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.

Örnek :

Başarılı bir bilgi sistemi geliştirmenin anahtarı, insan ve teknolojik faktörlerin hizalanmasıdır. İnsan faktörünün iş kültürü, son kullanıcı talebi ve yönetim kriterleriyle ölçülebileceğini varsayıyoruz. Öte yandan, teknolojik faktör, çalışanın yeteneği, süreçleri ve kaynakları kriterleriyle ölçülebilir. Şekil 3.7’de gösterildiği gibi insan ve teknoloji faktörleri birbirine bağlıdır.

Eksik bilginin kısıtlamaları ve öznel belirsizlik nedeniyle, karar verici kriterler arasındaki ağırlık oranlarını yargılamak için bulanık sayıları kullanır. Örneğin, aşağıdaki ilk matristeki soru, “Kültür kriteri için, bir teknoloji kriterinin diğerine göre ne kadar önemi vardır?” Diğer matrisler aynı prosedürlerle kolaylıkla oluşturulabilir. Bir sonraki adım, aşağıdaki altı matriste gösterildiği gibi, her bir matristeki bulanık yerel ağırlıkları hesaplar.

Şimdi, yukarıdaki bulanık özvektörlerin sonuçlarına ve Şekil 3.7’de gösterilen ağ yapısına göre bulanık ağırlıklı süper matris oluşturabiliriz. İnsan ve teknoloji faktörleri birbirine bağlı olduğundan, bulanık süper matris aşağıdaki gibidir:

Sonra, bulanık süpermatrisin kararlı durum öncelikli vektörlerini elde edebiliriz. Α-cut = 0 ve α-cut = 1 ayarlayarak, Tablo 3.2’de gösterilen bulanık öncelik vektörlerini türetebiliriz.

Örnek :

Ağ yapısının başka bir örneği Şekil 3.8’de gösterilmektedir. Kendi kendine geribildirim etkisiyle başa çıkmanın iki yolu vardır. Bir yöntem basitçe 1’i köşegen elemanlara yerleştirir ve diğeri, kriterlerin her bir kriterle ikili karşılaştırmasını gerçekleştirir. Burada basitlik için ilk yöntemi kullanıyoruz. Bölüm 3.2’de açıklanan adımları kullanarak, ağırlıksız süpermatris ve ağırlıklı süper matris, sırasıyla aşağıdaki iki matrisle temsil edilebilir:

Tablo 3.2 ve 3.3’te gösterilen sonuçlardan, önerilen yöntemin belirli bir α-kesim ile bulanık global ağırlıklar sağlayabildiğini ve ANP’nin α-cut = 0 iken özel durum olarak kabul edilebileceğini gözlemliyoruz.

Bulanık Analitik Ağ Süreci İçin Matris Yöntemi

Bu bölümde, FANP’deki karşılıklı matris varsayımını genişletiyoruz. Karşılıklı matris varsayımını ele alalım. Kritere hakim olduğu ağırlık oranını gösteriyorsa, aji = 1 / aij’in karşılanması gerektiğini iddia eder. Ancak, karşılıklı matrisin özelliği bulanık bir matriste, yani ãji ≠ 1 / ãij’de tutulmaz. Bu nedenle, bu bölümde, Cogger ve Yu’nun yöntemi (1985), bir karşılaştırma matrisindeki karşılıklılık varsayımı aşağıdaki gibi yayınlandığında özvektörün nasıl türetilebileceğini göstermek için ele alındı.

Pozitif bir üst üçgen karşılaştırma matrisi olsun;

A = aijn × n, aij = aij ifi≤j, aij, i kriterinin j kriterine hakim olduğu ağırlık oranının gücünü gösterir. D köşegen matris olsun, öyle ki, 

D = dijn × n, withdij = n − i + 1 ifi = j, ve ağırlık vektörü w ′ = (w1, w2, …, wn) ile şunu elde edebiliriz:

Aw = Dw (D − 1A −I) w = 0 olur.

Daha sonra, w′1 = 1 kısıtlamasını, 1 ′ = (1,1, …, 1) olduğunda, aksi takdirde denklemi 0’a dahil ederiz. 3.21 ve matrisi yeniden düzenleyin,

Son olarak, A * tekil olmayan matris olduğundan, yerel ağırlık vektörü şu şekilde türetilebilir:

w = (A *) e,

Burada (A *) – 1, A * ve A * (A *) – 1 = I’in tersidir. Ardından, Cogger ve Yu’nun yöntemi kullanılarak yerel bir ağırlık vektörünün nasıl türetilebileceğini gösteren bir örnek vereceğiz.

Pozitif bir üst üçgen karşılaştırma matrisi ve diyagonal matris D sırasıyla aşağıdaki gibi gösterilsin:

Sonra bu sonucu elde edebiliriz. Ağırlık vektörü ikinci paragraftaki gibi türetilebilir: Bu nedenle, AHP’de ağırlık bulma işi, A * matrisinin tersinin son sütun vektörünü hesaplamak için dönüştürülür.

AHP’deki tüm yerel ağırlık vektörlerini türettikten sonra, süper matrisi belirli ağ yapısına göre oluşturabiliriz. Daha sonra, basit olması için, süper matrisin genel formunu aşağıdaki matrisle yeniden yazıyoruz:

𝚷, bir Markov zincirinin geçiş matrisi olarak görülebildiğinden ve her 𝚷 (κ) girişi pozitif olduğundan (yani, 𝚷 düzenli olduğundan), 𝛑 = 𝛑 ‘u karşılayan benzersiz bir sütun matrisi vardır ve 𝛑 girişleri pozitiftir. ve 1’e toplamı, burada 𝛑, ANP’de küresel ağırlık vektörü olarak kabul edilebilir. Bu nedenle, bir süper matrisin kararlı durum sürecini türetmek için aşağıdaki doğrusal denklem sistemini de çözebiliriz:

Denklem 3.8’in sağ tarafını sol tarafa taşıyarak, Denklemi yeniden yazabiliriz.

Yukarıdaki doğrusal sistemin son denklemi gereksiz olduğu için, onu 1 ′ = (1,1, …, 1) olan 𝛑′1 = 1 kısıtlamasıyla değiştiririz. Ardından, Denklem 3.26 aşağıdaki matris formu olarak temsil edilebilir:

B * π = e,

Son olarak, B * tekil olmayan matris ise, küresel ağırlık vektörü π = (B *) – 1 e olarak türetilebilir,

Burada (B *) – 1, B * ve B * (B *) – 1 = I’in tersini gösterir.

AHP’nin sonucuna benzer şekilde, ANP’deki kriterlerin ağırlıklarını bulma işi, B * matrisinin tersinin son sütun vektörünü hesaplamak için dönüştürülür. Önerilen yöntemi göstermek için aşağıdaki gibi bir örnek veriyoruz.

Bir süper matris şu şekilde oluşturulsun:

Önerilen yöntemin özelliklerini şu şekilde özetleyebiliriz. İlk olarak, önerilen yöntemin AHP’de karşılıklı matrisin özelliğini taşımasına gerek yoktur. İlk özellik, AHP’yi doğal olarak FAHP’ye genişletmeyi mümkün kılar. İkincisi, bir süpermatrisin sınırlayıcı gücünü çözmek yerine, belirli bir matris problemi çözülerek bir küresel ağırlık vektörü türetilebilir. İkinci özellik, bulanık süpermatrisin yakınsak problemini önlemek üzerinedir. Daha sonra, FANP prosedürlerinin nasıl türetileceğini aşağıdaki gibi açıklayacağız.

ANP’yi bulanık ortamlarda dikkate almak için, ölçütler arasındaki ağırlık oranlarını karşılaştırmak için bulanık sayılar kullanılır. Bu bölümde, bir bulanık sayı üçgen form olarak sunulmuştur. Diğer bulanık sayı biçimleri, aynı prosedürler kullanılarak kolaylıkla kullanılabilir.

Bulanık pozitif bir üst üçgen karşılaştırma matrisi olduğunu varsayalım;

A = a􏰧ij n × n, a􏰧ij = 0 olur, aksi takdirde ãij, i kriterinin j kriterine hakim olduğu ağırlık oranının gücünü belirtir.

Daha sonra, Ã * matrisi şu şekilde temsil edilebilir:

Açıktır ki, Ã * ‘nin tersini türetebilirsek, AHP’de yerel bulanık ağırlıkları elde edebiliriz. Bu nedenle, bulanık bir matrisin tersini bulmak için en az iki yöntem kullanılabilir: doğrusal programlama yaklaşımı ve Cramer kuralı ele alınarak hesaplama yapılır. Ardından, yukarıdaki yöntemleri kullanarak bir sonraki bölümde  tanıtacağız.

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.

The post Çok Amaçlı Karar Verme (8) – Bulanık Analitik Ağ Süreci – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).