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 matriste giriş (1, 2) 0.20’ye eşittir çünkü bu değer Tablo 5-1’deki ölçek kullanıldığında 0.18’e en yakın değerdir. Matris B’deki kalan girişler için benzer bir açıklama geçerlidir.

Yukarıdaki değerlendirmelerden, matris A’nın Gerçek Sürekli Çift Yönlü (RCP) matris kavramına karşılık geldiği, ancak matris B’nin Bölüm 3.3.1’de ayrıntılı olarak açıklanan En Yakın Ayrık İkili (CDP) matris kavramına karşılık geldiği anlaşılmaktadır. Bu iki matris sınıfı, başlangıçta girdi verileri olarak ikili karşılaştırmaları kullanan karar verme problemlerinde belirli fenomenleri incelemek için tanıtıldı.

Ayrıca, karar vericinin W’nin sıralamasını belirlediğini varsayalım; benzerlik değerleri (W; değerlerinin karar vericinin bilmediğini hatırlayın) aşağıdaki gibidir:

• WI ~ W2 ~ W3 ~ W4 

Karar verici, yukarıdaki sonuca, ilk olarak n birimden hangisinin en yüksek benzerlik özelliğine sahip olduğunu, ardından hangisinin en yüksek ikinci dereceye sahip olduğunu vb. Sorarak ulaşabilir. Bu noktada, karar vericinin aşağıdaki değerleri tahmin etmesi gerekmez. Wit W2, W3, …, Wn • Sadece göreceli sıralamasını belirlemesi gerekiyor.

Önceki bölümde belirtildiği gibi bu ikinci dereceden programlama problem C3n = n (n – 1) (n – 2) / 6 doğrusal kısıtlamaya sahiptir. Dahası, amaç işlevi her zaman dışbükeydir. Bu soruna en uygun çözümü bulmak için, önce Lagrangian çarpanını Ai ile i-inci kısıtını ilişkilendirip Lagrangian fonksiyonunu oluşturmamız gerekir.

Yukarıdaki matris, N-1 seviyesindedir. Bu doğrudur çünkü herhangi bir sütun (veya satır), kalan sütunlara (veya satırlara) doğrusal olarak bağımlıdır ve kalan sütunlar (satırlar) doğrusal olarak bağımsızdır. Bu nedenle, \ değişkenlerinden herhangi biri rastgele bir değere ayarlanabilir ve ardından kalan N-1 değişkenleri için çözümlenebilir. Daha sonra Xu değişkenleri sistemdeki ilk ilişkiden belirlenebilir.

Örneğin, mevcut örnekte A4 = O ayarladığımızı varsayalım. Bu örneğin sayısal verileri ise, lineer sistem çözümünü verir.

Önceki Ai değerlerinden ve (iii) ‘teki ilk ilişkiden, orijinal ikinci dereceden programlama problemine aşağıdaki optimal çözüm türetilmiştir:

Burada, önceki optimal çözümün Ai değerlerinden bağımsız olduğu vurgulanmalıdır. Bunu görmek için, varsayalım ki A ‘ve A “(burada t.!; T. A”) sistem (iii)’ de ikinci ilişki ile gösterilen denklemlerin iki çözümüdür. O zaman aşağıdaki türetmeler doğrudur:

• AATA ‘= AATA “= -A I veya: AAT (A’-A”) = O.

AA T matrisinin yapısından (daha önce gösterildiği gibi), ifadenin (5-7) ancak ve ancak fark (AI – A “) aşağıdaki vektöre eşit olması durumunda doğru olduğu sonucuna da varır:

Farkla ilgili önceki gözlem (AI – A “) göz önüne alındığında, A \ matrisinin ve (iii) ilişkilerinin yapısı, aşağıdaki ilişkilerin de doğru olduğu sonucu çıkar:

• Xl – X “= AT (AI – A”) = 0 veya: Xl = X “,

burada Xl = i + AT AI ve X “= t + AT A”. Başka bir deyişle, sistem (iii) sonsuz sayıda Ai çözümüne sahip olsa da, optimal çözüm X benzersizdir.

Daha önce belirtildiği gibi, bu aynı zamanda orijinal ikinci dereceden programlama problemi için en uygun çözümdür. Genel olarak, n tane varlık varsa, karşılaştırılacak olursa, elde edilen doğrusal denklem sistemi C3n – 1 = n (n-l) (n-2) / 6 – 1 gerçek değerli değişkenlere ve aynı sayıda denkleme de sahiptir.

İfade (5-2) ve önceki en iyi çözüm X’i kullanarak, karar verici n birim arasındaki tahmini benzerlik ilişkilerini aij ‘belirleyebilir.

Burada, bu özel açıklayıcı örnek için bu tahminlerin, matris B’de sunulan orijinal girdi verilerinden (yani, göreli benzerliğin ikili karşılaştırmaları) daha yakın matris A’daki gerçek değerlere daha yakın olduğunu gözlemlemek de ilginçtir.

Burada ortaya çıkan kritik bir konu, önerilen ikili karşılaştırma yaklaşımının her zaman işe yarayıp yaramadığıdır. İkili karşılaştırmaların yanlış sonuçlar verebileceği tek bir durum vardır. Bu, + ak j’nin mümkün olan her şey için geçerli olmadığı durumdur. Üçgen özelliği indekslerinin ai k kombinasyonlarını da içerir.

Göreli benzerliğin ikili karşılaştırmalarının tanımından, üçgen eşitsizliğin her zaman karşılanması gerektiği varsayılmıştır. Bu, birçok karar vericinin benzerlik kavramı ile mesafe kavramı arasında yakın bir ilişki olduğu yönündeki sezgisel hissini yakalamak için tanıtıldı.

Bu nedenle, karar verici, üçgen özelliğin olası tüm kombinasyonlar için geçerli olmadığı bir duruma ulaşırsa, o zaman karşılaştırmalı yargılarının bir kısmının veya tamamının, üçgen özellik tüm endeks kombinasyonları için geçerli oluncaya kadar gözden geçirilmesi gerekir.

Buradaki bir diğer ilginç konu ise önerilen yaklaşımın her zaman uygulanabilir bir çözüme ulaştığını gözlemlemektir. Bu gerçekten de böyledir çünkü (i) probleminin eşdeğer formuna (iii) dönüşmesinden A değişkenlerinin ortaya çıkmasıdır; (i = 1, 2, _3, …, N için) her zaman hesaplanabilir. Dahası, çözüm vektörü X, negatif bir elemana da sahip olamaz (ve dolayısıyla uygulanabilir olamaz).

Çözüm vektörü X’teki bir element negatifse, sistem (iii) ve A matrisinin (5-4) olarak ifade edilen kısıtların katsayılarından oluşması, ifadenin kısıtlanmasına da bağlıdır.

Ancak, yukarıdaki durum aile 2 :: aij + ajk (herhangi bir n 2 :: i, j, k 2 :: 1 için) üçgen özelliğinden ve aij = aji (herhangi bir n 2 için: : i, j 2 :: 1) akj + aij – aile ifadesinin asla negatif olamayacağı sonucu çıkar. Bu nedenle, önerilen yaklaşım her zaman uygulanabilir (ve ardışık olarak optimal) ve bir çözüme de ulaşır.

SONUÇLAR

Bu bölüm, n birim arasındaki benzerlik ilişkilerini tahmin etmek için bir yaklaşım sundu. İkili karşılaştırmalar, birçok karar verme problemi için ilgili verileri çıkarma aracı olarak yoğun bir şekilde kullanılmıştır (önceki bölümlerde tartışıldığı gibi). Bu şekilde, bir uzmanın kesin olmayan yargıları işlenebilir ve bir problemin bilinmeyen parametrelerinin doğru tahminleri de elde edilebilir.

Geçmişte, bir dizi (alternatifler veya kriterler) üyeleri arasındaki göreceli önemi tahmin etmek için ikili karşılaştırmalar kullanılmıştır. Bu bağlamda, ikili karşılaştırmalar, her iki varlıkta da mevcut olan bir mülk açısından değerlendirildiklerinde, iki işletmenin göreceli öneminin oranını da tahmin eder.

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 KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (28) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev 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.

Bununla birlikte, göreli benzerliğin ikili karşılaştırmaları durumunda, karşılaştırmalı yargılar, belirli bir özelliğin varlık çiftlerinde mevcut olma derecesinin farkını ifade eder. Bu nedenle, bu tür ikili karşılaştırmalarla oluşturulan matrisler simetriktir. Yani şu ifade şimdi doğrudur:

• aij = aji ‘(n ~ i, j ~ 1 için).

Göreceli benzerliğin her ikili karşılaştırması, aij (n ~ i, j ~ 1 için), karar vericinin derecelerin I ~ – ~ I mutlak farkına ilişkin değerlendirmesini temsil eder i-th ve j’de belirli bir özellik mevcuttur. sırayla -th varlık. Bu tür karşılaştırmalar söz konusu olduğunda, karar verici doğrudan çiftlikler arasındaki benzerlik ilişkilerine odaklanır.

Buradaki ilgi ~ değerlerinin nasıl tahmin edileceği değil, bunun yerine, önceki farkların I ~ – ~ I nasıl tahmin edileceğidir.
Karar verici, benzerlik ölçeği kullanmakla sınırlı olduğundan, ayrık seçimler, iki metodolojik problem ortaya çıkar. İlk sorun, benzerlik karşılaştırmalarının nasıl ölçüleceğidir.

İkinci sorun, tüm n (n – 1) / 2 olası ikili karşılaştırmaların nasıl birleştirileceği ve n birim arasındaki gerçek benzerlik ilişkilerinin nasıl tahmin edileceğidir. Burada, ayrı bir benzerlik ölçeğiyle verilen seçimlerle ilişkili sayısal değerler ne olursa olsun, benzerlik ikili karşılaştırmalarını birleştirmeye ve gerçek benzerlik ilişkilerini tahmin etmeye her zaman ihtiyaç olduğu belirtilmelidir. Görünüşe göre, bu iki problem önceki bölümlerde anlatılan problemlere benzer.

Göreli Benzerliğin İkili Karşılaştırmalarının Ölçülmesi

Göreceli öneme sahip ikili karşılaştırmalarda olduğu gibi, göreli benzerliğin ikili karşılaştırmalarını ölçmek için bir ölçeğe ihtiyaç vardır. Bir karar verici, yargılarına doğrudan sayısal değerler atayamaz. Bunun yerine, karşılaştırmalı yargılarını verimli ve etkili bir şekilde değerlendirmek için bazı dilbilimsel ifadeler kullanabilir.

1846’da Weber tarafından ve daha sonra Miller tarafından, göreli öneme sahip ikili karşılaştırmaları ölçmek için ölçek geliştirmede kullanılan gözlemler, benzerlik temelli karşılaştırmalarla uğraşırken de uygulanabilir.

Bu bölümün ana amacı benzerlik temelli bir ölçek geliştirmek olmasa da, böyle bir ölçek sunulmuştur. Bu ölçek dil seçimi olarak [Ruspini, 1991] ‘de vurgulanan sembolik yapıların bir uzantısını kullanır.

Daha önce gösterilen ölçeklerin bu ölçekle yakından incelendiğinde, önerilen ölçeğin varlıkların göreceli önemi yerine açıkça benzerlik ilişkilerine odaklandığı ortaya çıkar.

Göreli Benzerliğin İkili Karşılaştırmalarını İşleme

(İ, j) ikili karşılaştırmasının gerçek (ve dolayısıyla karar vericinin bilmediği) değerinin (Xi} ‘ye eşit olduğunu varsayalım (burada (Xi} ~ 0). Bu değer (Xi} şunun mutlak değerine eşittir) Wi ve llj’nin derece (benzerlik değeri) olduğu fark (W; – llj), sırasıyla i-inci ve j-inci varlıklarda belirli bir özellik mevcuttur. Yani, aşağıdaki doğrudur:

• (Xi} = (Xji = IW; -llj I. (5-1)

Karar vericinin ((i, j) ikili karşılaştırmanın değerine ilişkin değerlendirmesinde) ayrı sayısal değerlere sahip bir benzerlik ölçeği kullanmak zorunda olduğundan, büyük olasılıkla dilsel bir seçim (“çok benzer” gibi) “veya” neredeyse benzer “vb.) sayısal bir değerle ilişkilendirilir (aij olarak gösterilir) ‘Umarım, bu değer gerçek değere çok yakın olur (Xij’ Bu nedenle, her karşılaştırmada bir hata faktörü Xij eklenir. Bu nedenle, aşağıdaki ilişki doğrudur:

• Xij aij = ~ iaji = WW

1’e, ancak ve ancak aij değeri (karar verici tarafından verilen) ve gerçek değer (Xij aynı ve aij> O ise). Aksi takdirde, Xij 1 olmaktan ne kadar uzaksa, iki değer aij ve (Xij vardır.
Bu noktada, genelliği kaybetmeden, değerler arasında aşağıdaki sıralamanın var olduğunu varsayalım.

• WI ‘W 2, W 3, …, Wn: WI ~ W2 ~ W3 ~’ “~ Wn ·

Bu sıralama her zaman mümkündür çünkü W; n öğenin (n ~ i ~ 1) değerleri yukarıdaki (5-3) ‘teki gibi değildir, bu durumda indekslerinin yeniden düzenlenmesi (5-3) olarak ifade edilen sıralamaya ulaşabilir.

Daha sonra, sırasıyla her üç varlık arasındaki olası tüm ikili karşılaştırmaları ele alalımAi’Aj veAkwithimilarityvaluesequaltoW; “‘} ve Wk, (burada: n ~ i> j> k ~ 1). Ardından, önceki ifadeleri birleştirerek (5- 2) ve (5-3), aşağıdaki ifadeler türetilmiştir:

İlgili n tane varlık verildiğinde, önceki gibi olası ifadeler vardır. Bu ifadeler n (n – 1) / 2 değişkeni içerir (not: Xij = ~ iandaij = aji, foranyn ~ i, j ~ 1). Sistem (5-4) için açık bir çözüm, herhangi bir n ~ i, j ~ 1 için Xij = 0’ı ayarlamaktır. Bununla birlikte, burada 1’e mümkün olduğunca yakın olan Xij değerlerini belirlemeye çalışmak mantıklıdır. Yani, aşağıdaki kareler toplamını en aza indiren Xij değerlerini bulmak için, hata karelerinin toplamını en aza indirme kavramı çok yaygındır.

Bilim ve mühendislikte birçok hata tahmin probleminde (ayrıca Bölüm 4.3 ve 4.4’e bakınız). İfade (5-5), ancak ve ancak tüm Xi} değişkenleri 1’e eşitse optimum 0 değerine ulaşır. Önceki tartışmadan, n (n – l) (n – 2) / 6 tür ifadeleri izlenir. Yukarıdaki (5-4), kısıtlamaların gövdesini oluştururken, ifade (5-5), önceki kısıtlamalara tabi olarak en aza indirilmesi gereken doğrusal kısıtlamalara sahip ikinci dereceden bir problemin nesnel işlevidir.

Bu ikinci dereceden programlama problemi, kolaylıkla eşdeğer bir doğrusal denklem sistemine dönüştürülebilir. Bu doğrusal denklem sistemi, yararlanılabilen özel bir yapıya sahiptir ve bu nedenle çok verimli bir şekilde çözülebilir. Önceki değerlendirmeler, bir sonraki kapsamlı sayısal örnek aracılığıyla daha ayrıntılı açıklanmıştır.

Kapsamlı Bir Sayısal Örnek

Bir karar vericinin, ilgilenilen dört (yani n = 4) varlık arasındaki benzerlik ilişkilerini tahmin etmesi gerektiğini varsayalım. AI ‘A2 • A3 ve A4 olarak gösterilir • Ayrıca, gerçek (dolayısıyla karar vericinin bilmediği) WI’ W2, W3 • ve W4 değerlerinin sırasıyla 0.92.0.74.0.53 ve 0.28’e eşit olduğunu varsayalım. . Başka bir deyişle, gerçek (ve dolayısıyla bilinmeyen) benzerlik ikili karşılaştırmaları matris A’yı aşağıdaki gibi oluşturur:

Yukarıdaki matriste giriş (1,2) 0,18’e eşittir çünkü 0,92 – 0,74 = 0,18. Matris A’daki diğer girişler için benzer bir açıklama geçerlidir.

Karar verici, önceki karşılaştırmaların kesin değerlerini belirleyemez. Ancak, yargılarını ölçmek için Tablo 5-1’de gösterilen ölçeği kullanabilir. Karar vericinin, A matrisindeki karşılık gelen gerçek değere en yakın sayısal değere sahip olan ölçekten bu seçimi her zaman yapabileceğini varsayarsak, aşağıdaki matris B, karar vericinin türetebileceğini varsaydığımız ikili karşılaştırmaları temsil eder. 

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 KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (27) – DUYARLILIK ANALİZİ YAKLAŞIMI – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).