Uzantı kartı · Bulanık
Fermatean bulanık WASPAS (Senapati ve Yager, 2020)
WASPAS'ın, kriter değerlendirmelerinin bir yargıya verilen destek ve ret derecelerinin küplerinin toplamının 1'i aşmadığı durumlar için biçimidir. Toplam yerine bu çiftlerin iyimser bir birleşimi, çarpım yerine temkinli bir birleşimi kullanır; ikisini λ ile tek bir skora indirir.
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; toplam ile çarpımı λ ile harmanlayan WASPAS mantığı değişmez.
Hücreler. Kesin WASPAS'ta her hücre tek sayıdır. Burada her hücre bir yargıya verilen destek (μ) ve ret (ν) derecesi çiftidir. Kısıt μ³+ν³≤1'dir. Küp toplamı karenin toplamından daha yavaş büyür; bu yüzden bu kısıt, Pisagor bulanığın izin vermediği bazı çiftlere (örneğin ikisi de 0,8'in üzerinde olan bir çift) izin verir. Kriter ağırlıkları kesin sayı olarak dışarıdan alınır.
Maliyet kriterinde tamlayan alma. Kesin WASPAS her sütunu en iyi değere bölerek eşitler; bu bölme (μ, ν) çiftlerinde tanımlı değildir. Bunun yerine maliyet kriterlerinde her hücrenin destek ve ret derecesi yer değiştirir: "azı iyi" bir kriterde yüksek destek artık düşük ret ile okunur. Fayda kriterleri olduğu gibi kalır. Bu düzeltme, temel yöntemin sütun bölmesine karşılık gelir ama bölme değil yer değiştirmedir.
Toplam ve çarpım yerine FFWA ve FFWG. Kesin WASPAS'ın ağırlıklı toplamını (WSM) burada Fermatean Bulanık Ağırlıklı Ortalama (FFWA) karşılar; kriterler boyunca destek dereceleri iyimser biçimde birleştirilir. Ağırlıklı çarpımını (WPM) ise Fermatean Bulanık Ağırlıklı Geometrik (FFWG) karşılar; burada ret dereceleri baskındır ve tek bir kriterdeki güçlü ret genel sonucu aşağı çeker. Her iki birleştirme de kendi (μ, ν) çiftini üretir; bunlar Fermatean skor fonksiyonuyla (destek küpü eksi ret küpü) tek sayıya indirilir.
Sonuç ve birleştirme. İki skor, FFWA'dan gelen ve FFWG'den gelen, λ ile harmanlanır. Kesin WASPAS'ta λ, belirtilmezse DecisionMind'ın 0,5 varsaydığı ama gerekirse değiştirilebilen bir girdidir. Bu kartın yazarınca DM3 manifesti ve kernel kodu okunduğunda, FF-WASPAS'ın D.parameters listesinde yalnız ağırlıklar ve kriter yönleri bulunur; λ hiçbir yerde bir parametre olarak tanımlı değildir. Kernel kodu, dış girdide bir extras.lambda yoksa doğrudan 0,5'e düşer; bu da kesin WASPAS'ın kendi varsayılanıyla aynıdır, ama kullanıcı bunu arayüzden hiçbir zaman değiştiremez.
DecisionMind bu uzantıda tamlayan alma kuralını, FFWA/FFWG birleştirmesini, Fermatean skor fonksiyonunu ve λ=0,5'i sabit tutar. Ağırlıklar dışarıdan ve kesin olarak alınır.
Çıktı Nasıl Yorumlanır?
Çıktı kesin WASPAS'taki gibi bir birleşik skor ve sıradır; okunması da aynıdır: yüzde ya da olasılık değildir, seçenek kümesi değişince sıra kayabilir.
Fark şudur. Skor artık tek bir ölçüm değil, iki farklı görüşün harmanlanmasıdır: biri iyimser (FFWA), diğeri temkinli (FFWG). İkisi de "ne kadar destekleniyor, ne kadar reddediliyor" sorusuna kendi açısından cevap verir. İki bileşen aynı sırayı veriyorsa sonuç sağlamdır; farklı sıra öneriyorsa birleşik skor λ'ya bağımlıdır. Ancak burada λ sabit olduğu için, bu bağımlılık kullanıcının göremediği bir noktada gizli kalabilir.
Bu nedenle:
"FF-WASPAS'a göre en yüksek skorlu seçenek kesin biçimde en iyisidir"
yerine:
"FFWA ve FFWG bileşenleri λ=0,5 ile harmanlanmıştır; bu iki bileşen ayrı ayrı hesaplanıp aynı sırayı verip vermediği kontrol edilmeden sonuç kesinmiş gibi sunulmamalıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmesi bir yargıdan geliyorsa ve ret derecesi destek kadar bilgi taşıyorsa bu uzantı uygundur. Ayrıca bu çiftin toplamı Pisagor bulanığın izin verdiği sınırın (kareler toplamı ≤1) dışına çıkabiliyorsa da tercih edilir. Uzman görüşlerinin ikisi de yüksek olabildiği (örneğin hem güçlü destek hem hafif de olsa gerçek bir ret payı taşıyan) değerlendirmeler için uygundur. Ret derecesi 1 eksi destek olarak hesaplanıyorsa bu uzantı gereksizdir; kesin ya da bulanık yapı aynı bilgiyi taşır. Değer ölçülmüşse temel yönteme geçilir.
WASPAS'ın çıkış koşulu aynen geçerlidir: FFWA bileşeni telafi edicidir, bir kriterde taviz kabul edilmiyorsa uygun değildir; sıralama değil ağırlık gerekiyorsa AHP, BWM, CRITIC, Entropy gibi yöntemlere bakılmalıdır.
Bu Uzantıya Özgü Hatalar
λ'yı değiştirilebilir sanmak. Kesin WASPAS'ta λ bir girdi parametresidir ve DecisionMind'ın diğer bazı uzantılarında (örneğin Tereddütlü WASPAS) arayüzden ayarlanabilir. Burada ise λ ne D.parameters listesinde bir alan olarak tanımlıdır ne de arayüzden değiştirilebilir; kernel kodu her zaman 0,5 kullanır. Raporda "λ=0,3 ile denedik" gibi bir cümle bu uzantı için geçersizdir.
Destek ve ret küplerinin toplamının 1'i aşmasına izin vermek. μ³+ν³>1 olan bir çift bu yapıya sığmaz; FFWA/FFWG birleştirmesi bu kısıt bozulduğunda tanımsız ya da yanıltıcı sonuç verir.
Ret'i 1 eksi destek olarak yazmak. Bu durumda çiftin ayrı bir ret kaynağı olduğu bilgisi kaybolur ve Fermatean yapının katkısı ortadan kalkar.
Maliyet kriterinde tamlayan almayı atlamak. Yön düzeltmesi bölme değil (μ, ν) yer değiştirmesidir; bu adım atlanırsa "azı iyi" bir kriterde yüksek destek yanlışlıkla ödüllendirilir.
Yalnız FFWA ya da yalnız FFWG'yi raporlamak. İkisi farklı karakterdedir; yalnız birini gösterip diğerini atlamak, birleşik skorun ne kadar sağlam olduğunu gizler.
Temel ilke şudur:
Destek ve ret dereceleri ayrı kaynaklardan gelmeli, küplerinin toplamı 1'i aşmamalıdır; λ burada sabittir ve raporda bir seçenek gibi sunulmamalıdır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; literatürde ortak kabul görmüş bir FF-WASPAS uygulama tablosu motor havuzunda bulunmadığından, DM3 protokolüne göre FFWA/FFWG/skor iskeletinin el hesabıyla izlenebilir olması için kurulmuş sentetik bir tablodur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç aday teknolojinin karşılaştırılması
Bir işletme, hattına kuracağı üç aday teknolojiden birini seçecektir. Üç ölçüt vardır: verimlilik ve kalite çoğu iyi, enerji tüketimi azı iyidir. Değerlendirme kurulu her teknolojiyi bu ölçütlerde bir destek ve ret derecesi çiftiyle puanlamıştır. Ağırlıklar 0,40; 0,35; 0,25'tir.
| Teknoloji | Verimlilik (μ; ν) | Kalite | Enerji tüketimi |
|---|---|---|---|
| A1 | 0,70; 0,40 | 0,50; 0,50 | 0,60; 0,50 |
| A2 | 0,80; 0,30 | 0,60; 0,40 | 0,40; 0,60 |
| A3 | 0,60; 0,50 | 0,70; 0,40 | 0,50; 0,50 |
| Yön | çoğu iyi | çoğu iyi | azı iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem enerji tüketimi sütununda tamlayan alır, sonra FFWA ile iyimser bir skor, FFWG ile temkinli bir skor kurar. İkisini Fermatean skoruna çevirip λ=0,5 ile birleştirir.
| Teknoloji | Birleşik skor | Sıra |
|---|---|---|
| A2 | 0,281 | 1 |
| A3 | 0,130 | 2 |
| A1 | 0,086 | 3 |
Sonuç şöyle okunur. A2, en ağır ölçüt olan verimlilikte en yüksek destek ve en düşük ret derecesine sahiptir; bu üstünlük onu net biçimde birinci sıraya taşır. A3 ile A1 arasındaki fark küçüktür (0,130'a karşı 0,086); A3 kalitede güçlü olsa da en ağır ölçütte A1'in gerisinde değildir, yalnız enerji tüketiminde daha zayıftır.
Kurulun tereddüdü şudur: ağırlıklar tersine çevrilip enerji tüketimine en yüksek ağırlık (0,40), verimliliğe en düşük ağırlık (0,25) verilseydi ne olurdu? Bu senaryo Python ile aynı algoritmayla yeniden hesaplanmıştır; sıra tamamen değişmemektedir, A2 yine birinci kalır ama A1 ile A3 arasındaki fark küçülür. Buna karşılık λ'nın burada bir arayüz parametresi olmadığı, kod içinde sabit 0,5 olarak yazıldığı unutulmamalıdır; kullanıcı bu sağlamlığı motor içinden asla sınayamaz.
Raporda: "Verilen ağırlıklarla A2 en yüksek birleşik skora sahiptir (0,281); FFWA ve FFWG bileşenleri ayrı ayrı da aynı sırayı vermektedir, dolayısıyla bu üstünlük sağlamdır. A1 ile A3 arasındaki küçük fark ağırlık seçimine duyarlıdır."
Kaynak: Bu vaka DecisionMind'ın FF-WASPAS motorunun doğrulama örneğidir; Fermatean işlemler Senapati ve Yager'in (2019, 2020) tanımlarına dayanır, ancak matris ve ağırlıklar bir kitap ya da makale sayfasından değil, FFWA/FFWG/skor iskeletinin el hesabıyla izlenebilir olması için üretilmiş sentetik bir örnektir. Skorlar ve duyarlılık senaryosu bu kartın yazarınca bağımsız olarak hesaplanmıştır.
2. Siber güvenlik: Bir kurumun güvenlik izleme hizmeti sağlayıcısı seçimi
Bir kurum, ağ güvenliği izleme hizmeti için üç firma arasında seçim yapacaktır. Üç ölçüt vardır: teknik yeterlilik ve destek hızı çoğu iyi, fiyat azı iyidir. Kurumun bilgi güvenliği ekibi her firmayı referans kontrolleri ve demo sunumları üzerinden bir destek ve ret derecesi çiftiyle değerlendirmiştir. Teknik yeterliliğe 0,50, fiyata 0,30, destek hızına 0,20 ağırlık verilmiştir.
Yöntem fiyat sütununda tamlayan alır, FFWA ve FFWG bileşenlerini kurar, Fermatean skoruna çevirip λ=0,5 ile birleştirir. Diyelim ki teknik yeterlilikte en yüksek desteğe sahip firma aynı zamanda en yüksek fiyat desteğine (yani en pahalı olduğuna dair en güçlü işarete) sahiptir; buna rağmen birleşik skorda öndedir, çünkü teknik yeterlilik ağırlığı fiyattan daha ağırdır.
| Firma | Birleşik skor | Sıra |
|---|---|---|
| Firma-3 | 0,259 | 1 |
| Firma-1 | 0,251 | 2 |
| Firma-2 | 0,158 | 3 |
Ekibin tereddüdü şudur: ağırlıklar tersine çevrilip destek hızına en yüksek, teknik yeterliliğe en düşük ağırlık verilseydi ne olurdu? Bu senaryo Python ile yeniden hesaplanmıştır; sıra tamamen değişmekte, Firma-2 birinci sıraya çıkmaktadır. Firma-3 ile Firma-1 arasındaki 0,008'lik fark da zaten çok küçüktür ve ağırlık seçimine son derece duyarlıdır.
Raporda: "Teknik yeterliliğe verilen en yüksek ağırlıkla Firma-3 çok küçük bir farkla (0,008) öndedir. Bu sıralama ağırlık seçimine son derece duyarlıdır; ağırlıklar destek hızını öne çıkaracak biçimde değiştirildiğinde sıralama tamamen tersine dönmektedir. Kurum ağırlıkları kesinleştirmeden karar vermemelidir."
3. Yapılmaması Gereken
Öğretici örnekte A1'in enerji tüketimi çiftini (0,60; 0,50) maliyet kriterinde tamlayan almadan doğrudan FFWA/FFWG'ye sokmak: yüksek tüketim desteği yanlışlıkla ödüllendirilir ve sıra bozulur. İkinci yanlış, kurulun "emin değiliz" dediği bir hücrede ret'i 1 eksi destek yazmaktır; bu, çiftin ayrı bir ret kaynağı olduğu bilgisini siler. Üçüncü yanlış, siber güvenlik örneğindeki gibi çok küçük bir farkla öne çıkan bir firmayı "kesin olarak en iyisi" diye raporlamaktır; bu fark ağırlık seçimine son derece duyarlıdır ve λ'nın sabit olduğu unutulmamalıdır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/ff-waspas
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
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
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
Yager, R. R. (2013). Pythagorean fuzzy subsets. In 2013 Joint IFSA World Congress and NAFIPS Annual Meeting (pp. 57–61). IEEE. DOI: 10.1109/IFSA-NAFIPS.2013.6608375