Uzantı kartı · Bulanık
Fermatean bulanık ARAS
Fermatean bulanık ARAS, kriter değerlendirmesinin bir yargıyı hem destekleme hem reddetme derecesiyle verildiği durumlar için çalışan ARAS biçimidir. Bu iki derece sezgisel bulanığın izin verdiğinden daha geniş bir bölgede birlikte yüksek olabilir; yöntem optimal alternatife oranı bu iki derece üzerinden hesaplar.
Temel yöntem
ARAS →
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?
Beş şey değişir; optimal alternatife oran alma mantığı değişmez.
Hücreler. Kesin ARAS'ta her hücre tek, pozitif bir sayıdır. Burada her hücre bir çifttir: bir yargıyı destekleme derecesi (μ) ve reddetme derecesi (ν). Sezgisel bulanıkta bu ikisinin toplamı 1'i aşamaz; Fermatean bulanıkta sınır daha geniştir, ikisinin küpünün toplamı 1'i aşamaz (μ³+ν³≤1). Bu, μ=0,9 ve ν=0,5 gibi toplamı 1'i aşan ama küp toplamı 1'in altında kalan çiftlerin de geçerli olmasını sağlar; yani bir yargı hem güçlü desteklenip hem güçlü reddedilebilir, sezgisel bulanıkta bu mümkün değildir.
Skor ve maliyet yönü. Bir çiftin tek sayıya karşılık gelen skoru μ³−ν³'tür ve −1 ile 1 arasında değişir. Maliyet kriterinde yön çevirme, kesin ARAS'ın 1/x işlemiyle değil, destek ve reddin yer değiştirmesiyle (tümleyen) yapılır; sezgisel bulanık ARAS'taki yer değiştirme kuralıyla aynı mantıktır.
Optimal alternatif. Optimal alternatif satırı, her kriterde gözlenen çiftlerin en yüksek destek ve en düşük ret bileşenlerinden kurulur; kesin ARAS'taki "her kriterde en iyi değer" fikri burada destek-ret uzayına taşınır.
Ölçek eşitleme (kaydırma ve normalize). Skor negatif çıkabildiği için önce bütün skorlara, en küçük skorun mutlak değeri kadar bir sabit eklenerek hepsi pozitife çekilir. Sonra bu kaydırılmış skorlar, optimal alternatif dahil, sütun toplamına bölünerek normalize edilir. Bu, kesin ARAS'ın sütun toplamına bölme adımıyla aynıdır; yalnız bölünen şey artık ham değer değil, kaydırılmış skordur.
Ağırlıklama ve fayda derecesi. Normalize skorlar kriter ağırlığıyla çarpılıp satır boyunca toplanır; bu toplam, kesin ARAS'taki optimallik fonksiyonuyla birebir aynıdır. Fayda derecesi K, gerçek alternatifin toplamının optimal alternatifin toplamına oranıdır.
DecisionMind bu klasik biçimde skor fonksiyonunu (μ³−ν³), kaydırma sabitini ve destek-ret çiftinin tümleyenle ters çevrilmesini sabit tutar.
Çıktı Nasıl Yorumlanır?
Fayda derecesi K, kesin ARAS'taki gibi okunur: optimal alternatife göre yüzdesel bir fayda, yalnız bu seçenek kümesi ve bu ağırlıklarla anlamlı. Fark şurada: K'nın altında artık bir yargının destek ve ret derecesi, önce tek bir skora, sonra kaydırılıp normalize edilmiş bir orana iner. Skor fonksiyonu (μ³−ν³) tek seçenek değildir; literatürde başka skor tanımları da vardır ve hangisinin kullanıldığı sonucu etkiler.
Bu nedenle:
"Fermatean bulanık ARAS'a göre A2 en iyi seçenektir"
yerine:
"Bu seçenek kümesinden türetilen optimal alternatife göre A2 en yüksek fayda derecesine sahiptir (K=0,89); bu oran yalnız bu ağırlıklarla ve μ³−ν³ skor fonksiyonuyla anlamlıdır, ağırlık dağılımı değişirse yeniden hesaplanmalıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmesi bir yargıya dayanıyorsa ve bu yargının destek ile ret derecesi, sezgisel bulanığın izin verdiğinden daha güçlü biçimde birlikte ifade edilmek isteniyorsa bu uzantı uygundur. Örnek: bir uzman bir tedarikçiyi hem yüksek güvenle destekliyor hem ciddi bir çekince taşıyorsa ve bu iki duygu sezgisel bulanığın μ+ν≤1 sınırına sığmıyorsa. Kriter yalnız "ne kadar uygun" diyorsa ve ayrı bir ret kanıtı yoksa, bu genişletilmiş sınırın bir katkısı olmaz; sezgisel bulanık ya da bulanık yeterlidir. Kesin ARAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir.
Bu Uzantıya Özgü Hatalar
Küp toplamı sınırını (μ³+ν³≤1) denetlemeden hücre girmek. Bu sınırın dışındaki bir çift geçersizdir; sezgisel bulanığın μ+ν≤1 sınırını uygulamak burada yanlıştır, Fermatean bulanığın kendi sınırı daha geniştir ve ayrıca denetlenmelidir.
Maliyet kriterinde tümleyen yerine 1/x uygulamak. Bu, destek-ret çiftinin küp toplamı sınırını bozar ve geçersiz bir çift üretir.
Skor fonksiyonunu (μ³−ν³) tek doğru seçenek sanıp raporda belirtmemek. Farklı skor tanımları farklı sıra verebilir; kullanılan fonksiyon raporda yazılmalıdır.
Kaydırma sabitini göz ardı edip skorları doğrudan karşılaştırmak. Negatif skorlar kaydırılmadan normalize edilirse sütun toplamı negatif çıkabilir ve fayda dereceleri anlamsızlaşır.
Temel ilke şudur:
Fermatean bulanık ARAS, sezgisel bulanığın sığmadığı güçlü destek-ret birlikteliklerini optimal alternatife oran alınana kadar taşımak içindir; küp toplamı sınırı denetlenmeden ya da skor fonksiyonu belirtilmeden yapılan her uygulama bu bilgiyi bozar.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: literatürde ortak bir FF-ARAS uygulama örneği bulunmadığı için üç seçenekli, üç kriterli sentetik bir tablo formül zincirine sadık kalınarak kurulmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç seçeneğin üç kriterde değerlendirilmesi (DecisionMind doğrulama örneği)
Üç seçenek (A1, A2, A3) üç kriterde (C1, C2 çoğu iyi; C3 azı iyi) destek-ret çiftleriyle değerlendiriliyor. Ağırlıklar C1=0,40, C2=0,35, C3=0,25.
| Seçenek | C1 | C2 | C3 |
|---|---|---|---|
| A1 | destek 0,70 / ret 0,40 | destek 0,50 / ret 0,50 | destek 0,60 / ret 0,50 |
| A2 | destek 0,80 / ret 0,30 | destek 0,60 / ret 0,40 | destek 0,40 / ret 0,60 |
| A3 | destek 0,60 / ret 0,50 | destek 0,70 / ret 0,40 | destek 0,50 / ret 0,50 |
Yöntem C3'te destek-reddi yer değiştirir ve optimal seçeneği (her kriterde en yüksek destek/en düşük ret) kurar. Sonra skorları (μ³−ν³) hesaplayıp kaydırır, sütun toplamına oranlar, ağırlıklarla çarpıp toplar ve optimal seçeneğin toplamına böler.
| Seçenek | Fayda derecesi (K) | Sıra |
|---|---|---|
| A2 | 0,885 | 1 |
| A3 | 0,561 | 2 |
| A1 | 0,323 | 3 |
Sonuç şöyle okunur. A2, en ağır kriter olan C1'de en yüksek destek/en düşük rete sahiptir ve C3'te (maliyet yönlü) en düşük ham destek değeri tersine çevrildiğinde en avantajlı konumdadır; iki ağır kriterde birden güçlü olduğu için birincidir. A1, C1'de en zayıf seçenek olduğu için üçüncüdür.
Kurulun tereddüdü şudur: ağırlık C2'ye kaydırılsaydı ne olurdu? Bağımsız Python hesaplamasıyla doğrulandığında, ağırlıklar C1=0,10, C2=0,70, C3=0,20 olarak yeniden dağıtıldığında fayda dereceleri A3 için 0,789, A2 için 0,770, A1 için 0,226 çıkmaktadır. Birincilik A2'den A3'e geçmektedir; A1 her iki ağırlık dağılımında da sonuncudur.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,885). Ağırlık C2'ye belirgin biçimde kaydırıldığında (0,10; 0,70; 0,20) birincilik A3'e geçmektedir; bu nedenle ağırlık dağılımı raporda ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın Fermatean Bulanık ARAS motorunun doğrulama örneği; literatürde paylaşılan ortak bir FF-ARAS uygulama tablosu bulunmadığı için sentetik olarak kurulmuş, beklenen sonuçlar manifestteki formül zincirinden (destek-ret tümleyeni, kaydırılmış skor normalizasyonu, ağırlıklı toplam, oran) türetilmiştir. Ağırlık değişikliği senaryosunun sayıları bu kartın yazarınca aynı motorla bağımsız olarak yeniden hesaplanmıştır.
2. Siber güvenlik: Güvenlik izleme hizmeti sağlayıcısı seçimi
Bir kurum, ağ güvenliğini 7/24 izleyecek üç dış hizmet sağlayıcısı arasından seçim yapacaktır. Üç kriter: izleme kapsamı (çoğu iyi), ortalama olay yanıt süresi (azı iyi), yıllık hizmet bedeli (azı iyi). Kurumun bilgi güvenliği ekibi her firma hakkında hem ne kadar güvendiğini hem ne kadar çekince duyduğunu ayrı ayrı, destek-ret çifti olarak bildirmiştir; bu iki duygunun toplamı bazı firmalarda 1'i aşmaktadır, çünkü ekip bir firmaya hem güçlü güven hem ciddi bir geçmiş olay çekincesi taşımaktadır.
Yöntem üç firmayı karşılaştırır: yanıt süresi ve maliyette destek-reddi yer değiştirir, optimal firma satırını kurar, skorları kaydırıp normalize eder, ağırlıklarla çarpıp toplar. İzleme kapsamına en yüksek ağırlık verilmiştir. Diyelim ki en geniş kapsama sahip firma aynı zamanda en yüksek yıllık bedele sahiptir; buna rağmen birinci çıkar, çünkü kapsam ağırlığı maliyetten fazladır.
Ekibin tereddüdü şudur: bu firma hakkındaki çekincenin kaynağı, iki yıl önceki tek bir olaydır. Bu çekince güncel referanslarla teyit edilmeden sözleşme imzalanırsa risk göz ardı edilmiş olur; ekip ya çekinceyi ikinci bir kaynaktan doğrulamalı ya da kapsam ağırlığını düşürüp sonucu yeniden görmelidir.
Raporda: "İzleme kapsamına verilen yüksek ağırlıkla en geniş kapsamlı firma öne çıkmaktadır. Bu firma hakkındaki çekince tek bir geçmiş olaya dayandığından, sözleşme öncesi güncel referanslarla doğrulanması önerilir."
3. Yapılmaması Gereken
Öğretici örnekte C3 kriterinde destek-reddi yer değiştirmek yerine kesin ARAS'ın 1/x işlemini uygulamak: bu durumda küp toplamı sınırı (μ³+ν³≤1) bozulur ve geçersiz bir çift ortaya çıkar. İkinci yanlış, A2'nin 0,885 fayda derecesini "yüzde 88,5 olasılıkla doğru seçim" diye raporlamaktır; K yalnızca bu üç seçeneğin optimal seçeneğe göre orantısal faydasını gösterir, bir olasılık değildir. Üçüncü yanlış, skorları kaydırma adımını atlayıp doğrudan negatif değerlerle sütun toplamına bölmektir; bu durumda fayda dereceleri işaret değiştirebilir ve sıralama anlamsızlaşır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/ff-aras
Senapati, T., & Yager, R. R. (2020). Fermatean fuzzy sets. Journal of Ambient Intelligence and Humanized Computing, 11, 663–674. DOI: 10.1007/s12652-019-01377-0
Senapati, T., & Yager, R. R. (2019). Fermatean fuzzy weighted averaging/geometric operators and its application in multi-criteria decision-making methods. Engineering Applications of Artificial Intelligence, 85, 112–121. DOI: 10.1016/j.engappai.2019.05.012
Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159–172. DOI: 10.3846/tede.2010.10
Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87–96. DOI: 10.1016/S0165-0114(86)80034-3