Fuzzy WASPAS (Turskis, Zavadskas, Antuchevičienė ve Kosareva, 2015)

Dört şey değişir; toplam ile çarpımı harmanlama mantığı değişmez.

Hücreler. Kesin WASPAS'ta her hücre tek sayıdır. Burada her hücre üçgen bulanık sayıdır (en düşük, en olası, en yüksek). Kriter ağırlıkları da üçgen olarak girilebilir; kesin bir ağırlık verilirse DecisionMind bunu üç bileşeni aynı olan bir üçgene (w, w, w) genişletir, yani ölçülmüş bir ağırlığa genişlik eklemez, yalnız yapıya uydurur.

Ölçek eşitleme. Kesin WASPAS her sütunu kendi en iyi kesin değerine böler. Burada fayda kriterinde her üçgenin üç bileşeni sütundaki en büyük üst değere bölünür. Maliyet kriterinde ise sütundaki en küçük alt değer alınır ve üçgenin üç bileşenine ters sırayla oranlanır: en düşük bileşen bu sabiti üst değere, en yüksek bileşen alt değere böler. Bu ters çevirme olmasa bölüm sonucu en düşük-en olası-en yüksek sırasını bozar; Turskis'in eşitlemesi bu sırayı bilerek korur.

Toplam ve çarpım bileşeni. Ağırlıklı toplam (WSM) bileşeni, eşitlenmiş üçgeni ağırlık üçgeniyle bileşen bileşen çarpıp kriterler boyunca üçgen olarak toplar; kesin WASPAS'taki toplama işleminin üç bileşen üzerinde ayrı ayrı yürütülmüş hâlidir. Ağırlıklı çarpım (WPM) bileşeni ise eşitlenmiş üçgenin ağırlık kuvvetine yükseltilmesiyle kurulur; kuvvete yükseltme de köşeleri ters çevirir (üçgenin en düşük bileşeni ağırlığın en yüksek olası biçimiyle, en yüksek bileşeni ağırlığın en düşük biçimiyle kuvvetlenir), çünkü bulanık kuvvet alma büyüdükçe daralan bir aralık üretir ve sıranın korunması için bu ters çevirme gerekir.

Sonuç ve durulaştırma. Her seçenek için toplam bileşeninin üç köşesi kriterler boyunca toplanır, çarpım bileşeninin üç köşesi çarpılır; ardından her üçgen kendi üç köşesinin ortalamasıyla (ağırlık merkezi) tek sayıya indirilir. Kesin WASPAS'ta λ dışarıdan sabit bir katsayıdır (belirtilmezse 0,5); burada DecisionMind λ'yı sabit almaz. Bunun yerine, iki durulaştırılmış bileşenin (toplam ve çarpım) tüm seçenekler üzerindeki toplamdaki payından uyarlamalı olarak hesaplar. Bu, WASPAS ailesinde λ'nın kullanıcı kararı olmaktan çıkıp veriye bağlı bir çıktıya dönüştüğü tek uzantıdır.

DecisionMind Fuzzy WASPAS'ta bu ölçek eşitlemesini, köşe-bazlı toplam/çarpım kurallarını ve uyarlamalı λ hesabını sabit tutar; ağırlıklar dışarıdan alınır, yöntem ağırlık üretmez.

Çıktı kesin WASPAS'taki gibi bir birleşik puan ve sıradır; okunması da aynıdır: yüzde ya da olasılık değildir, başka bir analizle karşılaştırılmaz.

Fark şurada: λ artık raporda "biz şu değeri seçtik" diye açıklanacak bir karar değildir, verinin kendisinden çıkan bir sonuçtur. Bu yüzden rapor, λ'nın hangi değere yerleştiğini ve toplam bileşeni mi çarpım bileşeni mi baskın çıktığı için bu değere ulaşıldığını söylemelidir. Ayrıca puanın altında bir üçgenler zinciri vardır ve puan bunu gizler. İki seçeneğin puan farkı, girdilerin genişliğine göre anlamlı ya da anlamsız olabilir.

Bu nedenle:

"Fuzzy WASPAS'a göre A2 en iyi seçenektir"

yerine:

"Uyarlamalı λ 0,49 çıkmıştır, yani toplam ve çarpım bileşenleri hemen hemen eşit ağırlıkla katkı vermiştir; bu ağırlıklarla A2 en yüksek birleşik puana sahiptir ve ağırlık takası sırayı değiştirmemektedir"

biçiminde yazmak doğrudur.

Kriterler sözel ya da yaklaşık uzman yargısıyla puanlanıyorsa ve bu yargıyı tek sayıya indirmek yapay bir kesinlik yaratacaksa. Kriterler ölçülmüşse temel yöntemde kalınır; ölçülmüş bir sayıyı üçgene açmak belirsizlik modellemek değil üretmektir. Tablo karışıksa DecisionMind tek veri türü ister; ölçülmüş kriter de üçgene yazılır ve üç bileşeni aynı sayı olur, bu gömme belirsizlik eklemez.

WASPAS'ın çıkış koşulu aynen geçerlidir: bu uzantı da telafi edicidir, bir kriterde taviz kabul edilmiyorsa uygun değildir; sıralama değil ağırlık aranıyorsa AHP, BWM, CRITIC, Entropy gibi bulanık ya da kesin ağırlık yöntemlerine bakılmalıdır.

Üçgenin sırasını bozmak. Her hücrenin en düşük, en olası ve en yüksek bileşeni bu sırada olmalıdır; veri girişinde bu sıra bozulursa (örneğin en olası değer en yüksekten büyük yazılırsa) ölçek eşitleme ve kuvvet alma adımları anlamsız sonuç verir.

Durulaştırma yöntemini keyfi değiştirmek. Ağırlık merkezi (üç bileşenin ortalaması) burada sabit ve tek kuraldır; farklı bir durulaştırma (yalnız en olası değeri almak gibi) farklı bir sıra üretebilir ve Turskis'in adımlarıyla tutarsızlaşır.

Önce durulaştırıp sonra kesin WASPAS koşturmak. Üçgenleri baştan tek sayıya indirip kesin yöntemi uygulamak Fuzzy WASPAS değildir; toplam ve çarpım bileşenlerinin köşe bazında nasıl büyüdüğü görünmez olur.

λ'yı elle sabitlemek. Bu uzantıda λ verinin çıktısıdır; başka WASPAS uzantılarındaki gibi 0,5'te sabitlemek ya da elle girmek, yöntemin uyarlamalı harmanlama katkısını iptal eder.

Ağırlıkları kesin, puanları bulanık vermek. Bu sorun değildir; DecisionMind kesin ağırlığı degenere üçgene genişletir. Ama bu genişletmenin genişlik eklemediği raporda belirtilmelidir.

Temel ilke şudur:

Fuzzy WASPAS'ta üçgenin sırası, durulaştırma kuralı ve λ'nın uyarlamalı hesabı yöntemin sabit iskeletidir; bunlardan biri elle değiştirilirse sonuç artık Turskis'in WASPAS-F'i değildir.

---