Blog

Çok Amaçlı Karar Verme (45) – Değerlendirme ve Grup Kararı Verme – 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. Toplam Yatırım Maliyeti Toplam yatırım maliyeti; a bağlantısının birim kapasitesinin yatırım maliyetidir ve I, ağda iyileştirme gerektiren önerilen bağlantılar kümesidir. Hava Kirliliğinin İyileştirilmesi Hava kirliliğinin iyileştirilmesi, kullanıcı olmayan bir bakış açısıyla yapılır. Şu anda Taipei metropol bölgesinin çevresel kalite bilişinin araştırılmasına göre, hava kalitesi metropol sakinlerini en çok ilgilendiren çevresel niteliktir ve en yetersiz olarak değerlendirilmektedir. Hükümet deneyleri, Taipei'deki hava kirliliği bileşiklerinden karbon monoksitin (CO) yaklaşık% 99'unun motorlu taşıt emisyonlarından kaynaklandığını göstermiştir. Hava kirletici maddeyi temsil etmek için CO kullanılıyorsa, toplam hava kirliliği miktarı (TP), tüm ağ için her bağlantıdaki tüm trafik akışının toplam emisyonu iken, hava kirliliğinin iyileştirilmesi toplam miktar arasındaki fark değerini ifade eder.  Bu faktörlerden kirlilik emisyon miktarı sürüş mesafesi ile ilişkilidir ve birim sürüş mesafesinin kirlilik emisyon katsayısı sürüş hızı ile ilgilidir. Dolayısıyla sürüş hızı arttıkça kirlilik emisyon katsayısı azalmaktadır. Bu tür kanıtlar, seyahat mesafesinin ve trafik sıkışıklığının hava kirliliği üzerindeki etkilerini aşağıdaki gibi göstermektedir: P = α + βV + γV2, Pa, birim sürüş mesafesinin kirlilik emisyon katsayısıdır (kilometre başına gram, g / km); da a bağlantısının uzaklığıdır (kilometre, km); Va, bağlantı a'nın sürüş hızıdır; ve α, β ve γ, Pa ve Va arasındaki ilişkinin parametreleridir. Yeraltı Kablolarının Karmaşıklığı Taipei metropol bölgesindeki ortak boru menfezinin montajı hala inşaat takviminde, ancak birçok bölümün yer altı kablolarının dahil olması nedeniyle zorluklar var. Şebeke hareket alternatifleri için değerlendirme kriteri olarak araba şeridi genişliğinin kazı sınırları içindeki yer altı kablolarının karmaşıklığını dikkate almayı düşünüyoruz. İnşaat bölümlerinden gelen pratik yönetim tecrübesiyle, bir derecelendirme ölçeğinin biçimi (0-10) böylece bir ölçü olarak belirlenir; derecelendirme ne kadar küçükse, orantılı karmaşıklık o kadar küçüktür ve bu da inşaat işini kolaylaştırır. Altı alternatif üzerinde dört değerlendirme kriterine göre oluşturulan değerlendirme matrisi  gösterilmektedir. ELECTRE III yöntemi ve Cook ve Seiford yönteminin uygulanması Bu bölümde, ulaştırma bürosundan, çevre koruma bürosundan ve akademik enstitülerden on dört akademisyen, altı ağın iyileştirme alternatiflerini değerlendirmek üzere bir karar alma grubu kurmaya davet edildi; daha sonra, AHP yönteminin yardımıyla (Ek'e bakınız) bu değerlendirme kriterleri, ikili karşılaştırmalı bir ankete dahil edilir ve ardından her bir kriterin ağırlığı, tutarlı onay ile birlikte karar vericiler tarafından verilir. Tercih incelemesinin sonuçları (değerlendirme kriterlerinin ağırlıkları) gösterilmektedir. İşlemler aşağıdaki şekilde sonuçlandırılır. ELECTRE III ve Cook ile Seiford'un yöntemleri, alternatifleri değerlendirmek için kullanılır: a. Çalışmamızda eşik değerler kavramı karar vericiler için net olmadığından, bu nedenle her bir eşik değerini aşağıdaki denklemlere göre belirlemeye karar verdik: (i) her bir alternatifin diferansiyel değerlerini aynı kriter altında hesaplamak, (ii ) Öndeki 1/5, 1/3, 1/2 diferansiyel değerlerden bu daha küçük diferansiyel değerleri seçin ve kayıtsızlık eşik değerini, tercih eşik değerini ve veto eşik değerini oluşturmak için ortalama değerlerini hesaplayın. b. Bu eşik değerlere, uyum indeksine ve alternatiflerin değerlendirme değerinden türetilen uyumsuzluk indeksine dayanarak, güvenilirlik derecesini bulmak için bulanık teori kavramı kullanılır. c. Alternatiflerin sıralaması, güvenilirlik derecesine göre yürütülür ve yönetim süreci, nihai olana doğru hem aşağı doğru damıtma hem de yukarı doğru damıtmanın bir kombinasyonudur. d. Karar vericilerin ağ iyileştirme alternatiflerine yönelik tercihleri, önceki süreçlerden sonra edinilir; daha sonra Cook ve Seiford yöntemi, tüm karar vericilerin tercihlerini entegre etmek için kullanılır ve sonuçta Tablo 15.4'te gösterilen nihai bir fikir birliği sıralaması elde edilir. Karar vericiler arasında ikinci ve altıncı alternatiflerin sıralaması diğerlerine göre tercih edilirken (bkz. Tablo 15.4), altıncı alternatif ise fikir birliği sıralamasında en çok tercih edilen alternatif olarak kendini göstermektedir. Bu nedenle, tercih edilen alternatif, diğer performans kriterlerine göre belirli asgari performans standartlarına tabi olarak toplam seyahat süresini veya toplam yatırım maliyetini en aza indirmektir. Bir eşik değer kararlarının değerlendirme sonuçları üzerinde yaratabileceği etkiler nedeniyle, bir eşik değerini duyarlılık analizi ile değiştirmeye çalıştık. Sonuç olarak, alternatifler arasında daha yüksek derecede bir karşılaştırma ortaya çıkar; Eşik değeri düştükçe aralarında değişikliklere tanık olunur ve yalnızca en başta gelen ve takip eden alternatiflerin sıralaması bozulmadan kalır. SONUÇLAR VE TANITIMLAR Bu bölümde, bir metropol ağ iyileştirme problemi için çok amaçlı bir karar verme süreci önerilmektedir. Tasarım açısından, sürekli bir ağ tasarım modeli oluşturmak için çok amaçlı matematiksel programlama kullanılır. Değerlendirme açısından, çok kriterli karar verme, ayrı bir ağ iyileştirme problemini çözmek için kullanılır. Ayrıca, pratik ağlardaki uygulamaların daha verimli olabilmesi için etkili bir sezgisel algoritma öneriyoruz. Bu arada, uygun alternatiflerden uzlaşmacı uzlaşmacı alternatifi değerlendirmek ve seçmek için grup karar verme sürecinden de yararlanılır. Çok amaçlı karar vermenin uygulanması, ağ iyileştirme sorunu için daha makul bir değerlendirme sağlar. Bu bölümde sunulan iyileştirme önerileri aşağıdaki gibidir: 1. Ağ tasarım modelindeki dışbükey olmayan özellik nedeniyle, çözüm bulmak zordur. Çoklu amaçların dikkate alınması sorunu karmaşıklaştırır. Tüm ağ iyileştirme problemini iki aşamaya ayırmaya çalışıyoruz: tasarım ve değerlendirme. Sorun basitleştirilmiş olsa da, tam karar verme süreci genellikle her aşamadaki hedefin dinamik ve değişken olması gerektiğini düşünür. Bu nedenle, problemleri yakalamak ve problemin başlangıcında mantıksız koşullardan kaçınmak için amaçların / hedeflerin dikkate alınması önemlidir. 2. Toplumumuzda, farklı bakış açılarından birçok ihtiyaç maddesi, yol güvenliği, kamuoyu ve sosyal fayda gibi önemli faktörleri gösterir. Bunlara daha fazla düşünülürse, alınan kararlar pratik konularla daha iyi ilgili olacaktır. 3. Planlayıcılar ve karar vericiler arasındaki iletişim ve etkileşim önemlidir ve karar vermenin kalitesini etkileyebilir. Bu nedenle, karar vermenin etkili yardımcı yardımcılarının kombinasyonu, karar vericinin planlama önlemlerine ilişkin değişiklikleri daha iyi kontrol edebilmesi ve problemleri çözmek için etkileşimli çok amaçlı karar verme tekniklerinin kullanılabilmesi için gerekli hale gelmiştir. 4. Bu bölümde bir O-D matrisinin sabit olduğu ve pratik bir duruma karşılık gelmediği varsayılmaktadır. Çeşitli O-D seyahat talebi için NDP'ler hakkında daha fazla araştırma yapılması gerekecektir. 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 (20) – 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.

Hesaplama deneyleri, bu açıklayıcı örneğin analizine benzer şekilde gerçekleştirildi. Özellikle n = 4, 5, 6, …, 13 üyeli setler kabul edildi. Her durum için, tüm olası n1 ve nz değer çiftleri dikkate alınmıştır. Örneğin, n = 6 durumunda, (nj, n2) çiftleri şunlardı: (3,3), (3,4), (3,5), (4,4), (4,5), ve (5,5). Bu şekilde, önceki n değerleri için n, nj ve n2 değerlerinin toplam 170 farklı kombinasyonu üretildi. Bu değerler, türetilmiş hesaplama sonuçlarıyla birlikte (A, B, C ve D bölümleri) gösterilmektedir.

Bu tür her durum için, 100 rastgele problem oluşturulmuş ve LP olmayan ve LP yaklaşımları tarafından türetilen sıralamanın, CDP matrisi özdeğer yaklaşımı yaklaşımı ile işlendiğinde elde edilen sıralamayla aynı olup olmadığını görmek için test edilmiştir. Bazen n> 13 olan LP formülasyonunun aşırı CPU süresi gerektirdiğini (100 rastgele test probleminin çözülmesi gerektiğinde) ve bu nedenle n> 13 değerlerinin daha fazla düşünülmeden çıkarıldığına dikkat edin.

Bu tür rastgele problemlerin her biri için gerçek nispi ağırlıklar sayısal örnekteki gibi kabul edildi. Bununla birlikte, Saaty matrisleri kümedeki değerleri kullandığından: {9, 8,7, …, 2, 1, 112, …, 117, 118, 1I9} yalnızca RCP matrisleriyle ilişkili rastgele problemler sürekli aralık [9, 119] içindeki girişler dikkate alındı. Bu hesaplama sonuçları bir sonraki bölümde daha ayrıntılı olarak açıklanmaktadır.

HESAPLAMALI SONUÇLARIN ANALİZİ

Hesaplama sonuçlarınönceki bölümlerde sunulmuştur (bölüm A, B, C ve D). Bu tablodaki ilk üç sütun sırasıyla n, nj ve nZ değerlerini gösterir. Dördüncü sütun, mevcut karşılaştırmaların sayısının ortak ikili karşılaştırmaların (PC’ler) yüzdesini verir. Ayrıca, beşinci sütun, toplam karşılaştırma sayısının mevcut ikili karşılaştırmalarının yüzdesini sunar. Son olarak, bu tablodaki son iki sütun, LP ve LP olmayan yaklaşımlar altında çelişki sayısını (türetilen sıralama orijinal CDP matrisi tarafından türetilen sıralamadan farklı olduğunda Le.) Göstermektedir.

Örneğin,  (bölüm A) yedinci satırı düşünün. Bu satırda sayılar var: [3, 5, 6, 8.33, 80, 8, 10]. Bu durumda, orijinal setin boyutu 6’ya eşittir. Aynı veriler, birinci alt-kümenin ilk 3 elemandan oluştuğunu, ikincisinin ise son 5 elemandan oluştuğunu göstermektedir.

N, nj ve n2 değerlerinden, mevcut karşılaştırmaların sayısının 12’ye eşit olduğunu, ortak karşılaştırmaların sayısının 1 olduğunu ve olası tüm karşılaştırmaların sayısının 15’e eşit olduğunu doğrulayabiliriz. karşılaştırmalar,% 8.33 yaygındır ve mevcut karşılaştırmalar tüm olası karşılaştırmaların% 80.00’ını temsil etmektedir.

LP yaklaşımı, önceki özelliklere sahip rastgele oluşturulmuş 100 test problemine uygulandığında, 8 durumda (yani vakaların% 8’i) türetilen sıralama, karşılık gelen CDP matrislerinin ima ettiğinden farklıydı. LP olmayan yaklaşımın kullanılması durumunda, aynı oran% 10’a (veya 100 rastgele kopyadan 10 vaka) eşitti.

Bu sonuçlar aynı zamanda gösterilmiştir. Sırasıyla LP ve LP olmayan yaklaşımlar kullanıldığında, farklı boyut kümeleri için hata oranlarını göstermektedir. Bu şekillerde hata oranları, setin büyüklüğünün (yani n değeri) ve mevcut karşılaştırmaların yüzdesinin (yani Tablo 6-2’deki beşinci sütun, tüm bölümler) bir fonksiyonu olarak sunulmuştur. Aynı zamanda farklı kümeler için hata oranlarını da göstermektedir, ancak şimdi bunun yerine ortak karşılaştırmaların yüzdesi kullanılmaktadır.

Sonuçlar tüm set boyutlarının ortalamaları cinsinden olduğunda iki yaklaşımın hata oranlarını göstermektedir. Sadece iki eğrinin olmasının nedeni budur; biri LP yaklaşımının performansını, diğeri LP olmayan yaklaşımın performansını temsil etmektedir. Mevcut karşılaştırmalara atıfta bulunurken, ortak karşılaştırmalara atıfta bulunmaktadır.

Önceki sonuçlardan bir dizi ilginç sonuç çıkarılabilir. Her şeyden önce, doğal olduğu için, ortak karşılaştırmaların yüzdesi mevcut karşılaştırmaların sayısıyla birlikte artar. Daha büyük set boyutları için hata oranlarının daha düşük olduğunu gözlemleyebiliriz. Ayrıca, DP yaklaşımı ortalama olarak daha düşük hata oranları verir. İki yaklaşımın etkinliği daha şeffaf hale gelmektedir.

Mevcut veya genel karşılaştırmaların yüzdeleri düşük olduğunda, her iki yöntemin de çok yüksek hata oranlarına neden olduğu için güvenilmez olduğunu gözlemleyebiliriz. Örneğin, mevcut karşılaştırmaların yüzdesi% 50’den azsa, her iki yöntem de% 50’den yüksek hata oranları verir.

Bununla birlikte, daha düşük seviyelerdeki hata oranları için, örneğin% 30’dan az, DP yaklaşımı her zaman en iyi yöntemdir. Bu, mevcut karşılaştırmaların yüzdesinin% 80 veya daha yüksek olduğu durumdur. Bu aynı zamanda ortak karşılaştırmaların yüzdesini de göz önünde bulundurduğumuzda geçerlidir. Ortak karşılaştırmaların yüzdesi% 10 veya daha yüksek olduğunda, iki yöntemin% 20’den daha az hata oranlarına sahip olduğunu göstermektedir.

Dahası, LP yaklaşımı tutarlı bir şekilde LP olmayan yaklaşımdan daha iyi performans göstermektedir. Tahmin edildiği gibi, yöntemlerin performansı, mevcut veya ortak karşılaştırmaların yüzdeleri% 100’lük üst sınıra yaklaştığında mükemmele yakınlaşır (Le, hata oranları kaybolur).

Ortak karşılaştırmaların sayısı arttıkça bu sonuçlarda LP yaklaşımının LP olmayan yaklaşımdan daha iyi performans göstermesi, iki yaklaşımın tasarlanma şekli ile doğrudan uyumludur. İki yaklaşımın temel farkı, LP yaklaşımının mutlak hataların toplamını en aza indirmede ortak karşılaştırmaların varlığını kullanmasıdır. LP olmayan yaklaşımda, ortak karşılaştırmalar konusu tamamen göz ardı edilmektedir.

Bununla birlikte, burada ilginç bir şekilde, ortak karşılaştırmaların yüzdesi çok yüksek olduğunda (örneğin,% 60’tan fazla), LP olmayan yaklaşımın LP yaklaşımı kadar iyi olduğunu gözlemlemek ilginçtir. Dahası, LP olmayan yaklaşım son derece basittir.

SONUÇLAR

Bu bölüm, büyük bir ikili karşılaştırma kümesini iki alt kümeye ayırma sorununu inceledi. Bu iki alt kümenin bazı ortak karşılaştırmaları olabilir. Bu alt kümeler, hep birlikte ele alındıklarından çok, bu iki alt küme içinde daha benzer olan öğe grupları tarafından tanımlanabilir. İki yaklaşım geliştirildi ve test edildi. Birincisi basit bir yaklaşımdır, ikincisi ise bir LP formülasyonuna dayanmaktadır. Her iki yaklaşım da önce eksik karşılaştırmaları tahmin etmeye ve ardından tüm ikili karşılaştırmaları kullanarak göreli öncelikleri ve sıralamaları türetmeye çalışır. LP formülasyonu, eksik karşılaştırmalardaki mutlak hataların toplamını en aza indirmeye çalışır.

Simülasyon sonuçları, LP yaklaşımının LP olmayan yaklaşımdan tutarlı bir şekilde daha iyi olduğunu göstermektedir. Ayrıca, bu yaklaşımın etkinliği, ortak karşılaştırmaların miktarı ile artmaktadır. Burada ayrıca, bu alandaki gelecekteki araştırmalar için ilginç bir konunun, ikiden fazla alt kümeye karşılaştırılacak geniş bir öğe kümesinin nasıl ayrıştırılacağı olabileceği de belirtilmelidir.

Son olarak, bu bölümdeki hesaplama sonuçlarının rastgele verilerin üretilme şekline bağlı olduğuna dikkat etmek önemlidir. Rastgele veriler diğer dağıtımlardan üretilirse, hesaplama sonuçlarının farklı olması mümkündür.

Bununla birlikte, LP yaklaşımının LP olmayan yaklaşımdan daha iyi performans göstereceği ve dahası, giriş verilerinin miktarı ile iyileştirme performansının (girdi verilerini daha kapsamlı bir şekilde işlediği için) hala yüksek olacağı tahmin edilebilir. İkili karşılaştırmalardan göreceli ağırlıkların türetilmesi, MCDM problem çözmede popüler bir yaklaşım olduğundan, gerekli veri miktarını azaltmanın yollarını bulmak kritik öneme sahiptir.

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