doğrudan ilişki matrisi | Online (Parayla Ödev Yaptırma)

Çok Amaçlı Karar Verme (59) – Grup için DEMATEL Yönteminin Genişletilmesi – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

odevcimonline — Mon, 05 Oct 2020 18:19:21 +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.

Hem yorumlayıcı yapısal modelleme (ISM) hem de DEMATEL digraflara dayanmaktadır. Bir digraf, bir sistemin elemanları arasındaki bağlamsal bir ilişkiyi tasvir eder ve bu ilişkiye göre bir sistemin görünür bir yapısal modeline dönüştürülebilir (Warfield 1974). İkili veriler kullanılarak geliştirilen ISM’nin aksine, DEMATEL derecelendirme değerleri ile uygulanır. Bir ISM uygulamasının somut ürünü, hiyerarşi gibi çok seviyeli bir yapı olan “harita” olarak adlandırılan yapısal bir modeldir (Warfield 1977). Hiyerarşiler, birçok karmaşık sistem türünün incelenmesinde temeldir.

Buna karşılık, bir DEMATEL uygulamasının somut ürünü, alt sistemleri neden grubu ve sonuç grubuna ayırabilen bir “nedensel diyagram” olarak görünen yapısal bir modeldir. Özellikle, DEMATEL yalnızca alt sistemlerin yönlendirilmiş ilişkilerini göstermekle kalmaz, aynı zamanda alt sistemler arasındaki etkileşimlerin derecesini de netleştirebilir. Bu nedenle, karmaşık bir sistemi analiz etmeye doğru, alt sistemler arasındaki neden-sonuç ilişkisini yakalamak istiyorsak, DEMATEL görünüşe göre ISM’den daha yararlıdır.

Battelle Memorial Institute, DEMATEL yöntem projesini Cenevre Araştırma Merkezi aracılığıyla gerçekleştirdi. Orijinal DEMATEL, dünya toplumlarının parçalanmış ve uzlaşmaz fenomenlerini hedefliyordu ve entegre çözümler aradı. Son yıllarda, DEMATEL yöntemi Japonya’da çok popüler hale geldi, çünkü digraflarla karmaşık nedensel ilişkilerin yapısını görselleştirmek özellikle pragmatik. Digraph, bir rakamın etkinin gücünü temsil ettiği, sistemin unsurları arasındaki bağlamsal bir ilişkiyi gösterir. Böylelikle DEMATEL yöntemi, kriterlerin nedenleri ve etkileri arasındaki ilişkiyi sistemin anlaşılır bir yapısal modeline dönüştürebilir. DEMATEL yöntemini sorunsuz bir şekilde uygulamak için Hori ve Shimizu (1999) tarafından kullanılan versiyonu geliştirdik ve aşağıdaki gibi temel tanımları yaptık.

Tanım 20.1
İkili karşılaştırma ölçeğinde, 0, 1, 2 ve 3 puanlarının sırasıyla “Etki yok”, “Düşük etki”, “Yüksek etki” ve “Çok yüksek etki” yi temsil ettiği dört belirlenmiş seviye olabilir.

Tanım 20.2
İlk doğrudan ilişki matrisi z, kriterler arasındaki etki ve yönler açısından ikili karşılaştırmalarla elde edilen bir n × n matristir; burada zij, i kriterinin j kriterini etkileme derecesi olarak gösterilir.

Tanım 20.3
Normalleştirilmiş doğrudan ilişki matrisi X, tüm ana köşegen elemanların sıfıra eşit olduğu Denklem 20.1 ve 20.2 ile elde edilebilir.

Tanım 20.4
Toplam ilişki matrisi T, I’in özdeşlik matrisi olarak belirtildiği Denklem 20.3 kullanılarak elde edilebilir.
T = X (I − X) −1

Tanım 20.5
Satırların toplamı ve sütunların toplamı, Denklemler 20.4 ile 20.6 arasındaki toplam ilişki matrisi T içinde vektör d ve vektör r olarak ayrı ayrı gösterilir.

T = (tij) n × n, i, j = 1,2, …, n
d = (d1, …, di, …, dn),

Burada vektör d ve vektör r sırasıyla toplam ilişki matrisinden T sıralarının toplamını ve sütunların toplamını belirtir.

Tanım 20.6
Bir nedensel diyagram, (di + ri, di – ri) veri setini eşleyerek elde edilebilir, burada yatay eksen (di + ri) di’ye di eklenerek yapılır ve dikey eksen (di – ri) tarafından yapılır. ri’den di çıkarması yapılır.

Bulanık Grup Karar Verme

Problem çözme için bir çözüm bulmak amacıyla, grup karar verme (GDM) her organizasyon için önemlidir, çünkü GDM genellikle organizasyonel performansı etkileyen kararları etkiler. GDM, çeşitli deneyimlerden, fikirlerden, fikirlerden ve motivasyonlardan yararlanmanın bir yoludur. Geniş bir bilgi kaynağı yelpazesi için kendi algıları açısından öğrenmeyi kolaylaştırabilir ve ayrıca değişkenleri, sorunları ve hipotezleri belirlemede yardımcı olabilir. Özellikle, GDM, birden fazla bireyin tepkisine dayanan bir fikir birliğine varma sürecidir ve bu grup etkileşiminde haklı olan, fikir ve bilgi alışverişini kolaylaştırarak kabul edilebilir bir yargıya varılabilir.

Bununla birlikte, çoğu durumda, karar vermeye yönelik yargılar genellikle net değerlerle verilir, ancak net değerler durumsal belirsizliğin yetersiz bir yansımasıdır. Gerçek dünyada, hedefler, kısıtlamalar ve olası eylemler kesin olarak bilinmediğinden birçok karar belirsizlik içerir. Bulanık bir ortamda karar verirken, karar vermenin sonucu, belirsiz ve kesin olmayan öznel yargılardan büyük ölçüde etkilenir. Belirsizliğin kaynakları arasında kesin olmayan bilgiler, eksik bilgiler, elde edilemeyen bilgiler ve kısmi cehalet yer alır.

Bu tür kesin olmayan problemi çözmek için, bulanık küme teorisi ilk olarak Zadeh (1965) tarafından karar vermede belirsizliği temsil etmenin ve ele almanın matematiksel bir yolu olarak tanıtıldı. Bulanık küme teorisi, etkinliklerin veya ifadelerin tanımlarının kesin olmadığı problemleri çözmek için geliştirilmiştir. Bulanık mantık, insan muhakemesine benzeyen, kesin akıl yürütmeden ziyade yaklaşık mantığıdır. Bulanık mantıkta, 0 ile 1 arasındaki her sayı kısmi bir gerçeği gösterirken, net kümeler ikili mantığa karşılık gelir: 0 veya 1. Dolayısıyla, bulanık mantık, belirsiz veya kesin olmayan yargıları matematiksel olarak ifade edebilir ve işleyebilir.

Karar vericiler, geçmiş deneyimlerine ve bilgilerine dayalı değerlendirmeler yapma eğilimindedir ve ayrıca tahminleri genellikle belirsiz dilsel terimlerle ifade edilir. Karar verirken insan düşüncesi ve ifadesinin belirsizliğiyle başa çıkmak için bulanık küme teorisi çok yardımcı olur. Özellikle, dilbilimsel tahmin sürecindeki belirsizliklerin üstesinden gelmek için, bu dilbilimsel terimleri bulanık sayılara dönüştürmek daha iyidir. Bulanık kümelerin tanımına dayanarak, dilsel değişkenler kavramı, tipik olarak bir insan uzman tarafından benimsenen bir dili temsil etmek için tanıtıldı. Dilsel değişken, değerleri (yani dilsel değerler) doğal bir dilde kelime öbekleri veya cümleler biçiminde olan bir değişkendir (von Altrock 1996). Eksik bilgiden kaynaklanan belirsizliği ve insan yargılarındaki belirsizliği verimli bir şekilde çözmek için dil ölçeği kullanmak gerekir.

Bu nedenle, bulanık bir ortamdaki GDM sorunları, bulanık mantık kullanma ve bulanık GDM problemleriyle başa çıkmak için etkili bulanık toplama yöntemleri gerektirme ihtiyacı yaratmıştır. Aşağıda, bulanık mantığın bazı temel tanımlarını kısaca gözden geçireceğiz.

Tanım 20.7
Bulanık bir küme Ã, bir sıralı çiftler kümesi olan ve bir eşleme μÃ: X → [0,1] ‘i temsil eden bir üyelik fonksiyonu μÃ (x) ile karakterize edilen X söyleminin bir alt kümesidir. Bulanık küme Ã için μÃ (x) ‘in fonksiyon değeri, Ã’ deki x’in üyelik değeri olarak adlandırılır ve bu, x’in bulanık kümenin bir öğesi olduğu doğruluk derecesini temsil eder. ΜÃ (x) ∈ [0,1] olduğu varsayılır, burada μÃ (x) = 1, x’in tamamen Ã’ya ait olduğunu gösterirken, μÃ (x) = 0, x’in bulanık kümeye ait olmadığını gösterir.

A = (x, μ􏰧 (x)), x∈X,
μÃ (x) üyelik işlevidir ve X = {x}, x öğelerinin bir koleksiyonunu temsil eder.

The post Çok Amaçlı Karar Verme (59) – Grup için DEMATEL Yönteminin Genişletilmesi – 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 (29) – Bulanık Biliş Haritaları – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

odevcimonline — Thu, 24 Sep 2020 14:41:25 +0000

Adım 2: İlk Doğrudan Etki Matrisini Hesaplayın.

İlk doğrudan etki matrisi D, tüm ana köşegen elemanların sıfıra eşit olduğu ortalama A matrisini normalleştirerek elde edilebilir. D matrisine bağlı olarak, bir faktörün diğerine gönderdiği ve ondan aldığı ilk etki gösterilir.

Matris D öğesi, sistemin unsurları arasındaki bağlamsal bir ilişkiyi tasvir eder ve bu ilişkiye göre sistemin görünür bir yapısal modeline, etki-digraf haritasına dönüştürülebilir. Örneğin, Şekil 11.2’de olduğu gibi, katılımcılardan yalnızca doğrudan bağlantıları belirtmeleri istenir. Burada temsil edilen yönlendirilmiş dijital grafikte, faktör i doğrudan sadece j ve k faktörlerini etkiler; dolaylı olarak ilk l, m ve n’yi ve ikinci olarak o ve q’yu da etkiler.

Adım 3: Tam Doğrudan / Dolaylı Etki Matrisini Türetin.

Matris D’nin kuvvetleri boyunca problemlerin dolaylı etkilerinde sürekli bir azalma vardır, örneğin, D2, D3, …, D∞, böylece matris tersine yakınsak çözümleri garanti eder. Şekil 11.3 gibi bir konfigürasyonda, faktör i’nin faktör p’ye uyguladığı etki, faktör m’ye uygulanan etkiden daha küçük ve yine faktör j’ye uygulanandan daha küçük olacaktır. Bu durumda, sonsuz doğrudan ve dolaylı etkiler dizisi gösterilebilir. A matrisinin (i, j) elemanı aij ile gösterilsin; matris 11.6’dan 11.9’a Denklemler altında bulunabilir.

Her faktörün doğrudan ve dolaylı etkilerinin sonsuz serisi olan tam doğrudan / dolaylı etki matrisi F, D’nin matris işlemiyle elde edilebilir. F matrisi, sürekli süreçten sonra faktörlerin son yapısını gösterebilir (bkz. 11.10). Wi (f), F matrisinin normalleştirilmiş i. Satır toplamını göstersin, böylece Wi (f) değeri faktör i’den diğer faktörlere hem doğrudan hem de dolaylı olarak gönderilen etkilerin toplamı anlamına gelir. F matrisinin normalleştirilmiş i. Sütun toplamı olan Vi (f), faktör i’nin diğer faktörlerden aldığı etkinin toplamı anlamına gelir:

F = ∑∞ i = 1 −1 Di = D (I − D).

Adım 4: Eşik Değerini Ayarlayın

F matrisinin unsurları tarafından gösterilen bariz etkileri filtrelemek için bir eşik değeri p ayarlamak, faktörlerin yapısını açıklamak için gereklidir. F matrisine dayalı olarak, F matrisinin her bir öğesi, fij, j faktörüne etki gönderen bir i faktörü hakkında bilgi sağlar veya bir deyişle, faktör j, faktör i’den etki alır. Matris F’deki tüm bilgiler etki-digraf haritasına dönüşürse, karar verme için gerekli bilgileri göstermek çok karmaşık olacaktır. Uygun bir etki dijital harita elde etmek için, karar alıcı için etki seviyesinin bir eşik değerinin belirlenmesi gereklidir. Sadece F matrisindeki etki düzeyi eşik değerden yüksek olan bazı elemanlar seçilebilir ve etki-dijital haritaya dönüştürülebilir.

Eşik değere bir karar verici veya bu bölümde olduğu gibi uzmanlar tarafından tartışma yoluyla karar verilir. Matris D gibi, F matrisinin elemanları arasındaki bağlamsal ilişki de bir digraf haritasına dönüştürülebilir. Eşik değeri çok düşükse, harita karar vermek için gerekli bilgileri gösteremeyecek kadar karmaşık olacaktır. Eşik değeri çok yüksekse, birçok faktör başka bir faktörle ilişkisi olmayan bağımsız faktörler olarak sunulacaktır. Eşik değeri her arttığında, bazı faktörler veya ilişkiler haritadan kaldırılacaktır. Daha fazla analiz ve karar verme için uygun bir etki-dijital harita ve uygun bilgi elde etmek için uygun bir eşik değeri gereklidir.

Bir eşik değer ve göreceli etki dijital haritasına karar verildikten sonra, nihai etki sonucu gösterilebilir. Örneğin, bir faktörün etki-dijital grafiği Şekil 11.2 ile aynıdır ve bu haritada sekiz element mevcuttur. Aralarındaki sürekli doğrudan / dolaylı etkiler nedeniyle, nihayet bu sekiz öğenin etkililiğinin iki bağımsız nihai etkilenen öğe tarafından temsil edildiği düşünülebilir: o ve q. Bir faktörün etki-digraf haritasında gösterilmeyen diğer bileşenleri bağımsız unsurlar olarak düşünülebilir çünkü diğerleriyle açık bir ilişki yoktur.

Örnek :

Beş element olduğunu ve karşılık gelen doğrudan ilişki grafiğinin Şekil 11.4’te gösterildiği gibi temsil edilebileceğini düşünün, burada okun üzerindeki sayılar ikili karşılaştırma ölçeğini gösterir.

Doğrudan ilişki grafiğine göre, doğrudan ilişki matrisini şu şekilde formüle edebiliriz. Ardından, doğrudan ilişki matrisini olarak normalleştirebiliriz. Son olarak, toplam ilişki matrisini şu şekilde türetebiliriz: Toplam ilişki matrisinin sonucundan, öğeler arasındaki dolaylı ilişkileri türetebiliriz.

Bulanık Biliş Haritaları

İlk olarak Kosko (1988) tarafından önerilen bulanık biliş haritaları (FCM), karmaşık sistemlerdeki nesneler arasındaki bulanık ilişkileri çıkarmak için esnek ve gerçekçi bir yöntem sağlamak için bulanık ölçümleri birleştirerek orijinal bilişsel haritaları (Axelrod 1976) genişletir. Son zamanlarda FCM, bölge dışında siyasi karar verme, iş yönetimi, endüstriyel analiz ve sistem kontrolü uygulamalarında yaygın olarak kullanılmaktadır (Andreou, Mateou ve Zombanakis 2005; Stylios ve Groumpos 2004; Pagageorgiou ve Groumpos 2005) MCDM. FCM kavramları aşağıdaki gibi tanımlanabilir.

N = {N1, N2, …, Nn} n nesnelerin kümesini, E ise nesneler arasındaki ağırlıklardan oluşan bağlantı matrisini temsil ettiği 4-demetini (N, E, C, f) düşünün. C durum matrisidir, burada C (0) başlangıç matrisi ve C (t) belirli iterasyondaki t durum matrisidir ve f, C (t) ve C arasındaki ağırlık ilişkisini gösteren bir eşik fonksiyonudur. (t + 1). Eşik fonksiyonları olarak çeşitli formüller kullanılmıştır.

Sabit hat fonksiyonu f (x) = 1 eğer x ≥ 1, 0 ifx <1
Hiperbolik-tanjant fonksiyonu f (x) = tanh (x) = (1 − e − x) (1 + e − x), (11.12) ve Lojistik fonksiyon f (x) = 1 (1 + e − x).

Spesifik kriterin diğer kriterler üzerindeki etkisi, aşağıdaki güncelleme denklemi kullanılarak hesaplanabilir:

C (t + 1) = f (C (t) E), C (0) = In × n,

Burada In × n, kimlik matrisini gösterir.

Ardışık FCM durumlarını türetmek için vektör-matris çarpma işlemi, sabit bir nokta durumuna veya bir sınır durum döngüsüne yakınlaşana kadar yinelenir. Durum vektörü, ardışık yinelemeler için değişmeden kaldığında, buna sabit nokta durumu denir ve durum vektörünün dizisi sonsuza kadar tekrar etmeye devam ettiğinde, buna sınır durum döngüsü denir.

The post Çok Amaçlı Karar Verme (29) – Bulanık Biliş Haritaları – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma first appeared on Online (Parayla Ödev Yaptırma).