ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (28) – 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. Bu matriste giriş (1, 2) 0.20'ye eşittir çünkü bu değer Tablo 5-1'deki ölçek kullanıldığında 0.18'e en yakın değerdir. Matris B'deki kalan girişler için benzer bir açıklama geçerlidir. Yukarıdaki değerlendirmelerden, matris A'nın Gerçek Sürekli Çift Yönlü (RCP) matris kavramına karşılık geldiği, ancak matris B'nin Bölüm 3.3.1'de ayrıntılı olarak açıklanan En Yakın Ayrık İkili (CDP) matris kavramına karşılık geldiği anlaşılmaktadır. Bu iki matris sınıfı, başlangıçta girdi verileri olarak ikili karşılaştırmaları kullanan karar verme problemlerinde belirli fenomenleri incelemek için tanıtıldı. Ayrıca, karar vericinin W'nin sıralamasını belirlediğini varsayalım; benzerlik değerleri (W; değerlerinin karar vericinin bilmediğini hatırlayın) aşağıdaki gibidir: WI ~ W2 ~ W3 ~ W4  Karar verici, yukarıdaki sonuca, ilk olarak n birimden hangisinin en yüksek benzerlik özelliğine sahip olduğunu, ardından hangisinin en yüksek ikinci dereceye sahip olduğunu vb. Sorarak ulaşabilir. Bu noktada, karar vericinin aşağıdaki değerleri tahmin etmesi gerekmez. Wit W2, W3, ..., Wn • Sadece göreceli sıralamasını belirlemesi gerekiyor. Önceki bölümde belirtildiği gibi bu ikinci dereceden programlama problem C3n = n (n - 1) (n - 2) / 6 doğrusal kısıtlamaya sahiptir. Dahası, amaç işlevi her zaman dışbükeydir. Bu soruna en uygun çözümü bulmak için, önce Lagrangian çarpanını Ai ile i-inci kısıtını ilişkilendirip Lagrangian fonksiyonunu oluşturmamız gerekir. Yukarıdaki matris, N-1 seviyesindedir. Bu doğrudur çünkü herhangi bir sütun (veya satır), kalan sütunlara (veya satırlara) doğrusal olarak bağımlıdır ve kalan sütunlar (satırlar) doğrusal olarak bağımsızdır. Bu nedenle, \ değişkenlerinden herhangi biri rastgele bir değere ayarlanabilir ve ardından kalan N-1 değişkenleri için çözümlenebilir. Daha sonra Xu değişkenleri sistemdeki ilk ilişkiden belirlenebilir. Örneğin, mevcut örnekte A4 = O ayarladığımızı varsayalım. Bu örneğin sayısal verileri ise, lineer sistem çözümünü verir. Önceki Ai değerlerinden ve (iii) 'teki ilk ilişkiden, orijinal ikinci dereceden programlama problemine aşağıdaki optimal çözüm türetilmiştir: Burada, önceki optimal çözümün Ai değerlerinden bağımsız olduğu vurgulanmalıdır. Bunu görmek için, varsayalım ki A 've A "(burada t.!; T. A") sistem (iii)' de ikinci ilişki ile gösterilen denklemlerin iki çözümüdür. O zaman aşağıdaki türetmeler doğrudur: AATA '= AATA "= -A I veya: AAT (A'-A") = O. AA T matrisinin yapısından (daha önce gösterildiği gibi), ifadenin (5-7) ancak ve ancak fark (AI - A ") aşağıdaki vektöre eşit olması durumunda doğru olduğu sonucuna da varır: Farkla ilgili önceki gözlem (AI - A ") göz önüne alındığında, A \ matrisinin ve (iii) ilişkilerinin yapısı, aşağıdaki ilişkilerin de doğru olduğu sonucu çıkar: Xl - X "= AT (AI - A") = 0 veya: Xl = X ", burada Xl = i + AT AI ve X "= t + AT A". Başka bir deyişle, sistem (iii) sonsuz sayıda Ai çözümüne sahip olsa da, optimal çözüm X benzersizdir. Daha önce belirtildiği gibi, bu aynı zamanda orijinal ikinci dereceden programlama problemi için en uygun çözümdür. Genel olarak, n tane varlık varsa, karşılaştırılacak olursa, elde edilen doğrusal denklem sistemi C3n - 1 = n (n-l) (n-2) / 6 - 1 gerçek değerli değişkenlere ve aynı sayıda denkleme de sahiptir. İfade (5-2) ve önceki en iyi çözüm X'i kullanarak, karar verici n birim arasındaki tahmini benzerlik ilişkilerini aij 'belirleyebilir. Burada, bu özel açıklayıcı örnek için bu tahminlerin, matris B'de sunulan orijinal girdi verilerinden (yani, göreli benzerliğin ikili karşılaştırmaları) daha yakın matris A'daki gerçek değerlere daha yakın olduğunu gözlemlemek de ilginçtir. Burada ortaya çıkan kritik bir konu, önerilen ikili karşılaştırma yaklaşımının her zaman işe yarayıp yaramadığıdır. İkili karşılaştırmaların yanlış sonuçlar verebileceği tek bir durum vardır. Bu, + ak j'nin mümkün olan her şey için geçerli olmadığı durumdur. Üçgen özelliği indekslerinin ai k kombinasyonlarını da içerir. Göreli benzerliğin ikili karşılaştırmalarının tanımından, üçgen eşitsizliğin her zaman karşılanması gerektiği varsayılmıştır. Bu, birçok karar vericinin benzerlik kavramı ile mesafe kavramı arasında yakın bir ilişki olduğu yönündeki sezgisel hissini yakalamak için tanıtıldı. Bu nedenle, karar verici, üçgen özelliğin olası tüm kombinasyonlar için geçerli olmadığı bir duruma ulaşırsa, o zaman karşılaştırmalı yargılarının bir kısmının veya tamamının, üçgen özellik tüm endeks kombinasyonları için geçerli oluncaya kadar gözden geçirilmesi gerekir. Buradaki bir diğer ilginç konu ise önerilen yaklaşımın her zaman uygulanabilir bir çözüme ulaştığını gözlemlemektir. Bu gerçekten de böyledir çünkü (i) probleminin eşdeğer formuna (iii) dönüşmesinden A değişkenlerinin ortaya çıkmasıdır; (i = 1, 2, _3, ..., N için) her zaman hesaplanabilir. Dahası, çözüm vektörü X, negatif bir elemana da sahip olamaz (ve dolayısıyla uygulanabilir olamaz). Çözüm vektörü X'teki bir element negatifse, sistem (iii) ve A matrisinin (5-4) olarak ifade edilen kısıtların katsayılarından oluşması, ifadenin kısıtlanmasına da bağlıdır. Ancak, yukarıdaki durum aile 2 :: aij + ajk (herhangi bir n 2 :: i, j, k 2 :: 1 için) üçgen özelliğinden ve aij = aji (herhangi bir n 2 için: : i, j 2 :: 1) akj + aij - aile ifadesinin asla negatif olamayacağı sonucu çıkar. Bu nedenle, önerilen yaklaşım her zaman uygulanabilir (ve ardışık olarak optimal) ve bir çözüme de ulaşır. SONUÇLAR Bu bölüm, n birim arasındaki benzerlik ilişkilerini tahmin etmek için bir yaklaşım sundu. İkili karşılaştırmalar, birçok karar verme problemi için ilgili verileri çıkarma aracı olarak yoğun bir şekilde kullanılmıştır (önceki bölümlerde tartışıldığı gibi). Bu şekilde, bir uzmanın kesin olmayan yargıları işlenebilir ve bir problemin bilinmeyen parametrelerinin doğru tahminleri de elde edilebilir. Geçmişte, bir dizi (alternatifler veya kriterler) üyeleri arasındaki göreceli önemi tahmin etmek için ikili karşılaştırmalar kullanılmıştır. Bu bağlamda, ikili karşılaştırmalar, her iki varlıkta da mevcut olan bir mülk açısından değerlendirildiklerinde, iki işletmenin göreceli öneminin oranını da tahmin 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 KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (42) – PERFORMANSIN EN KRİTİK ÖLÇÜSÜNÜN BELİRLENMESİ – 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.


AHP VEYA WSM METODU KULLANILDIĞINDA

01,1,2 MİKTARININ HESAPLANMASI

Fikirleri düzeltmeye yardımcı olmak için, C1 ve A2 alternatiflerinin sıralaması tersine dönecek şekilde C1 kriterinin W 1 önem ağırlığındaki minimum değişikliği belirlemek istediğimizi varsayalım ((8-1) ‘de şu anda bu: P1 ~ P2). Bölümün ana kısmında tanıtıldığı gibi, Ok, i, j (1 ::; i <j ::; m ve 1 ::; k ::; n için) şu anki ağırlığındaki minimum değişikliktir. Ai ve Aj alternatiflerinin sıralaması tersine çevrilecek şekilde Ck kriteri. Mevcut ortamda şunlara sahibiz: k = 1, i = 1 ve j = 2. Bu nedenle, ilk kriterin W * 1 ‘olarak gösterilen yeni (Le., Değiştirilmiş) ağırlığı:

  • W; = WI – 01.1.2 olur.

Bölüm 1.1’de verilen tanımlarda belirtildiği gibi, genellikle kriter ağırlıkları toplamı bire kadar normalleştirilir. Bu nedenle, W I i olarak gösterilen yeni normalleştirilmiş ağırlıklar farklı olacaktır:

Yeni ağırlıklar W Ii (i = 1, 2, …, n için) verildiğinde, yeni sıralama için koşulları ifade etmek gerekir. P I1 ve p I2, sırasıyla A1 ve Ab alternatifleri için yeni nihai tercih değerlerini göstersin. Önceki iki alternatifin yeni sıralamasının tersine çevrilmesi istendiğinden, aşağıdaki ilişki sağlanmalıdır:

WSM (veya AHP) modeli kullanıldığından, önceki iki tercih değeri formüllerle verilir: Böylece, yukarıdaki iki pi] ve pl 2 tanımı (A3) üzerine uygulandığında, aşağıdaki ilişki türetilir: (A4) ve (AI) birleştirilir. Yukarıdaki türevler kolaylıkla genişletilebilir ve Teorem 8-1’de genelleştirilebilir.

WPM METODU KULLANILDIĞINDA 01,1,2 MİKTARININ HESAPLANMASI

Önceki alt bölümde olduğu gibi, WPM yöntemi kullanıldığında 0J, J, 2 miktarını belirlemekle ilgilendiğimizi varsayalım. Bölüm 2.2.2’deki (2-2) ilişkisinden, aşağıdaki oran birden büyük veya eşit olduğunda alternatif Al’nin alternatif A2’den daha çok tercih edildiğini hatırlayın.

Ayrıca, (8-1) ilişkisindeki sıralamaya göre, şu anda PI ~ P2 olduğu varsayılmaktadır. P / ve p / sırasıyla önceki iki alternatifin yeni tercihlerini göstersin. Daha sonra, bu iki alternatifin sıralaması tersine çevrildiğinde, tercihler üzerindeki ilişki şu hale gelir: p / <P / ‘Ayrıca, şimdi (A6)’ da tanımlanan oranın kesinlikle birden az olması gerektiği gözlemlenebilir.

Yeni ağırlıkları (yani, birinci kriterin ağırlığı değiştirildikten sonra türetilenler) (A6) ile değiştirerek ilişkiler türetilir.

Önceki ilişkilerde yeni normalleştirilmiş ağırlıklar aşağıdaki gibidir: Önceki ifadede ilişki (A7) kullanıldığında, bazı basit cebirsel işlemlerden sonra aşağıdaki ilişki elde edilir: Yukarıdaki türevler kolayca genişletilebilir ve Teoremde genelleştirilebilir.


WSM METODU KULLANILDIĞINDA

T3,4, S MİKTARININ HESAPLANMASI

WSM yöntemi, alternatif Ai’nin son tercihi Pi’nin Bölüm 2.2.1’deki ilişkiye (2-1) göre elde edildiği bir eklemeli MCDM modelidir. Yeni tercihleri, yani performansın aif ölçümündeki değişiklikten sonraki tercihlerini ​​belirtir.

Daha önce olduğu gibi, A2 ve A3 alternatifleri arasındaki gerçek sıralamayı tersine çevirmekle ilgilendiğimizi varsayalım, ki bu şu anda (8-1): P2 ~ P3 ilişkisinden gelir. Aşağıdaki ilişkiyi elde etmek için gereken a34 performans ölçüsünün T3,4,2 değeri, ilişki (2-1), (A9) ‘a uygulandığında türetilir.

Bu nedenle, iki alternatifin sıralamasını tersine çevirmek için A2 farklı bir ilişkiyi sağlamalıdır. Ayrıca, yeni d34 için koşullar da sağlanmalıdır. 

Önceki ilişkilerden, uygulanabilir bir anlama sahip olması için 7 3,4,2 değerinin a34’ten küçük veya eşit olması gerektiği görülmektedir.

Sonra, değiştirmek istediğimiz performans ölçüsünün yine a34 olduğunu varsayalım, ancak şimdi A3 ve A5 alternatifleri arasındaki sıralamayı tersine çevirmek istiyoruz. Daha sonra, öncekine benzer bir yaklaşım izleyerek, iki alternatif A3 ve A5’in mevcut sıralamasını tersine çevirmek için, 73,4,5 eşik değerinin aşağıdaki ilişkiyi sağlaması gerektiği çıkarılabilir.

Ayrıca, yeni a / 34 değerinin uygulanabilir bir anlamı olması için aşağıdaki koşul sağlanmalıdır. Yukarıdaki türevler kolaylıkla genişletilebilir ve Teorem 8-3’te genelleştirilebilir.

AHP METODU KULLANILDIĞINDA

T’3,4,5 MİKTARININ HESAPLANMASI

İlginin, Ai ve Ak alternatifleri arasındaki sıralamayı tersine çevirmek olduğunu varsayalım, Tanım 8-6’da belirtildiği gibi, eşik değeri 7 i,}, k (i ~ k, 1 ::: ;; i, k: :: ;; m ve 1 ::: ;; j ::: ;; n) ay performans ölçüsünün mevcut değerindeki minimum değişikliktir, öyle ki iki alternatif Ai ve Ak arasındaki sıralama tersine çevrilir,  değiştirilmiş ay performans ölçüsünü gösterir.

Yani:

a’y = ay- 7i, i, k ‘(AlO) ana fikirlerin kolay bir gösterimi için, A2 ve A3 alternatifleri arasındaki mevcut sıralamayı tersine çevirmekle ilgilendiğimizi varsayalım burada P2 ~ P3, 8-1 »A34 değerini değiştirerek (sadece) hesaplamak gerekir.

Bu nedenle, aşağıdakileri elde etmek için gerekli olan 7 3,4,2 eşik değerini belirlemek gerekir. İlişki (burada P / 2 ve P / 3, sırasıyla A2 ve A3) alternatiflerinin yeni nihai tercih değerlerini belirtir.

  • pl2 <p13 

AHP’nin aij değerlerinin normalleştirilmesini gerektirdiğini hatırlayın. Ayrıca, a * 34 (= a34 – 73,4,2) ‘nin değiştirilmiş aij değerini ifade ettiği fark edilebilir.  Ayrıca, ilişkilerin paydası (A12) aşağıdaki gibi ilişki (AlO) kullanılarak basitleştirilebilir.

Ayrıca, yeni a l34 değerinin uygulanabilir bir anlamı olması için koşulları da sağlanmalıdır. Önceki ilişkilerden, uygulanabilir bir değere sahip olmak için T3,4,2 miktarının [a34, a34 – 1] aralığında olması gerektiği görülmektedir.

Şimdi, değiştirilecek performans ölçüsünün yine a34 olduğunu varsayalım, ancak şimdi A3 ve Aj alternatifleri arasındaki sıralamayı tersine çevirmek istiyoruz ((8-1) ‘den şimdi P3 ~ Pj’ye sahip olduğumuza dikkat edin). Daha sonra, daha önce olduğu gibi benzer bir yaklaşım izleyerek, A3 ve Aj alternatiflerinin mevcut sıralamasını tersine çevirmek için, a34 performans ölçüsünü değiştirerek, minimum miktar T3,4,5 bu ilişkiyi sağlamalıdır.

Yeni d34 değerinin uygulanabilir bir anlamı olması için aşağıdaki koşul da sağlanmalıdır:

  • ‘t “3,4,5 ~ a34 ·

Yukarıdaki türevler kolayca genişletilebilir ve Teoremde genelleştirilebilir.

T ‘3,4,5 MİKTARININ HESAPLANMASI
WPM YÖNTEMİ KULLANIMI

Bu alt bölümde, önceki alt bölümlerde olduğu gibi benzer bir gelişimsel yaklaşım izliyoruz. WPM modelinde, alternatif Ai’nin alternatif Ak’dan daha fazla tercih edilir R (A / A.) Oranı birden büyük veya ona eşit olmalıdır. Performans ölçüsünde meydana gelen Oi, j, k değişiminden sonraki yeni oranı RI (A / A.) olarak belirtiyoruz. Yeni oran R I (A / A.) Kesinlikle birden az olmalıdır. A2 ve A3 alternatifleri arasında bir sıra ters çevirme elde etmek için eşik değeri 73,4,2’yi bulmak istiyoruz. 


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.