Uzantı kartı · Bulanık
Karmaşık bulanık MARCOS
MARCOS'un, bir yargıya verilen destek ve ret derecesinin her birinin genlik VE faz olmak üzere iki bileşenle taşındığı durumlar için biçimidir. Çıktı yine bir nihai fayda derecesi ve sıradır.
Temel yöntem
MARCOS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Bulanık (Fuzzy) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Üç şey değişir; genişletilmiş tablo, ideal-anti-ideal oranı ve nihai fayda derecesi mantığı değişmez.
Hücreler. Kesin MARCOS'ta her hücre tek sayıdır. Burada her hücre dört sayıdan oluşur: destek genliği r_μ ve destek fazı ω_μ, ret genliği r_ν ve ret fazı ω_ν. Genlikler 0 ile 1 arasında, fazlar 0 ile 2π arasında bir açıdır. Genlik, sezgisel bulanıktaki destek ve ret derecesiyle aynı şeyi ölçer. Faz ayrı bir boyuttur ve yargının hangi ikinci eksende konumlandığını taşır. Ağırlıklar kesin sayı olarak dışarıdan alınır; yöntem ağırlık üretmez.
Genişletilmiş tablo ve ideal/anti-ideal. Kesin MARCOS'ta ideal ve anti-ideal satırları, gözlenen en iyi ve en kötü sayıdan kurulur. Burada bu iki satır, her sütunun genlik VE faz bileşenlerinin ayrı ayrı en iyisinden ve en kötüsünden kurulur; fayda sütununda genlik ve faz birlikte en yükseğe, maliyet sütununda birlikte en düşüğe gider.
Toplama ve durulaştırma. Kesin MARCOS her satırı ağırlıklarla çarpıp toplar. Burada her satır önce karmaşık sezgisel bulanık ağırlıklı ortalama (CIFWA) ile tek bir karmaşık sezgisel bulanık değere birleştirilir. Sonra bu değer bir skor fonksiyonuyla tek sayıya iner: s = ((r_μ−r_ν) + (ω_μ−ω_ν)/(2π)) / 2. Skorun yarısı genlik farkından, yarısı faz farkından gelir. Geri kalan her şey kesin MARCOS'un kendisidir: ideale ve anti-ideale oran (K+, K−), iki fayda fonksiyonu ve bunların birleşimi olan nihai fayda derecesi aynı adımlarla kurulur.
Fazın katkısı yalnız bağımsız verildiğinde gerçektir. Bu kartın yazarınca kernel doğrudan çalıştırılarak doğrulanmıştır: aynı genlik çiftiyle (r_μ=0,85, r_ν=0,15) ama farklı fazlarla A1'in nihai fayda derecesi 0,4869 ile 0,5999 arasında değişmektedir; oysa faz genlikle orantılı verilirse (ω=2π·r kuralı gibi) CIFWA aggregasyonu bu orantıyı taşır ve skor cebirsel olarak sezgisel bulanık MARCOS'un skoruna (r_μ−r_ν) iner, karmaşık yapı hiçbir fark üretmez. DecisionMind'ın kendi doğrulama örneği (aşağıdaki Vaka 1) bu orantılı fazı kullanır; bu, motorun genel bir sınırı değil, yalnız bu örneğin veri seçiminin bir sonucudur.
DecisionMind bu uzantıda skor fonksiyonunu, CIFWA birleştirme operatörünü ve genlik-faz ağırlığının eşit (yarı yarıya) olmasını sabit tutar.
Çıktı Nasıl Yorumlanır?
Nihai fayda derecesi kesin MARCOS'taki gibi okunur: bu kümenin kendi ideal ve anti-ideal referanslarına göre bir konumdur, yüzde ya da olasılık değildir (bkz. MARCOS kartı). Fark şurada: bu derecenin yarısı genlikten, yarısı fazdan gelir. İki seçeneğin aynı genlik farkına sahip olması, aynı nihai fayda derecesine sahip olacakları anlamına gelmez; faz farkı da devreye girer. Faz neyi temsil ettiği açıkça tanımlanmamışsa, bu ikinci katkı okuyucuya nereden geldiği belirsiz bir tekrar puan gibi görünür.
Bu nedenle:
"Karmaşık bulanık MARCOS bu seçeneği en dengeli bulduğu için birinci sıraya koydu"
yerine:
"Bu nihai fayda derecesi hem destek/ret genliğindeki hem faz açısındaki farkı eşit ağırlıkla taşır; faz burada şunu temsil eder (X), bu tanım olmadan derecenin yarısı okunaksız kalır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir yargıya verilen destek ya da ret gerçekten iki bağımsız boyuttan geliyorsa bu uzantı düşünülür: hem ne kadar güçlü olduğu (genlik) hem hangi ikinci eksende geçerli olduğu (faz) ayrı ayrı biliniyor olmalıdır. Bu iki boyut bağımsız değilse, yani faz genlikten türetiliyorsa, karmaşık yapı sezgisel bulanık MARCOS'a hiçbir şey katmaz ve modeli yalnız açıklaması daha zor hale getirir. Ölçülmüş bir kriteri genlik-faz çiftine çevirmek belirsizlik modellemek değil belirsizlik üretmektir. Kesin MARCOS'un çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.
Bu Uzantıya Özgü Hatalar
Fazı genlikle orantılı ya da keyfi vermek. Faz genlikten türetilirse (ω=2π·r gibi) CIFWA aggregasyonu bu orantıyı korur ve nihai fayda derecesi sezgisel bulanık MARCOS'unkinden farksız çıkar; bu kartın yazarınca kernel ile doğrulanmıştır. Faz kendi bağımsız kaynağından gelmelidir.
Faz açısını derece sanıp radyan girmemek. Motor ω'yi 0 ile 2π arasında radyan bekler; 0-360 derece ölçeğinde bir değer doğrudan girilirse değer alanı ihlal edilir.
Değer alanı ihlali. Her genlik r_μ, r_ν ∈ [0,1] olmalıdır; bu kontrol edilmeden hesaba girmek yöntemi geçersiz kılar.
Fazın ne temsil ettiğini raporda söylememek. Nihai fayda derecesinin yarısı fazdan geldiği için, faz hangi ikinci boyutu ölçtüğü açıklanmadan sunulan bir derece yarı yarıya açıklanamaz kalır.
Temel ilke şudur:
Karmaşık bulanık MARCOS'un fazı, ancak genlikten gerçekten bağımsız bir kaynaktan geldiğinde bir şey katar; genlikle orantılı ya da keyfi bir faz, sezgisel bulanık MARCOS'tan farksız bir sonuç üretir ve rapor bunu gizlememelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; manifestteki sentetik 3x3 tablo formüllere sadık biçimde kurulmuştur, literatür sayfası taşımaz ve fazlar genlikle orantılı (ω=2π·r) verilmiştir. İkinci vaka öğretici kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç dağıtım rotası planının karşılaştırılması
Bir e-ticaret firması üç dağıtım rotası planını üç ölçütte karşılaştırır: teslimat hızı puanı (çoğu iyi), müşteri memnuniyeti puanı (çoğu iyi), taşıma maliyeti puanı (azı iyi). Her planın her ölçütteki desteği ve reddi genlik-faz çiftiyle verilmiştir; bu örnekte fazlar genliklerle orantılıdır (ω=2π·r), yani faz genliğin taşıdığından fazladan bir bilgi eklemez.
| Rota | Teslimat hızı (r_μ; r_ν) | Memnuniyet (r_μ; r_ν) | Maliyet (r_μ; r_ν, azı iyi) |
|---|---|---|---|
| R1 | (0,85; 0,15) | (0,65; 0,15) | (0,75; 0,15) |
| R2 | (0,85; 0,05) | (0,75; 0,15) | (0,55; 0,15) |
| R3 | (0,75; 0,15) | (0,85; 0,15) | (0,65; 0,15) |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her hücrenin genlik-faz çiftini genişletilmiş tabloya (ideal ve anti-ideal satırlarıyla) taşır, CIFWA ile satırları birleştirir, her satırın skorunu ideale ve anti-ideale oranlar ve iki oranı tek bir nihai fayda derecesinde birleştirir.
| Rota | Nihai fayda derecesi | Sıra |
|---|---|---|
| R2 | 0,7504 | 1 |
| R3 | 0,6361 | 2 |
| R1 | 0,5911 | 3 |
Sonuç şöyle okunur. R2, en ağırlıklı ölçüt olan teslimat hızında ideale (0,85) tam ulaşır ve maliyet ölçütünde (azı iyi) en düşük değere sahiptir; yalnız memnuniyette ortalarda kalır. R1 tam tersi bir profil çizer ve son sıradadır.
Kararın tereddüdü: memnuniyet ağırlığı 0,35'ten 0,65'e çıkarılıp teslimat hızı 0,40'tan 0,20'ye, maliyet 0,25'ten 0,15'e indirilirse sıra değişir. Aynı hesap R3'ü 0,7181 ile birinciye, R2'yi 0,6999 ile ikinciye taşır. Bu, R2 ile R3 arasındaki üstünlüğün memnuniyet ölçütünün ağırlığına duyarlı olduğunu gösterir.
Raporda: "Verilen ağırlıklarla (teslimat hızı 0,40, memnuniyet 0,35, maliyet 0,25) R2 en yüksek nihai fayda derecesine (0,7504) sahiptir. Memnuniyet ağırlığı 0,65'e çıkarıldığında R3 öne geçmektedir (0,7181); bu nedenle sıra memnuniyet ölçütünün ağırlığına duyarlı kabul edilmelidir. Bu örnekte faz genlikle orantılı verildiğinden nihai derecenin tamamı genlik farkından gelmektedir."
Kaynak: DecisionMind'ın CF-MARCOS doğrulama örneği. Skor fonksiyonu, CIFWA operatörü ve MARCOS iskeleti manifestteki formüllere dayanır; karmaşık sezgisel bulanık yapı Alkouri ve Salleh (2012)'nin tanımına, karmaşık bulanık kümenin temel fikri Ramot ve arkadaşlarının (2002) çalışmasına, MARCOS'un kendisi Stević ve arkadaşlarının (2020) çalışmasına dayanır. Ağırlık takası senaryosu ve faz duyarlılık sayıları bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır.
2. Müzecilik: Bir müzenin eser konservasyon atölyesi seçimi
Bir devlet müzesi, kırılgan bir koleksiyonun konservasyon işini üç uzman atölyeden birine verecektir. Üç ölçüt vardır: konservasyon kalitesi puanı, teslim süresi (azı iyi) ve sigorta/güvence kapsamı puanı. Müze her atölyeyi iki eksende değerlendirir. Birincisi, geçmiş işlerdeki başarının ne kadar güçlü kanıtlandığıdır (genlik). İkincisi, bu kanıtın koleksiyonun hangi dönemine ait olduğudur (faz); örneğin erken dönem kâğıt eserler ya da geç dönem tekstil. Bu iki eksen bağımsızdır, çünkü aynı güçte bir kanıt farklı bir dönem için toplanmış olabilir.
Yöntem her atölyenin genlik-faz çiftini genişletilmiş tabloya taşır, CIFWA ile birleştirir, ideale ve anti-ideale oranlayıp nihai fayda derecesini hesaplar. Diyelim ki iki atölye aynı kalite kanıtına sahipken, biri müzenin şu an öncelikli olan dönemine daha yakın bir kanıta dayandığı için farklı bir derece aldı; bu fark yalnız kalite karşılaştırmasıyla görünmezdi.
Müzenin tereddüdü şudur: faz burada "hangi döneme ait kanıt" bilgisini taşıdığı açıkça tanımlanmadıkça, derecenin yarısı kurula açıklanamaz kalır. Müze, faz açısının neyi temsil ettiğini ve nasıl belirlendiğini raporda ayrıca belirtmelidir.
Raporda: "Nihai fayda derecesinin yarısı geçmiş iş kanıtının gücünden, yarısı bu kanıtın ilgili olduğu koleksiyon döneminden gelmektedir; ikinci bileşen erken/geç dönem ayrımını temsil eder ve bu tanım olmadan derece tam okunamaz."
3. Yapılmaması Gereken
Öğretici örnekte fazları genlikten bağımsızca uydurmak, örneğin R1'e rastgele bir faz değeri yazmak: bu, nihai derecenin kaynağını belirsizleştirir ve tekrarlanabilir olmayan bir sonuç üretir. İkinci yanlış, faz açısını derece cinsinden doğrudan girip radyan sanmaktır; motor 0 ile 2π arasında bir değer bekler. Üçüncü yanlış, R2'nin 0,7504 derecesini "yüzde 75 uygun" diye okumaktır; bu değer yalnız bu üç rota arasında kümenin kendi ideal/anti-ideal ekseninde bir kıyastır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/cf-marcos
Alkouri, A. M. J. S., & Salleh, A. R. (2012). Complex intuitionistic fuzzy sets. AIP Conference Proceedings, 1482(1), 464–470. DOI: 10.1063/1.4757515
Ramot, D., Milo, R., Friedman, M., & Kandel, A. (2002). Complex fuzzy sets. IEEE Transactions on Fuzzy Systems, 10(2), 171–186. DOI: 10.1109/91.995119
Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87–96. DOI: 10.1016/S0165-0114(86)80034-3
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