ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (46) – 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.
Bu bölüm kapsamlı olarak RCP (Gerçek ve Sürekli İkili) ve CDP (En Yakın Ayrık İkili) matrislerinin (Bölüm 3.3’te tanımlanan ve analiz edilen) kavramlarını kullanır. Bu bölümde incelenen problem en iyi bir sonraki bölümde sunulan sayısal örnekle açıklanmaktadır. Bu sayısal örnekte, üç alternatif ve dört kriter içeren bir karar verme problemindeki gerçek göreceli değerlerin bilindiği varsayılmaktadır. AHP ve revize edilmiş AHP bu gerçek verilere uygulanır ve her alternatifin göreceli ağırlığı ve sıralaması bu iki MCDM yönteminin her birine göre türetilir.
Daha sonra, test problemlerinde gerekli olan ayrık verileri elde etmek için RCP ve CDP matrislerinin kavramlarını kullanacağız. Bu ayrık veriler, bir karar vericinin gerçek (ve dolayısıyla bilinmeyen) ikili karşılaştırmalara en yakın tahminlerde bulunabilmesi durumunda sahip olabileceği verilerdir. Yine, bu çok elverişli bir varsayımdır çünkü gerçekte tüm ikili karşılaştırmalar için bu en yakın tahminlere ulaşılabileceğine dair bir kesinlik yoktur. Aşağıdaki sayısal örnek, AHP ve revize edilmiş AHP yönteminin, süreklilik varsayımı kullanıldığında ve karar verici olabildiğince doğru olsa bile alternatiflerin sıralamasını koruyamamasının mümkün olduğunu ortaya koymaktadır.
GENİŞ BİR SAYISAL ÖRNEK
Üç alternatifli ve dört kriterli bir MCDM probleminin gerçekte gerçek nispi ağırlıklarla karar matrisi olarak aşağıdaki matrise sahip olduğunu varsayalım.
Yani, dört kriterin gerçek nispi ağırlıkları: (0.1325 0.0890 0.5251 0.2533). İlk kriter açısından üç alternatifin göreli önemi şunlardır: (0.5008 0.3785 0.1207).
Yukarıdaki değerler, aşağıdaki 1 + 4 = 5 mükemmel tutarlı Rep matrislerinin temel sağ özvektörleri olarak da görülebilir. Dört kriterin durumu için elimizde veriler mevcuttur.
Örneğin, önceki matriste (1, 2) girişi 1.4890’a eşittir çünkü karşılık gelen ikili karşılaştırma: 0.1325 / 0.0890 (= 1.4890). Kalan kayıtlar için de benzer yorumlar geçerlidir. Dört alternatifin her biri açısından sahip olduğumuz üç alternatif için karar kriterleri belirlenir.
AHP’yi ve revize edilmiş AHP’yi uygulayarak (uygun formüller için sırasıyla Bölüm 2.2.3 ve 2.2.4’e bakınız) sonuçların elde edildiği gösterilebilir:
Gerçekte ise karar verici önceki gerçek değerleri bilmiyor. Bunun yerine, şu kümeden girişler içeren matrisler kullanılmalıdır: {9, 8, …, 2, 1, 1/2, …, 118, 1/9} (yani, içinde sunulan ölçeği kullanmak için Bölüm 3.2.1’deki Tablo 3-1). Önceki beş RCP matrisine en iyi yaklaşan COP matrisleri aşağıda gösterilmiştir.
Dört karar kriteri durumunda karşılık gelen COP matrisi ve karşılık gelen nispi ağırlıkları (yaklaşık özvektör):
Örneğin, önceki matristeki (1, 2) girişi 1.5000’e eşittir çünkü RCP matrisindeki karşılık gelen giriş 1.4890’dır ve 1.5000 değeri izin verilen değerlere en yakın değerdir (Tablo 3-1’de gösterilen ölçek Bölüm 3.2.1 kullanılmıştır). Kalan kayıtlar için de benzer yorumlar geçerlidir.
Yukarıdakine benzer şekilde, dört karar kriterinin her biri açısından üç alternatif için COP matrisleri ve bunlara karşılık gelen nispi ağırlıkları farklıdır.
Yani, mevcut sorun için karar vericide mevcut olduğu varsayılan verileri gözetilir.
Benzer şekilde, bu örneğin ilk bölümünde olduğu gibi, AHP ve revize edilmiş AHP sonuçları verir.
Bu bulgular, bu analizin ilk bölümünde bulunan sonuçlarla açıkça çelişmektedir. Bu sayısal örnekte, iki alternatif Az ve A3’ün ağırlıkları, gerçek verilere AHP uygulandığında (sırasıyla, 0.3982 ve 0.3945) hemen hemen aynıdır.
Ancak, orijinal Saaty ölçeği kullanıldıktan ve karar vericinin olabildiğince doğru olduğu varsayımı yapıldıktan sonra, AHS, A2 ve A3 alternatifleri için sırasıyla 0,3875 ve 0,4074 ağırlıklarını verir. Başka bir deyişle, AHP iki alternatifin çok farklı görünmesine neden olurken de gerçekte neredeyse aynıdır.
Örnekleme amacıyla alternatiflerin finanse edilecek projeleri temsil ettiği düşünülürse, AHP A3 projesinin A2 projesinden% 5,14 (yani (0,4074 – 0,3875) x 100 I 0,3875) daha fazla finanse edilmesini önerirken, gerçekte proje A3, Az projesinden neredeyse% 1.0 daha az finanse edilmelidir.
Yani, AHP veya revize edilmiş AHP uygulandıktan sonra, gerçekte neredeyse aynı olan alternatiflerin oldukça farklı görünmesi muhtemeldir. Tersi durum da mümkündür.
BAZI HESAPLAMALI DENEYLER
Önceki sayısal örnekte hem AHP hem de revize edilmiş AHP aynı alternatif sıralamayı verir. Ancak, genel olarak bu her zaman böyle değildir. AHP’nin doğru alternatif sıralamayı ve revize edilmiş AHP’yi yanlış veya tam tersi vermesi mümkündür. İki yöntemin performansını derinlemesine incelemek için bir simülasyon yaklaşımı izlenmiştir. Farklı sayıda karar kriteri ve alternatifi olan rastgele problemler de oluşturulmuş ve daha sonra önceki kapsamlı sayısal örnekteki gibi ele alınmıştır.
Bu tür rastgele problemlerin her biri için, önceki sayısal örnekte olduğu gibi gerçek nispi ağırlıklar varsayılmıştır. Bununla birlikte, Saaty matrisleri kümedeki değerleri kullandığı için: {9, 8, …, 2, 1, 112, …, 2/8, 2/9} yalnızca Rep matrisleriyle ilişkili rastgele problemler sürekli aralıktaki [9, 119] girişler dikkate alındı. Her test problemi, önceki örnekteki gibi ele alınmıştır.
AHP veya revize edilmiş AHP, gerçek veriler kullanıldığında elde edilenden farklı bir sıralama verdiyse, vaka bir başarısızlık olarak kaydedildi. Tablo 10-1 ve 10-2, farklı boyutlardaki rastgele problemler için bu simülasyon yaklaşımının sonuçlarını göstermektedir. Tablo 10-1, AHP ile ve Tablo 10-2, revize edilmiş AHP ile ilgilidir. Şekil 10-1 ve 10-2, sırasıyla Tablo 10-1 ve 10-2’de sunulan sonuçları grafiksel olarak göstermektedir. Simülasyon programı FORTRAN’da yazılmış ve IMSL alt rutin kitaplığı kullanılarak rastgele sayılar da oluşturulmuştur.
Bulgular, bir karar problemindeki alternatif sayısının çok kritik olduğunu ortaya koymaktadır. Alternatiflerin sayısı arttıkça, AHP’nin ve revize edilmiş AHP’nin başarısızlık oranı da artmaktadır. [Triantaphyllou ve Mann, 1990] ‘da ikili şekilde karşılaştırılacak varlıkların sayısının doğru varlık derecelendirmelerinin türetilmesinde özdeğer yaklaşımının performansını dramatik bir şekilde etkileyebileceği keşfedildiğinden bu bekleniyordu.
Bununla birlikte, bu araştırmada başarısızlık oranları [Triantaphyllou ve Mann, 1990] ‘da bildirilenlerden çok daha yüksektir. Burada [Triantaphyllou ve Mann, 1990] ‘da rapor edilen testlerde, revize edilmiş AHP’nin, orijinal AHP’den önemli ölçüde daha iyi performans gösterdiğini belirtmekte fayda var. Bu bulgular ayrıca, karar kriterlerinin sayısının nihai sonuçlar üzerinde herhangi bir özel etkiye sahip olmadığını da 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.
BAZI HESAPLAMALI DENEYLER bir karar problemindeki alternatif sayısı bu araştırmada başarısızlık oranları ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (46) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma GENİŞ BİR SAYISAL ÖRNEK gerçek veriler kullanıldığı iki alternatifin çok farklı görünmesi test problemlerinde gerekli olan ayrık veriler