Uzantı kartı · Bulanık
Fermatean bulanık SAW
SAW'ın, bir yargıya verilen destek ve ret derecelerinin küplerinin toplamının 1'i aşmadığı durumlar için biçimidir. Bu kısıt, Pisagor bulanığın izin verdiğinden de geniş bir bölgede iki derecenin birlikte yüksek olmasına izin verir; yöntem bu çifti hesap boyunca taşır, tek sayıya yalnız son adımda iner.
Temel yöntem
SAW →
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; ağırlıklı toplam mantığı değişmez.
Hücreler. Kesin SAW'da her hücre tek sayıdır. Burada her hücre bir yargıya verilen destek (μ) ve ret (ν) derecesi çiftidir; kısıt μ³+ν³ ≤ 1'dir. Kriter ağırlıkları kesin sayı olarak dışarıdan alınır; bulanıklaşan yalnız karar matrisidir, ağırlık vektörü değil.
Ölçek eşitleme. Kesin SAW her sütunu kendi en iyi değerine oranlar. Burada böyle bir adım yoktur, çünkü destek-ret çiftleri zaten 0 ile 1 arasındadır. Bunun yerine maliyet ölçütünde destek ve ret yer değiştirir: (μ, ν) → (ν, μ). Bu, kesin SAW'ın en-iyiye-oranlama adımının bu ailedeki karşılığıdır; ama ölçeği değil yönü çevirir.
Ağırlıklı toplam ve durulaştırma. Kesin SAW'da her sütun ağırlıkla çarpılıp doğrudan toplanır. Burada her seçeneğin ölçütler boyunca destek-ret çifti, Fermatean ağırlıklı ortalama (FFWA) operatörüyle tek bir birleşik destek-ret çiftine indirilir. Bu birleştirme kesin SAW'ın doğrusal toplamından farklı, cebirsel bir operatördür; sonucu yine bir destek-ret çiftidir, henüz tek sayı değildir. Yalnız bu son adımda birleşik çift, Fermatean skor fonksiyonuyla (s = μ³ − ν³) tek sayıya iner ve seçenekler bu skora göre büyükten küçüğe sıralanır.
DecisionMind klasik FF-SAW'da FFWA birleştirme operatörünü ve skor fonksiyonunu (μ³−ν³) sabit tutar. Ağırlıklar dışarıdan alınır; yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Skor kesin SAW'daki toplam puan gibi yalnız bu seçenek kümesini sıralar; yüzde ya da olasılık değildir, başka bir analizle karşılaştırılmaz.
Fark şudur. Skorun altında hem SAW'ın tam telafi mantığı hem destek-ret çiftinin FFWA ile birleştirilmesinden gelen bir sıkıştırma üst üste biner. İki seçeneğin aynı skoru çok farklı destek-ret çiftlerinden gelebilir; biri güçlü destek ve güçlü retten, diğeri ikisi de zayıfken.
Bu nedenle:
"FF-SAW skoru en yüksek çıktığı için bu seçenek kesin olarak en iyisidir"
yerine:
"Bu skor, destek-ret çiftlerinin Fermatean ağırlıklı ortalamasından çıkan bir farktır (μ³−ν³); tam telafi hâlâ geçerlidir ve hangi seçeneğin destek-ret çiftinin daha belirsiz olduğu ayrıca gösterilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanların destek-ret çiftleri Pisagor bulanığın karesel kısıtını da aşıyorsa (μ²+ν²>1 ama μ³+ν³≤1) bu uzantı düşünülür; ayrıntı Pisagor bulanık veri türü kartındadır. Çiftler zaten sezgisel ya da Pisagor kısıtına sığıyorsa Fermatean'a geçmenin kattığı bir bilgi yoktur, yalnız ayırt edicilik azalır. Ölçülmüş bir değeri doğrudan destek-ret çiftine çevirmek belirsizlik modellemek değil belirsizlik üretmektir. SAW'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi mantığı taşır ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Değer alanı ihlali. Her hücre μ³+ν³ ≤ 1 koşulunu sağlamalıdır; bu, karelerin değil küplerin toplamından kontrol edilir.
ν'yü 1 − μ yazmak. Bu durumda toplam her zaman tam 1 olur ve Fermatean'ın sağladığı ek alan hiç kullanılmamış olur.
Sezgisel ya da Pisagor kısıtına zaten sığan çiftler için Fermatean seçmek. Çiftler dar kısıta sığıyorsa geniş alan bilgi katmaz, yalnız ayırt edicilik azalır.
Skor fonksiyonunu değiştirip aynı sonucu beklemek. s = μ³ − ν³ kanonik seçimdir ama tek seçenek değildir; başka bir skor tanımı farklı bir sıra verebilir.
Temel ilke şudur:
Fermatean bulanık SAW'ın küp kısıtı yalnız uzman çiftleri gerçekten Pisagor kısıtını aştığında bir şey katar; destek-ret çifti FFWA ile birleştirildikten sonra yalnız son adımda tek skora iner.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; manifestteki sentetik 3×3 tablo formüllere sadık biçimde kurulmuştur, literatür sayfası taşımaz. İkinci vaka öğretici kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Dış denetim firması seçimi
Bir gıda üreticisi üç dış denetim firmasından birini seçecektir. Üç ölçüt vardır: denetim kapsamının genişliği (çoğu iyi), raporlama netliği (çoğu iyi), denetim ücreti (azı iyi). Teknik kurul her firmanın her ölçütteki desteğini ve çekincesini bir Fermatean çiftiyle (μ, ν) kaydetmiştir.
| Firma | Denetim kapsamı | Raporlama netliği | Denetim ücreti (azı iyi) |
|---|---|---|---|
| D1 | (0,70; 0,40) | (0,50; 0,50) | (0,60; 0,50) |
| D2 | (0,80; 0,30) | (0,60; 0,40) | (0,40; 0,60) |
| D3 | (0,60; 0,50) | (0,70; 0,40) | (0,50; 0,50) |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem ücret ölçütünde destek-reddi yer değiştirir, her firmanın üç ölçütteki destek-ret çiftini FFWA ile tek bir çifte indirir ve skoru (μ³−ν³) hesaplar.
| Firma | Skor | Sıra |
|---|---|---|
| D2 | 0,3061 | 1 |
| D3 | 0,1436 | 2 |
| D1 | 0,1101 | 3 |
Sonuç şöyle okunur. D2, en ağırlıklı ölçüt olan denetim kapsamında en yüksek destek (0,80) ve en düşük ret (0,10) çiftine sahiptir; ücret ölçütünde de (tersine çevrildikten sonra) avantajlıdır. D3, raporlama netliğinde en güçlü çifte sahip olsa da (0,70; 0,40) bu, D2'nin kapsam üstünlüğünü dengelemeye yetmez.
Üreticinin tereddüdü şudur: denetim kapsamı ağırlığı 0,40'tan 0,10'a indirilip raporlama netliğine 0,70 verilirse ne olur? Bağımsız Python hesaplamasıyla doğrulandığında, ağırlıklar (0,10; 0,70; 0,20) olarak yeniden dağıtıldığında D3'ün skoru 0,2136'ya, D2'ninki 0,1936'ya düşer; birincilik D3'e geçer, çünkü D3'ün raporlama netliğindeki üstünlüğü (0,70) artık en ağır ölçütü belirlemektedir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) D2 en yüksek skora sahiptir (0,3061). Ağırlık raporlama netliğine belirgin biçimde kaydırıldığında (0,10; 0,70; 0,20) birincilik D3'e geçmektedir; bu nedenle hangi ölçütün öncelikli olduğu ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın FF-SAW doğrulama örneği. Skor fonksiyonu ve FFWA birleştirme operatörü Senapati ve Yager'ın (2020) Fermatean bulanık küme tanımına dayanır. Manifestte bu tabloya bir literatür kaynağı bağlanmadığı için öğretici örnek olarak sunulmuştur; skorlar ve ağırlık takası senaryosu bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır.
2. Hayvancılık: Süt çiftliğinde otomatik sağım sistemi seçimi
Bir süt çiftliği üç otomatik sağım sistemi teklifinden birini seçecektir. Üç ölçüt vardır: sağım hızı ve verim artışı, sürü sağlığı izleme kalitesi, yıllık bakım ve servis gideri (azı iyi). Çiftlik danışmanı ve veteriner, her teklife duydukları hem desteği hem çekinceyi bir Fermatean çiftiyle kaydetmiştir; bazı tekliflerde iki değer birlikte yüksektir, çünkü sistem hem güçlü verim vaadi hem ciddi bir bakım riski taşımaktadır.
Yöntem bakım giderini tamamlar, üç ölçütün destek-ret çiftlerini FFWA ile birleştirir ve skorlar. Diyelim ki en yüksek verim artışı vaat eden sistem aynı zamanda bakım giderinde de düşük çekinceye sahip çıktı ve birinci sırada yer aldı.
Çiftliğin tereddüdü şudur: sürü sağlığı izleme kalitesindeki çekince, yani veterinerin ciddi bulduğu bir risk, skorun içinde erimiştir. Sistem alınmadan önce bu çekincenin kaynağı (örneğin sensör hassasiyeti) ayrıca sorgulanmalıdır; yalnız skora bakmak bu riski gizler.
Raporda: "Verim artışı ve düşük bakım gideri nedeniyle bir sistem öne çıkmaktadır; veterinerin sürü sağlığı izlemesine dair belirttiği çekince skorun içinde erimiştir ve ayrıca değerlendirilmelidir."
3. Yapılmaması Gereken
Öğretici örnekte denetim ücretini çoğu iyi işaretleseydik, en pahalı firma bu ölçütte tam puan alır ve D2'nin ucuz olma avantajı tersine dönerdi. İkinci yanlış, D1'in raporlama netliği hücresini (0,50; 0,50) ν'yü 1−μ olarak yazıp (0,50; 0,50) yerine keyfi biçimde daraltmaktır; Fermatean çiftinin her iki değeri de kendi kaynağından gelmelidir, birbirinden türetilmemelidir. Üçüncü yanlış, D2'nin 0,3061 skorunu "yüzde otuzluk bir güvenilirlik" diye okumaktır; skor yalnız bu üç firmayı birbirine göre sıralar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/ff-saw
Fishburn, P. C. (1967). Additive utilities with incomplete product sets: Application to priorities and assignments. Operations Research, 15(3), 537–542. DOI: 10.1287/opre.15.3.537
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
Yager, R. R. (2014). Pythagorean membership grades in multicriteria decision making. IEEE Transactions on Fuzzy Systems, 22(4), 958–965. DOI: 10.1109/TFUZZ.2013.2278989
Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87–96. DOI: 10.1016/S0165-0114(86)80034-3