ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (56) – 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.
İkinci Bulanık Değerlendirme Kriterini Kullanarak Yöntemleri Test Etme
Önceki bölümde açıklanan gelişmelere benzer şekilde, ikinci bulanık değerlendirme ölçütünün kullanımı en iyi açıklayıcı bir örnekle gösterilmektedir.
Örnek 13-7:
Önceki sayısal örnekte olduğu gibi, bir kararın dört kriter ve üç alternatifli problem aşağıdaki karara sahiptir. Yine, bu değerlerin karar tarafından bilinmediği varsayılmaktadır.
Daha önce olduğu gibi bulanık üçgen sayılar oluşturulduğunda ve önceki örnekteki gibi ilerlediğinde, karşılık gelen bulanık karar matrisinin (karar vericinin bu problem için türetebileceğini varsayıyoruz) aşağıdaki gibi olduğu kolayca gösterilebilir:
Ayrıca, üç alternatifin nihai öncelik puanları PI•, ‘P2 • ve P3 • aşağıdaki gibi gösterilebilir:
- PI = (0.073, 0.361, 1.889),
- P2 = (0.073, 0.355, 1.824),
- = (0.061, 0.2 ~ 4, 1.388).
Görünüşe göre, bulanık alternatif A1 en iyisidir.
Daha sonra, orijinal matristeki net alternatif A3 (en iyisi değildir), orijinal A3’ten daha kötü olan A / ile değiştirilir • A / performans değerleri, üçüncü alternatifin dışında orijinal alternatif A3’tekiyle aynıdır. Kriter C3 açısından değer 8.501, en az bir 1.064 ile ikame edilir. Böylece, net sayıların orijinal matrisi değiştirilir.
Bulanık AHP yönteminin kararlılığını test etmek için, yukarıdaki prosedürün aynısı, en iyi alternatifi belirlemek için tekrarlanır. Yeni bulanık karar matrisi aşağıdaki gibi gösterilebilir.
Daha önce olduğu gibi çalışarak, son bulanık öncelik puanlarının artık şu hale geldiği görülebilir:
- = (0.040, 0.205, 1.082).
- = (0.077, 0.377, 1.872), P2
- = (0.092, 0.418, 2.030),
Yukarıdaki bulanık puanlara bakıldığında, şu anda en iyi bulanık alternatifin A2 olduğu açıktır. Bu sonuç, daha önceki sonuçla, yani en iyi bulanık alternatifin yapay zeka olmasıyla çelişmektedir. Bu analiz, bulanık AHP (orijinal versiyon) kullanıldığında ve optimum olmayan bir alternatifin daha kötü bir alternatifle değiştirildiğinde bir çelişkinin ortaya çıkabileceğini göstermektedir. Benzer bir şekilde, ideal mod (revize edilmiş) AHP, WPM ve TOPSIS yöntemlerinin de benzer bir şekilde test edildiklerinde başarısız olabileceği gösterilebilir.
HESAPLAMALI DENEYLER
Önceki bulanık MCDM yöntemleri, Örnek 13-6 ve 13-7’deki problemler olarak ele alınan test problemleri oluşturularak ve ardından çelişki oranları kaydedilerek değerlendirildi. Bu deneyler, daha önce bahsedilen bulanık MCDM yöntemlerinin performansını iki bulanık değerlendirme kriteri açısından incelemek amacıyla yapılmıştır [Triantaphyllou ve Lin, 1996]. Bu nedenle, bu hesaplama deneylerinde dikkate alınan üç çelişki oranı şu şekilde özetlenmiştir:
- Rll: Bulanık WSM ve başka bir bulanık yöntemin en iyi alternatifin gösterilmesinde uyuşmazlık oranıdır.
- R12: Bulanık WSM ile başka bir bulanık yöntemin, alternatiflerin tüm sıralaması üzerinde uyuşmazlık oranıdır.
- R21: Optimal olmayan bir alternatif daha kötü bir alternatifle değiştirildiğinde, bir yöntemin en iyi alternatifin göstergesini değiştirme oranıdır.
Bu deneysel çalışma için bilgisayar programı FORTRAN’da yazılmıştır ve bir IBM 3090 ana bilgisayar bilgisayarında çalıştırılmıştır. 3,5,7 …, 19,21 alternatifli ve 3,5,7, …, 19 numaralı toplam 400 (yani 10 alternatif x 10 kriter x 4 yöntem) vaka incelendi. Her vaka için (önceki üç tanıma göre) her vaka için 500 rastgele tekrarla çalıştırılarak her vaka için üç tür çelişki oranı kaydedildi.
Önceki bölümlerde de belirtildiği gibi, bu ampirik çalışmada, karar vericinin, karar kriterleri açısından alternatiflerin gerçek değerlerini veya karar kriterlerinin önem ağırlıklarını bilmediği varsayılmıştır.
Bu simülasyonların amacı doğrultusunda, alternatiflerin karar kriterleri açısından orijinal önem ölçüleri [9, 1] (orijinal Saaty ölçeğine göre değerlerin aralığı) aralığında rastgele oluşturulmuştur. Bulanık AHP (orijinal ve revize edilmiş), WPM ve TOPSIS yöntemleri daha sonra Örnek 13-6 ve 13-7’de açıklanan prosedürlere benzer bir şekilde iki bulanık değerlendirme kriteri açısından incelenmiştir. Hesaplama sonuçları gösterilmiş ve ayrıca aşağıdaki iki alt bölümde tartışılmıştır.
Hesaplamalı Sonuçların Açıklaması
Şekil 13-4 ila 13-8’de bulanık AHP, bulanık revize edilmiş AHP, bulanık WPM ve bulanık TOPSIS yöntemleri sırasıyla F-AHP, F-RAHP, F-WPM ve F-TOPSIS olarak belirtilmiştir. Hesaplama sonuçları, alternatiflerin sayısı arttıkça Rll çelişki oranının arttığını göstermektedir.
Daha şeffaf bir açıklama için, Şekil 13-4 ve 13-5, yalnızca alternatiflerin sayısının sırasıyla 3 ve 21’e eşit olduğu durumlar için sonuçları göstermektedir. Bu sonuçlar, hangi yöntem kullanılırsa kullanılsın, alternatiflerin sayısı arttıkça en iyi alternatifin göstergesinin değişme oranının arttığını ortaya koymaktadır. Ancak burada kriter sayısı önemli görünmüyor.
Optimal olmayan bir alternatif daha kötü bir alternatifle değiştirildiğinde en iyi alternatifin değişikliklerini gösteren çelişki oranı R21 için, bulanıklığın revize edildiği Şekil 13-5 ve 13-6’daki grafiklerden görülebilir (yani ideal mod) AHP diğer yöntemlerden biraz daha iyidir.
Benzer şekilde, bulanık WSM ve diğer yöntemler arasındaki alternatiflerin tüm sıralamasındaki değişiklikleri gösteren R12 çelişki oranı da benzer bir davranış göstermektedir. Bu durumda, yalnızca 3’e eşit alternatiflerin sayısı için sonuçlar gösterilir (Şekil 13-7’de). Bunun nedeni, bulanık alternatiflerin sayısı 21 olduğunda R12 oranı için sonuçların hemen hemen her zaman% 100’e eşit olmasıdır.
Karar verme problemleri daha karmaşık hale geldiğinde bu bulanık yöntemlerin artan yanlışlığına rağmen, bu grafiklerden bulanık revize edilmiş AHP’nin çoğu durumda diğer bulanık MCDM yöntemlerinden daha iyi olduğu görülebilir.
Bu sonuç, orijinal olarak [Triantaphyllou ve Mann, 1989] ‘da (aynı sorunları net bir ortamda inceleyen) bildirilen ve Bölüm 9’da da açıklanan sonuçlarla uyumlu olduğu ortaya çıkıyor. Ancak şimdi bulanık WPM en kötü yöntem haline geliyor.
Hesaplamalı Sonuçların Analizi
Hesaplamalı deneylerden elde edilen sonuçlar bazı ilginç gözlemlere yol açmaktadır. Birincisi, bu çalışmada incelenen bulanık MCDM yöntemlerinden hiçbiri, her iki bulanık değerlendirme kriteri açısından mükemmel bir şekilde etkili değildir. Sonuçlar, her yöntemin farklı çelişki oranları verdiğini göstermektedir.
İkinci olarak sonuçlar, alternatiflerin sayısı arttıkça çelişki oranlarının da arttığını ortaya koymaktadır. Yani, MCDM sorunları daha karmaşık hale geldiğinde yöntemler daha az doğrudur.
Son olarak, bazı durumlarda performanstaki fark küçük olsa da, bulanık revize edilmiş AHP’nin çoğu durumda en iyi bulanık MCDM yöntemi olduğu görülmektedir. Bu sonuçlardan, bulanık revize edilmiş AHP, her iki bulanık değerlendirme kriteri açısından en küçük çelişki oranlarına sahiptir. Bir önceki bölümde de belirtildiği gibi bu sürpriz olmamalıdır.
Bu noktada [Triantaphyllou ve Lin, 1996] ‘da benzer deneylerde ikili karşılaştırmaları ölçmek için daha fazla ölçek kullanıldığı belirtilmelidir. Özellikle, Lootsma [1988] tarafından sunulan ve gama (y) parametresinin 0.50 ve 1.00’e eşit olduğu iki geometrik ölçeği dikkate aldık.
Bununla birlikte, türetilen çelişki oranları Saaty ölçeği kullanıldığında elde edilenlerden önemli ölçüde daha yüksekti ve bu nedenle bu sonuçlar grafiğe dökülmedi. Özetle, bu çalışmanın bulguları, yöntemlerin hiçbiri tam olarak doğru olmasa da, bazı bulanık MCDM yöntemlerinin bazı durumlarda diğerlerinden daha iyi olduğunu ortaya koymaktadır.
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 (56) – HESAPLAMALI SONUÇLARIN ANALİZİ – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma HESAPLAMALI DENEYLER HESAPLAMALI SONUÇLARIN ANALİZİ İkinci Bulanık Değerlendirme Kriterini Kullanarak Yöntemleri Test Etme Karar verme problemleri Saaty ölçeği