Uzantı kartı · Bulanık
Küp bulanık WASPAS (Jun, Kim ve Yang, 2012)
WASPAS'ın, kriter değerlendirmesinin hem bir aralık hem bir tek nokta olarak birlikte verildiği durumlar için biçimidir. Her hücre bir aralığı ve bu aralığa eşlik eden bir güven derecesini birlikte taşır; yöntem bu ikisini tek bir skora indirip toplam ile çarpımı harmanlar.
Temel yöntem
WASPAS →
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; ölçek eşitleme, ağırlıklı toplam ve ağırlıklı çarpımı bir λ ile harmanlayan dört adımlı iskelet değişmez.
Hücreler. Kesin WASPAS'ta her hücre tek sayıdır. Burada her hücre üç sayıdan oluşur: bir aralığın alt ucu, aynı aralığın üst ucu ve bu aralığa eşlik eden bir güven derecesi (λ). Aralık "bu değerlendirme şu bant içinde makul" bilgisini, güven derecesi "bu bandın kendisine ne kadar güvenilir" bilgisini taşır. Örneğin bir kalite testi "performans 0,65 ile 0,75 arasında, buna güven derecemiz 0,7" diyorsa hücre (0,65; 0,75; 0,7) olarak yazılır. Kriter ağırlıkları kesin sayı olarak dışarıdan alınır.
Durulaştırma en baştadır. Her üçlü hücre, hesabın ilk adımında Jun-Kim-Yang'ın skor fonksiyonuyla tek bir sayıya iner. Bu sayı, aralığın ortalamasına aralığın genişliğinin dörtte birini ekler ve güven derecesinin tamamlayıcısının yarısını çıkarır. Maliyet kriterinde önce hücrenin tamlayanı alınır: alt ve üst uç yer değiştirir, güven derecesi de tamamlanır. Sonra aynı skor fonksiyonu uygulanır. Yani bu uzantının "skoru" geri çevrilebilir bir aralık-nokta çifti değildir, yalnız bir sayıdır.
Ölçek eşitleme, WSM ve WPM. Skora indirgenen hücreler, kesin WASPAS'takiyle aynı biçimde sütunun en büyüğüne bölünerek 0 ile 1 arasına eşitlenir. Geri kalanı kesin WASPAS'ın kendisidir: eşitlenmiş skorlar ağırlıkla çarpılıp toplanır (WSM), ağırlık kadar kuvvete yükseltilip çarpılır (WPM).
λ burada kullanıcıya kapalıdır. Kesin WASPAS'ta λ, DecisionMind'ın belirtilmezse 0,5 varsaydığı ama gerekirse değiştirilebilen bir girdidir. Bu kartın yazarınca DM3 manifesti okunduğunda, CUBIC-WASPAS'ın D.parameters listesinde yalnız ağırlıklar ve kriter yönleri bulunur; λ hiç bir parametre olarak tanımlanmamıştır. Kernel kodu da bunu doğrular: λ, dış girdiden okunmaz, dosyanın başında LAM = 0,5 olarak sabit yazılmıştır. Yani kesin WASPAS'ta arayüzden değiştirilebilen bu katsayı, burada koddan bile değiştirilemeyecek biçimde sabittir.
DecisionMind bu uzantıda skor fonksiyonunu, tamlayan alma kuralını ve λ=0,5 sabitini değiştirilemez tutar. Ağırlıklar dışarıdan gelir; yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Birleşik puan kesin WASPAS'taki gibi okunur: bu seçenek kümesindeki diğerlerine göre bir konumdur (bkz. WASPAS kartı). Fark şurada: bu puan, geri çevrilebilir bir aralık-nokta çifti değil, ikisinin tek bir skora erken indirgenmesinden gelir. İki seçeneğin aynı skora sahip olması, aynı aralığa ya da aynı güven derecesine sahip oldukları anlamına gelmez; dar bir aralıkla yüksek güven de, geniş bir aralıkla düşük güven de aynı skoru verebilir.
Bu nedenle:
"Küp bulanık WASPAS, aralık ve güven bilgisini birlikte kullandığı için daha sağlam bir sonuç veriyor"
yerine:
"Bu puan, aralık ile güven derecesinin tek bir skora indirgenmesinden gelir. Hangi seçeneğin aralığı geniş, hangisinin güveni düşük olduğu puanda görünmez; bu, ayrı raporlanmalıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir kriteri hem bir bant (en az şu, en çok şu) hem bu banda duyulan bir güven derecesiyle birlikte veriyorsa bu uzantı düşünülür. Amaç bu iki bilgiyi ayrı tutmadan, tek bir yapıda birleştirmektir. Ölçülmüş bir kriteri aralık-güven çiftine çevirmek belirsizlik modellemek değil belirsizlik üretmektir. Kesin WASPAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir; sıralama değil ağırlık gerekiyorsa AHP, BWM, CRITIC, Entropy gibi yöntemlere bakılmalıdır.
Bu Uzantıya Özgü Hatalar
Kısıtı doğrulamadan hücre yazmak. Aralığın alt ucu üst ucundan büyük olamaz ve güven derecesi 0 ile 1 arasında kalmalıdır; bu kontrol edilmeden girilen bir hücre skor fonksiyonunu anlamsızlaştırır.
λ'nın değiştirilebileceğini sanmak. Kesin WASPAS'ta λ bir girdi parametresidir; burada koda sabit yazılmıştır (0,5) ve hiçbir arayüz alanından değiştirilemez. Raporda "λ=0,3 ile denedik" gibi bir cümle bu uzantı için geçersizdir.
Maliyet kriterinde tamlayan almadan skor hesaplamak. Yön düzeltmesi burada bölme değil tamlayan almadır (alt ve üst uç yer değiştirir, güven derecesi tamamlanır); bu adım atlanırsa "azı iyi" bir kriterde geniş ve düşük güvenli bir aralık yanlışlıkla ödüllendirilebilir.
Skoru geri çevrilebilir sanmak. Skor tek bir sayıya indiği andan itibaren hangi kısmın (aralık mı, güven mi) sonucu sürüklediği ayrı ayrı görünmez olur; bu, bu kartın yazarınca kernel kodu okunarak doğrulanmıştır.
Temel ilke şudur:
Aralık ile güven derecesi, ancak gerçekten iki ayrı sorudan (değer ne kadar makul, bu değerlendirmeye ne kadar güvenilir) geliyorsa bu yapıya yazılmalıdır; λ burada sabittir ve raporda bir seçenek gibi sunulmamalıdır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; literatürde ortak kabul görmüş bir CUBIC-WASPAS uygulama tablosu motor havuzunda bulunmadığından, DM3 protokolüne göre skor fonksiyonu ve dört adımlı iskeletin el hesabıyla izlenebilir olması için kurulmuş sentetik bir tablodur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç ham madde partisinin kalite kontrolü
Bir üretim tesisi, üç ham madde partisinden birini hatta alacaktır. Üç ölçüt vardır: saflık puanı ve dayanıklılık puanı çoğu iyi, nem oranı endeksi azı iyidir. Kalite kontrol laboratuvarı her partiyi tekrarlı ölçümlerden gelen bir aralıkla ve bu aralığa duyduğu güvenle değerlendirmiştir. Ağırlıklar 0,40; 0,35; 0,25'tir.
| Parti | Saflık (alt; üst; güven) | Dayanıklılık | Nem oranı |
|---|---|---|---|
| A1 | 0,65; 0,75; 0,7 | 0,45; 0,55; 0,5 | 0,55; 0,65; 0,6 |
| A2 | 0,75; 0,85; 0,8 | 0,55; 0,65; 0,6 | 0,35; 0,45; 0,4 |
| A3 | 0,55; 0,65; 0,6 | 0,65; 0,75; 0,7 | 0,45; 0,55; 0,5 |
| Yön | çoğu iyi | çoğu iyi | azı iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem nem oranı sütununda önce tamlayan alır, sonra üç hücreyi de skor fonksiyonuyla tek sayıya indirger, sütunun en büyüğüne bölerek eşitler, λ=0,5 ile WSM ve WPM'yi harmanlar.
| Parti | Birleşik puan | Sıra |
|---|---|---|
| A2 | 0,904 | 1 |
| A3 | 0,735 | 2 |
| A1 | 0,538 | 3 |
Sonuç şöyle okunur. A2 saflıkta en yüksek skora sahiptir ve bu üstünlüğünü en ağır kriterde taşıdığı için birinci sıradadır. A3 dayanıklılıkta en iyisidir ama saflıkta A2'nin gerisinde kalır ve ikinci sırada durur. A1 üç kriterde de orta düzeyde kaldığı için sonuncudur.
Tesisin tereddüdü şudur: ağırlıklar tersine çevrilip nem oranına en yüksek ağırlık (0,40), saflığa en düşük ağırlık (0,25) verilseydi ne olurdu? Bu senaryo Python ile aynı algoritmayla yeniden hesaplanmıştır; sıra değişmemiş, A2 yine birinci kalmıştır. λ, 0 (yalnız WPM) ile 1 (yalnız WSM) arasında adım adım denendiğinde de sıra hiç değişmemiştir. Bu, A2'nin üstünlüğünün hem ağırlık hem λ seçiminden bağımsız, sağlam bir sonuç olduğunu gösterir; ancak λ burada bir arayüz parametresi değildir ve kullanıcı bu sağlamlığı motor içinden sınayamaz, yalnız bu kartın yazdığı bağımsız Python koşumuyla görülebilir.
Raporda: "Verilen ağırlıklarla A2 en yüksek birleşik puana sahiptir (0,904); ağırlık takası ve λ'nın 0 ile 1 arasındaki tüm değerleri ile bağımsız olarak yeniden hesaplandığında da sıra değişmemektedir, dolayısıyla bu sonuç sağlamdır."
Kaynak: Bu vaka DecisionMind'ın CUBIC-WASPAS motorunun doğrulama örneğidir; skor fonksiyonu Jun, Kim ve Yang'ın (2012) kübik küme tanımına dayanır, ancak matris ve ağırlıklar bir kitap ya da makale sayfasından değil, dört adımlı iskeletin el hesabıyla izlenebilir olması için üretilmiş sentetik bir örnektir. Puanlar ve duyarlılık senaryoları bu kartın yazarınca bağımsız olarak hesaplanmıştır.
2. Tiyatro: Yeni sezon için üç oyun arasında seçim
Bir şehir tiyatrosu, yeni sezon programına alacağı üç oyun adayından birini seçecektir. Üç ölçüt vardır: izleyici ilgisi ve bilet geliri potansiyeli çoğu iyi, prova süresi endeksi azı iyidir. Sanat yönetmenliği izleyici anketlerinden gelen bir ilgi aralığı ile bu ankete duyduğu güveni birlikte kaydetmiştir. Ağırlıklar izleyici ilgisine 0,45, prova süresine 0,20, bilet gelirine 0,35'tir.
Yöntem prova süresi sütununda tamlayan alır, üç hücreyi skora indirger, eşitler ve λ=0,5 ile birleştirir. Diyelim ki Oyun-1 izleyici ilgisinde dar bir aralık ve yüksek güvenle önde çıkar, Oyun-2 ile Oyun-3 birbirine yakın puan alır.
| Oyun | Birleşik puan | Sıra |
|---|---|---|
| Oyun-1 | 0,855 | 1 |
| Oyun-2 | 0,826 | 2 |
| Oyun-3 | 0,818 | 3 |
Yönetmenliğin tereddüdü şudur: Oyun-3'ün izleyici ilgisi aralığı geniştir (0,5 ile 0,9 arası) ve bu genişlik anket örnekleminin küçük olmasından kaynaklanmaktadır. Örneklem büyütülüp aralık daralırsa (alt sınır 0,5'ten 0,7'ye çekilirse) ne olur? Bu senaryo Python ile yeniden hesaplanmıştır; Oyun-3'ün puanı 0,818'den 0,851'e çıkmakta ve Oyun-2'yi (0,826) geçerek ikinci sıraya yükselmektedir. Birinci sıra değişmemektedir.
Raporda: "İzleyici ilgisine verilen en yüksek ağırlıkla Oyun-1 net biçimde öne çıkmaktadır (0,855). Oyun-2 ile Oyun-3 arasındaki ikincilik, Oyun-3'ün geniş izleyici ilgisi aralığına bağlıdır; örneklem büyütülüp bu aralık daraltılırsa sıra tersine dönebilmektedir."
3. Yapılmaması Gereken
Öğretici örnekte A1'in saflık hücresini (0,65; 0,75; 0,7) tek bir "en olası" sayıya, örneğin 0,70'e indirip kesin WASPAS koşturmak: sıra aynı çıkabilir ama aralığın genişliği ve buna duyulan güven bilgisi kaybolur. İkinci yanlış, λ'yı "0,3 ile de denedik, sonuç değişmedi" diye raporlamaktır; λ bu uzantıda koda sabit yazılmıştır, hiçbir arayüzden 0,3 olarak çalıştırılamaz. Üçüncü yanlış, nem oranı sütununda tamlayan almadan doğrudan skor hesaplamaktır; bu, "azı iyi" bir kriterde yüksek nem oranını yanlışlıkla ödüllendirir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/cubic-waspas
Jun, Y. B., Kim, C. S., & Yang, K. O. (2012). Cubic sets. Annals of Fuzzy Mathematics and Informatics, 4(1), 83–98. (DOI yok)
Zavadskas, E. K., Turskis, Z., Antuchevičienė, J., & Zakarevičius, A. (2012). Optimization of weighted aggregated sum product assessment. Elektronika ir Elektrotechnika, 122(6), 3–6. DOI: 10.5755/j01.eee.122.6.1810
Chakraborty, S., & Zavadskas, E. K. (2014). Applications of WASPAS method in manufacturing decision making. Informatica, 25(1), 1–20. DOI: 10.15388/Informatica.2014.01
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. DOI: 10.1016/S0019-9958(65)90241-X