Uzantı kartı · Bulanık
Karmaşık bulanık TOPSIS
TOPSIS'in, bir yargıya verilen destek ve ret derecelerinin genlik ve faz olmak üzere iki bileşenle taşındığı durumlar için biçimidir. İdeal ve anti-ideal noktaya uzaklığı bu iki bileşenle ölçer, sonucu bir yakınlık puanıyla sıralar.
Temel yöntem
TOPSIS →
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; beş adımlı iskelet ve karar mantığı değişmez.
Hücreler. Kesin TOPSIS'te 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; yargının hangi ikinci eksende konumlandığını taşır. Maliyet kriterinde destek ve ret çifti (genlik ve fazıyla birlikte) yer değiştirir. Kriter ağırlıkları kesin sayı olarak dışarıdan alınır.
İdeal ve anti-ideal nokta. Kesin TOPSIS ideal noktayı her sütunun en iyi değerinden kurar. Burada ideal nokta (CIFPIS) her kriterde hem genliğin hem fazın ayrı ayrı en iyisinden kurulur: en yüksek destek genliği ve fazı, en düşük ret genliği ve fazı. Anti-ideal (CIFNIS) tam tersidir. Bu adım kesin TOPSIS'in üçüncü adımıyla aynı mantıkla çalışır, yalnız dört bileşen üzerinden.
Uzaklık ve yakınlık puanı. İki değer arasındaki uzaklık, genlik farklarının ve normalize edilmiş faz farklarının (fazın 2π'ye bölünmüş hâli) birlikte girdiği bir Öklid uzaklığıdır. Her seçeneğin ideale ve anti-ideale uzaklığı, kriterler boyunca bu uzaklıkların ağırlıklı toplamıdır. Yakınlık puanı, kesin TOPSIS'teki gibi anti-ideale uzaklığın iki uzaklığın toplamına oranıdır.
Fazın katkısı yalnız genlikten gerçekten bağımsız verildiğinde gerçektir. Bu kartın yazarınca manifestin kendi doğrulama örneği kernel ile bağımsız yeniden hesaplanmıştır: örnekte fazlar genlikle orantılı verilmiştir (ω=2π·r). Bu durumda her uzaklık teriminde faz bileşeni genlik bileşeniyle birebir aynı farkı üretir ve toplam uzaklık yalnız sabit bir çarpanla (√2) büyür. Bu çarpan hem ideale hem anti-ideale uzaklığa aynı oranda yansıdığı için yakınlık puanının oranında sadeleşir: faz varken ve fazı hesaba hiç katmadan hesaplanan yakınlık puanları bu örnekte ondalık basamağına kadar aynı çıkmaktadır (A1=0,2000, A2=0,8018, A3=0,5380). Faz, genlikten bağımsız bir kaynaktan geldiğinde durum değişir: bu kartın yazarınca aynı tabloda yalnız bir hücrenin fazı genlikten bağımsız olarak değiştirildiğinde (A1'in birinci kriterdeki fazı genlikle orantılı değerinden bağımsız biçimde yükseltildiğinde) yakınlık puanları A1=0,2873, A2=0,6864, A3=0,4850'ye kaymıştır; sıra bu küçük örnekte korunmuş ama puanlar belirgin biçimde değişmiştir.
DecisionMind bu uzantıda genlik-faz Öklid uzaklığını ve eşit ağırlıklı iskeleti sabit tutar. Ağırlıklar dışarıdan alınır; yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Yakınlık puanı kesin TOPSIS'teki gibi okunur: kümenin kendi ideal ve anti-ideal noktalarına göre bir konumdur, yüzde ya da olasılık değildir. Fark şurada: bu puana genlik ve faz birlikte girer, ama faz genlikle orantılı verildiyse puana hiçbir ek bilgi katmamış olur. Faz gerçekten bağımsız bir kaynaktan geliyorsa puanın bir kısmı bu ikinci boyuttan gelir ve faz neyin temsil ettiği açıklanmadan puan yarı yarıya okunaksız kalır.
Bu nedenle:
"Karmaşık bulanık TOPSIS bu seçeneği daha zengin bir belirsizlik modeliyle buldu"
yerine:
"Bu puan genlik ve faz bileşenlerini birlikte taşır; faz genlikten bağımsız bir kaynaktan gelmiyorsa (örneğin genlikle orantılıysa) sonuç sezgisel bulanık TOPSIS'ten farksızdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir yargıya verilen destek ya da ret gerçekten iki bağımsız boyuttan geliyorsa bu uzantı düşünülür: genlik "ne kadar güçlü" sorusuna, faz "hangi ikinci eksende, hangi evrede" sorusuna cevap veriyorsa. Bu iki boyut bağımsız değilse, yani faz genlikten türetiliyorsa, karmaşık yapı sezgisel bulanık TOPSIS'e hiçbir şey katmaz ve yalnız modeli açıklaması daha zor hâle getirir. Ölçülmüş bir kriteri genlik-faz çiftine çevirmek belirsizlik modellemek değil belirsizlik üretmektir. Kesin TOPSIS'in çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Fazı genlikle orantılı ya da keyfi vermek. Faz genlikten türetilirse (ω=2π·r gibi) yakınlık puanı sezgisel bulanık TOPSIS'in verdiği puanla aynı 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; kontrol edilmeden hesaba girmek yöntemi geçersiz kılar.
Fazın ne temsil ettiğini raporda söylememek. Puanın bir kısmı fazdan geldiği için, faz hangi ikinci boyutu ölçtüğü açıklanmadan sunulan bir puan eksik kalır.
Temel ilke şudur:
Karmaşık bulanık TOPSIS'in fazı, ancak genlikten gerçekten bağımsız bir kaynaktan geldiğinde bir şey katar; genlikle orantılı ya da keyfi bir faz, sezgisel bulanık TOPSIS'ten 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 dergi tasarımı arasında yayın kararı
Bir yayınevi üç kapak-iç tasarım önerisini üç ölçütte karşılaştırır: okur beğenisi (çoğu iyi), baskı maliyeti (azı iyi), marka uyumu (çoğu iyi). Her önerinin 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.
| Öneri | Okur beğenisi (r_μ; r_ν) | Baskı maliyeti (r_μ; r_ν, azı iyi) | Marka uyumu (r_μ; r_ν) |
|---|---|---|---|
| T1 | (0,85; 0,15) | (0,75; 0,15) | (0,65; 0,15) |
| T2 | (0,85; 0,05) | (0,55; 0,15) | (0,75; 0,15) |
| T3 | (0,75; 0,15) | (0,65; 0,15) | (0,85; 0,15) |
| Ağırlık | 0,40 | 0,25 | 0,35 |
Yöntem maliyet ölçütünde destek-ret çiftini (genlik ve fazıyla birlikte) yer değiştirir, her kriter için ideal ve anti-ideal noktayı genlik ve fazın ayrı ayrı en iyisinden kurar, ağırlıklı genlik-faz uzaklıklarını toplar ve yakınlık puanını hesaplar.
| Öneri | Yakınlık puanı | Sıra |
|---|---|---|
| T2 | 0,802 | 1 |
| T3 | 0,538 | 2 |
| T1 | 0,200 | 3 |
Sonuç şöyle okunur. T2, en ağır ölçüt olan okur beğenisinde en yüksek destek ve en düşük ret derecesine sahiptir; baskı maliyetinde de en düşük dereceyi taşır. T1 hiçbir ölçütte öne çıkmaz ve son sıradadır.
Yayınevinin tereddüdü: bu tabloda fazlar genlikle orantılı verildiği için, faz hesaba hiç katılmasa da yakınlık puanları ondalık basamağına kadar aynı çıkar (T1=0,200, T2=0,802, T3=0,538). Yalnız T1'in okur beğenisindeki fazı genlikten bağımsız biçimde değiştirildiğinde (aynı genlik, farklı faz) puanlar T1=0,287, T2=0,686, T3=0,485'e kayar; sıra bu küçük örnekte korunur ama puanlar belirgin biçimde değişir. Bu, fazın bu örnekte gerçek bir bilgi taşımadığını, yalnız genliğin bir yansıması olduğunu gösterir.
Raporda: "Verilen genlik ve fazlarla T2 en avantajlı öneridir (0,802). Bu örnekte fazlar genlikle orantılı verildiğinden, yakınlık puanları yalnız genlik kullanılarak da aynı çıkmaktadır; karmaşık yapının fazı burada ek bilgi taşımamaktadır."
Kaynak: DecisionMind'ın CF-TOPSIS doğrulama örneği. TOPSIS iskeleti manifestteki formüllere dayanır; karmaşık sezgisel bulanık yapı Alkouri ve Salleh'in (2012) tanımına, karmaşık bulanık kümenin temel fikri Ramot ve arkadaşlarının (2002) çalışmasına dayanır. Yakınlık puanları ve fazın bağımsız kaldığında/orantılı kaldığında değişimi bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır.
2. Yayıncılık: Bir yayınevinin çeviri eser telif teklifi değerlendirmesi
Bir yayınevi üç yabancı romanın telif hakkını almak için değerlendirme yapar. Üç ölçüt vardır: beklenen satış potansiyeli, çeviri zorluğu (azı iyi) ve yazarın gelecekteki eserlerle iş birliği olasılığı. Yayınevi her romana iki ayrı eksende bakar: bu değerlendirmeye ne kadar güçlü destek verdiği (genlik) ve bu desteğin hangi pazar döngüsünde (yeni çıkan tür, durgun tür, yükselen tür) geçerli olduğu (faz). Bu iki eksen gerçekten bağımsızdır, çünkü aynı güçteki bir destek farklı bir pazar evresine işaret edebilir.
Yöntem her ölçütte genlik ve faz farkını ağırlıklı biçimde birleştiren uzaklığı hesaplar, ideal ve anti-ideal noktaya göre yakınlık puanını kurar. Diyelim ki iki roman aynı satış potansiyeli genliğine sahipken, biri yükselen bir türün evresine işaret ettiği için farklı bir puan aldı; bu fark yalnız satış potansiyeli genliğine bakılarak görünmezdi.
Yayınevinin tereddüdü şudur: faz burada "hangi pazar evresi" bilgisini taşıdığı açıkça tanımlanmadıkça, puan farkının kaynağı editöre açıklanamaz kalır. Yayınevi, faz açısının neyi temsil ettiğini ve nasıl belirlendiğini raporda ayrıca yazmalıdır.
Raporda: "Yakınlık puanının bir kısmı desteğin gücünden, bir kısmı işaret ettiği pazar evresinden gelmektedir; ikinci bileşen yeni çıkan/durgun/yükselen tür döngüsünü temsil eder ve bu tanım olmadan puan tam okunamaz."
3. Yapılmaması Gereken
Öğretici örnekte fazları genlikten bağımsızca uydurmak, örneğin T1'e rastgele bir faz değeri yazmak: bu, puanın kaynağını belirsizleştirir ve tekrarlanabilir olmayan bir sonuç üretir. İkinci yanlış, faz açısını derece cinsinden (örneğin 180) doğrudan girip radyan sanmaktır; motor 0 ile 2π arasında bir değer bekler. Üçüncü yanlış, T2'nin 0,802 puanını "yüzde seksen iki uygun" diye okumaktır; puan yalnız bu üç öneri arasında kümenin kendi ideal ve anti-ideal noktalarına göre bir kıyastır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/cf-topsis
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
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
Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87–96. DOI: 10.1016/S0165-0114(86)80034-3
Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications, A State-of-the-Art Survey. Lecture Notes in Economics and Mathematical Systems, Vol. 186. Springer-Verlag. DOI: 10.1007/978-3-642-48318-9