ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (19) – 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.
İKİ ÇÖZÜM YAKLAŞIMI
Basit Bir Yaklaşım
Bölüm 4’te bahsedildiği gibi, ikili karşılaştırmalara sahip mükemmel tutarlı karşılıklı matrisler aşağıdaki ilişkiyi sağlar:
aij = aik x ajk, i, j, k = 1,2,3, …, n için. (6-1) İlişkiden (6-1), mükemmel tutarlı durumda, eksik karşılaştırmalar (burada Xij olarak belirtilmiştir) gibi belirlenebilir.
Tutarlı olmayan durumlarda, önceki ilişki (6-2) her zaman doğru değildir. Ancak bilinmeyen terimler olan Xij’in aik X ajk ürünlerine mümkün olduğunca yakın olması beklenebilir. Bu nedenle, bilinmeyen Xij terimlerini tüm olası ürünlerin (aritmetik) ortalamaları olarak belirlemek mantıklıdır. Başka bir deyişle, basit bir yol, Xij terimlerini hesaplamaktır.
Bu ortalamalar hesaplandıktan sonra tüm matrisin eksik girdileri tahmin edilmiştir. Daha sonra, özvektör yaklaşımı (veya Bölüm 4’te tartışılanlar gibi herhangi bir ilgili yaklaşım) tam matrise uygulanabilir ve böylece n öğenin nihai ağırlıkları tahmin edilebilir.
Yukarıdaki ortalamalar basit bir şekilde hesaplanabilmesine rağmen, yukarıdaki yaklaşım aşağıdaki ilişki için gereksinimi yakalayamamaktadır (6-4):
- Xu “” “(aii ‘X aj’j) X Xi’j”
f = 1, 2, 3,. . “n- ~,
ve}, / = (nl + l), (nl + 2), .. “n, (6-4)
(6-4) ilişkisinin, herhangi bir i için,} = 1,2,3, .. “n için au = lIaji olgusundan doğrudan kaynaklandığına dikkat edilmelidir.
Doğrusal Programlama Yaklaşımı
Önceki yaklaşım değiştirilebilir ve daha sofistike bir prosedüre dönüştürülebilir, Letusconsiderrelationship (6-3), Ne zaman ilişkiyi dahil etmek istiyorsa (6-4), o zaman ilişki (6-3) bir eşitlik olarak geçerli olmayabilir, bunun yerine aşağıdaki gibidir:
Yani, şimdi sol taraf yaklaşık olarak sağ tarafa eşittir, (6-5) ilişkisinin eşit olmasını istiyorsak, o zaman eu ‘olarak belirtilen bir hata terimi tanıtılmalıdır.
Benzer şekilde, ilişki (6-4) bir eşitliğe dönüştürülebilir. e / i ‘olarak belirtilen bir hata terimi ortaya çıkar. İlişkiler (6-6) ve (6-7), eksik girdileri tahmin etme (ve böylece nihai nispi ağırlıkları belirleme) sorununa makul bir muamelenin, önceki tüm hata terimlerinin toplamını en aza indirmeye çalışmak olduğunu öne sürmektedir.
Bu, karar vericinin yargılarında olabildiğince tutarlı olmaya çalıştığı şeklindeki örtük varsayımla uyumludur, Hatalar olumlu veya olumsuz olabileceğinden, mutlak değerlerinin toplamını en aza indirgemek isteriz. aşağıdaki LP formülasyonuna yol açar.
Önceki DP modelindeki mutlak değerler şu şekilde elimine edilebilir. Bu doğrudur çünkü, eğer eij ‘fiili teriminin negatif olması gerekiyorsa, Pij değişkeninin değerinin sıfıra eşit olacağı kolaylıkla görülebilir (yeni kısıtların sütunlarındaki doğrusal bağımlılıklardan) temel olmayan değişken) nij değişkeni sıfırdan büyük olacaktır.
Yukarıdaki formülasyonlar ve değişkenlerin tanımlarından, önerilen DP modelinin (nn,) (n-n2) [3 + 2 (nn,) (n-n2)] sürekli değişkenler ve (nn,) (nn 2 ) [1 + (nn,) (nn 2)] kısıtlamalar. Ayrıca, giriş ikili karşılaştırmalarının (yani n ve n2 üyelerinden oluşan iki alt grupta tanımlananlar) mükemmel bir şekilde tutarlı olması durumunda, optimal olarak önceki DP probleminin amaç fonksiyonunun değerinin sıfıra eşittir (yani, tüm hatalar kaybolur).
Ayrıca, Xii değişkenlerinin optimal çözümü, oldukça basit ilişkiler (6-3) (Le., Aritmetik ortalama hesaplamaları) ile verilmektedir. Önceki kavramlar, aşağıdaki kapsamlı örnekte ayrıca açıklanmaktadır.
BAZI HESAPLAMALI DENEYLER
Hesaplamalı deneyler tasarlarken zorlu bir konu, ilgili verilerin nasıl üretileceğidir. Bu çalışmada, bu yazı dizisinde bildirilen hesaplama deneylerinin geri kalanında olduğu gibi, ilgili verileri türetmede benzer bir strateji izliyoruz.
Aşağıdaki ileri hata analizi, varlıklar koleksiyonunun üyelerinin gerçek göreli ağırlıklarının (veya önceliklerinin) gerçek dünyada sürekli değerler aldığı varsayımına dayanmaktadır. Bu süreklilik varsayımının, gerçek dünyadaki vakaların çoğunu yakaladığı için makul olduğuna inanılmaktadır.
Daha önce belirtildiği gibi, bu varlıklar bir dizi alternatif oluşturabilir ve ağırlıklar, bu alternatiflerin tek bir karar kriterini karşılama derecelerini yansıtır.
WI ‘W3, W3, …, Wn n üyeli bir kümenin gerçek (ve dolayısıyla bilinmeyen) göreli ağırlıkları olsun. Karar verici yukarıdaki gerçek değerleri bilseydi, gerçek ikili karşılaştırmalarla bir matris oluşturabilirdi. Bu matriste, diyelim ki matris A, girişler cxij = w / Wj ‘dir. Bu matrise Gerçek Sürekli İkili (RCP) matrisi denir. Gerçek dünyada w; ‘ler bilinmediğinden, önceki RCP matrisinin cxij girdileri de bilinmemektedir.
Ancak burada, bilinmeyen bir giriş cx yerine karar vericinin setten alınan en yakın değerleri belirleyebileceğini varsayacağız: {9, 8, 7, …, 2, 1, 112, .. ., 1/7, 118, 1I9} (orijinal Saaty ölçeği kullanılacaksa). Yani, gerçek (ve dolayısıyla bilinmeyen) değer yerine, eski kişi aşağıdakileri sağlayacak şekilde tüm değerleri belirleyebilir:
- eski fark minimumdur,
- ve E {9, 8, 7, …, 2, 1, 112, …, 117, 118, 1I9} olabilir.
Başka bir deyişle, burada kişinin i-inci öğesinin j-inci öğeyle karşılaştırıldığında ikili karşılaştırmasının değeri hakkındaki yargılarının o kadar doğrudur ki gerçek hayatta en yakın (mutlak değerde) terimlerin) seçilmesi gereken değerlerdir.
Karar vericinin oluşturabileceğini varsaydığımız tüm girişleri içeren matris, ayrık ve sonlu kümeden girişlere sahiptir: {9, 8, …, 2, 1, 1/2, …, 1/8, 1I9}. Bu ikinci matrise En Yakın Ayrık İkili (CDP) matrisi denir. RCP ve CDP matrislerinin bazı ilgi çekici özellikleri hakkında daha fazla bilgi önceki bölümde bulunabilir.
Açıklayıcı amaçlar için, {AI ‘A2, A3, A4 ve A5} olarak gösterilen beş elementlik bir setin gerçek nispi ağırlıklarının aşağıdaki gibi olduğunu varsayalım. Bu doğrudur çünkü, diyelim ki giriş (1,2) 1,783’e eşittir (= Wl / W2 = 0,1328 / 0,0745). Bu RCP matrisindeki geri kalan girişler için de benzer bir yorum geçerlidir. Önceki RCP matrisi göz önüne alındığında, karşılık gelen CDP matrisinin aşağıdaki gibi olduğu kolaylıkla doğrulanabilir:
Bu doğrudur çünkü giriş (1, 2), 2.000’e eşittir, çünkü 2.000 değeri (kullanımdaki mevcut ölçekten alınmıştır) RCP matrisindeki karşılık gelen girişe en yakın değerdir (yani 1.783). Bu CDP matrisinde kalan girişler için de benzer bir yorum geçerlidir. Önceki CDP matrisi göz önüne alındığında, özvektör yaklaşım yaklaşımı kullanılarak elde edilen göreceli ağırlıklardır.
Daha sonra, n1 = 4 ve ~ = 3 olduğu durumu ele alıyoruz. Bu ayar, önceki CDP matrisi ile birlikte, Bölüm 6.4’te daha önce tartışılan sayısal örnekte ele alınan verileri oluşturur. Bu örnekte, LP yaklaşımının ve LP olmayan yaklaşımın aşağıdaki göreceli ağırlık (öncelikler) vektörlerini sırasıyla PI ve Pz verdiği bulunmuştur.
Önceki iki göreli ağırlık setinden, LP yaklaşımı kullanılarak elde edilen ağırlıkların, CDP matrisi düşünüldüğünde ağırlıklara daha yakın olduğunu gözlemleyebiliriz (yani, P vektörü ile ifade edilenlerle). Ancak, LP ve LP olmayan yaklaşımlar kullanıldığında, beş öğenin sıralaması, bu açıklayıcı örnekte P vektöründeki ağırlıkların ima ettiği sıralamadan farklıdır.
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.
