Çok Amaçlı Karar Verme (52) – Analiz Sonuçları ve Tartışmalar – 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: Bir Uygulama Bilgi toplama için geleneksel araçlardan biri, ağırlıklı ortalama yöntemidir, örneğin, doğrusal bir integral veya Lebesgue integralidir. Bu yöntemler, ilgili bilgi kaynaklarının etkileşimli olmadığını / bağımsız olduğunu varsayar ve bu nedenle, ağırlıklı etkilerinin katkı türü olarak görüldüğü varsayılır. Ancak, bu varsayım birçok gerçek dünya uygulamasında gerçekçi değildir. Çeşitli bilgi kaynakları arasındaki bazı doğal etkileşim / bağımlılıklar nedeniyle, ağırlıklı ortalama yöntemi pek çok gerçek problemde iyi çalışmaz. Ağırlıklı ortalama yöntemi yerine Choquet integrali kullanılabilir. Choquet integrali, Grabisch, vb. gibi çok-özellikli değerlendirmeye uygulanabilir. Bulanık ölçüler ve bulanık integraller, insan değerlendirme sürecini analiz edebilir ve belirleyebilir. Choquet bulanık integrali, bilgi toplama için alternatif bir hesaplama şeması sağlayan herhangi bir bulanık ölçüye dayalı bulanık bir integraldir. Sugeno bulanık ölçü ve bulanık integral kavramlarını tanıtmıştır. Sugeno'ya göre bulanık ölçümler, klasik ölçümlerin toplamsallık gerekliliğinin daha zayıf monotonluk (küme dahil etme açısından) ve süreklilik gereksinimleri ile değiştirilmesiyle elde edilir. Süreklilik gerekliliği daha sonra hala çok kısıtlayıcı bulundu ve daha zayıf bir yarı süreklilik gerekliliği ile değiştirildi. Genel bulanık ölçümlerin spesifikasyonu son derece zahmetli olduğundan, Sugeno (1974) ve Sugeno ve Terano (1977), bulanık ölçüm tanımlamasının zorluğunu azaltmak için λ-toplamsal aksiyomu karşılayan bir λ-bulanık ölçüm önermiştir. Λ-bulanık ölçü, elemanlar arasındaki toplamsallık derecesini tanımlayan bir λ parametresi ile sınırlandırılmıştır. Diğer bulanık ölçüm modelleriyle karşılaştırıldığında, λ-bulanık ölçüm daha kolaydır ve ölçüm değerlerini belirlemede yaygın olarak kullanılmaktadır. Bununla birlikte, elemanların sayısı yeterince büyük olduğunda, λ-bulanık ölçümünün belirlenmesi kullanıcılar için hala zahmetlidir. Lee ve Leekwang (1995), genetik algoritmalara dayalı bir λ-bulanık ölçüm tanımlama yöntemi geliştirdiler, ancak veri setinden bir öğenin bulanık bir ölçüm değeri için bilgi tam değildi. Chen (1998) ve Chen ve Wang (2001), bilgi talebini azaltmak için kısmi bir bilgi örnekleme prosedürü geliştirmiş ve çözüm stratejisi olarak genetik algoritmaları da kullanmıştır. Yöntemleri, öznel önem tanımlaması için veri toplama zorluğunun üstesinden geldi. Yöntemleri iyi çalışsa da, anket verileri bulanık yoğunluklar ve performans değerleri hakkında kısmi bilgiler gerektirir. Bununla birlikte, λ değerini belirlemek için sadece bulanık yoğunlukları araştırmak en kolayıdır (Wang ve diğerlerinin algoritması) Wang ve ark. (2001) bu araştırma, bulanık yoğunlukların girdi verilerini kullanarak λ değerini belirlemek için etkili bir algoritma önerecektir. Bu nedenle, bu araştırmanın ana hedefleri aşağıdaki gibidir: İlk olarak, insan öznel karar vermenin genel performansını belirlemek için bulanık ölçüler ve bulanık integraller kullanır. İkinci olarak, kurumsal intranet web sitelerini değerlendirmek için hiyerarşik bir yapı geliştirir ve genel değerlendirmeyi değerlendirmek için λ-fuzzy ölçüm ve Choquet integral yöntemlerini kullanır. Son olarak, λ değerini belirlemek için daha basit ve daha kolay bir algoritma geliştirdi. Bu bölümün geri kalanı aşağıdaki şekilde düzenlenmiştir. Bölüm 18.2'de, çok aşamalı karar verme (MADM) süreci için λ-bulanık ölçümler ve bulanık integral sunulmuştur. Bölüm 18.3'te, Choquet integral'in hiyerarşik yapısının modellenmesi ve λ'yı belirlemeye yönelik algoritması sunulmaktadır. Bölüm 18.4'te, kurumsal intranet web sitelerinin bir vaka olarak değerlendirilmesi ve analiz sonuçları ayrıntılı olarak tartışılmaktadır. Son olarak, sonuçlar Bölüm 18.5'te verilmektedir. Choquet İntegralinin Hiyerarşik Yapısının Modellenmesi Ölçütler gerçek dünyada birbirini etkilediğinden ve birbirini etkilediğinden, bu bağımlı yönler, ölçütler ve alt ölçütler için eklemeli olmayan işlemleri yürütmek için bulanık bir integral kullanılır. Ayrıca bu araştırma, Şekil 18.1'de gösterildiği gibi bir Choquet integral değerlendirme modelinin hiyerarşik yapısını oluşturur. Ek olarak, bu araştırma λ değerini belirlemek için etkili bir algoritma kullanır. Şekil 18.1'de, her daireyi bir düğüm olarak görürsek, Choquet integralinin Denklem 9.2'de hesaplanan alt seviye nesneler / elemanlar üzerindeki değerlendirme değerleri f ve önem dereceleri g ile üst seviye nesneler / elemanlar değerlendirmesini elde edebiliriz.  Örneğin f 11, f 11, ..., f 11 alt - 1 2 s1 seviyesindeki nesnelerin / elemanların değerlendirme değerleridir; ve g11, g11, ..., g11 önem dereceleridir. Seviye 4'teki ilk düğümün ara toplam değerlendirme değerlerini hesaplamak için Choquet integralinin Denklem 9.2'yi kullanarak f11 sonucunu alabiliriz. Diğer ara toplam değerlendirme değerleri, bu şekilde hesaplanır.Sonuçlar sırasıyla (f1, f1, ..., f1), ..., (fn, fn, ..., fn), 12k1 12kn'dir. Aynı şekilde Seviye 3'te de düğümler vardır. Burada f 1, f 1, ..., f 1 değerlendirme değerleri, g1, g1, ..., g1 önem dereceleridir ve sonuç f'dir. Diğer 12 k1 1 ara toplam değerlendirme değerleri f2, ..., fn'dir. Son olarak, 2. seviyede sadece bir düğüm vardır. Burada f1, f2, ..., fn değerlendirme değerleri ve g1, g2, ..., gn önem dereceleridir. Genel değerlendirme değerini hesaplamak için Denklem 8'i kullanarak, Seviye 1'deki nihai sonucu elde ederiz. Belirlemek İçin Algoritma 𝛌 Λ'yı belirleme algoritması, Wang ve ark. (2001). Denklem 9.4'e göre Wang ve diğerlerinin hesaplama algoritması. aşağıdaki gibi listelenmiştir: Adım 1: Eğer F ′ (0) = 0 ise, o zaman λ = 0, dur; Adım 2: Eğer F ′ (0)> 0 ise p * = –1, m † = 0 olsun ve bir ikiye bölme araması yapmak için Adım 5'e gidin; Adım 3: Eğer F ′ (0) <0 ise, p = +1, m = 0 olsun ve bir λ aralığı bulmak için Adım 4'e gidin; Adım 4: Eğer F (p) 0'a kadar çift p'yi tekrarlayın); Adım 5: Eğer F ((p + m) / 2) = 0 ise λ = (p + m) / 2 ve dur; Adım 6: Eğer F ((p + m) / 2)> 0 ise p = (p + m) / 2, yoksa m = (p + m) / 2 olsun ve Adım 5'ten devam edin. Wang ve ark. (2001) yukarıdaki nn özelliklerine dayanarak aşağıdaki gibi üç adım öneriyoruz: Adım 1: if∑i = 1gi = 1, o zamanλ = 0, dur; Adım 2: if∑i = 1gi> 1, sonra n p = -1, m = 0, bir ikiye bölme araması gerçekleştirmek için Adım 5'e gidin; Adım 3: ∑i = 1gi <1 ise, sonra p = +1, m = 0 olsun, bir λ aralığı bulmak için 4. Adıma gidin. Değiştirilmiş algoritmamızın sonuçları Wang ve diğerlerinin algoritmasıyla karşılaştırılır ve bu araştırmanın λ değerinin Wang ve diğerlerininkine çok yakın olduğunu gösterir. Λ-fuzzy ölçümünün ∑in = 1  kullanımına göre özelliklerini çok açık bir şekilde gösterir ve bu çalışmada değiştirilen algoritma ile bir çözüm elde etmek kolaydır.  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 KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (12) – BAĞIL AĞIRLIKLARIN TESPİT EDİLMESİ – 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.


ORAN KARŞILAŞTIRMALARINDAN

BAĞIL AĞIRLIKLARIN TESPİT EDİLMESİ

ARKAPLAN BİLGİSİ

Bir önceki bölümde, bahsedildiği gibi, MCDM yöntemlerinde önemli bir konu, bir varlık koleksiyonunun öneminin göreceli ağırlıklarını (tek bir karar kriteri açısından incelenecek alternatifler gibi) belirleyebilmektir. Bu görev benzerdir ve bulanık bir kümenin elemanlarının üyelik derecesini belirleme problemiyle yakından ilgilidir.

Genellikle, bu tür değerler0and1 veaddupto1 arasındadır. Üyeliğin bu derece ağırlıklarının, insanların kategorileri algılama biçiminin iyi bir modeli olduğu varsayılmaktadır [Dubois ve Prade, 1980]. Çoğunlukla, kümedeki en temsili üyeler 1 değerine, üye olmayanlar ise O değerine atanır. Daha sonra, asıl sorun üyeliğin derecesini (yani 0 ile 1 arasında bir sayı) belirlemektir. üyeler arasında. Psikologlar [Lakoff, 1973], insanların diğer üyeleri belirlemekte güçlük çekerken belirsiz bir kümedeki temsili üyeleri kolayca belirleyebildiklerini keşfettiler.

Bulanık küme teorisinin mühendislik ve bilimsel alanlardaki uygulamalarında üyelik derecelerini değerlendirmenin önemi, en iyi şekilde [Gupta ve diğerleri, 1979] ‘da verilen 1.800’den fazla referansta gösterilmektedir.

Önceki bölümde anlatıldığı gibi, ÇKKY problemleri için niteliksel bilgiler, ikili karşılaştırmalar yoluyla elde edilebilir. Daha sonra, bu ikili karşılaştırmaları işlemek ve karşılaştırılan öğelerin önemi için zımni göreceli ağırlıkları çıkarmak gerekir.

Saaty, ikili karşılaştırmalardan göreli önem ağırlıklarını bulma sorununa olası bir çözüm önermiştir. Metodu özdeğer teorisine dayanmaktadır. Hem [Chu, et al., 1979] hem de [Federov, et al., 1982] ‘de Saaty’nin yöntemi değiştirilmiş bir en küçük kareler problemi olarak görülmüştür.

Bu bölümde, Saaty tarafından önerilen ikili karşılaştırmalardan elde edilen veriler üzerinde yeni bir en küçük kareler yaklaşımı kullanılmıştır. Bu yöntem [Triantaphyllou, Pardalos ve Mann, 1994] ‘te sunulan yaklaşıma dayanmaktadır. Bu yaklaşım, ikili karşılaştırmaları ortaya çıkarırken karar vericinin gerçek niyetlerini yansıtmaya çalışan bir hata minimizasyon işlevini kullanır.

EIGENVALUE YAKLAŞIMI

AI ‘A2, …, An, karşılaştırılacak varlıklar (kavramlar, alternatifler veya kriterler) olsun. Tek bir ortak özellik açısından birbirleriyle karşılaştırıldıklarında yukarıdaki varlıkların göreli ağırlıklarını değerlendirmekle ilgileniyoruz. Bölüm 3, Saaty’de [1977; 1980; ve 1994], {9, 8, 7, …, 2, 1, 112, …, 117, 118, 1I9} kümesinden alınan rasyonel sayılardan oluşan bir A matrisini kullanmayı önerdiler. Yukarıdaki matris A’nın her girişi, ikili bir karşılaştırmayı (yargı) temsil eder.

Spesifik olarak, aij girişi, Aj elementi ile karşılaştırıldığında Ai elementinin göreceli önemini tahmin eden sayıyı belirtir.

• Açıkçası, aij = lIaji ve au = 1. Yani, bu matris karşılıklı bir matris.

Öncelikle mükemmel aij değerlerine sahip olmanın mümkün olduğu durumu inceleyelim. Bu durumda, aij = w / Wj’dir (burada wk, Ak öğesinin öneminin gerçek ağırlığını gösterir) ve önceki karşılıklı matris A tutarlıdır. Yani:

  • aij = ail <x akj ‘için i, j, k = 1, 2, 3, …, n,

Burada n karşılaştırılacak eleman sayısıdır. A’nın 1. dereceye sahip olduğu ve A = n’nin sıfır olmayan temel sağ özdeğer olduğu kanıtlanabilir [Saaty, 1980]. 

Burada x bir ana sağ özvektördür. Aij = w / Wj ‘olgusundan aşağıdakiler elde edilir.

Denklem (4-4), n’nin, W’ye karşılık gelen bir ana sağ özvektör ile A’nın doğru bir özdeğeri olduğunu belirtir. Aynı denklem, mükemmel tutarlı durumda (yani, aij = ail <x akj olduğunda) ‘1, 2, 3, …, n elemanlarının göreli ağırlıklarına sahip W vektörünün bir temel hak olduğunu belirtir. A matrisinin özvektörü

Tutarsız durumda (gerçek yaşam uygulamalarında daha yaygın olan), ikili karşılaştırmalar mükemmel değildir, yani, aij girişi, w / Wj gerçek orandan (yani gerçek ağırlık değerlerinin oranından) sapabilir. 

Bu durumda, önceki ifade (4-1) tüm olası kombinasyonlar için geçerli değildir. Şimdi yeni matris A, önceki tutarlı durumun bir tedirginliği olarak düşünülebilir. Aij girişleri biraz değiştiğinde özdeğerler de benzer şekilde değişir [Saaty, 1980].

Ayrıca, maksimum özdeğer n’ye yakın (n’den büyük), kalan özdeğerler sıfıra yakındır. Bu nedenle, tutarlı olmayan durumda ağırlıkları bulmak için, maksimum sağ özdeğer Amax’e karşılık gelen bir özvektör bulunmalıdır. Yani, aşağıdakileri karşılayan temel sağ özvektör W’yi bulmak için:

  • AW = AmaxW, burada Amax ~ n olur.

Saaty, karşılıklı sağ özvektör W’yi şu şekilde tahmin etmeyi önerdi:

A matrisinin her satırındaki girdileri çarparak ve n’inci kökü alarak (n, karşılaştırılacak öğelerin sayısıdır). Toplamı 1’e kadar olan değerlere sahip olmak istediğimizden, önceden bulunan vektörü yukarıdaki değerlerin toplamıyla normalleştirmemiz gerekir. Kişi, en yüksek değere sahip öğenin 1’e eşit ağırlık değerine sahip olmasını istiyorsa, önceden bulunan vektörü en yüksek değere bölmesi gerekir.

Toplam tutarlılık varsayımı altında, eğer yargılar gama dağıtılmışsa (Saaty’nin böyle olduğunu iddia ettiği bir şey), sonuçta ortaya çıkan karşılıklı matris A’nın ana sağ özvektörü Dirichlet dağıtılmış olur. Toplam tutarlılık varsayımı gevşetilirse, Vargas [1982], tutarlılık oranı% 10’a eşit veya daha düşükse, ana sağ özvektörün bir Dirichlet dağılımını takip ettiği hipotezinin kabul edildiğini kanıtladı.

Tutarlılık oranı (CR), önce Amax tahmin edilerek elde edilir. Saaty, A matrisinin sütunlarını ekleyerek ve ardından elde edilen vektörü W vektörüyle çarparak> – max değerini tahmin etmeyi önerdi. Sonra, tutarlılık indeksi (CI matrisinin Cn’si = (> – maks – n) / (n -1) olur.

Ardından, tutarlılık oranı CR, CI’nin, Tablo 4-1’de verildiği gibi Rastgele Tutarlılık Endeksi (RCI). Her RCI, {9, 8, 7, …, 2, 1, 1/2, …, 117, kümesinden girişlerle rastgele oluşturulmuş karşılıklı matrislerin 500 boyutundaki bir numuneden türetilen ortalama bir rastgele tutarlılık indeksidir CI’sının% 10 veya daha az olup olmadığını görmek için 1/8, 1/9 seçilir.

Yukarıdaki kavramlarSaaty tarafından tesis edildiğinde, eski bilgisayarların sınırlamaları nedeniyle 500 kopya kullanıldı. Önceki yaklaşım CR% 10’dan daha yüksek bir değere neden oluyorsa,% 10’dan daha düşük veya buna eşit bir CR elde edilene kadar ikili kararların yeniden incelenmesi önerilir.

BAZI OPTİMİZASYON YAKLAŞIMLARI

Chu, vd. [1979], aij verileri verildiğinde, tahmin edilecek Wi değerlerinin mülke sahip olmak istediğini iddia etti:

  • aij .. Wi / Wi “

Bu mantıklıdır çünkü aij, w / Wj oranının tahmini olması anlamına gelir. Daha sonra, aij verisi verilen Wi için tahminleri elde etmek için, kısıtlı optimizasyon problemini önerdiler.


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.