Uzantı kartı · Bulanık
Fermatean bulanık PROMETHEE (Akram ve Bibi, 2023)
Fermatean bulanık PROMETHEE, birden fazla karar vericinin yargısının bir sözel terim ve bir kaymayla, ayrıca destek ve ret tarafı ayrı ayrı ifade edildiği durumlar için çalışan PROMETHEE biçimidir. Yargıları birleştirip tek bir sayıya indirir, sonra kesin PROMETHEE'nin aynı tercih fonksiyonu ve akış mantığıyla sıralar.
Temel yöntem
PROMETHEE →
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?
Dört şey değişir; tercih fonksiyonunun ve akışların mantığı değişmez.
Hücreler. Kesin PROMETHEE'de her hücre tek sayıdır. Burada her hücre dört parçadan oluşur: destek tarafı için bir terim ve o terimden küçük bir kayma, ret tarafı için ayrı bir terim ve kayma. Terim, önceden ilan edilmiş dokuz terimli bir sözel ölçekten (en zayıftan en iyiye) seçilir; kayma, dilsel veri türü kartındaki iki-terimli (2-tuple) fikrin aynısıdır ve bilgi kaybını önler. Destek ve ret terimlerinin sayısal karşılıklarının küpleri toplamı 1'i aşamaz; bu, sezgisel bulanıktan daha geniş bir bölgeye izin verir, bir yargı hem güçlü desteklenip hem güçlü reddedilebilir. Bu uzantı grup kararını doğrudan destekler: birden fazla karar vericinin bu biçimde verdiği yargılar, her karar vericinin kendi ağırlığıyla tek bir ortak yargıda birleştirilir. Kriter ağırlıkları da aynı biçimde birden fazla karar vericiden toplanabilir; DecisionMind bunları birleştirdikten sonra tek bir sayıya çevirip kullanır.
Farkın tek sayıya indirgenmesi. Kesin PROMETHEE'de iki seçeneğin bir kriterdeki farkı doğrudan çıkarmadır. Burada önce her ortak yargı bir puan fonksiyonuyla (destek tarafının küpü eksi ret tarafının küpü mantığıyla) tek bir sayıya indirilir; fark bu indirgenmiş sayılar arasında alınır. Bu, fuzzy PROMETHEE'deki ağırlık merkezi indirgemesiyle aynı işi görür: tercih fonksiyonunun eşikleriyle karşılaştırılabilecek gerçek bir sayı üretir. Bu adımdan sonrası, yani tercih fonksiyonu, giren-çıkan akış ve net akış, kesin PROMETHEE'nin adımlarıyla birebir aynıdır.
Tercih fonksiyonu ve akışlar. Varsayılan tercih fonksiyonu eşiksiz Gauss biçimidir (dağılım genişliği 0,5); kesin PROMETHEE'deki en yalın (mutlak) fonksiyon da seçilebilir. Fonksiyon tipi ve dağılım genişliği kullanıcıya açık bir ayardır. İndirgenmiş fark bu fonksiyondan geçirilir, kriter ağırlığıyla çarpılıp toplanır; giren ve çıkan akış kesin PROMETHEE'nin aynı ortalama tanımıyla hesaplanır.
Sonuç ve durulaştırma. Çıktı, kesin PROMETHEE'deki gibi doğrudan tek bir net akış sayısıdır. Belirsizlik, yani terim-kayma ve destek-ret yapısı, ikili karşılaştırmadan önce puan fonksiyonuyla tüketilmiştir; sonuca katmanlı biçimde taşınmaz.
DecisionMind bu girişte birden fazla karar vericinin yargılarını ve ağırlıklarını birleştirmeyi, ardından puan fonksiyonuyla erken durulaştırmayı ve kesin PROMETHEE'nin aynı tercih fonksiyonu-akış mekaniğini sabit tutar.
Çıktı Nasıl Yorumlanır?
Net akış, kesin PROMETHEE'deki gibi okunur: giren ve çıkan akışla birlikte değerlendirilir, başka bir yöntemin puanıyla karşılaştırılmaz. Bkz. PROMETHEE kartı.
Fark şurada: bu net akış, hem birden fazla karar vericinin görüşünü hem de her yargının terim-kayma ve destek-ret yapısını daha ilk adımda tek bir sayıya indirmiştir. Aşağıdaki literatür örneğinde en yüksek net akışlı aday ile ikincisi arasındaki fark büyüktür ve bu fark, tercih fonksiyonu Gauss yerine en yalın tipe değiştirildiğinde de korunur; ikinci ve üçüncü sıradaki adayların yeri ise bu seçime duyarlıdır.
Bu nedenle:
"FF-PROMETHEE'ye göre T5 en iyi adaydır"
yerine:
"Dört karar vericinin terim-kayma ve destek-ret yapılı yargıları birleştirilmiş, Gauss tercih fonksiyonuyla işlenmiştir; T5 net akışı 4,51 ile açık farkla birincidir ve bu birincilik tercih fonksiyonu tipi değiştirildiğinde de korunmaktadır; ikinci ve üçüncü sıradaki adayların yeri ise bu seçime duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Birden fazla karar vericinin yargısı birleştirilecekse ve bu yargılar hem sözel bir terimle hem de bir yargıya destek-ret ayrımıyla ifade ediliyorsa. Akram ve Bibi'nin (2023) kendi uygulama alanı budur: kurumsal bir personel seçiminde birkaç değerlendiricinin "liderlik", "teknik beceri" gibi kriterlerde hem ne kadar desteklediğini hem ne kadar çekince duyduğunu ayrı ayrı bildirdiği durumlar.
Kriterler ölçülmüşse ya da tek bir karar verici varsa bu katmanlı yapı bilgi eklemez; ölçülmüş bir kriter en yüksek terime sabitlenip kayma sıfır, ret tarafı da en düşük terime yazılabilir, ama bu yalnız kesin PROMETHEE'yi daha karmaşık biçimde tekrarlar. Kesin PROMETHEE'nin çıkış koşulları burada da geçerlidir: seçenek sayısı elliyi aşıyorsa ikili karşılaştırma yükü büyür; tam sıra değil dürüst bir kısmi ilişki gerekiyorsa PROMETHEE I'in okuması düşünülmelidir.
Bu Uzantıya Özgü Hatalar
Değer uzayını ihlal etmek. Destek ve ret terimlerinin sayısal karşılıklarının küpleri toplamı 1'i aşmamalıdır; aksi halde puan fonksiyonu geçersiz bir aralığa taşar.
Karar verici ağırlıklarını sorgulamadan eşit almak. Birden fazla karar vericinin yargısı eşit ağırlıkla birleştiriliyorsa bu bir varsayımdır; karar vericilerden biri konuya daha uzaksa eşit ağırlık o kişinin görüşünü gereğinden fazla öne çıkarabilir.
Tercih fonksiyonu tipini ve dağılım genişliğini hiç sorgulamadan varsayılanda bırakmak. Gauss dağılım genişliği (varsayılan 0,5) küçük farkları ne kadar tercih saydığını belirler; bu değer kriterin ölçeğine göre kalibre edilmelidir ve seçim raporda belirtilmelidir.
Maliyet kriterinde farkın yönünü doğrulamadan geçmek. Kurucu makaleye göre maliyet kriterlerinde farkın işareti çevrilmelidir. Aşağıdaki örnekte kriterlerin tamamı çoğu iyi olduğu için bu adım devreye girmez; azı iyi bir kriter eklenecekse, hesaplamadan önce yön çevirmenin doğru uygulandığı ayrıca sınanmalıdır.
Temel ilke şudur:
FF-PROMETHEE'nin katkısı, birden fazla karar vericinin sözel ve destek-ret yapılı yargısını dürüstçe tek bir sayıya indirip PROMETHEE'nin aynı tercih mekaniğine taşımaktır; bu indirgeme öncesi varsayımlar (karar verici ağırlığı, tercih fonksiyonu, yön) belirtilmezse sonuç gerekçesiz kalır.
Vakalar
Birinci vaka literatür vakasıdır: Akram ve Bibi'nin (2023) makalesindeki banka şube müdürü seçimi örneğidir. İkinci vaka öğretici bir kurgudur.
1. İK: Yedi aday arasında banka şube müdürü seçimi (Akram ve Bibi, 2023)
Bir banka, şube müdürlüğü için yedi adayı (T1-T7) altı kriterde değerlendiriyor: liderlik, kişisel özellikler, yönetim yetkinliği, teknik beceri, müşteri hizmeti, deneyim; altısı da "çoğu iyi"dir. Dört değerlendirici eşit ağırlıkla (0,25'er) katılıyor; her değerlendirici her adayı her kriterde dokuz terimli bir sözel ölçekle, destek ve ret tarafını ayrı ayrı belirterek puanlıyor. Ağırlıklar da değerlendiricilerden toplanıp birleştirilmiş: liderlik 0,167, kişisel özellikler 0,169, yönetim yetkinliği 0,190, teknik beceri 0,107, müşteri hizmeti 0,169, deneyim 0,199. Dört değerlendiricinin ayrı ayrı yargıları ve tam karar matrisi decisionmind.app/library/ff-promethee'de yer alır; burada dört değerlendiricinin birleştirilmiş ortak yargısı kullanılmıştır.
Yöntem her ortak yargıyı puan fonksiyonuyla tek sayıya indirir, ikili farkları Gauss tercih fonksiyonuyla (dağılım genişliği 0,5) işler, ağırlıklarla birleştirip giren ve çıkan akışları hesaplar. Bu hesap Python ile bağımsız olarak yeniden üretilmiş ve DecisionMind'ın kendi doğrulama değerleriyle 1e-9 toleransında, makalenin Tablo 16'sındaki sırayla ise birebir eşleşmiştir.
| Aday | Net akış (Φ) | Sıra |
|---|---|---|
| T5 | 4,505 | 1 |
| T4 | 2,042 | 2 |
| T6 | 1,988 | 3 |
| T3 | 1,774 | 4 |
| T2 | -1,400 | 5 |
| T1 | -4,151 | 6 |
| T7 | -4,758 | 7 |
Sonuç şöyle okunur. T5, dört değerlendiricinin ortak yargısında hemen her kriterde güçlü desteklenmiş bir adaydır ve net akışı ikinci sıradaki T4'ün iki katından fazladır; bu birincilik açık farkla sağlamdır. T4 ile T6 arasındaki fark ise küçüktür (2,042'ye karşı 1,988).
Bankanın tereddüdü şudur: tercih fonksiyonu Gauss yerine en yalın tipe değiştirildiğinde (bağımsız Python ile aynı algoritma koşturularak hesaplandı) T5 yine birincidir. Ama T4 ile T6 yer değiştirir; T6 ikinci, T4 üçüncü olur. Bu, T5'in birinciliğinin tercih fonksiyonu seçiminden bağımsız, T4-T6 sırasının ise bu seçime duyarlı olduğunu gösterir.
Raporda: "Dört değerlendiricinin birleştirilmiş yargısıyla T5, net akışı 4,505 ile açık farkla birinci adaydır ve bu sonuç tercih fonksiyonu tipinden bağımsızdır. T4 ile T6 arasındaki ikinci-üçüncü sıralaması ise tercih fonksiyonu Gauss'tan en yalın tipe değiştirildiğinde yer değiştirmektedir."
Kaynak: Akram, M., & Bibi, R. (2023). Multi-criteria group decision-making based on an integrated PROMETHEE approach with 2-tuple linguistic Fermatean fuzzy sets. Granular Computing, 8, 917–941, sayfa 927-933 (banka müdürü seçimi uygulaması). Net akış değerleri makalenin Tablo 16'sından alınmıştır; DecisionMind'ın kernel kodu bu sayılara satır satır Python'da bağımsız olarak yeniden üretilerek doğrulanmıştır.
2. Yükseköğretim: Bir üniversitenin dekan adayı değerlendirmesi
Bir üniversite, bir fakülteye yeni dekan atamak için dört aday (T1, T2, T3, T4) arasında seçim yapacaktır. Kriterler: akademik liderlik, kurumsal ilişki yönetimi ve stratejik vizyon (üçü de çoğu iyi). Üç değerlendirici, üniversite senatosundan iki üye ve bir dış danışman, her adayı her kriterde dokuz terimli bir ölçekle, destek ve ret tarafını ayrı belirterek puanlıyor; dış danışmanın görüşüne senato üyelerinden daha düşük bir ağırlık veriliyor çünkü aday havuzunu daha az tanıyor.
Yöntem üç değerlendiricinin yargılarını kendi ağırlıklarıyla birleştirir, puan fonksiyonuyla indirger, Gauss tercih fonksiyonuyla ikili farkları işler ve net akışları bulur. Diyelim ki akademik liderlikte en güçlü desteklenen aday, kurumsal ilişki yönetiminde en zayıf destekle değerlendirilen adaydır. Buna rağmen net akışta birinci çıkar, çünkü akademik liderlik ağırlığı diğer iki kriterden fazladır.
Senatonun tereddüdü: dış danışmanın ağırlığı düşük tutulduğu için, danışmanın kurumsal ilişkiler konusundaki çekincesi net akışta yeterince görünmeyebilir. Senato, danışman ağırlığını yükseltip yeniden hesaplamadan kararı kesinleştirmemelidir.
Raporda: "Akademik liderliğe verilen yüksek ağırlıkla bir aday net olarak öne çıkmaktadır. Dış danışmanın kurumsal ilişkiler konusundaki çekincesi, düşük ağırlığı nedeniyle sınırlı etkilidir ve bu ağırlığın gözden geçirilmesi önerilir."
3. Yapılmaması Gereken
Birinci vakada dört değerlendiricinin yargılarını birleştirmeden, yalnız birinin puanlarını "temsilci görüş" diye kullanmak, diğer üç değerlendiricinin bilgisini sessizce atar. İkinci yanlış, Gauss tercih fonksiyonunun dağılım genişliğini (0,5) kriterlerin gerçek ölçeği çok farklıyken (örneğin 0-100 arası bir puanlamada) değiştirmeden kullanmaktır; bu durumda neredeyse her fark önemsiz sayılır ve kademeli tercih fikri ortadan kalkar. Üçüncü yanlış, T4 ile T6 arasındaki küçük farkı tercih fonksiyonu seçimine bakmadan "T4 kesin olarak daha iyi" diye raporlamaktır; bu sıra tercih fonksiyonu tipine duyarlıdır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/ff-promethee
Akram, M., & Bibi, R. (2023). Multi-criteria group decision-making based on an integrated PROMETHEE approach with 2-tuple linguistic Fermatean fuzzy sets. Granular Computing, 8, 917–941. DOI: 10.1007/s41066-022-00359-6
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
Brans, J. P., & Vincke, Ph. (1985). A preference ranking organisation method (The PROMETHEE method for multiple criteria decision-making). Management Science, 31(6), 647–656. DOI: 10.1287/mnsc.31.6.647
Herrera, F., & Martínez, L. (2000). A 2-tuple fuzzy linguistic representation model for computing with words. IEEE Transactions on Fuzzy Systems, 8(6), 746–752. DOI: 10.1109/91.890332
Brans, J. P., Vincke, P., & Mareschal, B. (1986). How to select and how to rank projects: The PROMETHEE method. European Journal of Operational Research, 24(2), 228–238. DOI: 10.1016/0377-2217(86)90044-5