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.

KARŞILAŞTIRMALARDAN TÜREV EDİLEN

BAĞIL AĞIRLIKLARI DEĞERLENDİRMEK İÇİN

BİR AYRIŞTIRMA YAKLAŞIMI

ARKA PLAN BİLGİLERİ

Önceki bölümlerde anlatıldığı gibi, ikili karşılaştırmalar ÇKKY problemlerinde önemli bir rol oynamaktadır. Karar verici (ler) den nitel bilgi elde etmek için genellikle etkili ve verimli bir yol sağlarlar. Bununla birlikte, uygulamalarının ciddi bir dezavantajı, genellikle çok sayıda olmasıdır. Analiz edilecek n nesne (varlıklar, öğeler veya kavramlar olarak da adlandırılır) varsa, tam bir ikili karşılaştırma kümesi n (n-l) l2 boyutundadır. Bu bölüm, veri elde etme sürecinde fazlalığa sahip olmanın yararlarını ciddi şekilde etkilemeden bu sayıyı azaltmaya yönelik bir yaklaşımı açıklamaktadır.

Bu bölümde incelenen temel sorun, iki alt kümenin n] ve n2 (burada n] + n2> n) öğeleriyle ikili karşılaştırmaları bilindiğinde n öğelerin göreceli ağırlıklarının nasıl tahmin edileceğidir. Bu problemin başarılı bir şekilde ele alınması, birkaç nedenden dolayı kritik öneme sahiptir. İşlenecek varlıkların sayısı çok olduğunda, olası tüm karşılaştırmaların sayısı çok fazla olabilir. Örneğin, 20 varlıklık bir koleksiyon için, 190 (yani, 20 X 19/2) ikili karşılaştırma yapılması gerekir.

Bu nedenle, toplam karşılaştırma sayısını azaltmanın bir yolunu bulmak büyük pratik öneme sahiptir. Büyük bir varlık koleksiyonunu birkaç küçük gruba bölmek isteyebilir. Her gruptaki öğeler, aynı gruba çok benzer olanları yerleştirerek bir araya getirilebilir. Bu şekilde karar verici, daha homojen olan varlıkları değerlendirebilir. Bu strateji, çok farklı unsurların karşılaştırılması gerektiğinden daha doğru karşılaştırmalar elde etme potansiyeline sahiptir.

Diğer bir uygulama, iki bulanık kümenin üyelik değerleri üzerinde birleşim işleminin gerçekleştirilmesi alanından gelmektedir. Bu göreli ağırlıklar, belirli bir kümeye ait olmanın üyelik değerleri olarak görülebilir (normalleştirmeden sonra 1 değeri mükemmel üyeliğe işaret ederken 0 değeri üyelik yok). Bu üyelik değerlerini türetmek için kullanılan ikili karşılaştırmalar mevcutsa, iki bulanık kümenin birleşiminin üyelik değerlerini belirlemek için bunları kullanmak isteyebilir. Bu işlem, bulanık veritabanlarında birleşim işlemi gerçekleştirilirken uygulanabilir.

Karşılaştırma sayısını azaltmaya çalışmakla ilgili benzer bir sorun Harker [1987] tarafından incelenmiştir. Bu yaklaşımda, karar verici minimum n karşılaştırmayla başlar (burada n, öğelerin sayısıdır).

Daha sonra yapılacak bir sonraki karşılaştırmaların ne olması gerektiğinin belirlenmesi için uzman sistem benzeri bir yaklaşım geliştirilir. Bu şekilde karar verici, karşılaştırmaları yönlendirmeli bir şekilde belirler. Bu bölümde incelenen sorunun temel farkı, burada ikili karşılaştırmaların her biri nt ve n2 öğelerinin (burada nt n) iki grup halinde kümelenmiş olduğunun varsayılmasıdır.

Bu nedenle, mevcut araştırmada iki tam ikili karşılaştırma koleksiyonumuz olduğunu varsayıyoruz. Böylece, ilk koleksiyonda nt (nt – 1) / 2 ve ikincisinde ~ (~ – 1) / 2 karşılaştırması vardır.

Bu bölümde, iki tam karşılaştırma koleksiyonundan göreceli ağırlıkları tahmin etme problemini çözmek için iki yöntem geliştirilmiştir. İlk yaklaşım basit ve anlaşılır bir yaklaşımdır, ikincisi ise daha karmaşıktır ve doğrusal bir programlama (LP) formülasyonu kullanır. LP yaklaşımı, tüm n öğelerinde tanımlanan matrisin CI (tutarlılık indeksi) değerini en aza indirmeye çalışarak karşılıklı matrisin eksik karşılaştırmalarını tahmin eder.

İki yöntem de bir ileri hata analizi aracılığıyla değerlendirilir. Hesaplama sonuçları, ortak ikili karşılaştırmaların sayısı yeterince yüksek olduğunda (Le., Nt + n2 toplamı n’den önemli ölçüde daha büyüktür), o zaman LP yaklaşımının en güvenilir yaklaşım olduğunu ortaya koymaktadır.

PROBLEM AÇIKLAMASI

Bu bölümde incelenen ana sorun, en iyi şekilde açıklayıcı bir örnekle açıklanmaktadır. Karar vericinin ikili karşılaştırmaları kullanarak göreceli ağırlıklarını bulmak istediği, örneğin AI ‘A2, A3, A4 ve As gibi beş varlık olduğunu varsayalım.

Bu varlıklar bir MCDM sorununun alternatifleri olabilir ve karar verici tek bir karar kriteri açısından göreceli ağırlıklarını (veya önceliklerini) bulmak ister. Ayrıca, bu beş varlık aşağıdaki gibi dört ve üç üyeli iki alt kümede gruplandırıldığında karar vericinin ikili karşılaştırmalara sahip olduğunu varsayalım: İlk alt küme: {At, A2, A3, A4} iken, ikinci alt küme: {A3 ‘A4, As} ·

Aşağıdaki iki matris Ml ve Ml, sırasıyla önceki iki alt küme için ikili karşılaştırmalara sahip karşılıklı matrisler olsun.

The post ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (18) – GÖRELİ BENZERLİĞİN ÇİFT YÖNLÜ KARŞILAŞTIRMALARI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).