alternatiflerin tercih edilen sırası | Online (Parayla Ödev Yaptırma)

Çok Amaçlı Karar Verme (15) – VIKOR – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

odevcimonline — Mon, 14 Sep 2020 07:09:46 +0000

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.

VIKOR, özellikle karar vericinin sistem tasarımının başında tercihini ifade edemediği veya bilmediği durumlarda, çok kriterli karar vermede yardımcı bir araçtır. Elde edilen uzlaşma çözümü, karar vericiler tarafından kabul edilebilir, çünkü “çoğunluk” için maksimum bir “grup faydası” (en az S, Denklem 5.1 ile temsil edilir) ve “rakibin bireysel pişmanlığının minimum (minR ile temsil edilir)” sağlar. Uzlaşmacı çözümler, karar vericilerin kriter ağırlıklarına göre tercihlerini içeren müzakerelerin temeli olabilir.

Örnek :

Mevcut sistemi değiştirmek için yeni bir tesise ihtiyaç olup olmadığını değerlendirmeye çalışan bir yönetici düşünün. Yönetici tarafından üç kriterin, dayanıklılığın, kabiliyetin ve güvenilirliğin dikkate alındığını ve her alternatifin tercih edilen derecelendirmelerinin Tablo 5.6’da gösterildiği gibi ifade edilebileceğini varsayın.

Daha sonra, ilk önce her bir alternatifin tercih edilen derecelendirmelerini Tablo 5.7’de gösterildiği gibi normalleştirmeliyiz, böylece tercih edilen derecelendirmeler aynı ölçekte [0,1] ‘e düşebilir, ancak bizim örneğimizde kriterlerin ölçeği aynıdır.

Q1 = 0.5 × (0.60 – 0.15) (0.65 – 0.15) + 0.5 × (0.30 – 0.15) (0.40 – 0.15) = 0.75;
Q2 = 0,5 × (0,30−0,15) (0,65−0,15) + 0,5 × (0,20−0,15) (0,40−0,15) = 0,25;

Q3 = 0,5 × (0,15−0,15) (0,65−0,15) + 0,5 × (0,15−0,15) (0,40−0,15) = 0;
Q4 = 0,5 × (0,65−0,15) (0,65−0,15) + 0,5 × (0,40−0,15) (0,40−0,15) = 1.

Daha sonra alternatifleri Sj, Rj ve Qj değerlerine göre azalan sırayla Tablo 5.8’de gösterildiği gibi sıralayabiliriz.

Alternatiflerin tercih edilen sırasına göre A ≻ A ≻ A ≻ A; mevcut sistemler yeni tesisle değiştirilmelidir ve Alternatif 3 en iyi seçimdir.

VİKOR VE TEDAVİ BİRLEŞTİRME

TOPSIS’in temel temelinden, TOPSIS’in ana idealinin referansa bağlı teori idealinden geldiği sonucuna varabiliriz (Kahneman ve Tversky 1979). Referans bağımlı teori, tüketicilerin alternatifleri öznel bir referans noktasına göre kazançlar ve kayıplar açısından değerlendirdiklerini belirtir.

Bu nedenle de, bir alternatiften PIS ve NIS’e olan mesafenin doğru bir şekilde nasıl ölçüleceği sorunu TOPSIS’in anahtarıdır. Bu bölümde Öklid mesafesi kullanılmasına rağmen, p mertebesindeki Minkowski mesafesi (p-norm mesafesi) de kullanılabilir. Buna ek olarak, TOPSIS son zamanlarda, göçmen bir ev sahibi ülke seçmek (Chen ve Tzeng 2004), itfaiye istasyonu yerinin seçimi (Tzeng ve Lin 1997) ve diğer yöntemlerle karşılaştırma (Opricovic ve Tzeng 2004) gibi çeşitli uygulamalarda yaygın olarak kullanılmaktadır. .

Ne yazık ki Opricovic ve Tzeng (2004), geleneksel TOPSIS yönteminin sıralama amacıyla kullanılamayacağını sonucuna ulaşılmıştır. Sebepler şu şekilde açıklanmaktadır:

TOPSIS yöntemi, sıralama için bir toplama işlevi sunar.

Denklem 5.7. Cr ∗ (sıralama indeksi) oluşumuna göre, alternatif ar, C ∗> C ∗ veya D− / (D ∗ + D−)> D (/ (D ∗ + D− ise a (a> a) ‘dan daha iyidir ), eğer bu denklem;

1. D ∗ D−; yani C ∗ = D – / (D ∗ + D -)> C ∗ = D – / (D ∗ + D−), rk rkr TOPSIS yönteminde ar> ak;

2. D ∗> D ∗ ve D−> D−; ve D ∗ pozitif ideal çözüme en erken, D ∗ a şeklinde sonuca ulaşılır.

Koşul 1, alternatif ar’ın ak’dan daha iyi olduğu, çünkü ideale daha yakın ve negatif ideale uzak olduğu zaman, “normal” durumu gösterir. Aksine, Denklem 5.7’deki koşullu 2, bir alternatif ar’ın idealden a’dan daha uzak olduğunu gösterir.

D = D− ve C ∗ = 0.5 olan bir alternatif olsun. Bu durumda, A ideal A * ‘ya rk daha yakın olmasına rağmen, D ∗> D ∗ ve D−> D ∗ olan tüm alter kk yerlileri a’dan daha iyi sıralanır.

VIKOR ve TOPSIS tarafından dikkate alınan mesafeler Şekil 5.2’de gösterilmektedir. Bir alternatif ar, TOPSIS sonucu olarak k’den daha iyidir, ancak ak, ideal çözüme daha yakın olduğu için, VIKOR tarafından derecelendirilen ar’dan daha iyidir. Dr ∗ ve Dr− mesafelerinin göreli önemi, karar vermede büyük bir sorun olsa da Denklem 5.7’de dikkate alınmamıştır.

Bulanık Topsis

Tercih edilen derecelendirmeler genellikle öznel belirsizliğe atıfta bulunduğundan, TOPSIS’i bulanık sayıların durumunu dikkate alacak şekilde genişletmek doğaldır. Bulanık TOPSIS, aşağıdaki gibi bulanık aritmetik işlemler kullanılarak sezgisel olarak genişletilebilir.

Bir dizi alternatif verildiğinde, A = {Ak | k = 1, …, n} ve bir ölçüt kümesi,

C = {Cj | j = 1, …, m}, burada X = {xkj | k = 1, …, n; j = 1, …, m}

belirsiz derecelendirmeleri belirtir ve w􏰧 = {w􏰧 j | j = 1, …, m} bulanık ağırlık kümesidir.

TOPSIS’in ilk adımı normalleştirilmiş derecelendirmeleri şu şekilde hesaplamaktır:

r􏰧 (x) = ∑, k = 1, …, n; j = 1, …, m

ve ardından ağırlıklı normalleştirilmiş derecelendirmeleri hesaplamak için;

v􏰧 (x) = w􏰧r􏰧 (x), k = 1, …, n; j = 1, …, m. ij j ij denklemi kurulur.

Daha sonra PIS ve NIS şu şekilde türetilir:

PIS = A = {v􏰧1 (x), v􏰧2 (x), …, v􏰧j (x), …, v􏰧m (x)}
{(k kj 1) {(k kj 1) (k kj 2)

NIS = A = {v􏰧1 (x), v􏰧2 (x), …, v􏰧j (x), …, v􏰧m (x)}
= minv􏰧 (x) | j∈J, maxv􏰧 (x) | j∈J | k = 1, …, n,
{(k kj 1) (k kj 2)

Burada J1 ve J2 sırasıyla fayda ve maliyet özellikleridir.

Keskin duruma benzer şekilde, bir sonraki adım, alternatifler arasındaki PIS ve NIS’den ayrımı hesaplamaktır. Ayırma değerleri, aşağıdaki şekilde verilen Öklid mesafesi kullanılarak da ölçülebilir:

k = 1 v􏰧 (x) −v􏰧 + (x) , k = 1, …, n, ∑ 2m k kj j

maks {v􏰧 (x)} – v􏰧 + (x) = min {v􏰧 (x)} – v􏰧− (x) = 0.

Daha sonra, bulanıklaştırılmış ayırma değerleri, PIS ile benzerlikleri hesaplamak için CoA gibi bulanıklaştırılmış yöntemlerden biri kullanılarak türetilmelidir.

Daha sonra, PIS ile benzerlikler şu şekilde verilmiştir:

C ∗ = D (S−) D (S +) + D (S−) , k = 1, …, n,

Burada C ∗ ∈ [0,1] ∀k = 1, …, n olur.

Son olarak, tercih edilen siparişler en iyi alternatifleri seçmek için azalan sırada Ck ∗ ‘ye göre sıralanır. Daha sonra, bulanık TOPSIS prosedürlerini göstermek için sayısal bir örnek düşünülmüştür.

Örnek :

Örnek 5.1’deki soruna dayanarak, en iyi alternatifi belirlemede yöneticinin öznel belirsizliğini temsil etmek için bulanık sayıları kullanabiliriz. Daha sonra bulanık bilgi tablosu Tablo 5.9’da gösterildiği gibi ifade edilebilir.

Daha sonra, Denklem 5.9’u kullanarak, Tablo 5.10’da gösterildiği gibi her alternatifin bulanık normalleştirilmiş derecelendirmelerini türetebiliriz.

The post Çok Amaçlı Karar Verme (15) – VIKOR – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).

Çok Amaçlı Karar Verme (10) – KANIK SİPARİŞ VE KALİTE ÖLÇME – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

odevcimonline — Fri, 11 Sep 2020 14:39:10 +0000

Form 1

Fayda kriterleri için (daha büyük daha iyi), r (x) = x / x, burada x = maks x istenen / istenen seviyedir ve 0 ≤ rij (x) ≤ 1 açıktır.

Form 2

Maliyet kriterleri için (daha küçük, daha iyidir), r (x) = (1 / x) / (1 / x) = (maks x) / (x) veya x, istenen / istenen seviye olsun. Fayda kriterleri için (daha büyük daha iyi), r = (x − x) / (x − x), burada x = max ve x – j = mini xij veya x * j istenen / istenen seviye ve xj– en kötü seviye olsun.

* Maliyet kriterleri için (daha küçük daha iyidir), r = (x – x) / (x – x).Bu nedenle, sentezlenen performans P1 = wj, rjpi, i’inci alternatifin sentezleme performans değeridir ve wj, j. kriterin ağırlıklarını belirtir.

Orantılı birimler haline gelmek için i’nci alternatifin j’inci kriterine göre normalleştirilmiş tercih edilen derecelendirmeleridir; ve kriterlerin birbirinden bağımsız olduğu varsayılır. Performans matrisinin birimleri orantılı birimler ise, veri matrisini normalleştirilmiş tercih edilen derecelendirme ölçeklerine aktarmamıza gerek yoktur. Daha sonra, alternatiflerin tercih edilen sırasını belirlemede SAW prosedürlerini göstermek için basit bir örnek verilmiştir.

Örnek :

Banka değerlendirme probleminin aşağıdaki gibi tanımlanabileceğini varsayın. Bankaları değerlendirme kriterlerinin yatırım geliri (x1), müşteri sayısı (x2), marka imajı (x3) ve şube numaraları (x4) ile temsil edilebileceğini varsayalım. Beş bankanın ve ilgili değerlendirme notlarının Tablo 4.1’de gösterildiği gibi açıklanmasına izin verin.

İlk olarak, ölçeği [0,1] ‘e dönüştürmek için Tablo 4.2’de gösterildiği gibi normalleştirilmiş tercih edilen derecelendirmeler hesaplanmalıdır.Yukarıdaki ile aynı prosedürle, diğer alternatiflerin faydaları da şu şekilde elde edilebilir:

uB (x) = 0,859, uC (x) = 0,778, uD (x) = 0,838 ve uE (x) = 0,791.

Yukarıdaki yardımcı programlara dayanarak, bu nedenle, tercih edilen alternatif sırasının şu şekilde ifade edilebileceği gösterilebilir:

B≻D≻A≻E≻C

Yukarıdaki sonuçlara dayanarak, alternatif A’nın en uygun banka olması gerektiği görülebilir.

KANIK SİPARİŞ VE KALİTE ÖLÇME

Pratikte, bulanık çok aşamalı karar verme (FMADM) problemleri için, kriterler arasında karşılıklı bağımsız bir ilişki olduğunu varsayarsak, her bir alternatife göre her bir kriterin göreceli ağırlıklarını ve performans puanını hesapladıktan sonra FSAW’yi kullanabiliriz. alternatiflerin sırasını sıralamak için belirsiz tercih edilen derecelendirmeleri toplama yöntemi. SAW for FMADM prosedürü şu şekilde özetlenebilir:

Adım 1:jth özniteliğinin göreli bulanık ağırlığını w􏰧 j hesaplayın. Bulanık bağıl ağırlıklar, DM veya değerlendiricilerin öznel / algısal yargısı ile üçgen veya aralık değeri kullanılarak elde edilebilir / atanabilir.

Adım 2: Elemanları, ij’inci alternatife göre j. Özniteliği için bir dizi bulanık karşılaştırılabilir derecelendirme r􏰧 (x) ‘den oluşan bulanık karar matrisini elde edin. Ham karar matrisi, i’inci alternatife göre jth niteliği için x􏰧ij’den oluşuyorsa, boyutun etkisini azaltmak için, Hwang ve Yoon (1981) yöntemini􏰧 aktarmak için genişletebiliriz. (x) ij ij’ye göre aşağıdaki ilke gözetilir:

Form 1

Durum 1. Kriterler fayda kriterleri tarafından tanımlanmışsa (daha büyük x ̃ daha büyük tercih), o zaman dönüştürülmüş sonuç x ̃, r ̃ (x) = x ̃ / x ̃ olur, burada x ̃ * j = max x ̃ij veya x ̃ * j istenen / istenen seviye olsun ve açıkça görülüyor ki bu durumda 0 ≤ r ̃ij (x) ≤ 1 olur.

Durum 2. Kriterler maliyet kriterleri tarafından tanımlanmışsa (x ̃j ne kadar küçükse, daha büyük tercih), o zaman dönüştürülmüş sonuç x ̃ij, r ̃ij (x) = (1 / x ̃ij) / (1 / x ̃) = min x ̃ / x ̃ veya x ̃ istenen seviye olsun.

Form 2

• Fayda kriterleri için (daha büyük, daha iyidir), r ̃ij (x) = (x ̃ij −x ̃j -) / (x ̃ * j −x ̃j–), burada x ̃ * j = maks x ̃ij ve x ̃j– = min x ̃ij, veya x ̃ * j istenen / istenen seviye olsun ve ii x ̃j– en kötü seviye olsun.

• Maliyet kriterleri için (daha küçük, daha iyidir), r ̃ij (x) = (x ̃j– – x ̃ij) / (x ̃j– – x ̃ * j).

Adım 3: i. Alternatif için bulanık değeri u􏰧i (x) sentezleyin; bu, nispi bulanık ağırlık w􏰧 j ile boyutsuz karşılaştırılabilir veriler r􏰧 (x) ‘i aşağıdaki gibi çarpmanın bir toplamıdır:

u􏰧 (x) = ∑ w􏰧 r􏰧 (x), burada u􏰧 (x) i. Alternatifin bulanık performans değerinin sentezlendiği bir sonuçtur.

Kriterin ağırlıklarını ve r􏰧 (x) i. alternatifin karşılaştırılabilir birimler olma kriterine göre normalleştirilmiş tercih edilen derecelendirmeleridir ve kriterlerin birbirinden bağımsız olduğu varsayılmıştır. Performans matrisinin birimleri orantılı birimler ise, dilbilim (doğal dil) ile bir performans matrisi için tatmin edici bir ölçek için olduğu gibi, veri matrisini normalleştirilmiş tercih edilen derecelendirme ölçeklerine aktarmamıza gerek yoktur.
􏰧
Adım 4: A * = {u􏰧i (x) | ile tanımlanan en iyi alternatifi seçin maxi u􏰧i (x)} veya istenen / istenen seviyelere ulaşmak için yeni bir en iyi alternatifA􏰧 ∗ oluşturmak için alternatiflerin boşluklarını iyileştirin.Bulanık sayıların işlemleri için Bölüm 1.4’e başvurulduğu vurgulanmalıdır. Ayrıca, her bir alternatifin nihai derecelendirmesi aynı zamanda bir bulanık sayı olduğundan, en iyi bulanık olmayan performansı (BNP) belirlemek için DM için alan merkezi (CoA) yöntemi gibi bulanıklaştırılmış bir yöntemin kullanılabileceği görülebilir. ) alternatiflerin değeri. Daha sonra, FSAW prosedürlerini göstermek için birtanem önceki örnekte genişletilmiş bir örnek verilmiştir

Örnek :

Probleminin bankaları değerlendirme kriterlerini dikkate alacak şekilde genişletilmesi, bulanık ortamda yatırım geliri (x1), müşteri sayısı (x2), marka imajı (x3) ve şube numaraları (x4) ile temsil edilebilir. Derecelendirme ve ağırlıklarda belirsiz sayılar varsaymak yerine, bu örnekte basitlik için sadece belirsiz ağırlıklar dikkate alınmıştır. Bununla birlikte, prosedürler, FSAW’nin genel şeklini dikkate alacak şekilde kolaylıkla genişletilebilir.

Alternatiflerin normalleştirilmiş tercih edilen derecelendirmeleri ve bulanık ağırlıkları Tablo 4.3’te gösterildiği gibi açıklansın.
Ardından, Bank A’nın faydası şu şekilde hesaplanabilir:

A (x) = 0. 8 0 6 × (0. 2 0, 0. 3 0, 0. 4 0) + 1. 0 0 0 × (0. 1 5, 0. 2 0, 0. 3 5)

+ 0.750 × (0.10,0.25,0.30) + 0.667 × (0.15,0.25,0.30) = (0.486,0.796,1.098).

Yukarıdaki aynı prosedürle, diğer alternatiflerin faydaları şu şekilde elde edilebilir:

u􏰧B (x) = (0.503,0.859,1.143); u􏰧C (x) = (0.476,0.778,1.061);
u􏰧D (x) = (0.498,0.838,1.115); u􏰧E (x) = (0.473,0.791,1.075).

Daha sonra, alternatiflerin tercih edilen sırasını belirlemek için DM’ye somut bilgi sağlamak amacıyla, alternatiflerin bulanıklaştırılmış faydalarını şu şekilde hesaplamak için CoA yöntemi kullanılır:

u ‘= 0.793; u ‘= 0.835; u ‘= 0.772; u ‘= 0.817; u ∗ = 0.780. ABCDE

The post Çok Amaçlı Karar Verme (10) – KANIK SİPARİŞ VE KALİTE ÖLÇME – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).