Uzantı kartı · Tereddütlü
Tereddütlü ARAS (Mishra, Rani, Krishankumar, Ravichandran ve Kar, 2021)
Tereddütlü ARAS, kriter değerlendirmesinin bir kriterde birden fazla makul değerin bir arada tutulduğu durumlar için çalışan ARAS biçimidir. Bu kümeleri ağırlıklandırdıktan sonra ortalamayla tek sayıya indirir ve optimal alternatife oranını hesaplar.
Temel yöntem
ARAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Tereddütlü (Hesitant) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Beş şey değişir; optimal alternatife oran alma mantığı değişmez.
Hücreler. Kesin ARAS'ta her hücre tek, pozitif bir sayıdır. Burada her hücre, aynı kriter-seçenek çifti için birden fazla makul dereceyi birlikte tutan bir kümedir; örneğin {0,3; 0,3; 0,4; 0,5}. Aynı sütunda farklı seçeneklerin kümeleri farklı uzunlukta olabilir; HF-TOPSIS'teki gibi bir uzunluk eşitleme adımına burada gerek yoktur, çünkü küme uzaklık değil ortalama ile işlenir.
Optimal alternatif. Optimal alternatif satırı, her kriterde gözlenen kümelerin ortalamasına göre en iyi olanından kurulur. Fayda kriterinde ortalaması en yüksek küme, maliyet kriterinde ortalaması en düşük küme seçilir ve olduğu gibi bu satıra taşınır; bu satır gerçek seçeneklerin arasına eklenir.
Ölçek eşitleme. Fayda kriterinde her kümenin her elemanı, sütundaki (optimal satır dahil) en yüksek ortalamaya bölünür. Maliyet kriterinde bu oran birden çıkarılır (1 eksi oran). Bu işlem kümenin her elemanına ayrı ayrı uygulanır; küme normalize olduktan sonra da bir küme olarak kalır, henüz tek sayıya inmez.
Ağırlıklama. Normalize kümenin her elemanı, kriter ağırlığı üstel olacak biçimde bir işlemden geçer: 1 eksi (1 eksi eleman) üzeri ağırlık. Bu, kümedeki her elemanı ayrı ayrı büyütüp küçültür; kümenin kendisi hâlâ birden fazla değer taşır. HF-TOPSIS'in aksine, ağırlık burada yalnız dışarıdan ve tam olarak verilir; veriden türetme ya da kısmen bilinen ağırlık seçeneği yoktur.
Sonuç ve durulaştırma. Ağırlıklandırılmış küme, ancak bu adımdan sonra kendi elemanlarının aritmetik ortalamasıyla tek sayıya iner. Bu tek sayılar satır boyunca (kriterler üzerinden) toplanır, optimal satırın toplamına bölünür ve fayda derecesi (U) elde edilir. Durulaştırma sırası önemlidir: önce ortalama alıp sonra ağırlıklandırmak, önce ağırlıklandırıp sonra ortalama almaktan farklı bir sayı verir, çünkü ağırlıklandırma işlemi doğrusal değildir.
DecisionMind bu klasik biçimde optimal satırın ortalama skora göre seçilmesini, normalize-sonra-ağırlıklandır-sonra-ortalama-al sırasını ve tam dışarıdan ağırlık zorunluluğunu sabit tutar.
Çıktı Nasıl Yorumlanır?
Fayda derecesi U, kesin ARAS'taki K ile aynı anlama gelir: optimal alternatife göre yüzdesel bir fayda, yalnız bu seçenek kümesi ve bu ağırlıklarla anlamlı. Fark şurada: U'nun altında artık birden fazla makul değer taşıyan bir küme, önce ağırlıklandırılıp sonra ortalamayla tek sayıya inmiştir. Kümenin genişliği, yani kaynaklar arasındaki anlaşma ya da anlaşmazlık, bu tek sayıda görünmez olur.
Bu nedenle:
"Tereddütlü ARAS'a göre A1 en iyi seçenektir"
yerine:
"Bu seçenek kümesinden türetilen optimal alternatife göre A1 en yüksek fayda derecesine sahiptir (U=0,75); bu oran, her kriterdeki makul değerler kümesinin ortalamasına dayanır ve kümelerin genişliği raporda ayrıca belirtilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Aynı kriter-seçenek çifti için birden fazla makul ve savunulabilir değer varsa bu uzantı uygundur. Örneğin birkaç uzman ya da birkaç senaryo bu değeri ayrı ayrı üretmiş olabilir. Tereddütlü veri türü kartındaki ilke burada da geçerlidir: küme gerçek bir kaynağa dayanmalı, tek bir ölçülmüş değere gerekçesiz genişlik eklenmemelidir. Kesin ARAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir ve eleme yapmaz.
Bu Uzantıya Özgü Hatalar
Maliyet kriterinde kesin ARAS'ın 1/x işlemini uygulamak. Burada maliyet yönü tersine çevrilirken oran birden çıkarılır (1 eksi oran); 1/x işlemi burada geçerli değildir ve kümeyi [0,1] dışına taşırabilir.
Önce kümenin ortalamasını alıp sonra ağırlıklandırmak. Doğru sıra normalize et, ağırlıklandır, sonra ortalama al biçimindedir. Sıra değiştirilirse, ağırlıklandırma işlemi doğrusal olmadığı için farklı bir fayda derecesi çıkar.
Ağırlığı kısmen ya da veriden türetilebilir sanmak. HF-TOPSIS'in aksine bu klasik biçim ağırlığı yalnız tam ve dışarıdan kabul eder; eksik ya da aralık biçiminde bir ağırlık burada bir seçenek değildir.
Kümenin genişliğini hiç raporlamamak. İki seçeneğin fayda derecesi yakın çıktığında, bu yakınlığın kümelerin dar mı geniş mi olduğuna bağlı olup olmadığı ayrıca söylenmelidir; U tek başına bunu göstermez.
Temel ilke şudur:
Tereddütlü ARAS'ta küme, normalize edilip ağırlıklandırıldıktan sonra ortalamayla tek sayıya iner; bu sıra değiştirilirse ya da kümenin genişliği hiç raporlanmazsa taşınan bilginin bir kısmı kaybolur.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: kaynak makalenin (Mishra ve ark., 2021) beş ilaç, yedi belirti ve üç uzmanlı gerçek örneği el ile doğrulanamayacak kadar iç içe geçtiği için, aynı formül zincirini gösteren küçük, kapalı biçimli bir tablo kurulmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: İki seçeneğin iki kriterde değerlendirilmesi (DecisionMind doğrulama örneği)
İki seçenek (A1, A2), biri fayda (C1) biri maliyet (C2) yönlü iki kriterde tek elemanlı kümelerle değerlendiriliyor: A1, C1'de {0,75}, C2'de {0}; A2, C1'de {1}, C2'de {1}. Ağırlıklar eşit (0,5; 0,5).
| Seçenek | C1 (fayda) | C2 (maliyet) |
|---|---|---|
| A1 | {0,75} | {0} |
| A2 | {1} | {1} |
Yöntem her kriterde en iyi değeri taşıyan optimal satırı kurar (C1'de A2'nin 1'i, C2'de A1'in 0'ı). Sonra kümeleri normalize edip ağırlıklandırır, ortalamayla tek sayıya indirir ve toplamı optimal satırın toplamına oranlar.
| Seçenek | Fayda derecesi (U) | Sıra |
|---|---|---|
| A1 | 0,75 | 1 |
| A2 | 0,50 | 2 |
Sonuç şöyle okunur. A2, C1'de tam puana (1) sahip olmasına rağmen C2'de en kötü ham değere (1) sahiptir; bu iki uç birbirini götürür ve A2'nin fayda derecesi 0,50'de sabitlenir. A1, C1'de tam puan almasa da (0,75) C2'de en iyi ham değere (0) sahip olduğu için önde çıkar.
Kurulun tereddüdü şudur: ağırlık dağılımı değişse sıra değişir mi? Bağımsız Python hesaplamasıyla doğrulandığında, ağırlıklar (0,1; 0,9)'dan (0,9; 0,1)'e kadar denendiğinde A2'nin fayda derecesi her seferinde tam olarak 0,50'de kalmaktadır; bunun nedeni A2'nin her iki kriterde de kendi sütununun ucunda (biri en iyi, biri en kötü) yer almasıdır. A1'in derecesi bu aralıkta 0,56 ile 0,86 arasında değişmekte, ama hiçbir ağırlıkta 0,50'nin altına inmemektedir. Bu örnekte sıra (A1≻A2) ağırlıktan tamamen bağımsız sağlamdır.
Raporda: "A1, verilen ağırlıklarla (0,50; 0,50) en yüksek fayda derecesine sahiptir (U=0,75). Bu tabloda A2'nin fayda derecesi, her iki kriterde de sütununun ucunda yer alması nedeniyle ağırlık dağılımından bağımsız olarak 0,50'de sabit kalmaktadır; A1'in birinciliği bu nedenle her ağırlık dağılımında korunmaktadır."
Kaynak: DecisionMind'ın Tereddütlü ARAS motorunun doğrulama örneği; Mishra ve arkadaşlarının (2021) beş ilaç, yedi belirti ve üç uzmanlı COVID-19 ilaç seçimi örneği el ile doğrulama için fazla iç içe geçtiğinden, aynı formül zincirini (ideal satır, normalize, ölçekli ağırlıklandırma, ortalama, oran) gösteren kapalı biçimli bir küçük tablo kullanılmıştır. Fayda dereceleri ve ağırlık taraması bu kartın yazarınca bağımsız olarak hesaplanmıştır.
2. Toplu taşıma: Yeni otobüs modeli seçimi
Bir belediye, filoya katılacak yeni otobüs modelini üç aday arasından seçecektir. İki kriter: yakıt verimliliği (çoğu iyi), yıllık bakım maliyeti puanı (azı iyi, düşük puan az bakım gerektirdiğini gösterir). Belediyenin teknik ekibi, farklı saha koşullarındaki pilot testlerden gelen sonuçları tek sayıya indirmeden küme olarak kaydetmiştir.
| Model | Yakıt verimliliği | Bakım maliyeti puanı |
|---|---|---|
| B1 | {0,70; 0,75; 0,80} | {0,55; 0,60} |
| B2 | {0,50; 0,55} | {0,50; 0,55; 0,60} |
| B3 | {0,60; 0,65} | {0,25; 0,30} |
Ekip yakıt verimliliğine 0,6, bakım maliyetine 0,4 ağırlık vermiştir. Yöntem optimal modeli kurar, normalize edip ağırlıklandırır ve fayda derecelerini hesaplar.
| Model | Fayda derecesi (U) | Sıra |
|---|---|---|
| B1 | 0,792 | 1 |
| B3 | 0,770 | 2 |
| B2 | 0,453 | 3 |
Sonuç şöyle okunur. B1 yakıt verimliliğinde en iyi kümeye sahiptir ve bu daha ağır kriterdir; B3'ün bakım maliyetindeki belirgin üstünlüğü (0,25-0,30 karşı 0,55-0,60) B1'i geçmeye yetmemiştir, ama fark küçüktür (0,022).
Ekibin tereddüdü şudur: B1'in bakım maliyeti pilot testlerinde iki basamak daha kötü çıksaydı, yani küme {0,55; 0,60} yerine {0,65; 0,70} olsaydı ne olurdu? Bağımsız Python hesaplamasıyla doğrulandığında, aynı ağırlıklarla (0,6; 0,4) bu durumda B3 0,778, B1 0,762'ye düşer ve sıra tersine döner: B3 birinciliğe geçer.
Raporda: "Yakıt verimliliğine verilen yüksek ağırlıkla B1 önde çıkmaktadır (U=0,792), ama B3'e farkı küçüktür (0,022). B1'in bakım maliyeti pilot verilerinde iki basamak daha kötü çıkması durumunda sıra tersine dönmektedir; bu nedenle B1'in bakım verisi ek sahada doğrulanmalıdır."
3. Yapılmaması Gereken
Öğretici örnekte C2 kriterinde kesin ARAS'ın 1/x işlemini uygulamak yanlıştır; bu, A1'in {0} kümesini doğrudan tersine çevirmeye çalışmak demektir. Sıfıra bölme tanımsızdır ve bu, yöntemin maliyet yönünü ele alış biçimiyle hiç uyuşmaz. İkinci yanlış, otobüs örneğinde B1'in bakım maliyeti kümesinin {0,55; 0,60} ortalamasını (0,575) önce alıp sonra bu tek sayıyı ağırlıklandırmaktır; doğru sıra önce normalize edip ağırlıklandırmak, ortalamayı en sona bırakmaktır. Üçüncü yanlış, B1 ile B3 arasındaki 0,022'lik farkı "B1 kesinlikle daha iyi" diye yazmaktır; Vaka 2'nin tereddüdünün gösterdiği gibi bu fark, tek bir kriterdeki küçük bir kümenin değişmesiyle tersine dönebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/hf-aras
Mishra, A. R., Rani, P., Krishankumar, R., Ravichandran, K. S., & Kar, S. (2021). An extended fuzzy decision-making framework using hesitant fuzzy sets for the drug selection to treat the mild symptoms of Coronavirus Disease 2019 (COVID-19). Applied Soft Computing, 103, 107155. DOI: 10.1016/j.asoc.2021.107155
Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159–172. DOI: 10.3846/tede.2010.10
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418
Xia, M., & Xu, Z. (2011). Distance and similarity measures for hesitant fuzzy sets. Information Sciences, 181(11), 2128–2138. DOI: 10.1016/j.ins.2011.01.028