Uzantı kartı · Bulanık
Fuzzy MARCOS (Stanković ve ark., 2020)
Kriter puanları sözel ya da yaklaşık olduğunda üçgen bulanık sayılarla çalışan MARCOS biçimi budur. İdeal ve anti-ideale oransal konum hesap boyunca bulanık olarak taşınır; tek sayıya inme, ancak fayda oranları kurulduktan sonra gerçekleşir.
Temel yöntem
MARCOS →
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; ideal/anti-ideal referanslı oran mantığı değişmez.
Hücreler. Kesin MARCOS'ta her hücre tek sayıdır. Burada her hücre üç sayıdır: en düşük, en olası, en yüksek. Kriter ağırlıkları da aynı biçimde üçgendir; kesin bir ağırlık kullanılacaksa üç bileşeni aynı yazılır ve genişliği sıfır olur. Kurucu makale (Stanković, Stević, Das, Subotić ve Pamučar, 2020) yöntemi karayolu trafik riski analizinde önermiştir. DecisionMind'daki Fuzzy MARCOS birden fazla karar vericinin puanını birleştirmez; tek bir bulanık matris üzerinde çalışır.
Ölçek eşitleme. Kesin MARCOS, ideal (en iyi gözlenen sütun değeri) ve anti-ideal (en kötü gözlenen sütun değeri) referanslarını kurup her hücreyi idealin değerine oranlar: fayda kriterinde hücre ideale bölünür, maliyet kriterinde ideal hücreye bölünür. Fuzzy MARCOS aynı kuralı üçgenin üç bileşenine ayrı ayrı uygular; ideal ve anti-ideal de birer üçgen olarak (üç köşesi eşit, genişliği sıfır) tabloya eklenir. Kural aynı kalır, çünkü MARCOS'u tanımlayan adım ideal/anti-ideal referanslı normalizasyondur; bulanıklık yalnızca bu adımın her bileşende ayrı ayrı tekrarlanmasını gerektirir.
Uzaklık / skor / birleştirme. Kesin MARCOS'ta ağırlıklı toplam tek sayıdır. Burada ağırlıklı toplam bir üçgendir; üç bileşen ayrı ayrı toplanır. Seçeneğin ideale ve anti-ideale "fayda oranı" (K+ ve K−), üçgenler arası bölme ile bulunur. Bu bölme çapraz bileşenlerle yapılır: bir üçgenin en düşük ucu diğerinin en yüksek ucuna bölünür. Bunun nedeni, bölüm işleminde de en kötü durumun en kötü durumla eşleşmesi gerekmesidir.
Sonuç ve durulaştırma. Fayda oranı üçgenleri, ağırlık merkezi (üç bileşenin ortalaması) ile tek sayıya indirilir; bu durulaştırma beşinci adımda, ideal/anti-ideale oran kurulduktan SONRA yapılır. Geri kalan fayda fonksiyonu ve nihai fayda derecesi kesin MARCOS'un altıncı ve yedinci adımıyla birebir aynı formülle işler.
DecisionMind'ın Fuzzy MARCOS'ta sabit tuttuğu seçim: ağırlık merkezi (COA) durulaştırması ve köşe-bazlı ideal/anti-ideal inşası (F2, F5). Ağırlıklar dışarıdan üçgen olarak alınır; yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Çıktı kesin MARCOS'taki gibi bir nihai fayda derecesi ve sıradır; okunması da aynıdır. Başka bir analizin derecesiyle karşılaştırılmaz, çünkü ideal ve anti-ideal her analizde kendi seçenek kümesinden kurulur.
Fark şurada: durulaştırma yalnız beşinci adımda, fayda oranları kurulduktan sonra yapılır. Bu yüzden nihai derecenin üstünde artık görünmeyen bir belirsizlik katmanı vardır. İki seçenek arasındaki fark, girdilerin genişliğine göre sağlam ya da kırılgan olabilir.
Bu nedenle:
"Fuzzy MARCOS belirsizliği hesaba kattığı için sonuç daha güvenilirdir"
yerine:
"Kriter puanları sözel/yaklaşık olduğu için belirsizlik ideal ve anti-ideale oran kurulana kadar taşınmış, sonra tek sayıya indirilmiştir; iki seçenek arasındaki fark, hangi kriterin ağırlığına ve hangi puanın genişliğine duyarlı olduğu ayrıca gösterilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter puanları bir uzman yargısından ya da tahminden geliyorsa ve bu yaklaşıklığı tek sayıya indirmek yapay bir kesinlik yaratacaksa (bulanık veri türü kartındaki ölçüt). Ölçülmüş bir kriteri (fiyat, süre) üçgene açmak belirsizlik modellemek değil üretmektir; matris tek türde olmak zorundaysa ölçülmüş değer üç bileşeni aynı üçgen olarak yazılır.
Çıkış koşulu kesin MARCOS ile aynıdır. Bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez. Seçenek kümesi çok küçükse, örneğin iki üç seçenekse, ideal ve anti-ideal referanslar seçeneklerin kendisine aşırı duyarlı kalır.
Bu Uzantıya Özgü Hatalar
Bulanık sayının l ≤ m ≤ u kuralını çiğnemek. Üç bileşen bu sırada olmalı ve hepsi sıfırdan büyük ya da eşit olmalıdır; sıra bozulursa ideal/anti-ideal referansları da bozulur.
Durulaştırma yöntemini değiştirip fark etmemek. Ağırlık merkezi (COA, üç bileşenin ortalaması) kanonik seçimdir ama tek seçenek değildir; başka bir durulaştırma kuralı (yalnız en olası değeri almak gibi) farklı bir sıra üretebilir. Hangi kuralın kullanıldığı raporda belirtilmelidir.
Önce durulaştırıp sonra kesin MARCOS koşturmak. Üçgenleri baştan tek sayıya indirip kesin yöntemi çalıştırmak Fuzzy MARCOS değildir. Böyle yapılırsa ideal ve anti-ideal referanslar artık bulanık köşelerden değil, tek bir sayıdan kurulur. Aşağıdaki öğretici örnekte bu yol A1'i 0,578'den 0,590'a, A2'yi 0,715'ten 0,731'e, A3'ü 0,640'tan 0,654'e taşır. Bu tabloda sıra tesadüfen aynı kalır, çünkü üçgenler simetrik ve dardır. Genişliği yukarı ya da aşağı yönlü asimetrik olan bir girdide, durulaştırmanın ilk adımda mı beşinci adımda mı yapıldığı sıranın kendisini değiştirebilir.
Ağırlığı kesin, puanları bulanık vermek. Yöntem ağırlıkları da üçgen bekler; kesin ağırlık verilecekse üç bileşeni aynı yazılır ve bu raporda belirtilir.
Temel ilke şudur:
Fuzzy MARCOS, kriter puanlarındaki yaklaşıklığı ideal/anti-ideale oran kurulana kadar taşımak içindir; girdiyi baştan kesinleştiren ya da ölçeği belirsiz bırakan her uygulama, yöntemin tek katkısını yok eder.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: kesin MARCOS'la aynı ağırlık ve yön yapısına sahip, üç seçenekli üç kriterli küçük bir üçgen bulanık tablo; kitap ya da makale sayfasından değil, formüllerin elle izlenebilmesi için kurulmuştur. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç seçenek, üç ölçüt (DecisionMind doğrulama örneği)
| Seçenek | K1 | K2 | K3 (maliyet) |
|---|---|---|---|
| A1 | (0,65; 0,70; 0,75) | (0,45; 0,50; 0,55) | (0,55; 0,60; 0,65) |
| A2 | (0,75; 0,80; 0,85) | (0,55; 0,60; 0,65) | (0,35; 0,40; 0,45) |
| A3 | (0,55; 0,60; 0,65) | (0,65; 0,70; 0,75) | (0,45; 0,50; 0,55) |
| Yön | çoğu iyi | çoğu iyi | azı iyi |
| Ağırlık | (0,35; 0,40; 0,45) | (0,30; 0,35; 0,40) | (0,20; 0,25; 0,30) |
Yöntem her sütunun ideal ve anti-ideal üçgenini kurar; K1 ve K2'de en yüksek üst değer, K3'te en düşük alt değer ideal kabul edilir. Her hücreyi ideale oranlar, ağırlıklarla çarpıp toplar. Fayda oranlarını ideale ve anti-ideale göre bulur, ağırlık merkeziyle durulaştırıp nihai fayda derecesini hesaplar.
| Seçenek | Nihai fayda derecesi | Sıra |
|---|---|---|
| A2 | 0,7151 | 1 |
| A3 | 0,6399 | 2 |
| A1 | 0,5780 | 3 |
Sonuç şöyle okunur. A2, K1'de en yüksek puana sahiptir (0,75; 0,80; 0,85). K3'te, yani maliyet kriterinde, en düşük puana sahiptir (0,35; 0,40; 0,45); bu da idealine en yakın olduğu anlamına gelir. K2'de en düşük puanı almasına rağmen, en ağırlıklı iki kriterde (K1 ağırlığı 0,40, K3 ağırlığı 0,25) ideale yakın kalması onu birinciliğe taşır. A3, üç kriterde de orta değerlerle ikinci sıradadır. A1 ise hem K1'de hem K3'te zayıf kaldığı için son sıradadır.
Karar burada tereddüt yaşayabilir. K1 ile K2'nin ağırlıkları yer değiştirirse (K1=(0,30;0,35;0,40), K2=(0,35;0,40;0,45), K3 sabit kalır), A2 yine birinci kalır (0,7102). Ama A1 ile A3 arasındaki fark küçülür (A1 0,5723, A3 0,6499). Bu, ikinci ile üçüncü sıra arasındaki farkın ağırlık takasına duyarlı olduğunu, ama birinciliğin bundan etkilenmediğini gösterir.
Raporda: "Verilen ağırlıklarla (K1=0,40, K2=0,35, K3=0,25) A2 en yüksek nihai fayda derecesine (0,7151) sahiptir; K1 ile K2'nin ağırlığı yer değiştirse bile A2 birinciliğini korumaktadır, ancak A1 ile A3 arasındaki fark bu takasta daralmaktadır."
Kaynak: DecisionMind Fuzzy MARCOS manifesti, doğrulama örneği; adımlar Stanković ve ark. (2020) tanımına göredir. Ağırlık takası senaryosunun sayıları bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmıştır.
2. Tarım: Kurak bölgede sulama teknolojisi seçimi
Bir tarımsal kalkınma kooperatifi, kurak bir bölgedeki üyeleri için üç sulama teknolojisinden (damla sulama, yağmurlama, yüzey sulama iyileştirmesi) birini önerecektir. Üç kriter: su verimliliği, kurulum ve işletme maliyeti (azı iyi), yerel koşullara uyum kolaylığı. Bölge mühendisleri her teknolojiyi bu üç kriterde önceden ilan edilmiş bir sözel ölçekle puanlıyor, kriter ağırlıklarını da aynı ölçekle veriyor.
Yöntem mühendislerin üçgenlerini idealin köşesine oranlar. Ağırlıklandırıp toplar, fayda oranlarını ideale ve anti-ideale göre kurar, durulaştırıp nihai dereceyi bulur. Diyelim ki su verimliliği en yüksek puanlanan damla sulama, maliyeti de en yüksek olmasına rağmen birinci sırada çıkıyor. Bunun nedeni, su verimliliği ağırlığının maliyetten daha yüksek tutulmuş olmasıdır.
Kooperatif burada tereddüt yaşayabilir. Mühendislerden biri kurulum maliyetini diğerlerinden bir terim daha iyimser puanlamıştır. Bu tek puan diğerleriyle aynı terime çekilirse damla sulamanın maliyetteki normalize değeri düşer ve sıra sorgulanabilir hale gelir. Kooperatif, bu tek mühendisin puanını diğerleriyle karşılaştırmadan tavsiyeyi üyelere iletmemelidir.
Raporda: "Su verimliliği ağırlığının maliyetin önüne geçmesiyle damla sulama birinci sırada çıkmaktadır; bu üstünlüğün bir kısmı tek bir mühendisin maliyet puanına duyarlıdır."
3. Yapılmaması Gereken
Öğretici örnekteki üçgenleri baştan ağırlık merkeziyle tek sayıya indirip kesin MARCOS koşturmak birinci yanlıştır. Bu durumda A1 0,578'den 0,590'a, A2 0,715'ten 0,731'e, A3 0,640'tan 0,654'e kayar. Bu tabloda sıra tesadüfen aynı kalır, ama durulaştırmanın ilk adımda mı beşinci adımda mı yapıldığı ilkesel bir hatadır ve başka bir girdide sırayı değiştirebilir. İkinci yanlış, "iyi" terimini bir uzmanda (0,7; 0,9; 1), diğerinde (0,6; 0,8; 1) diye farklı üçgenlere çevirmektir. Ölçek tektir ve tüm uzmanlara aynı uygulanmalıdır. Üçüncü yanlış, kriter ağırlıklarını kesin sayı, hücreleri bulanık üçgen olarak karıştırmaktır. Ağırlık da üçgen olmak zorundadır; kesin ağırlık, genişliği sıfır olan bir üçgen olarak yazılır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/fuzzy-marcos
Stanković, M., Stević, Ž., Das, D. K., Subotić, M., & Pamučar, D. (2020). A New Fuzzy MARCOS Method for Road Traffic Risk Analysis. Mathematics, 8(3), 457. DOI: 10.3390/math8030457
Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS). Computers & Industrial Engineering, 140, 106231. DOI: 10.1016/j.cie.2019.106231
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. DOI: 10.1016/S0019-9958(65)90241-X
Demir, G., Chatterjee, P., Kadry, S., Abdelhadi, A., & Pamučar, D. (2024). Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS) Method: A Comprehensive Bibliometric Analysis. Decision Making: Applications in Management and Engineering, 7(2), 313–336. DOI: 10.31181/dmame7220241137