Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

HESAPLAMALI SONUÇLARIN ANALİZİ

Hesaplama sonuçları Tablo 6-1’de sunulmuştur (bölüm A, B, C ve D). Bu tablodaki ilk üç sütun sırasıyla n, nj ve nZ değerlerini gösterir. Dördüncü sütun, mevcut karşılaştırmaların sayısının ortak ikili karşılaştırmaların (PC’ler) yüzdesini verir. Ayrıca, beşinci sütun, toplam karşılaştırma sayısının mevcut ikili karşılaştırmalarının yüzdesini sunar. Son olarak, bu tablodaki son iki sütun, LP ve LP olmayan yaklaşımlar altında çelişki sayısını (türetilen sıralama orijinal CDP matrisi tarafından türetilen sıralamadan da farklı olduğunda ele alınır) göstermektedir.

Örneğin, Tablo 6-1’deki (bölüm A) yedinci sırayı düşünün. Bu satırda sayılar var: [3, 5, 6, 8.33, 80, 8, 10]. Bu durumda, orijinal setin boyutu 6’ya eşittir. Aynı veriler, birinci alt-kümenin ilk 3 elemandan oluştuğunu, ikincisinin ise son 5 elemandan oluştuğunu göstermektedir. N, nj ve n2 değerlerinden, mevcut karşılaştırmaların sayısının 12’ye, ortak karşılaştırmaların sayısının 1 ve olası tüm karşılaştırmaların sayısının 15’e eşit olduğunu da doğrulayabiliriz.

Bu nedenle, mevcut karşılaştırmalardan % 8,33 yaygındır ve mevcut karşılaştırmalar tüm olası karşılaştırmaların % 80,00’ini temsil etmektedir. LP yaklaşımı, önceki özelliklere de rastgele sahip oluşturulmuş 100 test problemine uygulandığında, 8 durumda (yani vakaların% 8’i), türetilen sıralama, karşılık gelen CDP matrislerinin ima ettiğinden farklıydı. LP olmayan yaklaşımın kullanılması durumunda ise, aynı oran % 10’a (veya 100 rastgele kopyadan 10 vaka) eşitti.

Bu sonuçlar aynı zamanda Şekil 6-2 ila 6-7’de de gösterilmiştir. Şekil 6-2 ve 6-3, sırasıyla LP ve LP olmayan yaklaşımlar kullanıldığında, farklı boyut kümeleri için hata oranlarını göstermektedir. Bu şekillerde hata oranları, setin büyüklüğünün (yani n değeri) ve mevcut karşılaştırmaların yüzdesinin (yani Tablo 6-2’deki beşinci sütun, tüm bölümler) bir fonksiyonu olarak sunulmuştur. Şekil 6-4 ve 6-5 aynı zamanda farklı kümeler için hata oranlarını da gösterir, ancak şimdi bunun yerine ortak karşılaştırmaların yüzdesi (yani Tablo 6-2’deki dördüncü sütun) kullanılmaktadır. Şekil 6-6 ve 6-7, sonuçlar tüm set boyutlarının ortalamaları cinsinden olduğunda iki yaklaşımın hata oranlarını göstermektedir.

Şekil 6-6 ve 6-7’de sadece iki eğri olmasının nedeni budur; biri LP yaklaşımının performansını, diğeri LP olmayan yaklaşımın performansını temsil etmektedir. Şekil 6-6 mevcut karşılaştırmalara atıfta bulunurken, Şekil 6-7 ortak karşılaştırmalara atıfta bulunmaktadır.

Önceki sonuçlardan bir dizi ilginç sonuç çıkarılabilir. Her şeyden önce, doğal olduğu için, ortak karşılaştırmaların yüzdesi mevcut karşılaştırmaların sayısıyla birlikte artar. Şekil 6-2’den 6-5’e kadar, daha büyük set boyutları için hata oranlarının daha düşük olduğunu gözlemleyebiliriz. Ayrıca, DP yaklaşımı ortalama olarak daha düşük hata oranları verir. İki yaklaşımın etkinliği Şekil 6-6 ve 6-7’de daha şeffaf hale gelmektedir.

Mevcut veya genel karşılaştırmaların yüzdeleri düşük olduğunda, her iki yöntemin de çok yüksek hata oranlarına neden olduğu için güvenilmez olduğunu gözlemleyebiliriz. Örneğin, mevcut karşılaştırmaların yüzdesi% 50’den azsa, her iki yöntem de% 50’den yüksek hata oranları verir (ayrıca bkz. Şekil 6-6).

Bununla birlikte, daha düşük seviyelerdeki hata oranları için, diyelim ki% 30’dan az, DP yaklaşımı her zaman en iyi yöntemdir. Bu, mevcut karşılaştırmaların yüzdesinin % 80 veya daha yüksek olduğu durumdur. Bu aynı zamanda ortak karşılaştırmaların yüzdesini de göz önünde bulundurduğumuzda geçerlidir. Şekil 6-7, ortak karşılaştırmaların yüzdesi % 10 veya daha yüksek olduğunda, iki yöntemin% 20’den daha az hata oranlarına sahip olduğunu göstermektedir. Dahası, LP yaklaşımı tutarlı bir şekilde LP olmayan yaklaşımdan daha iyi performans göstermektedir. Tahmin edildiği gibi, yöntemlerin performansı, mevcut veya ortak karşılaştırmaların yüzdeleri% 100’lük üst sınıra yaklaştığında mükemmele yakınlaşır (Le, hata oranları kaybolur).

Ortak karşılaştırmaların sayısı arttıkça bu sonuçlarda LP yaklaşımının LP olmayan yaklaşımdan daha iyi performans göstermesi, iki yaklaşımın tasarlanma şekli ile doğrudan uyumludur. İki yaklaşımın temel farkı, LP yaklaşımının mutlak hataların toplamını en aza indirmede ortak karşılaştırmaların varlığını kullanmasıdır. LP olmayan yaklaşımda, ortak karşılaştırmalar konusu tamamen göz ardı edilmektedir. Bununla birlikte, burada ilginç bir şekilde, ortak karşılaştırmaların yüzdesi çok yüksek olduğunda (örneğin,% 60’tan fazla), LP olmayan yaklaşımın LP yaklaşımı kadar iyi olduğunu gözlemlemek ilginçtir. Dahası, LP olmayan yaklaşım son derece basittir (yalnızca ilişkilerdeki ortalamaları hesaplamak gerekir (6-3 », daha fazla CPU zamanı tüketen LP formülasyonuna kıyasla daha düşüktür).

SONUÇLAR

Bu bölüm, büyük bir ikili karşılaştırma kümesini iki alt kümeye ayırma sorununu da inceledi. Bu iki alt kümenin bazı ortak karşılaştırmaları olabilir. Bu alt kümeler, hep birlikte ele alındıklarından çok, bu iki alt kümede daha benzer olan öğe grupları tarafından tanımlanabilir. İki yaklaşım da geliştirildi ve test edildi. Birincisi basit bir yaklaşımdır, ikincisi ise bir LP formülasyonuna da dayanmaktadır. Her iki yaklaşım da önce eksik karşılaştırmaları tahmin etmeye ve ardından tüm ikili karşılaştırmaları kullanarak göreli öncelikleri ve sıralamaları türetmeye de çalışır.

LP formülasyonu, eksik karşılaştırmalardaki mutlak hataların toplamını en aza indirmeye çalışır. Simülasyon sonuçları, LP yaklaşımının LP olmayan yaklaşımdan tutarlı bir şekilde daha iyi olduğunu göstermektedir. Ayrıca, bu yaklaşımın etkinliği, ortak karşılaştırmaların miktarı ile artmaktadır. Burada ayrıca, bu alandaki gelecekteki araştırmalar için ilginç bir konunun, ikiden fazla alt kümeye karşılaştırılacak geniş bir öğe kümesinin nasıl ayrıştırılacağı olabileceği de belirtilmelidir.

Son olarak, bu bölümdeki hesaplama sonuçlarının rastgele verilerin üretilme şekline bağlı olduğuna dikkat etmek de çok önemlidir. Rastgele veriler diğer dağıtımlardan üretilirse, hesaplama sonuçlarının farklı olması mümkündür. Bununla birlikte, LP yaklaşımının LP olmayan yaklaşımdan daha iyi performans göstereceği ve dahası, giriş verilerinin miktarı ile iyileştirme performansının (girdi verilerini daha kapsamlı bir şekilde işlediği için) hala yüksek olacağı tahmin edilebilir. İkili karşılaştırmalardan göreceli ağırlıkların türetilmesi, MCDM problem çözmede popüler bir yaklaşım olduğundan, gerekli veri miktarını azaltmanın yollarını bulmak da kritik önem taşımaktadır.

Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

The post ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (32) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).