ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (54) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

odevcimonline — Thu, 29 Oct 2020 04:55:11 +0000

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.

BULANIK WPM YÖNTEMİ

Bu modelin gevrek versiyonunun en iyi alternatifi denklem (2-2) ‘yi karşılayandır. Bu modelin bulanık versiyonu için karşılık gelen formül şöyle olur:

“o’Kj ‘o’lj ve Wj”, Afuzzy üçgen sayılarıdır. Kesin olarak net bir şekilde, bulanık alternatif Ax, ancak ve ancak denklem (13-2) içindeki payın değeri paydasından büyükse, bulanık alternatif AL’yi domine eder. Formül (13-2) ‘nin uygulaması aşağıdaki örnekte de gösterilmektedir:

Örnek 13-2:

Örnek 13-1’de kullanılan veriler de burada kullanılmaktadır. Bu nedenle, (13-2) ilişkisi uygulandığında, aşağıdaki oranlar elde edilir:

[(3.00,4.00,5.00) (· 13, .20, .31) X (5.00,6.00,7.00) (· 08, .15, .25) XX (5.00,6.00,7.00) (· 29, .40 , .56) X (2.00,3.00,4.00) (· 17, .25, .38)] /
[(6.00,7.00,8.00) (· 13, .20, .31) x (5.00,6.00,7.00) (· 08, .15, .25) XX (0.50,1.00,2.00) (· 29, .40 , .56) X (4.00,5.00,6.00) (· 17, .25, .38)] _
(2.355, 4.652, 13.516) / (1.473, 2.887, 9.008).

Önceki hesaplamalarda yaklaşıklık sembolü kullanıldı, çünkü Bölüm 12.2’deki karşılık gelen formül de bir yaklaşım kullanıyor. Sonra, benzer bir şekilde şunu elde ederiz:

R (A / AJ – (2.355, 4.652, 13.516) / (3.099, 6.348, 19.649) ve R (A / AJ – (1.473, 2.887, 9.008) / (3.099, 6.348, 19.649).

Ayrıca, formül (12-2) ‘ye göre ilgili eij katsayıları aşağıdaki gibidir: e3l = e32 = en = 1 ve e13, e23, e2l, Q’dan küçüktür (= 0.90). Açıktır ki, bulanık alternatif A3, diğer tüm alternatiflere hakimdir. Öncelik değerleri (bulanık sayılar olarak ifade edilir) gösterilmektedir. Bulanık WSM ve bulanık WPM yaklaşımlarına göre en iyi alternatifin aynı olduğu (bu sayısal örnekte) fark edilebilir, ancak bulanık WPM nihai sonuçlara ulaşmak için daha karmaşık işlemler gerektirir.

BULANIK AHP YÖNTEMİ

AHP’nin bulanık bir varyantı [Laarhoven ve Pedrycz, 1983] ve [Boender, vd., 1989] ‘da sunulmuştur. Bu yaklaşım bundan sonra aşağıdaki sayısal örnekte bulanık üçgen sayılar kullanılarak gösterilecektir.

Örnek 13-3:

Dört bulanık karar kriteri ve üç bulanık alternatifli bir karar problemi düşünün. Şimdi ikili karşılaştırmalar, bulanık üçgen sayıların oranları olarak temsil edilmektedir. Daha sonra, karar vericiden bulanık ikili karşılaştırmalar kullanarak üç belirsiz alternatifi birinci bulanık kriter açısından karşılaştırması istendiğinde, aşağıdaki karşılıklı değerlendirme matrisinin türetildiğini varsayalım:

Burada, bir alternatifin kendisi ile kıyaslandığında, net sayı 1 yerine bulanık üçgen sayısının (1, 1, 1) kullanıldığına dikkat edilmelidir. Daha sonra, yukarıdaki matrisin bulanık özvektörü tahmin edilir. Keskin bir karşılıklı matris verildiğinde, Saaty’ye göre matrisin sağ ana özvektörünün alternatiflerin önemini ifade ettiğini hatırlayın. Saaty’nin özvektör yaklaşım yöntemini (ayrıca bkz. Bölüm 4.2) önceki bölümde açıklanan bulanık aritmetik işlemlerle birleştirdiğimizde, üç alternatifin (bulanık üçgen sayılar olarak ifade edilir) aşağıdaki anlamlarını elde ederiz:

[(1, 1, 1) x (116, 112, 2) x (1110, 114, 2/3)] 1/3 _ (0.25, 0.50, 1.10),
[(112, 2, 6) x (1, 1, 1) x (118, 113, 1)] 1/3 _ (0.40, 0.87, 1.82),
[(3/2, 4, 10) x (1, 3, 8) x (1, 1, 1)] 1/3 _
(1.14, 2.29, 4.31).

Daha önce olduğu gibi, önceki hesaplamalarda yaklaşıklık sembolü “==” kullanıldı, çünkü Bölüm 12.2’deki karşılık gelen formül de bir yaklaşım kullanıyor.

Daha sonra, önceki vektör, orijinal net AHP’deki benzer gerekliliğe göre normalize edilir. Normalleştirilmiş vektör, her girişin vektördeki girişlerin toplamına bölünmesiyle elde edilir. Normalleştirilmiş öncelik vektörünün aşağıdaki gibi olduğu kolayca doğrulanabilir:

(0.02, 0.14, 0.99) (0.06, 0.24, 1.02) (0.16, 0.62, 2.41)

Bu noktada, üç alternatif, geri kalan karar kriterleri açısından her biri açısından karşılaştırıldığında, ikili karşılaştırmaların bulanık özvektörlerinin yaklaşıklığının da benzer bir şekilde türetildiğini varsayalım. Aynısı, dört bulanık kriterin önem ağırlıkları için de yapılır. Bu veriler artık vektörleri aşağıdaki bulanık karar matrisinde oluşturmak için kullanılmaktadır:

Üçgen bulanık sayıları sıralamak için Bölüm 12.3’te açıklanan prosedür PI ‘P2 ve P3’e uygulandığında bulanık alternatif A3’ün en iyisi olduğu kolayca gösterilebilir.

BULANIK REVİZE EDİLMİŞ ANALİTİK HİYERARŞİ SÜRECİ

Bölüm 2.4’te bahsedildiği gibi, Belton ve Gear [1983] tarafından önerilen AHP’nin revize edilmiş versiyonu (Le., “İdeal mod” AHP [Saaty, 1994]), alternatiflerin göreceli performans ölçülerini terimlerle normalize etmektir. Değerleri en büyük olana bölerek her bir kriterin Orijinal AHP yönteminden tek farkı budur. Revize edilmiş AHP’nin bulanık versiyonu en iyi, son örnekle aynı sayısal verileri kullanan aşağıdaki örnekte gösterilmektedir.

Örnek 13-4:
Bu örnekte, Örnekteki bulanık karar matrisindeki vektörler
13-1, bu vektördeki en büyük girdiye bölünür. Bu şekilde aşağıdaki bulanık karar matrisi elde edilir:

Orijinal AHP’de kullanılana benzer bir şekilde, üç bulanık alternatifin nihai bulanık tercih puanları şu şekilde hesaplanır:

(0.08, 0.18, 0.46) x (0.01, 0.21, 9.90) + (0.08, 0.16, 0.39) x (0.44, 1.00, 2.29) + (0.17,0.40,0.86) x (0.41,0.69, 1.26) + (0.11 , 0.26, 0.61) x (0.26, 0.50, 1.26) = (0.130, 0.605, 2.923).

BULANIK TOPSİS YÖNTEMİ

TOPSIS yönteminin bulanık versiyonu en iyi aşağıdaki sayısal örnekte gösterilmektedir.

Örnek 13-5:

Bu örnekte, netlik için adımların bulanık versiyonlarını takip ediyoruz.

Adım 1. Bulanık Uygulanmamış Karar Matrisinin Oluşturulması

Dört kriterli ve üç alternatifli bir karar problemi düşünüldüğünde, aşağıdaki bulanık karar matrisinin türetildiğini varsayalım.

Adım 2. Bulanık Ağırlıklı Normalize Karar Matrisinin Oluşturulması

Önceki bulanık normalleştirilmiş karar matrisi verildiğinde, karşılık gelen bulanık ağırlıklı normalleştirilmiş matris şöyledir:

Adım 3. Bulanık İdeal ve Bulanık Negatif İdeal Çözümü Belirleyin

Bölüm 2.2.6’daki (2-12) ve (2-13) denklemlerinin bulanık versiyonuna göre, bulanık ideal çözüm j * ve bulanık negatif ideal çözümj- aşağıdaki gibidir:

j * = {(0.03, O.20, O.96), (0.02,0.14,0.74), (0.18,0.59,1.91), (0.04,0.25, 1.15)}. ve j – = {(0.01, O.05, O.29), (0.01,0.02,0.22), (0.01,0.02.0.05), (0.02,0.06, O.35)}.

Adım 4. Bulanık Ayırma Ölçüsünün Hesaplanması

Denklemlerin (2-14) ve (2-15) (Bölüm 2.2.6’da) bulanık versiyonu kullanıldığında, her bulanık alternatif ile bulanık ideal / negatif ideal çözümler arasındaki aşağıdaki bulanık ayırma mesafeleri türetilir:

Adım 5. Bulanık İdeal Çözüme Görece Yakınlığın Hesaplanması

Üç alternatifin ideal çözüme göreceli yakınlığı, aşağıdaki gibi (2-16) denkleminin bulanık versiyonu ile tanımlanır:

– (0.09, 0.39, 1.41) / [(0.09, 0.39, 1.41) + (0.09, 0.28, 1.04)] = (0.04, 0.42, 5.83).

Benzer şekilde, aşağıdaki değerler türetilir. Burada Bölüm 12.3’te açıklanan sıralama prosedürü uygulandığında, önceki yakınlık ölçütlerinin aşağıdaki gibi sıralandığı kolayca gösterilebilir:

* == (0,06, 0,79, 10,42).
alternatifler: 13> 1J> 12,
Yani, en iyi alternatif 13’tür.

BULANIK MCDM YÖNTEMLERİ İÇİN İKİ BULANIK DEĞERLENDİRİCİ KRİTERİ

Önceki dört bulanık MCDM yöntemi, tek bir karar vericiyi içeren bulanık MCDM problemlerinde kullanılabilir. Bununla birlikte, bu yöntemler aynı problem için farklı yanıtlar türetebilir. Hangi yöntem kullanılırsa kullanılsın en iyi alternatifin aynı olması gerektiğinden, bu yöntemlerin doğruluğu ve tutarlılığının incelenmesi oldukça arzu edilir. Bu nedenle, Bölüm 9’da açıklanan değerlendirme prosedürlerine benzer şekilde, bu bulanık MCDM yöntemlerinin performansını incelemek için bu bölümde iki bulanık değerlendirme kriteri de sunulmuştur.

Bölüm 9’da belirtildiği gibi, canlı ve tek boyutlu bir ortamda WSM en makul sonuçları verir. Bu nedenle, net bir tek boyutlu problemde, WPM, AHP ve TOPSIS sonuçlarını WSM kullanılarak elde edilen sonuçlarla karşılaştırmak isteyebilir.