ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (14) – İNSAN RASYONALİTE FAKTÖRÜNÜN DİKKAT 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.
Dikey eksen ortalama artığı temsil ederken, yatay eksen, tutarlılık endeksini (CI) temsil etmektedir. CI indeksi, CR indeksi 0.02, 0.03, 0.04, …, 0.10’a eşit olacak şekilde seçildi. CI (veya karşılık gelen CR) değerinin çok küçük olduğu büyük rastgele matrisler elde etmedeki zorluk nedeniyle, Cornell Üniversitesi’ndeki Süper bilgisayar tesisleri kullanıldı (bu deneyler 1988’de yapıldı). Şekil 4-1, insan rasyonalite varsayımı kullanıldığında ortalama kalıntıları gösterirken, Şekil 4-2 özvektör yöntemi kullanıldığında kalıntıları gösterir.
Şekil 4-1 ve 4-2’deki grafiklerin gösterdiği gibi, ortalama kalıntı, hem verilerin tutarlılık indeksinin (CI) hem de girdi matrisinin sırasının (Le., Alınacak eleman sayısı ikili olarak karşılaştırıldığında). Regresyon analizleri, belirli bir sıradaki kümeler için ortalama artığın doğrusal olarak tutarlılık indeksi (CI) ile ilişkili olduğunu ileri sürdü. Ayrıca, verilerin CI indeksi azaldıkça ortalama kalıntı da azalır. Bu beklenen bir durumdur çünkü CI sıfıra ulaştığında, girdi verileri mükemmel şekilde tutarlı olma eğilimindedir. Bu sonuçlardan, insan rasyonalite varsayımına dayanan yöntem kullanıldığında ortalama kalıntıların önemli ölçüde daha küçük olduğu görülebilir.
Aynı grafikler, karşılaştırılacak öğelerin sayısının önemini de göstermektedir. Küçük kümeler için ortalama hatayı düşük bir seviyede tutmak için CI indeksinin küçük olması gerekir. Bununla birlikte, setlerin boyutu arttıkça, CI indeksi nispeten daha büyük olabilir ve yine de karşılaştırma başına küçük ortalama hatalar elde edebilir. Yani, karşılaştırma konusu başına hata söz konusu olduğunda, büyük kümeler durumunda girdi verileri, daha küçük kümeler durumunda olduğundan daha tutarsız olabilir.
SONUÇLAR
İlgi alanındaki bazı ortak özellikleri paylaşan varlıkların göreceli ağırlıklarını değerlendirmek için Saaty tarafından önerilen özdeğer yöntemi, birçok araştırmacının ilgisini çekmiştir. Bununla birlikte, bu bölümün bulguları, ağırlık tahmin probleminin yeni bir boyutunun olduğunu göstermektedir. CR değeri% 10’dan az tutulabilse de (ve bu nedenle daha önce açıklandığı gibi Dirichlet dağıtım kriterinin karşılanmasını sağlar), ortalama kalıntı önemli ölçüde değişebilir.
Bu bölümdeki sonuçlar,% 10’dan daha az CR değerleri veren verilerle bile, CR (veya karşılık gelen CI) değerinin küçük karşılaştırma kümeleri için düşük seviyelerde ve büyük kümeler için biraz daha yüksek seviyelerde tutulması gerektiğini göstermektedir. insan rasyonalite varsayımına dayanan yöntem kullanılır. Bununla birlikte, Saaty’nin yönteminin hesaplama açısından en kolay yöntem olduğu da burada belirtilmelidir.
Bu kitabın diğer bölümlerinde de gösterildiği gibi, ağırlık değerlerindeki küçük değişiklikler, birçok MCDM probleminde bir alternatifin yerine bir alternatifin seçilmesi arasındaki fark anlamına gelebilir. Temel karar bileşenlerinin (alternatifler ve kriterler) göreceli ağırlıklarını doğru bir şekilde tahmin etmek, birçok gerçek hayattaki MCDM problemlerinde çok önemlidir. Bu nedenle, bu sorunun daha derin bir şekilde anlaşılması, MCDM teori ve pratiğinde çok kritiktir.
İLGİLİ AĞIRLIKLARININ
FARK KARŞILAŞTIRMALARINDAN ÇIKARILMASI
ARKA PLAN BİLGİLERİ
Önceki iki bölüm, bir dizi ikili karşılaştırma yoluyla karar vericiden bilgi alma durumunu analiz etti. Bununla birlikte, diğer ilgili alanlarda bu tür bilgiler, ikili karşılaştırmalar arasındaki farklar açısından ortaya çıkarılabilir. Yani, “X ölçütüne göre A maddesi B maddesinden kaç kez daha önemlidir?” Türünde sorular sormak yerine, bu tür sorular artık “X ölçütü kapsamında A maddesi B maddesinden ne kadar daha önemlidir?”
Bu nedenle, bir seferde iki olarak kabul edilen n maddenin (n alternatifler veya n ölçütler gibi) öneminin oranından ziyade farka dayalı ikili karşılaştırmaları incelemek için zorlayıcı bir neden vardır. Geçmişte, ortak bir özelliği paylaşan bir kümenin üyeleri arasındaki benzerlik ve farklılık ilişkilerini ifade etmek için farklılık karşılaştırmaları kullanılmıştır. Bunu yaparken, çeşitli yazarlar bu tür farklılıkları Öklid anlamında bir mesafe olarak ifade etmeyi önerdiler.
Bu problem [Triantaphyllou, 1993] ‘te incelenmiştir. Bu nedenle, bu bölüm, bu tür fark karşılaştırmalarını kullanmanın matematiksel temelini ve aynı zamanda, bir dizi farklı ikili karşılaştırmadan (n (n-l) / 2 boyutunda olması zorunlu değildir) nihai göreceli öncelikleri çıkarmak için bir optimizasyon yaklaşımı sunar.
Daha sonra, bir dizi cümle ile modellenen sistemin farklı durumlarını temsil etmek için sunulan boş olmayan bir U olası dünyaları kümesini ele alıyoruz. Burada böyle bir dünya, göreli ağırlıklarını çıkarmak için karşılaştırılacak varlıklar kümesidir. Daha sonra benzerlik işlevi, olası dünya çiftlerini [1, 0] aralığında bir sayıya eşler. Başka bir deyişle, bir benzerlik işlevi şu şekilde gösterilir:
- s: UX U – + [0,1],
her iki varlık çiftine (A, A ‘) 1 ile 0 arasında benzersiz bir benzerlik derecesi atar.
Bu bölümde, 1 değerinin iki varlık arasındaki maksimum benzerliğe karşılık geldiğini, 0 değerinin ise maksimum benzerliğe karşılık geldiğini varsayıyoruz.
Bu değerlerin1 ve maksimum benzerlik ve farklılığın sırasıyla bu atamada bertaraf edilmesi oldukça keyfi olacaktır. Bununla birlikte, burada, herhangi bir dünya ile kendisi arasındaki benzerlik derecesinin olabildiğince yüksek olması gerektiği yönündeki sezgisel duyguyu yakalamak için maksimum benzerlik için 1 kullanıyoruz.
Genel olarak bir fonksiyon s: U x U – R + bir benzerlik ölçüsüdür, eğer
Ai ‘Aj E U herhangi iki varlık arasında aşağıdaki özellikleri karşılar:
- (i) S (Ai ‘Aj) = s (Aj’ Ai) ‘
- (ii) s (Ai, Ai) ~ s (Aj, Ai) ‘
(Lütfen (ii) ‘nin sol tarafının (Ai’ Ai) ‘ye atıfta bulunduğuna ve (Aj, Ai)’ ye atıfta bulunduğuna dikkat edin.)
Öte yandan, bir farklılık ilişkisi d: U x U – R + aşağıdaki özellikleri karşılar:
- (i) d (Ai, A) d (Aj, A;),
- (ii) d (Ai’A) ~ 0,
- (iii) d (Ai ‘A;) 0,
Benzerlik ve farklılık ölçülerinin örnekleri, veri analizi üzerine herhangi bir kitapta bulunabilir (örneğin, [Anderberg, 1973] ve [Sneath ve Sakal, 1973]). Aşağıdaki özelliklere de sahip bir benzemezlik işlevi:
- (iv) eğer d (W ;, llj) = 0 ise, sonra W; = llj olur.
- v) d (W ;, llj) :::; d (W ;, Wk) + d (Wk ‘llj), tüm W değerleri ; llj, Wk E U içerir.
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.