Tablo 13.1'deki gibi toplam etki matrisi T'yi elde etmek için DEMATEL'in Adım 1 ila Adım 3'ü için basit bir örnek (Durum 2) varsayıyoruz. Adım 4'ü kullanarak, 0.1'lik bir eşik değeri seçilirse, ilişkilerin NRM'si yukarıda gösterildiği gibidir (Şekil 13.2). Küme 1'in üç öğesi / kriteri olduğunu varsayıyoruz: e1, e2, e3, Küme 2'de e4, e5, e6 ve Küme 3'te e7, e8, e9 var.
Ardından, toplam etki matrisi T'yi Tablo 13.2'deki gibi normalize ediyoruz.
Şekil 13.2'nin yapısını kullanarak ağırlıksız süper matrisi aşağıdaki gibi elde edebiliriz.
Son olarak, her ölçüt için derecelendirme aralığının 1 (en kötü değer) ile 10 (en iyi değer) arasında olduğunu varsayıyoruz; alternatiflerin derecelendirilmesi ve kriterlerin ağırlıkları (Denklem 13.25'ten) Tablo 13.3'te listelenmiştir. Daha sonra, Tablo 13.4'teki gibi alternatiflerin sıralama endeksini Ri elde etmek için VIKOR yöntemini (Bölüm 13.2.3) kullanırız. (Burada, endişenin aynı anda maksimum grup faydası ve minimum bireysel pişmanlık olduğunu varsayıyoruz, bu nedenle v = 0.5 seçmeliyiz. Ayrıca S * = Q * = 0 ve S− = Q− = 1 olarak ayarladık.
Sonuçlar SA1> SA5> SA4> SA2> SA3, QA1> QA5> QA4> QA2> QA3 ve R> R> R> R> R ve diğer alternatiflerA ≻ A ≻ A ≻ A≻ A. A1 A5 A4 A2 A3 3 2 4 5 1 olur. Bu alternatifler, kabul edilebilir stabiliteyi temsil eden C2 koşulunu karşılar. Bununla birlikte, alternatifler A3 ve A2, A2 ve A4, A3 ve A4, C1 koşulunu karşılamaz, bu da A3'ün A2'den daha açık bir şekilde avantajlı olmadığını, A2'nin A4'ten daha açık bir şekilde avantajlı olmadığını ve A3'ün daha açık bir şekilde avantajlı olmadığını gösterir. A4'ten. Yalnızca A4 ve A5, C1 koşulunu karşılar. Bu nedenle, bir dizi uzlaşma çözümü {A3, A2, A4} şeklindedir.
Tartışmalar
Geleneksel yöntemleri ve bu araştırmayı karşılaştırmak için, geleneksel normalleştirme yöntemini kullanarak sınırlayıcı süper matrisi de hesaplıyoruz. Sonuç aşağıdaki gibidir.
Denklem 13.25 ve 13.26'ya göre, iki matris için ağırlık sıralarının farklı olduğunu görüyoruz. Denklem 13.25'te, ağırlıklandırılmamış süper matrisi normalleştirmek için DEMATEL yöntemini kullanarak (önerdiğimiz yöntem), ağırlıkların dereceleri (sınırlandırmalar üst matrisi) e4> e3> e6> e5> e7> e2> e9> e8> e1'dir. Eşitlik 13.26'da geleneksel normalleştirilmiş yöntem kullanılarak ağırlıkların sıraları e4> e7> e6> e5> e3> e8> e9> e2> e1'dir.
Tablo 13.1 birkaç gerçeği ortaya koymaktadır: (a) her kümenin geribildirimi ve bağımlılığı vardır; (b) Küme 3'ün Küme 1 üzerindeki etkisi 3,6, Küme 1'in Küme 2 üzerindeki etkisi 0,7, Küme 3'ün Küme 2 üzerindeki etkisi 1,9 ve Küme 2'nin Küme 3 üzerindeki etkisi 0,8'dir. Diğer bir deyişle, Küme 1'in etkilenme derecesinin değeri yüksek (3,6), Küme 2 için bu değer sırasıyla 0,7 ve 1,9 ve Küme 3 için düşüktür (0,8). Bu nedenle, Küme 1'e gerçek dünyadaki diğer kümelerden daha fazla dikkat gösterilecektir, yani çok fazla ağırlık taşımalıdır, oysa Küme 3'ün ağırlığı azaltılmış olmalıdır.
Böylece, geleneksel yöntemdeki e7, e8 ve e9 kriterlerinin ağırlıklarının önerilen yöntemden daha yüksek olduğunu, ancak geleneksel yöntemdeki e1, e2 ve e3 kriterlerinin ağırlıklarının önerilen yöntemden daha düşük olduğunu bulduk (Tablo 13.5 ve Şekil 13.3). Ağırlıklı süper matrisi elde etmek için ağırlıksız süper matrisi normalleştirmek için her küme için eşit ağırlık varsayımını kullanırsak, değerlendirilen ağırlıkların sonuçları gerçek durumdan daha yüksek veya daha düşük olacaktır. Şekil 13.3, Küme 1 kriterlerinin (e1, e2, e3) hafife alındığını gösterirken, Küme 3'ün (e7, e8, e9) kriterlerinin geleneksel yöntemi benimsersek fazla tahmin edildiğini gösterir. Bu nedenle, gerçek dünya uygulamalarında daha iyi ve daha doğru sonuçlar elde etmek için ANP ile birlikte DEMATEL yöntemini kullanıyoruz.
Bu çalışma son olarak, Tablo 13.4'teki gibi sıralama indeksini elde etmek için bağımlı ve geri bildirim özelliklerine sahip kriterleri bir araya getirmek için VIKOR yöntemini kullanır. Maksimum grup faydası ve aynı anda minimum bireysel pişmanlıkla ilgileniyorsak (v = 0.5), sonuçlar A3 ≻ A2 ≻ A4 ≻ A5 ≻ A1 ve bir dizi uzlaşma çözümü {A3, A2, A4} 'dür. Dolayısıyla A3, bu alternatifler arasında ideal / hedeflenen seviyeye en yakın iken, A1 ideal / arzu edilen seviyeden en uzak olanıdır. Bu alternatifleri iyileştirmeyi düşünürsek, A1'e öncelik verilmelidir. Ek olarak, {A3, A2, A4} bir dizi uzlaşmacı çözümdür; karar verici, tercihine göre bu çözümlerden birini seçebilir.
Özetlemek gerekirse, ANP ve DEMATEL'i birleştiren hibrit model MCDM'de yaygın olarak kullanılmaktadır. DEMATEL yöntemi, kriterler / faktörler arasındaki ilişkileri kurmak için kullanılır ve ANP, bağımlılık ve geri bildirim sorunlarının üstesinden gelebilir. Bu çalışma, ANP prosedüründe ağırlıksız süpermatrisi normalleştirmek için DEMTATEL kullanmanın, her kümede eşit ağırlık varsayımını kullanmaktan daha makul olduğunu göstermektedir. Ayrıca ANP ve VIKOR yöntemlerinden elde edilen ağırlıklar sıralama indeksinin türetilmesinde kullanılır. Ayrıca bu önerilen yöntemi göstermek için iki örnek gösterdik ve sonuçlar bu yöntemin hem uygun hem de etkili olduğunu göstermektedir.
Sonuçlar
Çoğu makale, çatışma yönetimi durumlarındaki soruları çözmek için analitik modeller önermektedir. Çatışma yönetimi için mevcut olan sayısız yaklaşım arasında en yaygın olanlarından biri MCDM'dir. VIKOR yöntemi, MCDM içinde uygulanabilecek uygulanabilir bir tekniktir; uzlaşmacı programlama yönteminden kaynaklanan ideale yakınlığı temsil eden bir toplama işlevine dayanmaktadır.
Bununla birlikte, çoğu karar verme yöntemi, bir kararın kriterleri ile bu kararın alternatifleri arasında veya sadece kriterler arasında veya alternatiflerin kendileri arasında bağımsızlık varsayar. Bununla birlikte, ölçütler / değişkenler arasında bağımsızlık varsaymak, gerçek dünyadaki bağımlı ölçüt sorununun üstesinden gelmek için çok katıdır. Bu nedenle, birçok makale ANP'nin bu sorunun üstesinden gelmesini önermektedir. ANP, bağımlılık ve geri bildirim içeren sorunların üstesinden gelmek için kullanılır. Ayrıca ANP ve DEMATEL yöntemlerini birleştiren hibrit bir model çeşitli alanlarda yaygın ve başarılı bir şekilde kullanılmıştır. DEMATEL yöntemi, karmaşık ilişkileri tespit etmek ve kriterler arasındaki ilişkilerin NRM'sini oluşturmak için kullanılır. ANP prosedüründe ağırlıklı süpermatris için normalizasyonun üstesinden gelmek için benimsenen yöntem, her küme için eşit ağırlık varsayar; ancak, kümeler arasındaki farklı etkileri göz ardı eder.
Bu araştırma, bu mantıksız durumun üstesinden gelmek için yeni bir kavram önermektedir. Ağırlıksız süper matrisi ağırlıklı bir süper matrise dönüştürmek için DEMATEL yöntemini kullanıyoruz. Yeni birleşik model, kümeler arasında farklı etki derecelerine sahip problemleri çözmek için geleneksel yöntemden daha uygundur. Ayrıca uzlaşma sıralama endeksini elde etmek için ANP ve VIKOR yöntemini de sağlıyoruz. Ek olarak, önerilen yöntemin gerçek dünya uygulamalarına uyması için etkinliğini ve fizibilitesini göstermek için iki durum gösteriyoruz. Sonuç olarak, bu araştırmada önerilen yöntemi kullanmak, uzlaşmacı çözüm yönteminin ve kriterler arasında karşılıklı bağımlılık ve geri bildirim sorununun üstesinden gelmek için uygun bir yaklaşımdır.
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
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.
Bu bölümde, matristen bağımsız olarak aynı varlık çifti için ikili karşılaştırmaların her zaman aynı olduğu varsayılır. Bu, A3 ve A4 öğeleri arasındaki karşılaştırmanın hem Ml hem de Ml matrislerinde aynı (yani, 0.333’e eşit) olmasının nedenidir.
Önceki matrislerin her ikisinin de tatmin edici bir şekilde tutarlı olduğu (yani, CI değerlerinin 0.10’dan düşük olduğu) doğrulanabilir ve bu nedenle, iki eleman grubunun göreli önceliklerini türetmek için kullanılabilirler. [Saaty, 1980] ‘de veya Bölüm 4.2’de, karşılıklı matrislerden göreli önem ağırlıklarını tahmin etmenin etkili bir yolu açıklanmaktadır.
Bu prosedüre göre, kişi önce her sıranın geometrik ortalamasını hesaplamak ve sonra bu araçları normalleştirerek toplamı 1 olmalıdır. Bu prosedür önceki iki Ml ve M2 matrisine uygulandığında, ardından takip eden iki PI ve P2 vektörü göreceli öncelikler sırasıyla türetilir.
Birinci vektörden A3 ve A4 elemanlarının göreli önceliklerinin oranının 0.3488’e (= 0.1855 / 0.5318) eşit olduğu, ikinci vektörden ise aynı oranın 0.3028’e (= 0.1634 / 0.5396) eşit olduğu görülmektedir. . Bu nedenle, bu örnekte cevaplamaya çalıştığımız soru, beş unsurun tümü birlikte düşünüldüğünde göreli öncelikler nelerdir?
Önceki iki matris, beş öğenin tamamında tanımlanan daha büyük bir matrisin parçaları olarak görüntülenebilir. Ml ve Ml matrisleri birleştirildiğinde, aşağıdaki 5 x 5 matris M türetilir (burada “*”, belirsiz bir karşılaştırmayı belirtir): Diğer bir deyişle, yalnızca iki çift için karşılaştırmalar;
{At> As} ve {A2 ‘As } olur.
Genel olarak, n tane ilgi konusu varlığın olduğunu varsayalım, bundan sonra matrisi n elementleri için tüm olası karşılaştırmalarla birlikte ele alacağız. Daha sonra yukarıdaki hususlardan, karar vericinin aşağıdaki karşılaştırmaları sunduğu anlaşılmaktadır:
aij ‘fori, j = 1,2,3, …, nt>
ve aij için i, j = liz, (nz + l), (lIz + 2), …, n.
aij, fori = (nl + 1), (nl + 2), …, n, vej = 1,2,3, …, (nz-l) karşılaştırmaları belirsizken (aj i = 11aij) nettir.
Genellik kaybı olmadan, birinci alt kümedeki k (burada: k = (n1 + nz) – n) son öğelerinin, aynı sırayla ikinci alt kümedeki ilk k öğelerine karşılık geldiğini varsayalım ( önceki sayısal örnekteki durum, k = 2 = (4 + 3) – 5) olur. Başka bir deyişle, n (n – 1) / 2 karşılaştırmalı n x n matrisinin Şekil 6-1’de gösterildiği gibi alt matrislere bölündüğü görülebilir.
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.
