Uzantı kartı · Tereddütlü
Tereddütlü SAW
SAW'ın, bir kriterde birden fazla makul değerin bir arada tutulduğu durumlar için çalışan biçimidir. Hesap boyunca bu kümeleri taşır, sonucu yalnız son adımda tek bir ağırlıklı puana indirir.
Temel yöntem
SAW →
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?
Üç şey değişir; ağırlıklı toplam mantığı değişmez.
Hücreler. Kesin SAW'da her hücre tek sayıdır. Burada her hücre bir kümedir; aynı kriterde birden fazla makul değeri birlikte tutar, örneğin {0,6; 0,7; 0,8}. Aynı sütunda farklı seçeneklerin kümeleri farklı uzunlukta olabilir. DecisionMind bu durumda her sütunu, sütundaki en uzun kümenin uzunluğuna tamamlar; eksik yer kümenin en küçük değeriyle doldurulur. Bu, temkinli bir tamamlamadır: eksik bilgi lehte değil kümenin en düşük ucuyla telafi edilir. Ağırlıklar kesin sayı olarak dışarıdan alınır.
Ölçek eşitleme. Kesin SAW her sütunu kendi en iyi değerine oranlar. Burada böyle bir adım yoktur, çünkü tereddütlü kümedeki değerler zaten 0 ile 1 arasında birer derecedir. Onun yerine maliyet ölçütünde kümenin her elemanı tek tek tümlenir: g yerine 1−g yazılır. Bu, sezgisel ya da Pisagor bulanıkta görülen "destek ile reddin yer değiştirmesi" değildir; tereddütlü kümede tek bir derece türü olduğu için tümleme doğrudan her elemana uygulanır.
Ağırlıklı toplam ve durulaştırma. Kesin SAW'da her sütun ağırlıkla çarpılıp toplanır. Burada her seçeneğin ölçütler boyunca kümeleri, tereddütlü ağırlıklı ortalama (HFWA) operatörüyle birleştirilir. Bu birleştirme, farklı kriterlerdeki kümelerin olası her kombinasyonunu (kartezyen çarpım) tek tek işler. Her kombinasyon kendi ağırlıklı birleşimine göre bir değer üretir; bu değerler yeni, genellikle daha büyük bir küme oluşturur. Kriter sayısı arttıkça bu küme hızla büyür. Yalnız son adımda, bu birleşik küme değerlerinin aritmetik ortalaması alınarak tek bir puana iner ve seçenekler bu puana göre sıralanır.
DecisionMind klasik HF-SAW'da temkinli (en küçük değerle) uzunluk tamamlamayı, HFWA birleştirmesini ve aritmetik ortalama puanını sabit tutar. Ağırlıklar dışarıdan alınır; yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Puan kesin SAW'daki toplam gibi yalnız bu seçenek kümesini sıralar; yüzde ya da olasılık değildir, başka bir analizle karşılaştırılmaz.
Fark şudur. Puan, kartezyen çarpımla büyümüş bir kümenin ortalamasıdır; bu ortalama, kümenin genişliğini (yani uzmanlar ya da senaryolar arasındaki gerçek görüş farkını) gizler. İki seçeneğin aynı ortalama puanı, biri dar biri geniş bir kümeden gelebilir.
Bu nedenle:
"Tereddütlü SAW puanı en yüksek çıktığı için bu seçenek kesin olarak en iyisidir"
yerine:
"Bu puan, kriter kümelerinin ağırlıklı birleşiminin ortalamasıdır; hangi seçeneğin birleşik kümesinin daha geniş, yani daha değişken kaldığı ayrıca raporlanmalıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Aynı kriter-seçenek çifti için gerçekten birden fazla makul ve savunulabilir değer varsa bu uzantı kullanılır; örneğin birkaç uzman ya da birkaç senaryo bağımsız birer derece vermişse. Veri türü kartındaki ayrım burada da geçerlidir: tek ölçülmüş bir değer varsa hücreye tek sayı yazılır, küme uydurulmaz. SAW'ın çıkış koşulu aynen geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi mantığı taşır ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Değer alanı ihlali. Her küme, 0 ile 1 arasında değerlerden oluşan boş olmayan bir küme olmalıdır.
Uzunluk tamamlama kuralını belirtmemek. Bu kernel eksik yeri her zaman kümenin en küçük değeriyle doldurur; başka bir tamamlama kuralı (örneğin en büyük değerle) farklı bir puan verir. Kullanılan kural raporda yazılmalıdır.
Kartezyen çarpımın büyüklüğünü fark etmemek. Kriter sayısı arttıkça birleşik küme hızla büyür; büyük kümenin ortalaması tek bir sayı olsa da, arkasındaki dağılım genişliği ayrıca incelenmelidir.
"Daha gelişmiş" yanılgısı. Birden fazla değeri destekleyen gerçek bir kaynak yoksa, kesin bir sayıyı keyfi olarak birkaç yakın sayıya açmak bilgi eklemez.
Temel ilke şudur:
Küme, aynı kriter-seçenek çifti için gerçekten birden fazla savunulabilir kaynaktan gelmelidir. Uzunluk tamamlama kuralı gerekçesiz bırakılırsa aynı veri farklı puan üretebilir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: manifestteki sentetik 3×3 tablo, formül zincirine sadık biçimde kurulmuştur, literatür sayfası taşımaz. İkinci vaka öğretici kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Görüntüleme cihazı seçimi
Bir hastane üç görüntüleme cihazı (MR) teklifinden birini seçecektir. Üç ölçüt vardır: görüntü kalitesi (çoğu iyi), işlem süresinin kısalığı (çoğu iyi), yıllık bakım gideri (azı iyi). Radyoloji biriminin üç uzmanı, her cihaz-ölçüt çifti için kendi deneyimine dayanan bir derece vermiştir; dereceler ortalamaya indirilmeden birlikte tutulmuştur.
| Cihaz | Görüntü kalitesi | İşlem süresi kısalığı | Bakım gideri (azı iyi) |
|---|---|---|---|
| M1 | {0,6; 0,7; 0,8} | {0,4; 0,5; 0,6} | {0,5; 0,6; 0,7} |
| M2 | {0,7; 0,8; 0,9} | {0,5; 0,6; 0,7} | {0,3; 0,4; 0,5} |
| M3 | {0,5; 0,6; 0,7} | {0,6; 0,7; 0,8} | {0,4; 0,5; 0,6} |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem bakım giderindeki her dereceyi tümler, üç ölçütün kümelerini HFWA ile birleştirir ve birleşik kümenin ortalamasını alır.
| Cihaz | Puan | Sıra |
|---|---|---|
| M2 | 0,7062 | 1 |
| M3 | 0,6238 | 2 |
| M1 | 0,5794 | 3 |
Sonuç şöyle okunur. M2, en ağırlıklı ölçüt olan görüntü kalitesinde en yüksek dereceleri taşır ({0,7; 0,8; 0,9}) ve bakım giderinde de (tümlendikten sonra) avantajlıdır. M3, işlem süresinde en güçlü kümeye sahip olsa da ({0,6; 0,7; 0,8}) bu, M2'nin görüntü kalitesindeki üstünlüğünü dengelemeye yetmez.
Hastanenin tereddüdü şudur: görüntü kalitesi ağırlığı 0,40'tan 0,10'a indirilip işlem süresine 0,75 verilirse ne olur? Kernel doğrudan çalıştırılarak doğrulandığında, ağırlıklar (0,10; 0,75; 0,15) olarak yeniden dağıtıldığında M3'ün puanı 0,6702'ye, M2'ninki 0,6324'e düşer; birincilik M3'e geçer, çünkü M3'ün işlem süresindeki üstünlüğü artık en ağır ölçütü belirlemektedir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) M2 en yüksek puana sahiptir (0,7062). Ağırlık işlem süresine belirgin biçimde kaydırıldığında (0,10; 0,75; 0,15) birincilik M3'e geçmektedir; bu nedenle hangi ölçütün klinik açıdan öncelikli olduğu ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın HF-SAW doğrulama örneği. Birleştirme operatörü (HFWA) Xia ve Xu'nun (2011) tereddütlü bulanık toplama tanımına, değer uzayı Torra'nın (2010) tereddütlü bulanık küme tanımına dayanır. Manifestte bu tabloya bir literatür kaynağı bağlanmadığı için öğretici örnek olarak sunulmuştur; puanlar ve ağırlık takası senaryosu bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır. Manifestin kendi J.expected_primary alanındaki sayılar (M1≈0,5742; M2≈0,6986; M3≈0,6179) motorun bugünkü çıktısından küçük bir farkla ayrılır; bu fark motor tarafından "O-2, ölümcül olmayan kapı sapması" olarak damgalanmıştır ve sıralamayı değiştirmez. Bu kartta motorun bugünkü, doğrudan çalıştırılarak elde edilen çıktısı kullanılmıştır.
2. Tiyatro: Belediye tiyatrosunun yeni sezon oyunu seçimi
Bir belediye tiyatrosu yeni sezon için üç oyun metninden birini sahneye koyacaktır. Üç ölçüt vardır: seyirci ilgisi beklentisi, oyuncu kadrosuna uygunluk, sahne/dekor maliyeti (azı iyi). Sanat yönetmenliği ve dramaturg, her oyun için farklı okuma toplantılarında oluşan izlenimlerini tek bir dereceye indirmeden, birden fazla makul derece olarak kaydetmiştir.
Yöntem maliyet ölçütündeki dereceleri tümler, üç ölçütün kümelerini HFWA ile birleştirir ve ortalamayı alır. Diyelim ki seyirci ilgisi en yüksek beklenen oyun aynı zamanda dekor maliyeti de düşük çıktı ve birinci sırada yer aldı.
Tiyatronun tereddüdü şudur: oyuncu kadrosuna uygunluktaki kümenin genişliği, yani dramaturg ile yönetmenin bu konuda ne kadar hemfikir olduğu, ortalama puanda görünmez. Kadroya uygunluk kümesi geniş çıkan bir oyun için, kadro netleşmeden karar kesinleştirilmemelidir.
Raporda: "Seyirci ilgisi beklentisi ve düşük dekor maliyeti nedeniyle bir oyun öne çıkmaktadır; bu oyunun kadroya uygunluk değerlendirmesindeki görüş aralığı geniştir ve kadro netleşmeden karar kesinleştirilmemelidir."
3. Yapılmaması Gereken
Öğretici örnekte M1'in bakım gideri kümesi {0,5; 0,6; 0,7} tek bir uzmanın kararsızlığıymış gibi keyfi olarak {0,55; 0,60; 0,65} biçiminde daraltılsaydı, kümenin gerçek kaynağı (üç ayrı uzman değerlendirmesi) kaybolur. İkinci yanlış, uzunluk tamamlama kuralını belirtmeden rapor yazmaktır; en büyük değerle tamamlama seçilseydi puan farklı çıkardı. Üçüncü yanlış, M2 ile M3 arasındaki 0,7062 ile 0,6238'lik farkı sabit bir üstünlük gibi sunup ağırlık duyarlılığını hiç belirtmemektir; bu fark tek bir ağırlık kararıyla tersine dönebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/hf-saw
Fishburn, P. C. (1967). Additive utilities with incomplete product sets: Application to priorities and assignments. Operations Research, 15(3), 537–542. DOI: 10.1287/opre.15.3.537
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). Hesitant fuzzy information aggregation in decision making. International Journal of Approximate Reasoning, 52(3), 395–407. DOI: 10.1016/j.ijar.2010.09.002