Uzantı kartı · m-Kutuplu
Bipolar bulanık MARCOS
Bu, MARCOS'un 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 MARCOS'la aynı yolu izler.
Temel yöntem
MARCOS →
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 MARCOS'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; MARCOS ağırlık üretmez.
Ölçek eşitleme. Bipolar MARCOS önce her hücreyi skor fonksiyonuyla tek sayıya indirir: olumlu kutupla olumsuz kutbu toplar, 1 ekler, ikiye böler. Skor fonksiyonundan sonra elde edilen sayılar üzerinde kesin MARCOS'un geri kalan adımları aynen çalışır. Tabloya kriter yönüne göre gözlenen en iyi (ideal, AI) ve en kötü (anti-ideal, AAI) satırlar eklenir; her hücre idealle oranlanır.
Fayda oranları ve nihai fayda fonksiyonu. Her alternatifin ağırlıklı satır toplamı, ideal ve anti-ideal satırların toplamına oranlanarak iki fayda oranı (K⁺ ve K⁻) elde edilir. Bu iki oran, kesin MARCOS'taki gibi tek bir nihai fayda fonksiyonunda birleştirilir. Sonuç 0 ile 1 arasında tek bir sayıdır; yüksek olan tercih edilir.
DecisionMind bipolar MARCOS'ta skor fonksiyonunu ve onu izleyen kesin MARCOS adımlarını (ideal/anti-ideal genişletme, fayda oranları) sabit tutar. Ağırlıklar dışarıdan kesin sayı olarak alınır.
Bipolar MARCOS'a özgü bağımsız bir kurucu makale literatür taramasında doğrulanamamıştır. DecisionMind bu uzantıyı, kesin MARCOS 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 MARCOS'taki gibi bir nihai fayda derecesidir ve bir sıra verir. Başka bir kümeyle karşılaştırılamaz, çünkü ideal ve anti-ideal referanslar her analizde o analizin kendi alternatiflerinden kurulur.
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 MARCOS'ta en yüksek fayda derecesine ulaşan alternatif kesin olarak en iyisidir"
yerine:
"Fayda derecesi, bu kümenin ideal ve anti-ideal referanslarına göre 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 ekipmanın hem performans katkısı hem uygulama riski, bir tedarikçinin hem fiyat avantajı hem teslim riski.
Kriter tek yönlü ve ölçülmüşse ikinci kutup yoktur, kesin MARCOS yeterlidir. Çıkış koşulu kesin MARCOS ile aynıdır: ideal ve anti-ideal referanslara göre bir uzlaşma değeri aranıyorsa 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.
İdeal ve anti-ideal satırları skorlanmış tablodan değil, ham bipolar çiftlerden kurmaya çalışmak. İdeal ve anti-ideal referanslar skor fonksiyonundan sonraki crisp tablo üzerinden, kriter yönüne göre kurulur; bipolar çiftler üzerinde doğrudan "en iyi çift" aramak tanımsızdır.
Skor fonksiyonunu ilan etmeden değiştirmek. Farklı bir durulaştırma biçimi fayda oranlarını ve dolayısıyla nihai fayda derecesini değiştirir.
Temel ilke şudur:
Her kutup kendi kanıt kaynağına dayanmalı, ideal ve anti-ideal referanslar yalnız skor fonksiyonundan sonraki crisp tablodan kurulmalıdır.
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 yazılım teklifinin iki ölçütte karşılaştırılması
Bir firma üç yazılım teklifini iki ölçütte karşılaştırıyor: performans katkısı (çoğu iyi) ve uygulama riski (azı iyi). Her hücre bipolar bulanık bir çiftle verilmiş.
| Teklif | Performans katkısı | Uygulama 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. Tabloya ideal ve anti-ideal satırlar eklenip fayda oranları hesaplanır.
| Teklif | Nihai fayda derecesi | Sıra |
|---|---|---|
| A2 | 0,703 | 1 |
| A1 | 0,646 | 2 |
| A3 | 0,527 | 3 |
A2, uygulama riski en düşük olduğu için nihai fayda derecesinde birinci sıraya çıkıyor.
Firmanın tereddüdü: ağırlıklar yer değiştirseydi, yani uygulama riskine 0,6, performansa 0,4 verilseydi, sıra aynı kalıyor: A2 birinci (0,781), A1 ikinci (0,575), A3 üçüncü (0,446). Performans katkısı hücresinde A1'in uygulama riski bir basamak aşağı çekilse (0,6 yerine 0,5) bile sıra değişmiyor.
Raporda: "Teklifler bipolar bulanık puanlanmış, olumlu ve olumsuz kutuplar skor fonksiyonuyla tek sayıya indirilmiştir. A2, en düşük uygulama riski sayesinde en yüksek nihai fayda derecesine (0,703) ulaşmaktadır; ağırlık takası ve tek basamaklık puan değişimi sırayı değiştirmemektedir."
Kaynak: DecisionMind'ın Bipolar bulanık MARCOS motorunun doğrulama sabiti; fayda dereceleri ve duyarlılık değerleri kernel'in bağımsız olarak Python'da yeniden hesaplanmasıyla elde edilmiştir.
2. Park ve bahçeler: Üç peyzaj firması teklifi arasında seçim
Bir belediye park yenileme işi için üç peyzaj firması teklifinden birini seçecek. İki ölçüt belirlenmiş: yeşil alan kalitesine katkı (çoğu iyi) ve bakım maliyeti riski (azı iyi). Her ölçüt için iki ayrı kanıt kaynağı var: peyzaj mimarının değerlendirmesi istenen yöndeki etkiyi, bakım biriminin geçmiş kayıtları karşı yöndeki etkiyi veriyor.
| Firma | Yeşil alan kalitesine katkı | Bakım maliyeti riski |
|---|---|---|
| P1 | (0,62; −0,1) | (0,5; −0,3) |
| P2 | (0,44; −0,2) | (0,5; −0,66) |
| P3 | (0,5; −0,1) | (0,5; −0,46) |
| Ağırlık | 0,6 | 0,4 |
P1 yeşil alan kalitesine en yüksek katkıyı sağlıyor ama bakım maliyeti riski de en yüksek onda. P2 tam tersi: kaliteye katkısı en düşük, maliyet riski en düşük. P3 her iki ölçütte de ortada.
| Firma | Nihai fayda derecesi | Sıra |
|---|---|---|
| P1 | 0,751 | 1 |
| P3 | 0,665 | 2 |
| P2 | 0,575 | 3 |
Belediyenin tereddüdü: ağırlıklar yer değiştirseydi, yani bakım maliyeti riskine 0,6, kaliteye 0,4 verilseydi, sıra aynı kalıyor: P1 birinci (0,761), P3 ikinci (0,661), P2 üçüncü (0,563). P1'in bakım maliyeti riski bir basamak kötüleştirilse (nu −0,3'ten −0,4'e) bile sıra değişmiyor. Sonuç bu iki senaryoya karşı sağlam.
Raporda: "Yeşil alan kalitesine 0,6 ağırlık verildiğinde P1 en yüksek nihai fayda derecesine ulaşmaktadır. Ağırlık bakım maliyeti riskine kaydırıldığında ve P1'in risk hücresi bir basamak kötüleştirildiğinde de sıra değişmemektedir."
3. Yapılmaması Gereken
Park örneğinde P2'nin bakım maliyeti riski hücresini olumlu kutuptan türetip "0,5; −0,44" yazmak yanlıştır. Bu, peyzaj mimarının ve bakım biriminin iki ayrı kanıt kaynağını tek kaynağa indirger. İkinci yanlış, ideal ve anti-ideal satırları ham bipolar çiftlerden ("hangi çift daha büyük") kurmaya çalışmaktır. Bu satırlar yalnız skor fonksiyonundan sonraki crisp tablodan, kriter yönüne göre kurulur. Üçüncü yanlış, öğretici örnekteki A2'nin 0,703 fayda derecesini "yüzde 70 uygun" diye raporlamaktır. Derece yalnız bu üç teklifi, bu kümenin kendi ideal ve anti-ideal referanslarına göre birbirine kıyaslar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/bf-marcos
Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS). Computers & Industrial Engineering, 140, 106231. DOI: 10.1016/j.cie.2019.106231
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