f ∗ - f c ve ∆f = f ∗ - f c ile gösterildiği gibi karşılıklı tavizlerle kurulan bir anlaşma anlamına gelir.  Uzlaşma sıralama algoritması VIKOR aşağıdaki adımlara sahiptir. a. Tüm kriter fonksiyonlarının en iyi fj ∗ ve en kötü fj− değerlerini belirleyin, ∗j = 1, 2, ..., m. J'inci fonksiyon bir faydayı temsil ediyorsa, f j = maxk fkj veya f j ∗ ayarı istenen / istenen seviyedir, f j− = vizon en kötü seviyedir. b. İlişkilere göre Sk ve Rk, k = 1, 2, ..., n değerlerini hesaplayın. Sk. ∑m j = 1 wj | fj ∗ - fkj | / | fj ∗ - fj− |, ortalama boşlukta gösterildiği gibi, k, kji jj iyileştirme önceliği için maksimum boşluk olarak gösterilir; burada wj, kriterlerin ağırlıklarıdır ve göreli önemlerini ifade eder. c. Qk, k = 1,2, ..., n değerini Qk = v (Sk −S ∗) / (S− −S ∗) + (1 − v) (Rk −R ∗) / (R− −R ∗), k = 1,2, ..., m (alternatifler) Yani; S ∗ = min Sk veya S ∗ = 0 sıfır boşluk olsun, yani istenen seviyeye ulaşın,  S = maxSk veya en kötü seviye S = 1 olsun,  R * = min Rj veya R * = 0 sıfır boşluk olsun, yani istenen seviyeye ulaşın, R− = maks Rj veya en kötü seviye R− = 1 olsun Bu nedenle, S * = 0, S− = 1, R * = 0 ve R− = 1 olduğunda Qk = vSk + (1 − v) Rk'yi yeniden yazabiliriz. V, stratejinin ağırlığı olarak eklenir. "kriterlerin çoğunluğu" (veya "maksimum grup faydası"), burada v = 0.5 olur. d. Azalan sırada S, R ve Q değerlerine göre sıralayarak alternatifleri sıralayın. Sonuçlar üç sıralama listesidir. e. Bir uzlaşma çözümü olarak, aşağıdaki iki koşul karşılanırsa, Q (minimum) önlemine göre en iyi olarak derecelendirilen alternatifi (a ′) önerin: C1: "Kabul edilebilir avantaj": Q (bir ′ ′) - Q (a ′) ≥ DQ, olur. B2urada a Q, Q ile sıralama listesinde ikinci konuma alternatiftir; DQ = 1 / (J - 1); ve J, alternatiflerin sayısıdır. C2. "Karar vermede kabul edilebilir istikrar": Alternatif a ′ aynı zamanda S veya / ve R'ye göre en iyi sırada yer almalıdır. Bu uzlaşmacı çözüm, bir karar verme sürecinde istikrarlıdır ve şu olabilir: "çoğunluk kuralı ile oylama" (v> 0.5 gerekli olduğunda), "fikir birliği ile ”V ≈ 0.5 veya“ oylu ”(v <0.5) olur. Burada v, karar verme stratejisinin ağırlığı, “kriterlerin çoğunluğuna ” (veya “maksimum grup faydası”) bakılır. Koşullardan biri karşılanmazsa, aşağıdakilerden oluşan bir dizi uzlaşma çözümü önerilir: • Alternatif a ′ ve a ′ ′ eğer sadece C2 koşulu karşılanmazsa veya • Alternatif a ′, a ′ ′, ..., a (n) eğer C1 koşulu karşılanmazsa; ve a (n), Q (a (n) - Q (a ′)) <DQ, maksimum n (pozisyonları bu alternatifler "yakınlıktadır"). Q'ya göre sıralanan en iyi alternatif, minimum Q değerine sahip olandır. Ana sıralama sonucu, alternatiflerin uzlaşma sıralaması listesi ve "avantaj oranı" ile uzlaşma çözümüdür. VIKOR'a göre sıralama, kriter ağırlıklarının önerilen uzlaşma çözümü üzerindeki etkisini analiz ederek, farklı kriter ağırlıkları değerleri ile gerçekleştirilebilir. VIKOR yöntemi, Opricovic (1998) 'de sunulan metodolojiyi kullanarak ağırlık stabilite aralıklarını belirler. Başlangıç ağırlıkları (wj, j = 1, ..., m) ile elde edilen uzlaşma çözümü, bir ağırlığın değeri stabilite aralığı içinde değilse değiştirilecektir. Tek bir kriter için ağırlık stabilite aralıklarının analizi, tüm kriter fonksiyonları için aynı (verilen) başlangıç ağırlık değerleri ile gerçekleştirilir. Bu şekilde, elde edilen bir uzlaşma çözümünün tercih kararlılığı VIKOR programı kullanılarak analiz edilebilir.

Çok Amaçlı Karar Verme (16) – VIKOR – 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 Amaçlı Karar Verme (16) – VIKOR – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (13) – TOPSIS ve VIKOR – 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. 1. Alternatif Ölçümü: Kriterlerin performansını / değerlendirmesini (etki-değerleri) göstermek için dil değişkenlerinin ölçümünü "çok iyi, "iyi", "orta", "zayıf" ve "çok zayıf", değerlendiricilerden öznel yargılarını yapmaları istenir ve her dil değişkeni, gösterildiği gibi 0-100 ölçek aralığında bir TFN ile gösterilebilir. Ek olarak, değerlendiriciler, her değerlendiricinin ifade değerlerinin üyelik işlevlerini gösterebilen kişisel dil değişken aralığını öznel olarak atayabilir. J ölçütü altındaki i alternatifine yönelik değerlendirici k'nin bulanık performans / değerlendirme değerini belirtmek için e􏰧k alın ve tüm değerlendirme kriterleri e􏰧k = (lek, mek, uek) ile gösterilecektir. Her değerlendiricinin algısı, değerlendiricinin deneyim ve bilgisine göre değiştiğinden ve dilbilimsel değişkenlerin tanımları da değişiklik gösterdiğinden, bu çalışma, m değerlendiricilerin bulanık yargı değerlerini entegre etmek için ortalama değer kavramını kullanır, yani;  e􏰧ij = (1m) ⊗ (e􏰧1⊕e􏰧2⊕􏰩⊕e􏰧m). ⊗ işareti bulanık çarpımı, ⊕ işareti bulanık toplamayı, e􏰧ij, bir TFN tarafından e􏰧ij = (leij, meij, ueij) şeklinde gösterilebilen DM'nin kararının ortalama bulanık sayısını gösterir. . Son nokta değerleri leij, meij ve ueij, Buckley [15] tarafından öne sürülen yöntemle çözülebilir. 2. Bulanık Sentetik Karar: Her bir yapı P&D değerlendirme kriterinin ağırlıkları ve aynı zamanda bulanık performans değerleri, fuzzy performans değerinde (etki-değeri) yer alacak şekilde bulanık sayıların hesaplanmasıyla entegre edilmelidir. integral değerlendirme. FAHP ile türetilen her kritere göre ağırlık w􏰧 j, kriter ağırlık vektörü w􏰧 = (w􏰧1, ..., w􏰧 j, ..., w􏰧 n) t elde edilebilirken, bulanık performans matrisidir. Her bir alternatifin E􏰧'si, n kriter altındaki her bir alternatifin bulanık performans değerinden, yani E􏰧 = (eij) elde edilebilir. Ağırlık vektörü w􏰧 ve bulanık performans matrisi E􏰧 kriterlerinden nihai bulanık sentetik karar yürütülebilir ve elde edilen sonuç bulanık sentetik karar vektörü r􏰧 olacaktır, yani, r􏰧 = E 􏰮 w􏰧. "􏰮" işareti, bulanık toplama ve bulanık çarpma dahil olmak üzere bulanık sayıların hesaplanmasını gösterir. Bulanık çarpmanın hesaplanması oldukça karmaşık olduğundan, genellikle bulanık çarpmanın yaklaşık çarpılan sonucu ve yaklaşık bulanık sayı r􏰧 ile gösterilir. Bulanık sentetik karar "i" ile gösterilir. Her bir alternatifin nasr􏰧 = (lr, mr, ur) gösterilebilir, wherelr, mr, andur, alternatif i'nin i alt, orta ve üst sentetik performans değerleridir, yani: lr = ∑n le × lw, mr = ∑n ben × mw, ur = ∑n ue × uw. 3. Bulanık sayının sıralanması: Her bir alternatifin ulaştığı bulanık sentetik kararın sonucu, bulanık bir sayıdır. Bu nedenle, her bir en iyi plan alternatifinin karşılaştırılması için bulanık sayılar için bulanık olmayan bir sıralama yönteminin kullanılması gereklidir. Başka bir deyişle, bulanıklaştırma prosedürü BNP değerini bulmaktır (Opricovic ve Tzeng 2003b, c). Bu tür bulanıklaştırılmış bulanık sıralamanın yöntemleri genellikle maksimal (MOM), CoA ve a-kesim ortalamasını içerir. BNP'yi bulmak için CoA yöntemini kullanmak basit ve pratik bir yöntemdir ve herhangi bir değerlendiricinin tercihine gerek olmadığı için bu çalışmada kullanılmıştır. R􏰧i bulanık sayısının BNP değeri aşağıdaki denklemde bulunabilir: BNP = lr +  (ur −lr) + (bay −lr)  3 ∀i. Alternatiflerin her biri için türetilen BNP'nin değerine göre, alternatiflerin her birinin en iyi planının sıralaması daha sonra ilerleyebilir. TOPSIS ve VIKOR İdeal Çözüme Benzerlik Yoluyla Sıralama Tercihleri ​​(TOPSIS) yöntemi Hwang ve Yoon (1981) tarafından önerilmiştir. Ana fikir, pozitif ideal çözüme en yakın (optimal çözüm) ve negatif ideal çözümden en uzak olanı (alt çözüm) en iyi alternatifi seçmek için uzlaşmacı çözüm konseptinden geldi. Ardından, en iyi alternatif olacak olan en iyi sıralamayı seçin. TOPSIS TOPSIS, Hwang ve Yoon (1981) tarafından uzlaşma çözümü kavramlarına dayalı olarak en iyi alternatifi belirlemek için önerildi. Uzlaşmacı çözüm, ideal çözümden en kısa Öklid uzaklığı ve negatif ideal çözümden en uzak Öklid uzaklığı olan çözümü seçmek olarak kabul edilebilir. TOPSIS prosedürleri aşağıdaki gibi tanımlanabilir. Bir dizi alternatif verildiğinde, A = {Ak | k = 1, ..., n} ve bir ölçüt kümesi, C = {Cj | j = 1, ..., m}, burada X = {xkj | k = 1, ..., n; j = 1, ..., m} performans derecelendirmeleri kümesini belirtir ve w = {wj | j = 1, ..., m} ağırlık kümesidir, bilgi tablosu I = (A, C, X, W) Tabloda gösterildiği gibi temsil edilebilir. TOPSIS'in ilk adımı, normalleştirilmiş derecelendirmeleri ile hesaplamaktır. Form 1 r (x) = ∑, k = 1, ..., n; j = 1, ..., m. Form 2 • Fayda kriterleri için (daha büyük daha iyidir), r (x) = (x - x−) / (x ∗ - x−), burada xj = maxk xkj ve xj = vizon xkj veya xj ayarı,  istenen seviyedir ve x− en kötü seviyedir.  • Maliyet kriterleri için (daha küçük daha iyidir), r (x) = (x− - x) / (x− - x ∗) ve sonra kj j kj j j ağırlıklı normalleştirilmiş derecelendirmeleri hesaplanır; vkj (x) = wjrkj (x), k = 1, ..., n; j = 1, ..., m. Ardından, pozitif ideal nokta (PIS) ve negatif ideal nokta (NIS) şu şekilde türetilir: PIS = A + = {v + (x), v + (x), ..., v + (x), ..., v + (x)} = maksv (x) | j∈J, minv | j∈J | k = 1, ..., n, {(k kj 1) (k kj 2)} NIS = A− = {v− (x), v− (x), ..., v− (x), ..., v− (x)} 12jm = minv (x) | j∈J, maxv (x) | j∈J | k = 1, ..., n, (5.4) {(k kj 1) (k kj 2)} Burada J1 ve J2 sırasıyla fayda ve maliyet özellikleridir. Bir sonraki adım, alternatifler arasındaki PIS ve NIS arasındaki ayrımı hesaplamaktır. Ayırma değerleri Öklid mesafesi kullanılarak ölçülebilir. Şu şekilde verilir: D ∗ = ∑v (x) −v + (x) 2, k = 1, ..., n D− = ∑v (x) −v− (x) 2, k = 1, ..., n. PIS ile benzerlikler şu şekilde türetilebilir: C ∗ = D− (D ∗ + D−), k = 1, ..., n, kkkk olduğunda, Ck ∗ ∈ [0,1] ∀k = 1, ..., n olur. Son olarak, en iyi alternatifleri seçmek için azalan sırayla PIS (C IS) ile benzerliklerine göre tercih edilen siparişler elde edilebilir. Daha sonra, TOPSIS prosedürlerini göstermek için sayısal bir örnek sunulmuştur. 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 Amaçlı Karar Verme (13) – TOPSIS ve VIKOR – 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 Amaçlı Karar Verme (13) – TOPSIS ve VIKOR – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Çok Amaçlı Karar Verme (12) – Değerlendirme Kriter Ağırlıklarının Belirlenmesi – 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 Amaçlı Karar Verme (12) – Değerlendirme Kriter Ağırlıklarının Belirlenmesi – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (11) – KANIK SİPARİŞ VE KALİTE ÖLÇME – 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. KANIK SİPARİŞ VE KALİTE ÖLÇME Alternatiflerin bulanıklaştırılmış hizmetlerine göre, tercih edilen alternatiflerin sırasının şu şekilde ifade edilebileceği sonucuna varabiliriz: B ≻ D ≻ A ≻ E ≻ C. Yukarıdaki sonuçlara dayanarak, alternatif A'nın en uygun banka olduğu görülebilir. Yukarıdaki prosedürlerden, TESTERE veya FSAW'nin MADM problemleriyle başa çıkmada neden bu kadar popüler olduğu görülebilir. Ancak, SAW veya FSAW'nin yalnızca tercih bağımsızlığı (Keeney ve Raiffa 1976) veya tercih telafisi (Gorman 1968) varsayımı karşılandığında çalıştığı unutulmamalıdır. Daha sonra, tercih bağımsızlığı kavramlarını aşağıdaki gibi kısaca tanımlayacağız. İki vektör niteliği y ve z olsun, burada sonuçları (y, z) ile ifade edilebilir. O halde, z ′ sabit olan sonuçlara (y, z ′) yönelik tercihler z ′ miktarını etkilemiyorsa ve matematiksel olarak şu şekilde tanımlanabilirse, y, z'nin tercih bağımsızlığıdır: u(y′,z0 ≥ y′′,z0 ) ⇒ u(y′,z ≥ y′′,z), ∀z. Bu nedenle, {x1, xi}, x1i, i = 2,3, ..., n'nin tercihli bağımsızlığı ise, x'in değer fonksiyonu şu şekilde ifade edilebilir: u (x) = ui (xi) Bununla birlikte, tercih bağımsızlığının özelliği tatmin edilmezse, bir alternatifin faydasını hesaplamak için bulanık integral (bkz. Bölüm 9) gibi nitelikler arasındaki etkileşim etkisini açıklayabilecek diğer yöntemleri dikkate almalıyız. EN İYİ PLAN İÇİN KUSURSUZ ŞEKİLLENDİRME VE ÇALIŞMA TARTIMI: BİR ÇEVRE SUYU PLANININ ÖRNEĞİ Bu alt bölümün amacı, örnek olarak bir çevre havzasının en iyi plan alternatifinin değerlendirme problemini ele almak için hiyerarşik bir yapı oluşturmaktır. Çok kriterli karar verme, bulanık bir ortamda çoklu kriterlere göre alternatiflerin avantaj ve dezavantajlarını değerlendirmek için analitik bir yöntemdir. Bu alt bölüm esas olarak değerlendirme problemine odaklanmaktadır. Tipik çok kriterli değerlendirme problemi, bir dizi uygulanabilir alternatifi inceler ve uygulama için en iyi alternatifi geliştirmek veya belirlemek için birden fazla kriteri göz önünde bulundurur. İçerik üç bölümden oluşmaktadır: değerlendirme kriterlerinin hiyerarşik yapısının oluşturulması, değerlendirme kriterlerinin ağırlıklarının belirlenmesi ve performans değerinin elde edilmesidir. Ortamın hiyerarşik yapısının oluşturulması , Havza değerlendirme kriterleri Örneğin, bir çevre havza planını açıklama olarak alırız. Su havzası nedir? Genellikle bir havzada oluşan bileşen yer şekilleri arasında dere kanalları, taşkın yatakları, dere terasları, alüvyal vadi tabanları, alüvyon yelpazeleri, dağ yamaçları ve sırt tepeleri bulunur. Çevre havza planı ölçümleri, yönetim mühendisliği, ekolojik restorasyon, çevresel inşaat ve çevre koruma konuları dahil olmak üzere bir dizi karmaşık faktör içerir. Geçmişte, bir plan boyut indeksi, basitçe, bir süre veya iniş döngüleri için felaket oranının toplam çevre mühendisliğine dayanabilirdi, ancak bu eksik olabilirdi. Yeh (2005), ekolojik mühendislik önlemlerini havza yönetimi çerçevesinde birleştirmenin yerel yönetim kurumlarımız için en önemli araştırma konularından biri olacağını öne sürdü. Şu anda, felaketi azaltmaya, insan güvenliğini teşvik etmeye, rahat ilgiyi artırmaya, ekolojik sistemlere ve sürdürülebilir çevreye odaklanan çevre-su havzası plan endeksi için birçok faktörü / kriteri dikkate almamız gerekiyor. Chen ve Lin (2005) 4 boyut ve 26 kriter önermiştir. Pek çok çalışma, problem çözme prosedürlerine dayalı yararlı metodolojiler ve modeller sunarken, bunlar esas olarak Tayvan ve dünyanın geri kalanında çevre havza plan yönetimi alanına uygulanmıştır. Bir su havzası planı, restorasyonu ve yönetimi belirli bir hidrolojik fonksiyona ve ekolojik potansiyele sahiptir. Su havzası planlarının envanteri, değerlendirilmesi ve restorasyonu jeomorfik, hidrolojik ve ekolojik ilkelere dayanmaktadır. Bozuk havzaları eski haline getirmek için doğa ile birlikte çalışan havza planlarına doğa yaklaşımı budur (Petersen 1999). Birkaç anahtar model bileşeninin işletim prosedürleri, yerel topluluğun katılımı, coğrafi bilgi sistemlerinin kullanımı, ekosistemin, habitatın ve peyzajın araştırılması ve analizi ve ekolojik mühendislik önlemlerinin tahsisi, daha iyi bir anlayış için ayrıntılı olarak gösterilmiştir. Avusturya Tuna vaka çalışmasında 12 alternatif ve 33 kriter vardır. Kriterler, birbiriyle çelişen üç ana ilgi türünü içerir: ekonomi, ekoloji ve sosyoloji. Doğal afetlerde çevresel havza planlarını hala açıklayan felaketlerin yanı sıra, mühendislik tasarım hatası ve olay verileri, bakım ve operasyonel eksiklikler tipik olarak başarısız planların nedenleri olarak gösterilmektedir. Özellikle insan hatasına ilişkin tasarım hatalarının izlenmesi sırasında “proaktif” plan önlemlerinin alınması önerilmiştir. Dünya istatistiklerinde çevre-su havzası sorunları, doğal afetlerden ve yapay olarak iki seviyenin sıkışmasından, ilkinde tayfun, sağanak yağmur ve depremden, selin taşmasına, heyelanın şiddetli bozulmasına, olası enkaz seline vb. Nüfus artışından kaynaklanan yapay rahatsızlıklarda uzay ve su çevre talebinin artmasının nedeni, böylece arazi kullanım düzeni ve arazi özelliklerinin değişmesi, ayrıca gelişmeye geçişi sağlamakta ve ayrıca yol suyu ve toprak korumasının tahrip olmasına yol açmaktadır. , çevre tahribata düşüyor, yok edilen biyolojik yaşam, kaliteli nehirler ve dereler kirlenmiş, balık türlerini tehdit etmiş, orman örtüsünün yitirilmesi, erozyon ve kent büyümesi gibi şeyler de vardır. Çevre havza sorunlarını çözmek için nasıl yapabiliriz? Öncelikle çevreden havza anket verileri, nehir kanal şeklini stabilize etmek, biyolojik topluluk aktivitesini artırmak, habitat küfü ve rejenerasyonu, ekolojik koridorun yapı bütünlüğünü artırmak, çevre peyzajları ve doğal çevre özelliklerini oluşturmak, tur tesislerinden geliştirmek için karakteristik değerler bulmuştur. ve insani sanayinin kaynakları, güzel malzemenin yapı doğasını tekrarlamak ve turizmin mülkiyetini yükseltmek. Bununla birlikte, dik yamaçlar, erozyon ve çevre koruma alanlarında yapay rahatsızlık en aza indirilmeli veya buna izin verilmemelidir. Özetle, dört boyut ve on faktör / kriter içeren bozulmamış faktörleri / kriterleri, kısaca aşağıdaki gibidir; (a) su havzası yönetimi ve erozyon kontrolü, (b) ekolojik restorasyon, (c) çevresel yapı ve (d) çevresel koruma. Bunlara dayanarak, bu çalışmada hiyerarşik yapı için on değerlendirme kriteri kullanılmıştır. Çevre havza planı değerlendirme problemlerini ele almak için bu çalışmada benimsenen hiyerarşik yapı açıklanarak sunulacaktır. 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 Amaçlı Karar Verme (11) – KANIK SİPARİŞ VE KALİTE ÖLÇME – 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 Amaçlı Karar Verme (11) – KANIK SİPARİŞ VE KALİTE ÖLÇME – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (10) – KANIK SİPARİŞ VE KALİTE ÖLÇME – 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. Form 1 Fayda kriterleri için (daha büyük daha iyi), r (x) = x / x, burada x = maks x istenen / istenen seviyedir ve 0 ≤ rij (x) ≤ 1 açıktır. Form 2 Maliyet kriterleri için (daha küçük, daha iyidir), r (x) = (1 / x) / (1 / x) = (maks x) / (x) veya x, istenen / istenen seviye olsun. Fayda kriterleri için (daha büyük daha iyi), r = (x − x) / (x − x), burada x = max ve x – j = mini xij veya x * j istenen / istenen seviye ve xj– en kötü seviye olsun. * Maliyet kriterleri için (daha küçük daha iyidir), r = (x - x) / (x - x).Bu nedenle, sentezlenen performans P1 = wj, rjpi, i'inci alternatifin sentezleme performans değeridir ve wj, j. kriterin ağırlıklarını belirtir. Orantılı birimler haline gelmek için i'nci alternatifin j'inci kriterine göre normalleştirilmiş tercih edilen derecelendirmeleridir; ve kriterlerin birbirinden bağımsız olduğu varsayılır. Performans matrisinin birimleri orantılı birimler ise, veri matrisini normalleştirilmiş tercih edilen derecelendirme ölçeklerine aktarmamıza gerek yoktur. Daha sonra, alternatiflerin tercih edilen sırasını belirlemede SAW prosedürlerini göstermek için basit bir örnek verilmiştir. Örnek : Banka değerlendirme probleminin aşağıdaki gibi tanımlanabileceğini varsayın. Bankaları değerlendirme kriterlerinin yatırım geliri (x1), müşteri sayısı (x2), marka imajı (x3) ve şube numaraları (x4) ile temsil edilebileceğini varsayalım. Beş bankanın ve ilgili değerlendirme notlarının Tablo 4.1'de gösterildiği gibi açıklanmasına izin verin. İlk olarak, ölçeği [0,1] 'e dönüştürmek için Tablo 4.2'de gösterildiği gibi normalleştirilmiş tercih edilen derecelendirmeler hesaplanmalıdır.Yukarıdaki ile aynı prosedürle, diğer alternatiflerin faydaları da şu şekilde elde edilebilir: uB (x) = 0,859, uC (x) = 0,778, uD (x) = 0,838 ve uE (x) = 0,791. Yukarıdaki yardımcı programlara dayanarak, bu nedenle, tercih edilen alternatif sırasının şu şekilde ifade edilebileceği gösterilebilir: B≻D≻A≻E≻C Yukarıdaki sonuçlara dayanarak, alternatif A'nın en uygun banka olması gerektiği görülebilir. KANIK SİPARİŞ VE KALİTE ÖLÇME Pratikte, bulanık çok aşamalı karar verme (FMADM) problemleri için, kriterler arasında karşılıklı bağımsız bir ilişki olduğunu varsayarsak, her bir alternatife göre her bir kriterin göreceli ağırlıklarını ve performans puanını hesapladıktan sonra FSAW'yi kullanabiliriz. alternatiflerin sırasını sıralamak için belirsiz tercih edilen derecelendirmeleri toplama yöntemi. SAW for FMADM prosedürü şu şekilde özetlenebilir: Adım 1:jth özniteliğinin göreli bulanık ağırlığını w􏰧 j hesaplayın. Bulanık bağıl ağırlıklar, DM veya değerlendiricilerin öznel / algısal yargısı ile üçgen veya aralık değeri kullanılarak elde edilebilir / atanabilir. Adım 2: Elemanları, ij'inci alternatife göre j. Özniteliği için bir dizi bulanık karşılaştırılabilir derecelendirme r􏰧 (x) 'den oluşan bulanık karar matrisini elde edin. Ham karar matrisi, i'inci alternatife göre jth niteliği için x􏰧ij'den oluşuyorsa, boyutun etkisini azaltmak için, Hwang ve Yoon (1981) yöntemini􏰧 aktarmak için genişletebiliriz. (x) ij ij'ye göre aşağıdaki ilke gözetilir: Form 1 Durum 1. Kriterler fayda kriterleri tarafından tanımlanmışsa (daha büyük x ̃ daha büyük tercih), o zaman dönüştürülmüş sonuç x ̃, r ̃ (x) = x ̃ / x ̃ olur, burada x ̃ * j = max x ̃ij veya x ̃ * j istenen / istenen seviye olsun ve açıkça görülüyor ki bu durumda 0 ≤ r ̃ij (x) ≤ 1 olur. Durum 2. Kriterler maliyet kriterleri tarafından tanımlanmışsa (x ̃j ne kadar küçükse, daha büyük tercih), o zaman dönüştürülmüş sonuç x ̃ij, r ̃ij (x) = (1 / x ̃ij) / (1 / x ̃) = min x ̃ / x ̃ veya x ̃  istenen seviye olsun. Form 2 • Fayda kriterleri için (daha büyük, daha iyidir), r ̃ij (x) = (x ̃ij −x ̃j -) / (x ̃ * j −x ̃j–), burada x ̃ * j = maks x ̃ij ve x ̃j– = min x ̃ij, veya x ̃ * j istenen / istenen seviye olsun ve ii x ̃j– en kötü seviye olsun. • Maliyet kriterleri için (daha küçük, daha iyidir), r ̃ij (x) = (x ̃j– - x ̃ij) / (x ̃j– - x ̃ * j). Adım 3: i. Alternatif için bulanık değeri u􏰧i (x) sentezleyin; bu, nispi bulanık ağırlık w􏰧 j ile boyutsuz karşılaştırılabilir veriler r􏰧 (x) 'i aşağıdaki gibi çarpmanın bir toplamıdır: u􏰧 (x) = ∑ w􏰧 r􏰧 (x), burada u􏰧 (x) i. Alternatifin bulanık performans değerinin sentezlendiği bir sonuçtur. Kriterin ağırlıklarını ve r􏰧 (x) i. alternatifin karşılaştırılabilir birimler olma kriterine göre normalleştirilmiş tercih edilen derecelendirmeleridir ve kriterlerin birbirinden bağımsız olduğu varsayılmıştır. Performans matrisinin birimleri orantılı birimler ise, dilbilim (doğal dil) ile bir performans matrisi için tatmin edici bir ölçek için olduğu gibi, veri matrisini normalleştirilmiş tercih edilen derecelendirme ölçeklerine aktarmamıza gerek yoktur. 􏰧 Adım 4: A * = {u􏰧i (x) | ile tanımlanan en iyi alternatifi seçin maxi u􏰧i (x)} veya istenen / istenen seviyelere ulaşmak için yeni bir en iyi alternatifA􏰧 ∗ oluşturmak için alternatiflerin boşluklarını iyileştirin.Bulanık sayıların işlemleri için Bölüm 1.4'e başvurulduğu vurgulanmalıdır. Ayrıca, her bir alternatifin nihai derecelendirmesi aynı zamanda bir bulanık sayı olduğundan, en iyi bulanık olmayan performansı (BNP) belirlemek için DM için alan merkezi (CoA) yöntemi gibi bulanıklaştırılmış bir yöntemin kullanılabileceği görülebilir. ) alternatiflerin değeri. Daha sonra, FSAW prosedürlerini göstermek için birtanem önceki örnekte genişletilmiş bir örnek verilmiştir Örnek : Probleminin bankaları değerlendirme kriterlerini dikkate alacak şekilde genişletilmesi, bulanık ortamda yatırım geliri (x1), müşteri sayısı (x2), marka imajı (x3) ve şube numaraları (x4) ile temsil edilebilir. Derecelendirme ve ağırlıklarda belirsiz sayılar varsaymak yerine, bu örnekte basitlik için sadece belirsiz ağırlıklar dikkate alınmıştır. Bununla birlikte, prosedürler, FSAW'nin genel şeklini dikkate alacak şekilde kolaylıkla genişletilebilir. Alternatiflerin normalleştirilmiş tercih edilen derecelendirmeleri ve bulanık ağırlıkları Tablo 4.3'te gösterildiği gibi açıklansın. Ardından, Bank A'nın faydası şu şekilde hesaplanabilir: A (x) = 0. 8 0 6 × (0. 2 0, 0. 3 0, 0. 4 0) + 1. 0 0 0 × (0. 1 5, 0. 2 0, 0. 3 5) + 0.750 × (0.10,0.25,0.30) + 0.667 × (0.15,0.25,0.30) = (0.486,0.796,1.098). Yukarıdaki aynı prosedürle, diğer alternatiflerin faydaları şu şekilde elde edilebilir: u􏰧B (x) = (0.503,0.859,1.143); u􏰧C (x) = (0.476,0.778,1.061); u􏰧D (x) = (0.498,0.838,1.115); u􏰧E (x) = (0.473,0.791,1.075). Daha sonra, alternatiflerin tercih edilen sırasını belirlemek için DM'ye somut bilgi sağlamak amacıyla, alternatiflerin bulanıklaştırılmış faydalarını şu şekilde hesaplamak için CoA yöntemi kullanılır: u '= 0.793; u '= 0.835; u '= 0.772; u '= 0.817; u ∗ = 0.780. ABCDE 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 Amaçlı Karar Verme (10) – KANIK SİPARİŞ VE KALİTE ÖLÇME – 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 Amaçlı Karar Verme (10) – KANIK SİPARİŞ VE KALİTE ÖLÇME – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (9) – Bulanık Analitik Ağ Süreci - 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. Öncelikle net durumu ve C tekil olmayan bir matris düşünelim. C − 1 ile gösterilen C'nin tersi, aşağıdaki C × C −1 = I özelliğini tutar. C − 1'i türetmek için, Denklem 3.32'yi yeniden yazabilir ve aşağıdaki doğrusal denklem sistemini eşzamanlı olarak çözebiliriz: Kimlik matrisini gösterdiğimiz gibi hesaplıyoruz. Örneğin, C − 1'in son sütun vektörünü türetmek için aşağıdaki doğrusal sistemi çözebiliriz: Ek olarak, Cramer kuralını kullanarak Denklem 3.34'ü de çözebiliriz, öyle ki c ′ = | Cj | , | C |, burada Cj, j'inci sütunu 1 ′ = (1,1, ..., 1) ile değiştirilmiş C'dir. C − 1'in diğer sütun vektörleri aynı prosedür kullanılarak türetilebilir. Bulanık sayılar için, AHP'de yerel bulanık ağırlıkları türetmek için aşağıdaki doğrusal programlama problemini çözebiliriz:   s.t. c c′ +c c′ +􏰩+c c′ =1, c c′ +c c′ +􏰩+c c′ =1, c c′ +c c′ +􏰩+c c′ =1, n1 1n n2 2n nn nn c ∈c􏰧[α],c′∈[0,1], ∀i,j=1,...,n, Burada c􏰧 ′ [α] = [min c ′, maks c ′] bulanık elemanı belirtir ve [α] α-kesme işlemidir. Veya, Cramer kuralını kullanarak, bulanık bir matrisin tersini türetmek için Denklem 3.36'yı doğrudan bulanıklaştırabiliriz. Örneğin, c􏰧 ′ [α] = [c ′ (α), c ′ (α)] elde etmek için hesaplayabiliriz. c′(α)=min j c∈c􏰧[α], |C|  c′(α)=max j c∈c􏰧[α]. 3.36'dan 3.38'e kadar olan Denklemlerin değerlendirilmesi zor olabileceğinden, yaklaşık çözümler elde etmek için bazı sezgisel algoritmalar (örneğin, genetik algoritma, karınca algoritması veya benzetilmiş tavlama) kullanılabilir. Ardından, bulanık bir matrisin tersinin AHP'de nasıl türetilebileceğini gösteren bir örnek verilmiştir. Üst üçgen bulanık karşılaştırma matrisinin karar verici tarafından şu şekilde verilebileceğini varsayalım: Daha sonra à * şu şekilde oluşturulabilir: Daha sonra, Denklem 3.36'yı çözerek ve α-kesimleri = 0, 0.2, 0.4, 0.6, 0.8 ve 1'i ayarlayarak, gösterildiği gibi bulanık yerel ağırlıkları, yani (à *) - 1'in son sütun vektörünü türetebiliriz Tablo 3.4. Bulanık yerel ağırlıkları görsel olarak kontrol etmek için, verilen örneğin üçgen şeklindeki bulanık yerel ağırlıklarını Şekil 3.9'da gösterildiği gibi tasvir edebiliriz. Öte yandan, FANP'de küresel ağırlık vektörünü bulmak, bulanık bir matrisin tersini hesaplama problemi olarak da görülebilir, yani çözmek için (B􏰧 *) - 1 kullanılır. Bu nedenle, FANP'de global ağırlık bulma yöntemi yukarıdaki prosedürlere benzer. Daha sonra, Bölüm 3.4'te önerilen yöntemi göstermek için bir uygulama kullanılır. şekil 3.9 Üçgen şekilli bulanık yerel ağırlıklar. Bir gıda şirketinin pazar payının üç küme ile değerlendirilebileceğini düşünün: Reklamcılık yeteneği (C1), Kalite yeteneği (C2) ve Cazibe yeteneği (C3)vb gibi paydalar olur. Her grup sırasıyla Yaratıcılık, Promosyon, Sıklık, Beslenme, Lezzet, Temizlik, Fiyat, Yer ve İtibar olmak üzere üç kritere bölünebilir. Karar verici, maksimum pazar payını elde etmek için uygun bütçeleri tahsis edebilmesi için ANP'yi kullanarak kriterlerin ağırlıklarını belirlemek ister. Eksik bilginin kısıtlamaları ve insan öznel yargıları nedeniyle, karar verici kriterler arasındaki ağırlık oranlarını yargılamak için bulanık sayılar kullanır. Pazar payı sorununu çözmek için bu uygulamada benimsenen ağ yapısı Şekil 3.10'da gösterildiği gibi gösterilmektedir. Tüm bulanık yerel vektörleri hesaplamak için, önce kriterler arasındaki ağırlıkların göreli bulanık oranlarını karşılaştırmalıyız ve ardından α-kesim = 0 olan karşılık gelen bulanık yerel ağırlıklar Denklem 3.36 kullanılarak türetilebilir. Sonuçlar aşağıdaki dokuz matriste gösterildiği gibi verilebilir: α-cuts = 0, 0.2, 0.4, 0.6, 0.8 ve 1.0, ve Tablo 3.5'te gösterildiği gibi (B􏰧 *) −1'i hesaplayarak bulanık küresel ağırlıkları elde edebiliriz. Daha sonra, önerilen yöntemin gerekçesini göstermek için, bulanık üst matristeki bulanık sayıların köşelerini kullanarak net küresel ağırlıkları buluyoruz ve bunların bulanık küresel ağırlıkların alfa-sıfır kesimine ait olduğunu gösteriyoruz. 𝚷'nin kararlı durum sürecini hesaplayarak, küresel ağırlık vektörü, 𝚷'yi sınırlayıcı gücüne şu şekilde yükselterek türetilebilir: ′ ∏ = [0.1821 0.1061 0.0451 0.1791 0.1009 0.0534 0.1187 0.0333 0.1814]. Açıkça, bulanık küresel ağırlık vektörünün alfa sıfır kesimine aittir. Okuyucular, tüm net küresel ağırlıkların bulanık küresel ağırlıkların alfa-sıfır kesimine ait olduğunu göstermek için bulanık sayıların diğer köşelerini kullanabilir. ANP çeşitli uygulamalarda yaygın olarak kullanılmış olsa da, bir karar vericinin eksik bilgi ve öznel belirsizlik içeren kriterler arasındaki ağırlıkların kesin oranlarını ölçmesi zordur. Bu bölümde, FANP'nin geleneksel ANP'yi genişletmesi önerilmiştir ve belirsiz yargılar, kriterler arasındaki göreceli ağırlık oranlarını karşılaştırmak için kullanılır. Keskin ANP ile karşılaştırıldığında, önerilen yöntemlerin avantajları aşağıdaki gibidir. Birincisi, eksik bilginin kısıtlamaları ve öznel belirsizlik nedeniyle, belirsiz sayılar, ölçütler arasındaki ağırlık oranlarını değerlendirmek için daha uygundur. İkinci olarak, bulanık küresel ağırlıklar, karar vericilerin sorunların belirsizlik derecelerini anlamalarına yardımcı olabilir. Son olarak, net ANP'nin α-cut = 1 olduğunda önerilen yöntemin özel bir durumu olduğuna dikkat edilmelidir. Basit Katkı Ağırlıklandırma Yöntemi Bu bölümde, basit eklemeli ağırlıklandırma yöntemi (SAW) ve bulanık basit ek ağırlıklandırma yöntemi (FSAW) tanıtılmaktadır. SAW, çok kriterli karar verme MCDM sorunlarını çözmenin en sezgisel ve kolay yolu olarak düşünülebilir, çünkü doğrusal toplama işlevi karar vericilerin (DM) tercihlerini temsil edebilir. Ancak bu, yalnızca tercih bağımsızlığı (Keeney ve Raiffa 1976) veya tercih ayrılabilirliği (Gorman 1968) varsayımı karşılandığında doğrudur. ÖRNEK VE ÖLÇÜM TARTIM YÖNTEMİ Churchman ve Ackoff (1954), baş etmek için ilk önce SAW yöntemini kullandı. SAW yöntemi, çok öznitelikli karar verme MADM'si için muhtemelen en iyi bilinen ve yaygın olarak kullanılan yöntemdir. Basitliği nedeniyle SAW, MADM problemlerinde en popüler yöntemdir ve en iyi alternatif aşağıdaki denklemle türetilebilir: A = u(x)|maxu(x)|i=1,2,...,n , veya alternatiflerin boşlukları, her bir kriterde istenen / istenen seviyelere ulaşmak için yeni bir en iyi alternatif A * oluşturmak için iyileştirilebilir. ui (x) i. alternatifin faydasını belirtir ve i = 1,2, ..., n; wj, j. kriterin ağırlıklarını belirtir; rij (x), tüm orantılı birimler için j. kritere göre i'inci alternatifin normalleştirilmiş tercih edilen derecelendirmeleridir; ve tüm kriterlerin bağımsız olduğu varsayılır. Ek olarak, i'inci alternatifin j'den farklı olarak hesaplanır. 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 Amaçlı Karar Verme (9) – Bulanık Analitik Ağ Süreci – 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 Amaçlı Karar Verme (9) – Bulanık Analitik Ağ Süreci – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (8) – Bulanık Analitik Ağ Süreci - 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. Örnek : Başarılı bir bilgi sistemi geliştirmenin anahtarı, insan ve teknolojik faktörlerin hizalanmasıdır. İnsan faktörünün iş kültürü, son kullanıcı talebi ve yönetim kriterleriyle ölçülebileceğini varsayıyoruz. Öte yandan, teknolojik faktör, çalışanın yeteneği, süreçleri ve kaynakları kriterleriyle ölçülebilir. Şekil 3.7'de gösterildiği gibi insan ve teknoloji faktörleri birbirine bağlıdır. Eksik bilginin kısıtlamaları ve öznel belirsizlik nedeniyle, karar verici kriterler arasındaki ağırlık oranlarını yargılamak için bulanık sayıları kullanır. Örneğin, aşağıdaki ilk matristeki soru, "Kültür kriteri için, bir teknoloji kriterinin diğerine göre ne kadar önemi vardır?" Diğer matrisler aynı prosedürlerle kolaylıkla oluşturulabilir. Bir sonraki adım, aşağıdaki altı matriste gösterildiği gibi, her bir matristeki bulanık yerel ağırlıkları hesaplar. Şimdi, yukarıdaki bulanık özvektörlerin sonuçlarına ve Şekil 3.7'de gösterilen ağ yapısına göre bulanık ağırlıklı süper matris oluşturabiliriz. İnsan ve teknoloji faktörleri birbirine bağlı olduğundan, bulanık süper matris aşağıdaki gibidir: Sonra, bulanık süpermatrisin kararlı durum öncelikli vektörlerini elde edebiliriz. Α-cut = 0 ve α-cut = 1 ayarlayarak, Tablo 3.2'de gösterilen bulanık öncelik vektörlerini türetebiliriz. Örnek : Ağ yapısının başka bir örneği Şekil 3.8'de gösterilmektedir. Kendi kendine geribildirim etkisiyle başa çıkmanın iki yolu vardır. Bir yöntem basitçe 1'i köşegen elemanlara yerleştirir ve diğeri, kriterlerin her bir kriterle ikili karşılaştırmasını gerçekleştirir. Burada basitlik için ilk yöntemi kullanıyoruz. Bölüm 3.2'de açıklanan adımları kullanarak, ağırlıksız süpermatris ve ağırlıklı süper matris, sırasıyla aşağıdaki iki matrisle temsil edilebilir: Tablo 3.2 ve 3.3'te gösterilen sonuçlardan, önerilen yöntemin belirli bir α-kesim ile bulanık global ağırlıklar sağlayabildiğini ve ANP'nin α-cut = 0 iken özel durum olarak kabul edilebileceğini gözlemliyoruz. Bulanık Analitik Ağ Süreci İçin Matris Yöntemi Bu bölümde, FANP'deki karşılıklı matris varsayımını genişletiyoruz. Karşılıklı matris varsayımını ele alalım. Kritere hakim olduğu ağırlık oranını gösteriyorsa, aji = 1 / aij'in karşılanması gerektiğini iddia eder. Ancak, karşılıklı matrisin özelliği bulanık bir matriste, yani ãji ≠ 1 / ãij'de tutulmaz. Bu nedenle, bu bölümde, Cogger ve Yu'nun yöntemi (1985), bir karşılaştırma matrisindeki karşılıklılık varsayımı aşağıdaki gibi yayınlandığında özvektörün nasıl türetilebileceğini göstermek için ele alındı. Pozitif bir üst üçgen karşılaştırma matrisi olsun; A = aijn × n, aij = aij ifi≤j, aij, i kriterinin j kriterine hakim olduğu ağırlık oranının gücünü gösterir. D köşegen matris olsun, öyle ki,  D = dijn × n, withdij = n − i + 1 ifi = j, ve ağırlık vektörü w ′ = (w1, w2, ..., wn) ile şunu elde edebiliriz: Aw = Dw (D − 1A −I) w = 0 olur. Daha sonra, w′1 = 1 kısıtlamasını, 1 ′ = (1,1, ..., 1) olduğunda, aksi takdirde denklemi 0'a dahil ederiz. 3.21 ve matrisi yeniden düzenleyin, Son olarak, A * tekil olmayan matris olduğundan, yerel ağırlık vektörü şu şekilde türetilebilir: w = (A *) e, Burada (A *) - 1, A * ve A * (A *) - 1 = I'in tersidir. Ardından, Cogger ve Yu'nun yöntemi kullanılarak yerel bir ağırlık vektörünün nasıl türetilebileceğini gösteren bir örnek vereceğiz. Pozitif bir üst üçgen karşılaştırma matrisi ve diyagonal matris D sırasıyla aşağıdaki gibi gösterilsin: Sonra bu sonucu elde edebiliriz. Ağırlık vektörü ikinci paragraftaki gibi türetilebilir: Bu nedenle, AHP'de ağırlık bulma işi, A * matrisinin tersinin son sütun vektörünü hesaplamak için dönüştürülür. AHP'deki tüm yerel ağırlık vektörlerini türettikten sonra, süper matrisi belirli ağ yapısına göre oluşturabiliriz. Daha sonra, basit olması için, süper matrisin genel formunu aşağıdaki matrisle yeniden yazıyoruz: 𝚷, bir Markov zincirinin geçiş matrisi olarak görülebildiğinden ve her 𝚷 (κ) girişi pozitif olduğundan (yani, 𝚷 düzenli olduğundan), 𝛑 = 𝛑 'u karşılayan benzersiz bir sütun matrisi vardır ve 𝛑 girişleri pozitiftir. ve 1'e toplamı, burada 𝛑, ANP'de küresel ağırlık vektörü olarak kabul edilebilir. Bu nedenle, bir süper matrisin kararlı durum sürecini türetmek için aşağıdaki doğrusal denklem sistemini de çözebiliriz: Denklem 3.8'in sağ tarafını sol tarafa taşıyarak, Denklemi yeniden yazabiliriz. Yukarıdaki doğrusal sistemin son denklemi gereksiz olduğu için, onu 1 ′ = (1,1, ..., 1) olan 𝛑′1 = 1 kısıtlamasıyla değiştiririz. Ardından, Denklem 3.26 aşağıdaki matris formu olarak temsil edilebilir: B * π = e, Son olarak, B * tekil olmayan matris ise, küresel ağırlık vektörü π = (B *) - 1 e olarak türetilebilir, Burada (B *) - 1, B * ve B * (B *) - 1 = I'in tersini gösterir. AHP'nin sonucuna benzer şekilde, ANP'deki kriterlerin ağırlıklarını bulma işi, B * matrisinin tersinin son sütun vektörünü hesaplamak için dönüştürülür. Önerilen yöntemi göstermek için aşağıdaki gibi bir örnek veriyoruz. Bir süper matris şu şekilde oluşturulsun: Önerilen yöntemin özelliklerini şu şekilde özetleyebiliriz. İlk olarak, önerilen yöntemin AHP'de karşılıklı matrisin özelliğini taşımasına gerek yoktur. İlk özellik, AHP'yi doğal olarak FAHP'ye genişletmeyi mümkün kılar. İkincisi, bir süpermatrisin sınırlayıcı gücünü çözmek yerine, belirli bir matris problemi çözülerek bir küresel ağırlık vektörü türetilebilir. İkinci özellik, bulanık süpermatrisin yakınsak problemini önlemek üzerinedir. Daha sonra, FANP prosedürlerinin nasıl türetileceğini aşağıdaki gibi açıklayacağız. ANP'yi bulanık ortamlarda dikkate almak için, ölçütler arasındaki ağırlık oranlarını karşılaştırmak için bulanık sayılar kullanılır. Bu bölümde, bir bulanık sayı üçgen form olarak sunulmuştur. Diğer bulanık sayı biçimleri, aynı prosedürler kullanılarak kolaylıkla kullanılabilir. Bulanık pozitif bir üst üçgen karşılaştırma matrisi olduğunu varsayalım; A = a􏰧ij n × n, a􏰧ij = 0 olur, aksi takdirde ãij, i kriterinin j kriterine hakim olduğu ağırlık oranının gücünü belirtir. Daha sonra, Ã * matrisi şu şekilde temsil edilebilir: Açıktır ki, Ã * 'nin tersini türetebilirsek, AHP'de yerel bulanık ağırlıkları elde edebiliriz. Bu nedenle, bulanık bir matrisin tersini bulmak için en az iki yöntem kullanılabilir: doğrusal programlama yaklaşımı ve Cramer kuralı ele alınarak hesaplama yapılır. Ardından, yukarıdaki yöntemleri kullanarak bir sonraki bölümde  tanıtacağız. 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 Amaçlı Karar Verme (8) – Bulanık Analitik Ağ Süreci – 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 Amaçlı Karar Verme (8) – Bulanık Analitik Ağ Süreci – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (7) – Bulanık Analitik Ağ Süreci - 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. Bulanık Analitik Ağ Süreci  Belirsizlik kavramını ANP'ye dahil etmek için belirsizlik derecesini tanımlamak için bulanık sayılar kullanılır. Bu bölümde, bulanık sayılar üçgen formda sunulmuştur. Üyelik işlevinin diğer biçimlerinin aynı prosedürler kullanılarak kolayca kullanılabileceğini unutmayın. Adım 1: Belirsiz yargıları kullanarak her bir kümeye göre ölçütler arasındaki ağırlık oranlarını karşılaştırın. Bulanık karşılıklı matrisin durumunu sağlamak için, ãji = 1 / ãij ve ãii = 1 olduğunu varsayıyoruz (Mikhailov 2003). Yani, eğer a􏰧ij = (a, ac, a) olursa, aii, üstünlüğü belirtir. Adım 2: Bulanık yerel ağırlık vektörlerini türetin. Bulanık yerel öz vektörleri türetmek için çeşitli yöntemler önerilmiştir, örneğin, bulanık geometrik ortalama yöntemi, bulanık en küçük kareler yöntemi, FPP yöntemi  ve bulanık logaritmik en küçük kare yöntemidir. Ancak tüm bu yöntemlerin bazı dezavantajları vardır ve bu bölümde kullanılamaz. Birincisi, FPP yöntemi yalnızca canlı ağırlıkları türettiği için, bulanık yerel ağırlıklar elde etme gereksinimlerimizi karşılayamaz. Bu arada, diğer yöntemler irrasyonel bulanık ağırlıklarla sonuçlanabilir, burada infimum merkez değerden daha büyüktür veya merkez değer supremumdan daha büyüktür. Bu nedenle, bu bölümde, Saaty’nin özvektör yöntemini aşağıdaki gibi doğrudan bulanıklaştırarak bulanık ve pozitif bir öz vektör türetilmiştir. Λ fuzzy pozitif ve karşılıklı bir matris olsun ve öz değer α ∈ [0,1] olsun. Ek olarak, Γ (α) öz değer, yani Γ (α) = Π {ãij [α] | 1 ≤ i <j ≤ m}; ve v ∈Γ (α), burada v = (a12, a1m, a23, ..., am − 1, m) olur. Ardından, pozitif ve karşılıklı bir matris tanımlayabiliriz; 𝚲 = [eij] asfollows: (1) eij = aij if1≤i <j≤m; (2) eii = 1,1≤i≤m; ve (3) a􏰧 =  1, 1, 1 , ji aaca olur. 1 '= [1,1, ..., 1] ve 𝚲 herhangi bir pozitif karşılıklı matris olsun. [0,1] aralığındaki her α için sürekli bir mi (v) = wi, 1 ≤ i ≤ m eşlemesini açıkladıktan sonra, aşağıdaki bulanık özvektörü elde edebiliriz: w􏰧i [α] = wi (α), wi (α) , ∀1≤i≤m, wi (α) = minwi (α) ∑m wi = 1, v∈Γ (α) , wi (α) = maxwi (α) ∑m wi = 1, v∈Γ (α) . Ardından, yerel ağırlıkların nasıl türetilebileceğini gösteren bir örnek sunuyoruz. Pozitif ve karşılıklı bulanık bir karşılaştırma matrisi olalım. 3.6 ila 3.8 arasındaki Denklemleri kullanarak ve α-kesimlerini = 0, 0.2, 0.4, 0.6, 0.8 ve 1 olarak ayarlayarak, Tablo 3.1'de gösterildiği gibi matris için karşılık gelen bulanık ağırlıkları türetebiliriz. Tablo 3.1'deki sonuçlardan, Şekil 3.5'te gösterildiği gibi, verilen örneğin üçgen şeklindeki bulanık ağırlıklarını tasvir edebiliriz. Bulanık özvektörlerin sınırlarını hesaplamak zor olabileceğinden, bu problemi çözmek için genetik algoritmalar veya benzetilmiş tavlama algoritmaları gibi bazı sezgisel yöntemlerin kullanılması gerektiğine dikkat edin. Adım 3: Bulanık ağırlıklı süper matrisi oluşturun. Adım 2'deki denklemler kullanılarak, bulanık yerel özvektörler, Şekil 3.6'da gösterildiği gibi problemin ağ yapısına dayalı olarak bulanık ağırlıklı bir süper matris oluşturmak için türetilebilir. Şimdi, bir sonraki adımda bulanık ağırlıklı süper matrisi sınırlayıcı gücüne yükselterek bulanık küresel öncelikleri elde edebiliriz. Adım 4: Yakınsama koşulu sağlanana kadar bulanık ağırlıklı süpermatrisi yükseltin. Bu adımda, bulanık ağırlıklı süpermatris, bulanık küresel ağırlıkları elde etmek için sınırlayıcı gücüne yükseltilir. Süper matrisin her zaman her güçte stokastik matrisin özelliklerini takip etmesi gerektiğine dikkat edin. Tablo 3.1 𝛂 kesimli verilen örneğin bulanık ağırlıkları şekil 3.5 Verilen örneğin üçgen şekilli bulanık ağırlıkları. Ancak, yakınsama sorunu nedeniyle bulanık süper matrisi sınırlayıcı gücüne yükseltmek için standart bulanık aritmetik işlemleri kullanamayacağımız açıktır. Bu nedenle, bulanık üst matrisi sınırlayıcı gücüne yükseltmede yakınsak problemden kaçınmak için kısıtlı bulanık aritmetik işlemler (Klir ve Pan 1997, 1998) kullanılır. Kısıtlı bulanık aritmetik işlemlerin kavramları aşağıdaki gibi tanımlanabilir. İki bulanık sayının G􏰧 ve Q􏰧 olarak temsil edilebileceğini varsayalım. Daha sonra kısıtlı bulanık aritmetik işlemler şu şekilde tanımlanabilir: (G∗Q)[α]={g∗q g,q∈(G[α]×Q[α])∩R[α]}, Burada *, bulanık sayılar üzerindeki dört temel aritmetik işlemi belirtir ve R, kısıtlamadır. Kısıtlı bulanık aritmetik işlemler kavramını kullanarak, bulanık süpermatrisin global ağırlıklarını aşağıdaki gibi türetebiliriz. şekil 3.6 Bulanık ağırlıklı bir süper matris. M-durumu bulanık Markov'un bir geçiş olasılığı matrisini varsayalım, zincir şu şekilde tanımlanabilir: π􏰧ij, geçiş olasılığını belirtir. Daha sonra, geçiş matrisinin kısıtlaması aşağıdaki denklemle açıklanabilir : S=π′=(π1,π2,...,πm)πi ≥0, πi =1, πi, 𝛑 vektöründeki i'inci varlığı belirtir ve α-kesim alanı şu şekilde tanımlanabilir: Domi [α] =  π􏰧ij [α]  ∩S,  j = 1  􏰪 ∏m 􏰪 m 0 ≤ α ≤1; 1≤ ben ≤m Dom [α] = Domi [α], 0≤α≤1, π􏰧ij [α], i'inci satır ve j'inci sütunun α-kesim bulanık olasılığını gösterir. Daha sonra, bulanık sabit durum olasılıkları, Denklem 3.14'te gösterildiği gibi a-kesim alanının belirli bir fonksiyonu ile türetilebilir. 􏰧 (k) [α] = f (k) (Dom [α]), (k) geçiş olasılıklarını oluşturan sınırlayıcı gücü belirtir Denklem 3.14'ün, sabit durum olasılıklarının geçiş matrisindeki geçiş olasılığının bir fonksiyonu olmasıyla açıklanabileceğini not edin. Fij (⋅) sürekli olduğundan ve Dom [α] kapalı ve sınırlı bir aralık olduğundan, π􏰧 (k) [α] 'nın da kapalı ve ij sınırlı aralık aralığı olduğu açıktır. Son olarak, bulanık kararlı durum olasılıkları α-kesimi kullanılarak ifade edilebilir ; π􏰧 (k) [α] = π (k) (α), π (k) (α) , ∀1≤i≤m, π(k) [α] = min{f (k) (π) π ∈Dom[α]}, π(k) [α] = max{f (k) (π) π ∈Dom[α]}. i ij 􏰪 Bulanık sabit durum olasılıklarını bulmak için hesaplama prosedürleri m I = π􏰧 [α]. Ardından, i = 1zij = 1, ∀i, j = 1, ..., m olacak şekilde net bir z ∈I değeri seçilir. Daha sonra, tüm sütun toplamlarının bire eşit olması için Iij'de rastgele zij seçme işlemiyle fij'i (Dom [α]) hesaplıyoruz. Son olarak, (yaklaşık) aralıkları denklem 3.15 ila 3.17'de gösterildiği gibi bulabiliriz. Yukarıdaki prosedürlerde πij'in zij tarafından tahmin edildiğine dikkat edin. Daha sonra, Adım 4'teki denklemlere göre bulanık Markov zincirindeki bulanık kararlı durum önceliklerinin nasıl türetileceğini açıklamak için basit bir örnek kullanıyoruz. 2 × 2 genelleştirilmiş bir bulanık matris olarak ifade edelim. Burada π􏰧 11 = (0,3, 0,5, 0,7), π􏰧 12 = (0,2, 0,3, 0,4), π􏰧 21 = (0,3, 0,5, 0,7) ve π∼ 22 = (0,6, π􏰧 22 = ( 0.6, 0.7, 0.8) Sonra, α = 0 ve α = 1'i seçin ve π􏰧 (k) 'nin bitiş noktalarını tahmin etmek için sırasıyla 1000 kez fij (Dom [α]) tahmin etmenin rastgele işlemini (k) 􏰪 gerçekleştirin ) ve π􏰧 (k) Deney sonuçlarına göre, bulanık kararlı durum olasılıkları π􏰧 (k) [0] = [2 / 9,4 / 7] ve π􏰧 (k) [0] = [ 3 / 7,7 / 9] ve π􏰧 (k) [1] = [3 / 8,3 / 8] çerçevesinde ele alın. Teorik bir bakış açısından, süper matrisin ANP'deki sınırlayıcı gücüne yükseltilmesi, Markov zincirlerinin aynı özelliklerine benzerdir, çünkü süpermatristeki öğeler geçiş matrisindeki geçiş olasılıklarına benzerdir. Bu nedenle, bulanık Markov zincirleri kavramları FANP'ye kolayca uygulanabilir. Yukarıdaki kavramları kullanarak, bulanık ağırlıklı süpermatrisin kararlı durum öncelik vektörünün kesinlikle yakınsak ve rasyonel olduğu görülebilir. Ek olarak, belirsizliğin derecesini anlamak için net küresel ağırlıklar yerine bulanık küresel ağırlıklar elde edebiliriz. Önerilen yöntemin bulanık, aralıklı, net ve karışık sayılar için uygun olduğunu unutmayın. Ardından, önerilen yöntemi açıklamak için iki sayısal örnek veriyoruz.   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 Amaçlı Karar Verme (7) – Bulanık Analitik Ağ Süreci – 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 Amaçlı Karar Verme (7) – Bulanık Analitik Ağ Süreci – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma
Çok Amaçlı Karar Verme (6) – 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. Analitik Ağ Süreci ve Bulanık Analitik Ağ Süreci Analitik hiyerarşi sürecinin (AHP) çok kriterli karar vermede (MCDM) başarılı uygulamalarıyla, AHP'yi genişletmek için Saaty  tarafından analitik ağ süreci (ANP) önerilmiştir. kriterlerin birbirinden bağımsız olduğunu gösteren hiyerarşik yapının kısıtlamalarını serbest bırakmak. Süper matrisin sınırlayıcı güçlere yükseltilmesiyle, global öncelik vektörleri, kriterler arasındaki bağımlılık ve geri besleme problemlerini belirlemek için özel ağ yapısı ile elde edilebilir. Analitik Ağ Süreci ANP'nin ilk adımı, süper matrisi oluşturmak için tüm sistemdeki kriterleri karşılaştırmaktır. Bu, "İlgi alanlarımız veya tercihlerimiz açısından bir kriter başka bir kritere kıyasla ne kadar önemlidir?" Sorusuyla ikili karşılaştırmalar yoluyla yapılır. Göreceli önem değeri, eşit önemi aşırı derecede temsil etmek için 1'den 9'a kadar bir ölçek kullanılarak belirlenebilir. Süper matrisin genel formu şu şekilde tanımlanabilir: şekil 3.1 Durum 1'in ağ yapısı. Burada Cm, m'inci kümeyi, emn, m'inci kümedeki n'inci elemanı belirtir ve Wij, j. kümede i'inci kümeye kıyasla elemanların etkisinin ana özvektörüdür. Ek olarak, j. kümenin i'inci küme üzerinde etkisi yoksa, Wij = 0'dır. Bu nedenle, süper matrisin formu büyük ölçüde yapının çeşitliliğine bağlıdır. Yapının süper matris tarafından nasıl etkilendiğini göstermek için Saaty tarafından hiyerarşi, holarşi, süperarşi, intarchy vb. Burada, Şekil 3.1 ve 3.2'de gösterildiği gibi, her ikisi de üç kümeye sahip olan iki basit durum, belirli ağ yapılarına dayalı olarak süper matrisin nasıl oluşturulacağını göstermek için kullanılır. Durum 1. Durum 1'de, süper matris aşağıdaki matris olarak oluşturulabilir: Şekil 3.2'de, ikinci durum ilk durumdan daha karmaşıktır: Durum 2. Daha sonra, Durum 2'nin süper matrisi şu şekilde ifade edilebilir: şekil 3.2 Durum 2'nin ağ yapısı. Süper matris oluşturulduktan sonra, ağırlıklı süper matris, tüm sütun toplamlarının tam olarak birliğe dönüştürülmesiyle türetilir. Bu adım, tüm durumların bu olasılıklarının toplamının 1'e eşit olmasını sağlamak için bir Markov zinciri kavramına çok benzer. Daha sonra, küresel öncelik vektörlerini elde etmek için ağırlıklı süper matrisi şekil 3.2 gibi sınırlayıcı güçlere yükseltiriz. ağırlıklar denir. Ek olarak, süpermatris döngüsellik etkisine sahipse, sınırlayıcı süpermatris tek değildir. Bu durumda iki veya daha fazla sınırlayıcı süpermatris vardır ve Cesaro toplamı, önceliği elde etmek için hesaplanacaktır. Cesaro toplamı, sınırlayıcı süpermatrisin (yani, ortalama öncelik ağırlıkları) ortalama etkisini hesaplayacak şekilde formüle edilir, burada Wr, r. Sınırlayıcı süper matrisi gösterir. Aksi takdirde, süpermaks, öncelikli ağırlıkları almak için büyük güçlere yükseltilirdi. ANP'nin matematiksel süreçlerine ilişkin tartışmalar literatüre daha ayrıntılı olarak başvurabilir. Örnek : ANP'nin somut prosedürlerini göstermek için, her bir kriterin önceliğini türetmek için basit bir sistem geliştirme örneği gösterilmektedir. Bildiğimiz gibi, başarılı bir sistem geliştirmenin anahtarı, insan ve teknoloji faktörlerinin eşleştirilmesidir. İnsan faktörünün iş kültürü (C), son kullanıcı talebi (E) ve yönetim (M) kriterleriyle ölçülebileceğini varsayın. Öte yandan, teknoloji faktörü, çalışanın yeteneği (A), süreç (P) ve kaynak (R) kriterleriyle ölçülebilir. Ek olarak, insan ve teknoloji faktörleri, Şekil 3.2'de gösterildiği gibi birbirine bağlıdır. ANP'nin ilk adımı, her bir kriter arasındaki önemi karşılaştırmaktır. Örneğin, aşağıdaki ilk matris, "Çalışan yeteneği kriteri için, insan faktörünün teknoloji faktörü kriterlerinden ne kadar önemli olduğunu" sormaktır. Diğer matrisler aynı prosedürlerle kolaylıkla oluşturulabilir. Bir sonraki adım, her bileşendeki (matris) öğelerin (kriterlerin) etkisini hesaplamaktır (yani, ana özvektörü hesaplamak). Şimdi, yukarıdaki özvektörlere ve Şekil 3.2'teki yapıya dayanarak süper matrisi oluşturabiliriz. İnsan faktörü teknoloji faktörünü etkileyebileceğinden ve bunun tersi de geçerli olduğundan, süper matris şu şekilde oluşturulur: Daha sonra, tüm sütunların toplamının tam olarak birliğe ulaşması sağlanarak ağırlıklı süper matris elde edilir. Son olarak, ağırlıklı süpermatrisin sınırlayıcı gücü hesaplanarak, sınırlayıcı upermatris aşağıdaki gibi elde edilebilir: Gördüğümüz gibi, süpermatris döngüsellik etkisine sahiptir ve bu durumda Cesaro toplamı (yani, iki matrisi toplayın ve ikiye bölün) aşağıdaki gibi nihai öncelikleri elde etmek için kullanılır: Bu örnekte, kültür kriteri sistem geliştirmede en yüksek önceliğe (0.233) ve son kullanıcı kriteri en az önceliğe (0.105) sahiptir. Örnek : Yapının ANP'deki etkisini göstermek için insan faktörleri üzerinde geri bildirim etkisi olan diğer yapı Şekil 3.4'teki gibi ele alınmıştır. Kendi kendine geribildirim etkisiyle baş etmenin iki yöntemi vardır. İlk yöntem basitçe 1'i köşegen elemanlara yerleştirmektir ve diğer yöntem her bir ölçüt üzerindeki ölçütlerin ikili bir karşılaştırmasını gerçekleştirir. Bu örnekte ilk yöntemi kullanıyoruz. Yukarıdaki aynı adımlarla, ağırlıklandırılmamış süpermatris, ağırlıklı süpermatris ve sınırlayıcı süpermatris sırasıyla aşağıdaki gibi elde edilebilir: Bu örnekte döngüselliğin etkisi bulunmadığından, nihai öncelikler doğrudan yakınsama gücünü sınırlayarak elde edilir. Kültür kriteri de en yüksek önceliğe sahip olsa da, öncelik 0.233'ten 0.310'a değişir. Öte yandan, en düşük öncelik, son kullanıcı yerine kaynaktır. İki örneğin öncelikleriyle karşılaştırıldığında, yapılar hem etkilerin hem de sonuçların anahtarıdır. Ek olarak, ağırlıklı matrisi sınırlayıcı güce yükselttiğimizde, ağırlıklı matrisin her zaman stokastik matris olması gerektiği vurgulanmalıdır. ANP'nin avantajı, yalnızca nicel ve nitel veri türleri için uygun olmaması, aynı zamanda tüm özellikler arasındaki karşılıklı bağımlılık ve geribildirim sorununun üstesinden gelebilmesidir. ANP, son zamanlarda proje seçimi, stratejik karar ve optimal zamanlama için yaygın olarak uygulanmış olsa da, öyle görünüyor belirsizlik sorununda göz ardı edilmek. Eksik bilgi problemi veya insan öznel belirsizliği nedeniyle, uzmanlar için bile kriterler arasındaki kesin önemi ölçmenin zor olduğu açıktır. Belirsizlik sorununu ele almak için bulanık kümeler kavramları AHP'ye dahil edilmiş olsa da, çok az makale ANP'yi belirsiz insan yargılarıyla başa çıkmak için genişletiyor. Mikhailov ve Singh, ANP bulanık ortamlarını genişletmek için bulanık analitik ağ sürecini (FANP) önermiştir. Yöntemleri ilk olarak bulanık tercihli programlama (FPP) yöntemini kullanarak bulanık ikili yargılardan net yerel ağırlıklar türetmiş ve daha sonra net ağırlıklı bir süper matris oluşturulmuş ve küresel ağırlıklar elde etmek için sabit durum sürecine yükseltilmiştir. Başka bir deyişle, yöntemleri ANP'deki bulanık ağırlıklardan ziyade yalnızca AHP'de bulanık ağırlıkları türetebilir. Ek olarak, akademisyenler bulanık aritmetik işlemlere dayalı ANP'deki belirsiz yargıları ele almak için başka bir yöntem önermişlerdir. Bununla birlikte, yöntemleri, bulanık sayıları çarpmak ve bölmek için standart bulanık aritmetik işlemlerin kullanılması nedeniyle, bulanık küresel ağırlıkların yakınsak ve rasyonel sorunlarıyla sonuçlanabilir. Bir sonraki bölümde, bulanık ortamlarda ANP'yi dikkate almak için başka bir yöntem önereceğiz. 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 Amaçlı Karar Verme (6) – 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 Amaçlı Karar Verme (6) – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma