Blog

Çok Amaçlı Karar Verme (63) – Bilgi Sistemi ve Yaklaşımlar – 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. P ⊆ C'ye göre Clt≥, t ∈ {2,3, ..., n} sınıfına ait birliklerin P (Clt≥) 'nin P-düşük yaklaşımı, U evrenindeki tüm x nesnelerini içerir, öyle ki nesneler P'den alınan tüm sıralı öznitelikler için en azından aynı değerlendirmelere sahip olanlar da Clt sınıfına aittir veya şu şekildedir: P (Cl≥) = {x ∈U: D + (x) ⊆ Cl≥}.  Benzer şekilde, P'nin (Clt≥) P-üst yaklaşımı, U evrenindeki tüm x nesnelerinden oluşur; bunların ölçütlerine ilişkin değerlendirmeleri, Clt sınıfına ait en az bir y nesnesinin değerlendirmelerinden daha kötü değildir veya öyle ki: P (Cl≥) = {x∈U: D− (x) ∩Cl≥ ≠ ∅} = ∪ D + (x) kale = 1, ..., n. (A10.4) tPt≥P Benzer şekilde, Clt≥ sınıfının birleşiminin sırasıyla P (Clt≤) ve P (Clt≤) 'nın P-alt ve P-üst yaklaşımları, t ∈ {2,3, ..., n} ile P ⊆ C'ye saygı şu şekilde tanımlanır: P (Cl≤) = {x ∈U: D− (x) ⊆ Cl≤}, tPt P (Cl≤) = {x∈U: D + (x) ∩Cl≤ ≠ ∅} = ∪ D− (x) kale = 1, ..., n. Clt≥ ve Clt≤'nın P sınırları (P şüpheli bölgeler) aşağıdaki gibi tanımlanmıştır: Bn (Cl≥) = P (Cl≥) - P (Cl≥), (A10.7) Bn (Cl≤) = P (Cl≤) −P (Cl≤) kale = 1, ..., n. (A10.8) Γp (Cl) oranı, Cl sınıflamasının P nitelikleri kümesi veya kısaca sınıflandırma kalitesi tarafından yaklaşık olarak nitelendirilme kalitesi olarak adlandırılır. P-doğru olarak sınıflandırılmış tüm nesnelerin (belirsiz olmayan tüm nesnelerin sistemdeki tüm nesnelere oranını) gösterir. Γp (Cl) = γc (Cl) olacak şekilde her bir minimum P ⊆ C alt kümesi, Cl'ye göre C'nin bir indirgemesi olarak adlandırılır ve REDCl (P) ile gösterilir. Bir veri tablosu birden fazla indirgemeye sahip olabilir ve tüm indirgemelerin kesişimi, CORECI ile gösterilen çekirdek olarak bilinir. Çıkarma Karar Kuralları DRSA'nın nihai sonucu, dikkate alınan bilgi tablosunda yer alan bilgilerin bir temsilidir. Karar tablosu deterministik veya kesin bir karar kuralıdır ve eğer (önceki) o zaman (sonuç) karar türünde mantıksal bir şekilde ifade edilebilir. Clt≥ sınıflarının belirli bir yukarı doğru birliği için, P (Clt≥) 'ya ait tüm nesnelerin pozitif ve diğerlerinin negatif olduğu hipotezinin altına dahil edilen karar kuralı, "en azından sınıf Clt" için bir atama önerir. Benzer şekilde, belirli bir Cls≤ birleşmesi için, P (Cls≤) 'ya ait tüm öğelerin pozitif ve diğerlerinin negatif olduğu bir hipotez altında ortaya çıkan kural, "en fazla sınıf CIs" için bir atama önermektedir. İki tür karar kuralı vardır: 1. D≥ karar kuralları ("en azından" karar kuralları): F (x, a1) ≥ ra1 ve f (x, a2) ≥ ra2 ve ... f (x, ap) ≥ rap ise, x ∈Clt≥. Bu kurallar yalnızca Clt≥ sınıflarının yukarı doğru birliklerinin P-düşük yaklaşımlarından gelen nesneler tarafından desteklenir. 2. D≤ karar kuralları ("en fazla" karar kuralları): F (x, a1) ≤ ra1 ve f (x, a2) ≤ ra2 ve ... f (x, ap) ≤ rap ise, x ∈Clt≤. Bu kurallar yalnızca Clt≤ sınıflarının yukarı doğru birliklerinin P-düşük yaklaşımlarından gelen nesneler tarafından desteklenir. 3. D≥≤ karar kuralları (aksi takdirde "en fazla" için belirsiz): Iff (x, a1) ≥ra1 vef (x, a2) ≥ra2 ve ... f (x, ak) ≥rak ve f (x, ak + 1) ≥rak + 1 ve f (x, ap) ≤ rap sonra x ∈Clt ∪ Clt + 1 ∪ ⋅ ⋅ ⋅ ∪Cls. Akış ağı grafiğine dayalı karar kurallarının nedensel ve etkisi: Daha doğrusu, bir akış ağı grafiği yönlendirilmiş bir döngüsel olmayan sonlu grafiktir G = (V, β, h) burada V bir düğüm kümesi, β⊆V × V bir yönlendirilmiş dallar kümesidir, β → R + bir akış fonksiyonudur, ve R +, negatif olmayan gerçek sayılar kümesidir. Bir dalın akışı (x, y) ∈β ve r (x, y) olarak tanımlanabilir. Bir x∈V düğümünün girişi, I (x) = {y ∈V | (y, x) ∈β} kümesidir ve bir x ∈V düğümünün çıkışı O (x) = {y ∈ V olarak tanımlanır. | (x, y) ∈ β}. Bu kavramlara dayanarak, bir G grafiğinin girdisi ve çıktısı I (G) = {x ∈V | I (x) ≠ ∅} ve O (G) = {x ∈V | O (x) ≠ ∅ olarak tanımlanır. }. Akış grafiğindeki her x düğümü için, giriş h + (y) = ∑x∈I (y) h (x, y) olarak tanımlanır ve çıkış hflow (y) = ∑y∈O (x) h olarak tanımlanır (x, y). Benzer şekilde, tüm akış grafiğinin içeri ve dışarı akışı h + (G) = ∑x∈I (G) h− (x) ve h− (G) = ∑x∈O (G) h + (x) olarak tanımlanabilir. , sırasıyla. Bu araştırma, bir akış grafiğindeki herhangi bir x düğümü için G, h + (x) = h− (x) = h (x) olduğunu varsayar. Bir akış grafiğindeki (G) = (V, β, h) her dalın (x, y) kuvvetini ölçmek için, bu araştırma ρ (x, y) = h (x, y) / r (G ). Açıkçası, 0 = ρ (x, y) ≤ 1. Dalın gücü, basitçe daldan geçen toplam akış miktarını ifade eder. Bir akış grafiğinin G her dalı (x, y) kesinlik ve kapsam katsayıları ile ilişkilidir. Her dalın kesinliği ve kapsamı sırasıyla cer (x, y) = ρ (x, y) / ρ (x) ve cov (x, y) = ρ (x, y) / ρ (y) olarak tanımlanmıştır, burada ρ (x, y) = h (x, y) / h (G), ρ (x) = h (x) / h (G) ve ρ (y) = h (y) / h (G) akış normalleştirilir ve ρ (x) ≠ 0, ρ (y) ≠ 0 ve 0 ≤ ρ (x, y) ≤ 1. Ağırlıkların Dematel Tabanlı ANP (DANP) Tarafından Bulunması DEMATEL, kriterlerin etkili ilişkisini onayladıktan sonra, en doğru ağırlıklarını elde etmek için DANP kullanılır. Saaty (1996) tarafından analitik hiyerarşi süreci (AHP) ile ilişkili sınırlamaları azaltmak için sunulan ANP, doğrusal olmayan ve karmaşık ağ ilişkilerini belirlemeye yönelik bir çözüm oluşturur. Bu nedenle araştırma, ANP'nin gücünü, kriterler arasındaki karşılıklı ilişki ile ilişkili bağımlılık ve geri bildirim problemlerini çözmek için DEMATEL'e uygular. DANP aşağıdaki gibi işlenir: İlk önce ağırlıksız bir süper matris geliştirin. DEMATEL'in toplam etki matrisini, her seviyeyi toplam etki derecesi ile normalize edin. 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 (16) – GÖRELİ BENZERLİĞİN ÇİFT YÖNLÜ KARŞILAŞTIRMALARI – 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.

Göreli Benzerliğin İkili Karşılaştırmalarını İşleme

(İ, j) ikili karşılaştırmasının gerçek (ve dolayısıyla karar vericinin bilmediği) değerinin (Xi} ‘ye eşit olduğunu varsayalım (burada (Xi} ~ 0). Bu değer (Xi} şunun mutlak değerine eşittir) Wi ve llj’nin derece (benzerlik değeri) olduğu fark (W; – llj), sırasıyla i-inci ve j-inci varlıklarda belirli bir özellik mevcuttur. Yani, aşağıdaki doğrudur:

  • (Xi} = (Xji = IW; -llj I. (5-1)

Karar vericinin ((i, j) ikili karşılaştırmanın değerine ilişkin değerlendirmesinde) ayrı sayısal değerlere sahip bir benzerlik ölçeği kullanmak zorunda olduğundan, büyük olasılıkla dilsel bir seçim (“çok benzer” gibi) “veya” hemen hemen benzer “vb.) sayısal bir değerle ilişkilendirilir (aij olarak gösterilir) ‘Umarım, bu değer gerçek değere çok yakın olur (Xij’ Bu nedenle, her karşılaştırmada bir hata faktörü Xij eklenir. Bu nedenle, aşağıdaki ilişki doğrudur:

  • Xij aij = ~ iaji

Önceki ilişkiden, Xij hata faktörünün 1’e eşit olduğu, ancak ve ancak aij değeri (karar verici tarafından verilen) ve gerçek değer (Xij aynı ve aij> O ise) olduğu sonucuna varılır. Aksi takdirde, Xij daha uzak 1 olmaktan, iki değer aij ve Xij olsun. Bu noktada, genelliği kaybetmeden, WI ‘W 2, W 3, …, Wn değerleri arasında aşağıdaki sıralamanın mevcut olduğunu varsayalım:

  • WI ~ W2 ~ W3 ~ ‘”~ Wn · (5-3)

Bu sıralama her zaman mümkündür çünkü W; n öğenin (n ~ i ~ 1) değerleri yukarıdaki (5-3) ‘teki gibi değildir, bu durumda indekslerinin yeniden düzenlenmesi (5-3) olarak ifade edilen sıralamaya ulaşabilir. 

Daha sonra, sırasıyla her üç varlık arasındaki olası tüm ikili karşılaştırmaları ele alalımAi’Aj veAkwithimilarityvaluesequaltoW; “‘} ve Wk, (burada: n ~ i> j> k ~ 1). Ardından, önceki ifadeleri birleştirerek (5- 2) ve (5-3), aşağıdaki ifadeler türetilir ve Önceki üç ifade toplanarak aşağıdaki ifade (5-4) türetilir:

  • Herhangi bir n ~ i> j> k ~ 1 için:
  • Xikaik + Xkjakj + ~ iaji = 2 (W; -Wk),
  • X ben k bir ben k + X k j bir k j + ~ i bir j ben = 2 X. k+ k,
  • Xkj akj + ~ iaji = Xik aik.

İlgilenilen n varlık verildiğinde, C3n =? önceki gibi olası ifadeler. Bu ifadeler n (n – 1) / 2 değişkeni içerir (not: Xij = ~ iandaij = aji, foranyn ~ i, j ~ 1). Sistem (5-4) için açık bir çözüm, herhangi bir n ~ i, j ~ 1 için Xij = 0’ı ayarlamaktır. Bununla birlikte, burada, 1’e mümkün olduğunca yakın olan Xij değerlerini belirlemeye çalışmak mantıklıdır. Yani, aşağıdaki karelerin toplamını en aza indiren Xij değerlerini bulmak için: (5-4) olarak ifade edilen kısıtlamalara tabidir.

Hata karelerinin toplamını en aza indirme kavramı çok yaygındır, bilim ve mühendislikte birçok hata tahmin probleminde yer alır. İfade (5-5), ancak ve ancak tüm Xi} değişkenleri 1’e eşitse optimum 0 değerine ulaşır. Yukarıdaki (5-4), kısıtlamaların gövdesini oluştururken, ifade (5-5), önceki kısıtlamalara tabi olarak en aza indirilmesi gereken doğrusal kısıtlamalara sahip ikinci dereceden bir problemin nesnel işlevidir.

Bu ikinci dereceden programlama problemi, kolaylıkla eşdeğer bir doğrusal denklem sistemine dönüştürülebilir. Bu doğrusal denklem sistemi, yararlanılabilen özel bir yapıya sahiptir ve bu nedenle çok verimli bir şekilde çözülebilir. Önceki değerlendirmeler, bir sonraki kapsamlı sayısal örnek aracılığıyla daha ayrıntılı açıklanmıştır.

Kapsamlı Bir Sayısal Örnek

Bir karar vericinin, ilgilenilen dört (yani n = 4) varlık arasındaki benzerlik ilişkilerini tahmin etmesi gerektiğini varsayalım. AI ‘A2 • A3 ve A4 olarak gösterilir • Ayrıca, WI’ W2, W3 • ve W4’ün gerçek (dolayısıyla karar vericinin bilmediği) değerlerinin sırasıyla 0.92.0.74.0.53 ve 0.28’e eşit olduğunu varsayalım. . Başka bir deyişle, gerçek (ve dolayısıyla bilinmeyen) benzerlik ikili karşılaştırmaları matris A’yı aşağıdaki gibi oluşturur:

Yukarıdaki matriste giriş (1,2) 0,18’e eşittir çünkü 0,92 – 0,74 = 0,18. Matris A’daki diğer girişler için benzer bir açıklama geçerlidir.

Karar verici, önceki karşılaştırmaların kesin değerlerini belirleyemez. Ancak, yargılarını ölçmek için Tablo 5-1’de gösterilen ölçeği kullanabilir. Karar vericinin, A matrisindeki karşılık gelen gerçek değere en yakın sayısal değere sahip olan ölçekten bu seçimi her zaman yapabileceğini varsayarsak, aşağıdaki matris B, karar vericinin türetebileceğini varsaydığımız ikili karşılaştırmaları temsil eder. 

Bu matriste giriş (1, 2) 0.20’ye eşittir çünkü bu değer Tablo 5-1’deki ölçek kullanıldığında 0.18’e en yakın değerdir. Matris B’deki kalan girişler için benzer bir açıklama geçerlidir.

Yukarıdaki değerlendirmelerden, matris A’nın Gerçek Sürekli Çift Yönlü (RCP) matrisi kavramına karşılık geldiği, ancak matris B’nin Bölüm 3.3.1’de ayrıntılı olarak açıklanan En Yakın Ayrık İkili (CDP) matris kavramına karşılık geldiği anlaşılmaktadır. Bu iki matris sınıfı, başlangıçta girdi verileri olarak ikili karşılaştırmaları kullanan karar verme problemlerinde belirli fenomenleri incelemek için tanıtıldı.

Ayrıca, karar vericinin W’nin sıralamasını belirlediğini varsayalım; benzerlik değerleri (W; değerlerinin karar vericinin bilmediğini hatırlayın) aşağıdaki gibidir:

  • WI ~ W2 ~ W3 ~ W4 •

Karar verici, yukarıdaki sonuca, ilk olarak n birimden hangisinin en yüksek benzerlik özelliğine sahip olduğunu, ardından hangisinin en yüksek ikinci dereceye sahip olduğunu vb. Sorarak ulaşabilir. Bu noktada, karar vericinin aşağıdaki değerleri tahmin etmesi gerekmez. Wit W2, W3, …, Wn • Sadece göreceli sıralamasını belirlemesi gerekiyor.

4 (4 – 1) (4 – 2) / 6 = 4 doğrusal kısıtlamalarla ilgili ikinci dereceden programlama problemi genel biçime sahiptir.

Önceki bölümde belirtildiği gibi bu ikinci dereceden programlama, problem C3n = n (n – 1) (n – 2) / 6 doğrusal kısıtlamaya sahiptir. Dahası, amaç işlevi her zaman dışbükeydir. Bu probleme optimal bir çözüm bulmak için, önce Lagrangian çarpanını Ai ile i-inci kısıtını ilişkilendirmemiz ve Lagrangian fonksiyonunu oluşturmamız gerekir.

Yukarıdaki formülasyonda 1 m, m mertebesindeki kimlik matrisidir, burada m = n (n (n A, 0 “A 0 – 1) / 2), A, ifade katsayıları (5-4 olan bir Nxm matrisidir (burada N = C3n = n (nl) (n2) / 6), AT, A’nın devriğidir).

ON, N mertebesinde bir kare matristir ve tüm girişler 0’a eşittir, X, Xij değişkenleri (n ~ j> i> ~ 1) N, katsayıları A ile m boyutunda bir vektördür; (N ~ i ~ 1), 1, tüm girişleri 1’e eşit olan m boyutlu bir vektördür ve 5, tüm girişler 0’a eşit olan N boyutunda bir vektördür.

Önceki sistem farklı türevlere yol açar:

Matris – A AT her zaman simetriktir ve N düzeyindedir (lütfen daha önce tanımlandıkları gibi n ve N parametreleri arasındaki farka dikkat edin). 

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.

Bir yanıt yazın