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.
belirlemek için iki yöntem Çok Amaçlı Karar Verme (24) – Hiyerarşik Bulanık İntegral – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma Hata kriterinin en aza indirilmesi Hiyerarşik Bulanık İntegral ilk yöntem deneysel veriler