ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (27) – DUYARLILIK ANALİZİ YAKLAŞIMI – 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.
Bununla birlikte, göreli benzerliğin ikili karşılaştırmaları durumunda, karşılaştırmalı yargılar, belirli bir özelliğin varlık çiftlerinde mevcut olma derecesinin farkını ifade eder. Bu nedenle, bu tür ikili karşılaştırmalarla oluşturulan matrisler simetriktir. Yani şu ifade şimdi doğrudur:
- aij = aji ‘(n ~ i, j ~ 1 için).
Göreceli benzerliğin her ikili karşılaştırması, aij (n ~ i, j ~ 1 için), karar vericinin derecelerin I ~ – ~ I mutlak farkına ilişkin değerlendirmesini temsil eder i-th ve j’de belirli bir özellik mevcuttur. sırayla -th varlık. Bu tür karşılaştırmalar söz konusu olduğunda, karar verici doğrudan çiftlikler arasındaki benzerlik ilişkilerine odaklanır.
Buradaki ilgi ~ değerlerinin nasıl tahmin edileceği değil, bunun yerine, önceki farkların I ~ – ~ I nasıl tahmin edileceğidir.
Karar verici, benzerlik ölçeği kullanmakla sınırlı olduğundan, ayrık seçimler, iki metodolojik problem ortaya çıkar. İlk sorun, benzerlik karşılaştırmalarının nasıl ölçüleceğidir.
İkinci sorun, tüm n (n – 1) / 2 olası ikili karşılaştırmaların nasıl birleştirileceği ve n birim arasındaki gerçek benzerlik ilişkilerinin nasıl tahmin edileceğidir. Burada, ayrı bir benzerlik ölçeğiyle verilen seçimlerle ilişkili sayısal değerler ne olursa olsun, benzerlik ikili karşılaştırmalarını birleştirmeye ve gerçek benzerlik ilişkilerini tahmin etmeye her zaman ihtiyaç olduğu belirtilmelidir. Görünüşe göre, bu iki problem önceki bölümlerde anlatılan problemlere benzer.
Göreli Benzerliğin İkili Karşılaştırmalarının Ölçülmesi
Göreceli öneme sahip ikili karşılaştırmalarda olduğu gibi, göreli benzerliğin ikili karşılaştırmalarını ölçmek için bir ölçeğe ihtiyaç vardır. Bir karar verici, yargılarına doğrudan sayısal değerler atayamaz. Bunun yerine, karşılaştırmalı yargılarını verimli ve etkili bir şekilde değerlendirmek için bazı dilbilimsel ifadeler kullanabilir.
1846’da Weber tarafından ve daha sonra Miller tarafından, göreli öneme sahip ikili karşılaştırmaları ölçmek için ölçek geliştirmede kullanılan gözlemler, benzerlik temelli karşılaştırmalarla uğraşırken de uygulanabilir.
Bu bölümün ana amacı benzerlik temelli bir ölçek geliştirmek olmasa da, böyle bir ölçek sunulmuştur. Bu ölçek dil seçimi olarak [Ruspini, 1991] ‘de vurgulanan sembolik yapıların bir uzantısını kullanır.
Daha önce gösterilen ölçeklerin bu ölçekle yakından incelendiğinde, önerilen ölçeğin varlıkların göreceli önemi yerine açıkça benzerlik ilişkilerine odaklandığı ortaya çıkar.
Çok Amaçlı Karar Verme Yöntemleri ile ilgili aramalar
Çok kriterli karar verme yöntemleri ppt
Çok Kriterli karar Verme yöntemleri PDF
Çok kriterli karar verme problemleri
Çok amaçlı karar verme YÖNTEMLERİ
Çok kriterli karar VERME yöntemleri sınıflandırma
Çok KRİTERLİ Karar Verme yöntemleri tez
Çok KRİTERLİ KARAR VERME YÖNTEMLERİ sınıflandırma
TOPSIS yöntemi
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” neredeyse 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 = WW
1’e, ancak ve ancak aij değeri (karar verici tarafından verilen) ve gerçek değer (Xij aynı ve aij> O ise). Aksi takdirde, Xij 1 olmaktan ne kadar uzaksa, iki değer aij ve (Xij vardır.
Bu noktada, genelliği kaybetmeden, değerler arasında aşağıdaki sıralamanın var olduğunu varsayalım.
- WI ‘W 2, W 3, …, Wn: WI ~ W2 ~ W3 ~’ “~ Wn ·
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 türetilmiştir:
İlgili n tane varlık verildiğinde, önceki gibi olası ifadeler vardır. 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 kareler toplamını en aza indiren Xij değerlerini bulmak için, hata karelerinin toplamını en aza indirme kavramı çok yaygındır.
Bilim ve mühendislikte birçok hata tahmin probleminde (ayrıca Bölüm 4.3 ve 4.4’e bakınız). İfade (5-5), ancak ve ancak tüm Xi} değişkenleri 1’e eşitse optimum 0 değerine ulaşır. Önceki tartışmadan, n (n – l) (n – 2) / 6 tür ifadeleri izlenir. 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, gerçek (dolayısıyla karar vericinin bilmediği) WI’ W2, W3 • ve W4 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.
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 Amaçlı Karar Verme Yöntemleri Çok kriterli karar verme problemleri Çok Kriterli karar Verme yöntemleri PDF Çok kriterli karar verme yöntemleri ppt Çok kriterli karar VERME yöntemleri sınıflandırma Çok KRİTERLİ Karar Verme yöntemleri tez ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (27) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma Göreli Benzerliğin İkili Karşılaştırmalarını İşleme Göreli Benzerliğin İkili Karşılaştırmalarının Ölçülmesi göreli benzerliğin ikili karşılaştırması ikili karşılaştırmaların nasıl birleştirileceği İkili Karşılaştırmalarının Ölçülmesi Kapsamlı Bir Sayısal Örnek TOPSIS yöntemi