Fuzzy DNMA

Dört şey değişir. Karar mantığı aynı kalır.

Hücreler. Kesin DNMA'da her hücre tek sayıdır. Burada her hücre üç sayı taşır: en düşük, en olası, en yüksek makul değer. Kriter ağırlıkları da üçgen olarak girilebilir. Ama yöntem ağırlıkları hemen ilk adımda tek sayıya indirir; her ağırlığın üç bileşeninin ortalamasını alır. Üçgen yapı ağırlıklarda korunmaz, yalnız karar matrisinde korunur.

Ölçek eşitleme. Kesin DNMA'da olduğu gibi burada da iki farklı normalizasyon hesaplanır. Vektör normalizasyonu sütun büyüklüğüne böler; maliyet kriterinde sonuç birden çıkarılarak yön fayda tarafına çevrilir. Doğrusal-en-büyük normalizasyonu fayda kriterinde sütunun en büyüğüne, maliyet kriterinde sütunun en küçüğüne göre kurulur. İkisi de üçgenin üç bileşenine ayrı ayrı uygulanır; bu adımda henüz durulaştırma yoktur.

Skor ve birleştirme. İki normalize tablo burada merkez değerine iner; merkez, üç bileşenin ortalamasıdır. Bu merkez değerlerden üç alt-fayda hesaplanır: vektör normalizasyonu üzerinden ağırlıklı toplam, doğrusal normalizasyon üzerinden ağırlıklı toplam, doğrusal normalizasyon üzerinden ağırlıklı çarpım. Kesin DNMA'da olduğu gibi bu üç alt-faydanın kendi içindeki sırası çıkarılır. Sonra puan büyüklüğünün normalize karesi toplanır, sıra tutarsızlığının normalize karesi bundan çıkarılır ve birleşik skor kurulur. Bu son adım kesin DNMA ile birebir aynı formülü kullanır.

Sonuç. Durulaştırma iki kademede olur. Önce kriter ağırlıkları en başta tek sayıya iner. Sonra normalize matrisler, üç alt-fayda hesaplanmadan hemen önce merkez değerine iner. Çıktı tek bir kesin sayıdır ve kesin DNMA'da olduğu gibi negatif çıkabilir; negatif bir skor hata değildir, yalnızca göreli bir zayıf konumu gösterir.

DecisionMind bu bulanık uzantıda üç modelin puan ve sıra bileşenlerine verilen ağırlığı (α ve β) kesin DNMA'daki gibi eşit tutar; üçü de üçte bir. Bu ağırlıklar burada da kullanıcı girdisi değildir.

Çıktı kesin DNMA'daki gibi bir birleşik skordur. Yüksek skor daha iyidir, ama bu sayı bir uzaklık ölçüsünden değil üç ayrı modelin birbirini ne kadar doğruladığından doğar.

Fark şudur. Bu üç model burada üçgenlerin merkez değeri üzerinden çalışır. Yani model başına bir belirsizlik payı vardır ve bu pay, merkez değerine inildiği anda kaybolur. Bir seçeneğin skoru yüksekse bu, o seçeneğin merkez değerleriyle üç modelde de tutarlı biçimde iyi sıralandığı anlamına gelir; girdi üçgenlerinin genişliği bu tutarlılığın ne kadar sağlam olduğunu göstermez.

Bu nedenle:

"Fuzzy DNMA skoruna göre A2'nin performansı mükemmel"

yerine:

"A2, üç toplulaştırma modelinin merkez değerlerinde de tutarlı biçimde en iyi sıraya koyduğu seçenektir. Bu skor yalnız bu üç seçenek arasında bir sırayı gösterir, mutlak bir başarı yüzdesi değildir"

biçiminde yazmak doğrudur.

Kriterler uzman yargısından ya da tahminden geliyorsa ve tek bir toplulaştırma mantığına güvenmek istemiyorsan bu uzantı uygundur. Hangi durumların bulanıklaştırılabileceğini ve ölçülmüş veriyi çevirmeme ilkesini Bulanık veri türü kartı anlatır. DecisionMind tek veri türü ister. Tablo karışıksa ölçülmüş kriter de üçgene yazılır; üç bileşeni aynı sayı olur.

Kesin DNMA'nın çıkış koşulu burada da geçerlidir. Bir kriter sütunu tüm seçeneklerde aynı üçgeni taşıyorsa doğrusal normalizasyon tanımsızlaşır. Bir kriterde taviz kabul edilmiyorsa bu uzantı uygun değildir.

Değer alanı kısıtını ihlal etmek. Her üçgende en düşük değer en olasıdan, en olası da en yüksekten küçük ya da eşit olmalı; hiçbiri negatif olmamalı.

Durulaştırma yöntemini değiştirip belirtmemek. Kanonik seçim merkez değeridir. Başka bir durulaştırma, örneğin yalnız en olası değeri almak, üç alt-faydayı ve dolayısıyla sıralamayı değiştirebilir.

Üç modeli hiç ayrı ayrı kontrol etmemek. Yalnız birleşik skoru raporlayıp üç alt-faydanın aynı seçeneği mi öne çıkardığını hiç bakmamak; bunlar anlaşmıyorsa birleşik skor bu anlaşmazlığı gizler.

Ağırlıkları üçgen girip sonucu üçgen beklemek. Kriter ağırlıkları yöntem tarafından hemen tek sayıya indirilir. Ağırlıkların üçgen genişliği sonuca hiç yansımaz; bu, kullanıcı için şaşırtıcı olabilir ve raporda belirtilmelidir.

Temel ilke şudur:

Fuzzy DNMA'nın birleşik skoru, üç toplulaştırma modelinin merkez değerler üzerindeki puan ve sıra tutarlılığının bir özetidir. Bir seçenek yalnız bir modelde iyi görünüyorsa rapor bunu göstermelidir.