Uzantı kartı · m-Kutuplu
Bipolar bulanık COPRAS
Bu, COPRAS'ın her hücrede bir yargının istenen yöndeki ve karşı yöndeki etkisinin ayrı ayrı verildiği durumlar için biçimidir. İki etki daha ilk adımda tek bir skora indirilir, geri kalan hesap kesin COPRAS'la aynı yolu izler.
Temel yöntem
COPRAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
m-Kutuplu (m-Polar) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Hücreler. Kesin COPRAS'ta her hücre tek sayıdır. Burada her hücre iki sayıdır: olumlu kutup ve olumsuz kutup. Olumlu kutup, alternatifin bu kriterde istenen yönde ne kadar etkili olduğunu 0 ile 1 arasında söyler. Olumsuz kutup, karşı yöndeki etkiyi 0 ile −1 arasında söyler. Ağırlıklar kesin sayı olarak kalır; COPRAS ağırlık üretmez.
Ölçek eşitleme. Bipolar COPRAS önce her hücreyi skor fonksiyonuyla tek sayıya indirir: olumlu kutupla olumsuz kutbu toplar, 1 ekler, ikiye böler. Maliyet kriterinde bu işlemden önce kutuplar tamamlanır: olumlu kutup 1'den çıkarılır, olumsuz kutbun mutlak değeri 1 çıkarılarak yeniden yazılır. Skor fonksiyonundan sonra elde edilen sayılar üzerinde kesin COPRAS'ın geri kalan adımları aynen çalışır: her sütun kendi toplamına bölünerek oransal ölçek eşitlemesi yapılır, ağırlıkla çarpılır.
Fayda ve maliyet toplamı, birleştirme. Ağırlıklı değerler, kriterin orijinal yönüne göre fayda toplamı ya da maliyet toplamı içine eklenir. Bu ayrım skor fonksiyonundan önceki yön etiketine bakılarak yapılır, çünkü maliyet kriterleri zaten skor fonksiyonundan önce tamamlanmıştır. Bu iki toplam, kesin COPRAS'taki gibi göreli önem değerinde birleştirilir, sonra en yüksek değere bölünerek yüzdeye çevrilir.
DecisionMind bipolar COPRAS'ta skor fonksiyonunu ve onu izleyen kesin COPRAS adımlarını (oransal normalizasyon, göreli önem formülü) sabit tutar. Ağırlıklar dışarıdan kesin sayı olarak alınır.
Bipolar COPRAS'a özgü bağımsız bir kurucu makale literatür taramasında doğrulanamamıştır. DecisionMind bu uzantıyı, kesin COPRAS algoritmasını skor fonksiyonuyla durulaştırılmış bipolar bulanık verilere uygulayarak kurar. Bu, Fuzzy TOPSIS (Chen 2000) gibi kendi başına bağımsız bir bulanık algoritma değildir; kesin yöntemin bipolar veriye uyarlanmış doğrudan biçimidir.
Çıktı Nasıl Yorumlanır?
Çıktı kesin COPRAS'taki gibi bir fayda derecesidir; en yüksek değer 1'e (yüzde 100'e) eşitlenir, diğerleri buna oranlanır. Başka bir kümeyle karşılaştırılamaz, çünkü en yüksek değer her analizde o analizin kendi alternatiflerinden belirlenir.
Fark şurada: fayda derecesinin altındaki her hücre artık iki kutuplu bir girdiden, skor fonksiyonuyla tek sayıya indirilmiş kanıttan geliyor. İki alternatif aynı fayda derecesine farklı kutup birleşimleriyle ulaşabilir; derece bunu göstermez.
Bu nedenle:
"Bipolar COPRAS'ta en yüksek fayda derecesine ulaşan alternatif kesin olarak en iyisidir"
yerine:
"Fayda derecesi, bu kümenin en iyi alternatifine göre yüzdesel bir konumdur; olumlu ve olumsuz kutuplar skor fonksiyonuyla ilk adımda eridiği için derece hangi kutbun sonuca ne kattığını göstermez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir alternatifin bir kriterde hem istenen hem karşı yönde ölçülebilir bir etkisi varsa ve bu iki etki net bir sayıya indirilmeden korunması gerekiyorsa. Tipik durumlar: bir aracın hem yakıt tasarrufu hem bakım riski, bir teklifin hem fiyat avantajı hem gizli maliyet riski.
Kriter tek yönlü ve ölçülmüşse ikinci kutup yoktur, kesin COPRAS yeterlidir. Çıkış koşulu kesin COPRAS ile aynıdır: fayda ve maliyet toplamının ayrı tutulması mantığı kabul edilebiliyorsa bu uzantı da uygundur.
Bu Uzantıya Özgü Hatalar
Olumsuz kutbu olumlu kutuptan türetmek. Olumsuz kutup kendi kanıt kaynağından gelir, olumlu kutuptan hesaplanmaz.
Olumsuz kutbu reddetme derecesi gibi okumak. Bipolar yapıda "toplam 1'i aşamaz" kısıtı yoktur.
Bipolar bulanık kümeyi 2-kutuplu (m = 2) bulanık kümeyle karıştırmak. Bipolar küme tek bir kriterin iki yönlü etkisini ölçer; m-kutuplu küme m = 2 olduğunda iki bağımsız bakış açısını ölçer. İki bağımsız bakış açısı varsa m-kutuplu ailenin üyeleri kullanılır.
Fayda ve maliyet toplamını skor fonksiyonundan önceki yöne göre değil, skorlanmış değerin büyüklüğüne göre ayırmak. Bir kriterin fayda mı maliyet mi olduğu, skor fonksiyonundan önceki orijinal etiketle belirlenir; skorlanmış sayı büyük görünüyor diye kriteri fayda tarafına yazmak yanlıştır.
Skor fonksiyonunu ilan etmeden değiştirmek. Farklı bir durulaştırma biçimi oransal ölçek eşitlemesini ve dolayısıyla fayda derecesini değiştirir.
Temel ilke şudur:
Her kutup kendi kanıt kaynağına dayanmalı, kriterin fayda ya da maliyet yönü skor fonksiyonundan önce sabitlenmeli ve bu sıra hesap boyunca değiştirilmemelidir.
Vakalar
Birinci vaka DecisionMind'ın motor doğrulama sabitidir. Manifestteki kaynak alanı bu tablo için bir yazar ve yıl gösterir. Ama bu alan gerçek bir makaleye değil, motorun kendi test sabitine işaret eder; bu yüzden vaka öğretici örnek olarak sunulur. İkinci vaka tamamen kurgudur.
1. Öğretici örnek: Üç makine teklifinin iki ölçütte karşılaştırılması
Bir işletme üç makine teklifini iki ölçütte karşılaştırıyor: verimlilik katkısı (çoğu iyi) ve arıza riski (azı iyi). Her hücre bipolar bulanık bir çiftle verilmiş.
| Teklif | Verimlilik katkısı | Arıza riski |
|---|---|---|
| A1 | (0,7; −0,2) | (0,6; −0,3) |
| A2 | (0,5; −0,4) | (0,8; −0,1) |
| A3 | (0,6; −0,3) | (0,4; −0,5) |
| Ağırlık | 0,6 | 0,4 |
Skor fonksiyonundan sonra crisp puanlar A1 için 0,75 ve 0,35; A2 için 0,55 ve 0,15; A3 için 0,65 ve 0,55 çıkar. Fayda ve maliyet toplamları ayrı ayrı biriktirilip göreli önem değerinde birleştirilir.
| Teklif | Fayda derecesi | Sıra |
|---|---|---|
| A2 | 1,000 | 1 |
| A1 | 0,820 | 2 |
| A3 | 0,653 | 3 |
A2, arıza riski en düşük olduğu için (kesin arıza değeri en düşük) fayda derecesinde birinci sıraya çıkıyor. Verimlilik katkısı en düşük olmasına rağmen bu, düşük risk avantajını götürmüyor.
İşletmenin tereddüdü: ağırlıklar yer değiştirseydi, yani arıza riskine 0,6, verimliliğe 0,4 verilseydi, sıra aynı kalıyor: A2 birinci (1,000), A1 ikinci (0,655), A3 üçüncü (0,493). Verimlilik katkısı hücresinde A1'in arıza riski bir basamak aşağı çekilse (0,6 yerine 0,5) bile sıra değişmiyor. Bu örnekte sıra hem ağırlık takasına hem tek hücrelik değişime dayanıklı.
Raporda: "Teklifler bipolar bulanık puanlanmış, olumlu ve olumsuz kutuplar skor fonksiyonuyla tek sayıya indirilmiştir. A2, en düşük arıza riski sayesinde en yüksek fayda derecesine (1,000) ulaşmaktadır; ağırlık takası ve tek basamaklık puan değişimi sırayı değiştirmemektedir."
Kaynak: DecisionMind'ın Bipolar bulanık COPRAS motorunun doğrulama sabiti; fayda dereceleri ve duyarlılık değerleri kernel'in bağımsız olarak Python'da yeniden hesaplanmasıyla elde edilmiştir.
2. Toplu taşıma: Üç otobüs filosu yenileme teklifi arasında seçim
Bir belediye otobüs filosunu yenilemek için üç tedarik teklifinden birini seçecek. İki ölçüt belirlenmiş: yolcu memnuniyetine katkı (çoğu iyi) ve bakım arıza riski (azı iyi). Her ölçüt için iki ayrı kanıt kaynağı var: pilot hat memnuniyet anketi istenen yöndeki etkiyi, teknik servis kaydı karşı yöndeki etkiyi veriyor.
| Teklif | Yolcu memnuniyetine katkı | Bakım arıza riski |
|---|---|---|
| O1 | (0,66; −0,1) | (0,5; −0,34) |
| O2 | (0,44; −0,2) | (0,5; −0,82) |
| O3 | (0,5; −0,1) | (0,5; −0,58) |
| Ağırlık | 0,55 | 0,45 |
O1 memnuniyete en yüksek katkıyı sağlıyor ama arıza riski de en yüksek onda. O2 tam tersi: memnuniyete katkısı en düşük, arıza riski en düşük. O3 her iki ölçütte de ortada.
| Teklif | Fayda derecesi | Sıra |
|---|---|---|
| O1 | 1,000 | 1 |
| O3 | 0,840 | 2 |
| O2 | 0,719 | 3 |
Belediyenin tereddüdü: ağırlıklar yer değiştirseydi, yani arıza riskine 0,55, memnuniyete 0,45 verilseydi, sıra aynı kalıyor: O1 birinci (1,000), O3 ikinci (0,828), O2 üçüncü (0,703). O1'in arıza riski bir basamak kötüleştirilse (nu −0,34'ten −0,44'e) bile sıra değişmiyor. Sıra bu iki senaryoda da sağlam.
Raporda: "Yolcu memnuniyetine 0,55 ağırlık verildiğinde O1 en yüksek fayda derecesine ulaşmaktadır. Ağırlık arıza riskine kaydırıldığında ve O1'in risk hücresi bir basamak kötüleştirildiğinde de sıra değişmemektedir; sonuç bu iki senaryoya karşı sağlamdır."
3. Yapılmaması Gereken
Toplu taşıma örneğinde O2'nin arıza riski hücresini olumlu kutuptan türetip "0,5; −0,4" yazmak yanlıştır. Bu, memnuniyet anketi ve teknik servis kaydı gibi iki ayrı kanıt kaynağını tek kaynağa indirger. İkinci yanlış, arıza riski kriterini skorlanmış değeri yüksek göründüğü için fayda toplamına eklemektir; kriterin yönü skor fonksiyonundan önceki orijinal etiketle belirlenir, sonradan değiştirilmez. Üçüncü yanlış, öğretici örnekteki A2'nin 1,000 fayda derecesini "mükemmel" diye raporlamaktır; 1,000 yalnız bu üç teklif arasında en iyisi olduğu anlamına gelir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/bf-copras
Zavadskas, E. K., & Kaklauskas, A. (1996). Determination of an efficient contractor by using the new method of multicriteria assessment. In International Symposium for the Organization and Management of Construction: Shaping Theory and Practice, Vol. 2: Managing the Construction Project and Managing Risk (CIB W65), 94–104. (DOI yok)
Zhang, W.-R. (1994). Bipolar fuzzy sets and relations: A computational framework for cognitive modeling and multiagent decision analysis. Proceedings of NAFIPS/IFIS/NASA '94, 305–309. DOI: 10.1109/IJCF.1994.375115
Chen, J., Li, S., Ma, S., & Wang, X. (2014). m-Polar fuzzy sets: An extension of bipolar fuzzy sets. The Scientific World Journal, 2014, 416530. DOI: 10.1155/2014/416530
Alghamdi, M. A., Alshehri, N. O., & Akram, M. (2018). Multi-Criteria Decision-Making Methods in Bipolar Fuzzy Environment. International Journal of Fuzzy Systems, 20(6), 2057–2064. DOI: 10.1007/s40815-018-0499-y