ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (44) – HESAPLAMALI SONUÇLARIN ANALİZİ – 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.
PROBLEM AÇIKLAMASI
Bu bölümde incelenen ana sorun, en iyi şekilde açıklayıcı bir örnekle açıklanmaktadır. Karar vericinin ikili karşılaştırmaları kullanarak göreceli ağırlıklarını bulmak istediği, örneğin AI 'A2, A3, A4 ve As gibi beş varlık olduğunu varsayalım. Bu varlıklar bir MCDM sorununun alternatifleri olabilir ve karar verici tek bir karar kriteri açısından göreceli ağırlıklarını (veya önceliklerini) bulmak ister. Ayrıca, bu beş varlık aşağıdaki gibi dört ve üç üyeli iki alt kümede gruplandırıldığında karar vericinin ikili karşılaştırmalara sahip olduğunu varsayalım: İlk alt küme: {At, A2, A3, A4} iken, ikinci alt küme: {A3 'A4, As} olur.
Aşağıdaki iki matris Ml ve Ml, sırasıyla önceki iki alt küme için ikili karşılaştırmalara sahip karşılıklı matrisler olsun.
Bu bölümde, matristen bağımsız olarak aynı varlık çifti için ikili karşılaştırmaların her zaman aynı olduğu varsayılır. Bu, A3 ve A4 öğeleri arasındaki karşılaştırmanın hem Ml hem de Ml matrislerinde aynı (yani, 0.333'e eşit) olmasının nedenidir.
Önceki matrislerin her ikisinin de tatmin edici bir şekilde tutarlı olduğu (yani, CI değerlerinin 0.10'dan düşük olduğu) doğrulanabilir ve bu nedenle, iki eleman grubunun göreli önceliklerini türetmek için kullanılabilirler. [Saaty, 1980] 'de veya Bölüm 4.2'de, karşılıklı matrislerden göreli önem ağırlıklarını tahmin etmenin etkili bir yolu açıklanmaktadır. Bu prosedüre göre, kişi önce her sıranın geometrik ortalamasını hesaplamak ve sonra bu araçları normalleştirerek toplamı 1 olmalıdır. Bu prosedür önceki iki Ml ve M2 matrisine uygulandığında, ardından takip eden iki PI ve P2 vektörü göreceli öncelikler sırasıyla türetilir.
Birinci vektörden A3 ve A4 elemanlarının göreli önceliklerinin oranının 0.3488'e (= 0.1855 / 0.5318) eşit olduğu, ikinci vektörden ise aynı oranın 0.3028'e (= 0.1634 / 0.5396) eşit olduğu görülmektedir. . Bu nedenle, bu örnekte cevaplamaya çalıştığımız soru, beş unsurun tümü birlikte düşünüldüğünde göreli öncelikler nelerdir?
Önceki iki matris, beş öğenin tamamında tanımlanan daha büyük bir matrisin parçaları olarak görüntülenebilir. Ml ve Ml matrisleri birleştirildiğinde, aşağıdaki 5 x 5 matris M türetilir (burada "*", belirsiz bir karşılaştırmayı belirtir):
Diğer bir deyişle, yalnızca iki çift {At> As} ve {A2 'As} için karşılaştırmalar eksiktir.
Daha sonra, matrisi n elementleri için tüm olası karşılaştırmalarla ele alıyoruz. Daha sonra yukarıdaki hususlardan, karar vericinin aşağıdaki karşılaştırmaları sunduğu anlaşılmaktadır:
aij 'fori, j = 1,2,3, ..., nt>
ve aij için i, j = liz, (nz + l), (lIz + 2), ..., n.
i = (nl + 1), (nl + 2), ..., n, ve j = 1,2,3, ..., (nz-l) belirsizdir (aj i = 11aij olduğunu hatırlayın). Başka bir deyişle, n (n - 1) / 2 karşılaştırmalı n x n matrisinin daha önce gösterildiği gibi alt matrislere bölündüğü görülebilir.
Sonraki bölümde eksik karşılaştırmaları tahmin etmek için iki prosedür geliştirildi. İlk prosedür basit ve anlaşılırken, ikinci prosedür bir hata minimizasyon stratejisi dener ve doğrusal bir programlama (LP) formülasyonuna dayanır.
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.
İlişkiden (6-1), mükemmel tutarlı durumda, eksik karşılaştırmalar (burada Xij olarak belirtilmiştir) aşağıdaki gibi belirlenebilir.
Tutarsız durumlarda, önceki ilişki (6-2) her zaman doğru değildir. Ancak bilinmeyen terimler Xij'in aik X ajk ürünlerine olabildiğince yakın olması beklenebilir. Bu nedenle, bilinmeyen Xij terimlerini tüm olası ürünlerin (aritmetik) ortalamaları olarak belirlemek mantıklıdır. Diğer bir deyişle, Xij terimlerini aşağıdaki gibi hesaplamanın basit bir yolu vardır.
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).
(6-4) ilişkisinin, herhangi bir i için,} = 1,2,3, .. "n, au = lIaji olgusundan doğrudan kaynaklandığına dikkat edilmelidir.
Doğrusal Programlama Yaklaşımı
Önceki yaklaşım değiştirilebilir ve daha sofistike bir prosedüre dönüştürülebilir, ne zaman ilişkiyi dahil etmek istiyorsa (6-4), o zaman ilişki (6-3) bir eşitlik olarak geçerli olmayabilir.
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 terimini aşağıda ele aldık.
İlişkiler (6-6) ve (6-7), eksik girişleri tahmin etme (ve dolayısıyla nihai nispi ağırlıkları belirleme) problemine makul bir muamelenin, önceki tüm hata terimlerinin toplamını en aza indirmeye çalışmak olduğunu göstermektedir. Karar vericinin yargılarında olabildiğince tutarlı olmaya çalıştığına dair örtük varsayıma uygun olarak, Hatalar olumlu veya olumsuz olabileceğinden, mutlak değerlerinin toplamını en aza indirmek istiyoruz, Dolayısıyla bu düşünce, aşağıdaki DP formülasyonu daha farklı olacaktır.
Önceki DP modelindeki mutlak değerler şu şekilde elimine edilebilir:
Kısıtlar gövdesine aşağıdaki dönüşümlerin tanıtılması gerekir. (yani, önceki iki girdi setinin n1 ve ~ olarak gösterilen kardinalite değerleri).
Yukarıdaki kısıt dönüşümlerine benzer şekilde, önceki amaç fonksiyonu aşağıdaki gibi değiştirilebilir.
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.
Başka bir deyişle:
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.
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 (44) – HESAPLAMALI SONUÇLARIN ANALİZİ – 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.
Matris M2, alternatifA J’nin daha düşük alternatif A’J = (8/18 1111 116) <(9/192112 217) ile ikame edilmesiyle matris Ml’den türetilmiştir. Yani, 9 yerine şimdi 8, şimdi 2 yerine 1 ve 19 yerine şimdi 18 koyulur.
Benzer şekilde, matris M2 için öncelik vektörü ve aynı kriter ağırlıkları (0.224, 0.391, 0.385) ‘dir. Şu anda en iyi alternatifin A2 olduğu açıktır. Son ifade, açıkçası, orijinal sonuçla çelişir, yani en iyi alternatif A3’tür. Bu nedenle, yeni bir daha kötü alternatif (en iyisinden farklı) getirerek, en iyi alternatifin göstergesinde bir değişiklik olması mümkündür.
Örnek 9-2’ye benzer bir şekilde rastgele problemleri (vaka başına 5.000 deneme) çözmek için bir bilgisayar programı yazılmıştır. Yine 100 farklı vaka incelendi. Her rastgele problem, AHP kullanılarak çözüldü ve ardından bir rastgele alternatif (en iyisi değil), Örnek 9-2’ye benzer bir şekilde daha kötü bir alternatifle değiştirildi (yani, hem paydan hem de paydadan 1 çıkararak).
Revize edilmiş AHP ve WPM vakaları da benzer şekilde incelenmiştir. Bununla birlikte, WPM’nin matematiksel yapısı nedeniyle ikinci değerlendirme kriteri açısından test edildiğinde çelişkili sonuçlar vermediği kolayca da gösterilebilir. Aşağıdaki şekiller ve tablolar, yukarıdaki testin sonuçlarını göstermektedir. Etkiyi daha iyi göstermek için aşağıdaki şekillerde dikey ölçeğin değiştirildiğine lütfen dikkat edin. TOPSIS yönteminin durumu Bölüm 9.6’da açıklanmaktadır.
HESAPLAMALI SONUÇLARIN ANALİZİ
Şekil 9-1’de WSM ile AHP yöntemleri arasındaki çelişki oranı, alternatiflerin sayısı arttıkça azalmaktadır. Bu, her bir i = 1 aij girdisini çarpmak için kullanılan miktarların, alternatiflerin sayısı m arttıkça aynı değere (büyük sayılar yasası) yaklaşması nedeniyle oluşur (a / s, 1,2, ..’ye eşit rastgele tam sayılardır. ., 9).
WSM’de her giriş, sonuçları değiştirmeden aynı miktar ile çarpılabilir. Dolayısıyla, AHP, alternatiflerin sayısı arttıkça WSM gibi davranma eğilimindedir.
Yine aynı şekilde, kriter sayısı arttıkça çelişki oranı da artmaktadır. Bu doğrudur çünkü n olarak, ölçüt sayısı,m artar, çarpanların j = 1,2,3 olma olasılığı,i = 1 …, n) önemli ölçüde sapma gösterecektir. Böylece, AHP farklı olabilirbüyük ölçüde WSM’den farklı hesaplanır.
Revize edilmiş AHP yönteminde, çarpanlar miktarlardır(max {aij ‘i = 1,2, …, m}). M (alternatiflerin sayısı) arttıkça, tüm çarpanlar aynı sayıya yani 9’a yönelir. Bu yakınsama çok hızlı olduğu için, AHP bu anlamda WSM’ye çok hızlı yaklaşır.
Kriter sayısı, revize edilmiş AHP’de orijinal AHP ile tamamen aynı rolü oynar. Tek fark, çelişki oranlarının daha küçük olmasıdır, çünkü çarpanlar orijinal AHP’deki kadar farklı değildir.
Şekil 9-3, WPM durumu için çelişki oranını göstermektedir. Bu şekildeki grafiğin şeklini anlamak için, tüm kriterlerin aynı öneme sahip olduğu basit durumu ele alıyoruz. Şekil 9-3’ün amaçları doğrultusunda, WSM’yi matris biçiminde değil, aynı anda yalnızca iki alternatifle (WPM’de yaptığımız gibi) görüntüleyebiliriz.
Şimdi, bir aij girdisinin diğerlerinden çok farklı olması durumunda, WPM’de (bir terim dizisini çarptığı veya böldüğü için) WSM’den (yalnızca ek bir etkiye sahip olduğu) daha fazla etkiye neden olduğunu görebiliriz. Ne kadar çok kriter dahil edilirse, bu fenomenin gerçekleşmesi o kadar muhtemeldir.
Bu nedenle Şekil 9-2’deki oranlar kriter sayısı ile artmaktadır. Bu mantık, alternatiflerin sayısı arttıkça da doğrudur (ayrıca bkz. Tablo 9-3). Dolayısıyla alternatiflerin sayısı arttıkça çelişki oranı da artmaktadır.
Optimum olmayan bir alternatif daha kötü bir alternatifle değiştirildiğinde (AHP durumu için) optimum alternatifin göstergesinin değişim oranı (%), Şekil 9-4’te görülen kriterlerin sayısına da bağlı değildir.
Bunun nedeni, her kriter için aynı sabit değerin (Le., -1) optimum olmayan alternatifi değiştirmek için kullanılmasıdır. Eğer aij sabit bir değer değil (Le., -1) rastgele bir sayı ile değiştirilecekse (test edilmemiş olsa da), çelişki oranının kriter sayısına bağlı olması beklenir. Sabit değer (Le., -1) kullanıldığından, varsa önyargı, revize edilmiş AHP’ye göre orijinal AHP’nin lehine de olacaktır.
Ancak, alternatiflerin rolü kritiktir. Alternatiflerin sayısı m arttığında, çarpanların rolü, optimal olmayan bir alternatifi daha kötü bir alternatifle değiştirmenin etkisinden daha kritiktir. Alternatiflerin sayısı, önceki değiştirmelerin rolünü geçersiz kıldığından, Şekil 9-4’teki oranlar, alternatiflerin sayısı arttıkça azalmaktadır.
Son olarak, revize edilmiş AHP için Şekil 9-5, optimum alternatifin göstergesinin değişim oranının, alternatiflerin sayısı arttıkça daha kötü bir alternatifle değiştirildiğinde, azaldığını da göstermektedir.
Bunun nedeni, alternatiflerin sayısı arttıkça çarpanların (i = 1,2,3, …, m} için max {aij ‘) 9’a (Le., Maksimum) yaklaşması ve dolayısıyla değiştirilen alternatifin kalması nonoptimal olması demektir. Önceki paragrafa benzer şekilde, kriter sayısı arttıkça, çarpanların önemli ölçüde farklılık gösterme ve alternatif değişikliklerin daha büyük etkiye sahip olma şansı artar.
Revize edilmiş AHP’de çarpanlar (Le., Miktarlar (lImax {aij, for i = 1,2,3, …, m}) orijinal AHP’nin karşılık gelenlerinden daha kararlı olduğundan, revize edilmiş AHP daha iyi performans gösterir. İlk değerlendirme kriteri açısından farklıdır. İkinci değerlendirme kriteri kullanıldığında durum böyle değil, ancak şimdi oranlardaki fark o kadar dramatik görünmüyor.
TOPSİS YÖNTEMİNİN DEĞERLENDİRİLMESİ
TOPSIS yöntemi (Bölüm 2.2.6’da açıklandığı gibi), önceki iki değerlendirme kriteri açısından da değerlendirildi. Bu, farklı bir soruşturma sırasında gerçekleştirildi. Bu nedenle, bu bulgular orijinal olarak [Triantaphyllou ve Mann 1989] ‘da sunulanlardan ayrı olarak sunulmuştur. Karşılık gelen sonuçlar Tablo 9-7 ve 9-8’de sunulmuştur ve ayrıca sırasıyla daha önce tasvir edilmiştir. Bu sonuçlardan da anlaşılacağı üzere TOPSIS, belirli başarısızlık oranları da sergilemektedir.
Ancak bu oranlar, bu bölümün başlarında incelenen yöntemlerden daha yüksektir. Bu nedenle, bu yöntem önceki üç yöntemle (Le., WSM, AHP ve revize edilmiş AHP) karşılaştırılmamıştır.
SONUÇLAR
Önceki analizler, gözden geçirilen MCDM yöntemlerinden hiçbirinin her iki değerlendirme kriteri açısından da mükemmel şekilde etkili olmadığını açıkça ortaya koymaktadır. Yöntemlerin Bölüm 9.2’de açıklanan iki değerlendirme kriteri kullanılarak test edilmesiyle elde edilen sonuçlar, MCDM yöntemlerinin farklı çelişki oranları verdiğini de göstermektedir.
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.