ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (31) – KAPSAMLI BİR NUMERİK ÖRNEK – 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.

KAPSAMLI BİR NUMERİK ÖRNEK

Bu örnekte, Bölüm 6.2’de daha önce açıklanan açıklayıcı örnekteki ile aynı verileri kullanıyoruz. Bu nedenle, ilgili DP modelinin 14 değişkeni ve 6 kısıtlaması olacaktır (çünkü n = 5, n, = 4 ve nz = 3).

Bu nedenle, bu sayısal örnek için DP formülasyonunun kısıtlamaları aşağıdaki gibidir:

X’5 0.583 + P’5 – n’5
X25 = 0,325 + P25-n25
X’5 2.000 X25 + P’525 – N’525

Bu noktada, doğrudan PI515 = N I515 = P2515 = N2525 = O ayarlayabildiğimiz için son iki kısıtlamanın gereksiz olduğu gözlemlenebilir. Genel olarak, her zaman P; / = N; / = O ayarlayabiliriz.

Bu gözlem, önceki bölümde tanımlanan DP formülasyonunun burada kullanılanlardan daha az değişken ve kısıtlamaya sahip olabileceğini göstermektedir.

Önceki tartışmalardan, bu örnek için LP formülasyonunun aşağıdaki gibi olduğu anlaşılmaktadır:

Min(f) =
PI5 + n15 + P25 + n25 +
l + P2 / + N2 / + p1525 5 5 5

Bu DP problemine en uygun çözüm: X 15 • = 0.5830, X25 * = 0.2915, n25 • = 0.0335 ve diğer tüm değişkenler sıfıra eşittir. Optimallikteki amaç fonksiyonunun değeri 0,0335’e eşittir.

Bu optimal çözümden, tüm ikili karşılaştırmalarla birlikte 5 x 5 matrisinin (M ‘olarak gösterilir) tamamı değişebilir. Özvektör yaklaşımı (Bölüm 4.2 veya 6.2’de açıklandığı gibi) önceki ikili karşılaştırmalara uygulandığında, aşağıdaki göreli ağırlıklar beş elementin AI ‘A2, A3, A4 ve A5 kümesi için türetilir

LP olmayan yaklaşım kullanılırsa, X / 5 0.583 ve X25 = 0.325 olduğu kolaylıkla doğrulanabilir. Bu nedenle, M “ve p”, sırasıyla ikili karşılaştırmalara sahip matris ve göreli önceliklere sahip vektördür.

BAZI HESAPLAMALI DENEYLER

Hesaplamalı deneyler tasarlarken zorlu bir konu, ilgili verilerin nasıl üretileceğidir. Bu çalışmada, 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 Çift Yönlü (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}.

Başka bir deyişle, burada kişinin i-inci öğesinin j-inci öğeyle karşılaştırıldığında ikili karşılaştırmasının değeri hakkındaki yargılarının o kadar doğru olduğu varsayılmaktadır ki gerçek hayatta en yakın (mutlak değer olarak terimlerin) seçilmesi gereken değerler.

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 Çift Yönlü (CDP) matrisi denir. RCP ve CDP matrislerinin bazı ilgi çekici özellikleri hakkında daha fazla bilgi Bölüm 3.3’te bulunabilir.

Açıklayıcı amaçlar için, {AI ‘A2, A3, A4 ve A5} olarak belirtilen 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 benzer bir yorum geçerlidir. Önceki RCP matrisi verildiğinde, 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 matrisindeki geri kalan girişler için de benzer bir yorum geçerlidir. Önceki CDP matrisi verildiğinde, özvektör yaklaşım yaklaşımı kullanılarak elde edilen göreceli ağırlıklar (öncelikler) farklıdır.

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.

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 Tablo 6-1’de (A, B, C ve D bölümleri) gösterilmektedir (aynı n ve n2 değerleri için sonuçların beşinci sıradaki girişlerin artan sırasına göre sıralandığına dikkat edin. sütun).

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.

BAZI HESAPLAMALI DENEYLER bir dizi alternatif CDP matrisi düşünüldüğünde CDP matrisi özdeğer yaklaşımı ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (31) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma hata analizi Hesaplama deneyleri KAPSAMLI BİR NUMERİK ÖRNEK mutlak değer özvektör yaklaşım tartışılan sayısal örnek tüm ikili karşılaştırmalar

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (31) – KAPSAMLI BİR NUMERİK ÖRNEK – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma