Uzantı kartı · Tereddütlü
Tereddütlü dilsel PROMETHEE (Liang, Wang ve Zhang, 2018)
Tereddütlü dilsel PROMETHEE, bir yargının tek bir sözel terimle değil birden çok olası terimle ("iyi ile çok iyi arası" gibi) verildiği durumlar için çalışan PROMETHEE biçimidir. Her hücreyi en iyi terime göre bir yakınlık derecesine indirir, sonra kesin PROMETHEE'nin aynı ikili karşılaştırma ve akış mantığıyla sıralar.
Temel yöntem
PROMETHEE →
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; tercih fonksiyonunun ve akışların mantığı değişmez.
Hücreler. Kesin PROMETHEE'de her hücre tek sayıdır. Burada her hücre, önceden ilan edilmiş bir dilsel terim kümesinden ("çok kötü" ile "çok iyi" arası, terimler s₀'dan s₆'ya kadar sıralı) seçilen birden çok terimin bir arada verilmesidir. Bu, karar vericinin "iyi mi çok iyi mi, tam karar veremiyorum" ya da birkaç uzmanın farklı terimler önerdiği durumları dürüstçe taşır; tek bir terime erken indirgemez. Kriter ağırlıkları kesin kalır; bu uzantı birden fazla karar vericinin yargısını ayrı bir birleştirme adımıyla değil, doğrudan hücredeki çok-terimli kümenin kendisiyle taşır.
Yakınlık derecesine indirgeme. Kesin PROMETHEE'de iki seçeneğin bir kriterdeki farkı doğrudan çıkarmadır. Burada önce her kriterde, bütün seçenekler arasındaki en yüksek terime sahip küme "pozitif ideal" ilan edilir. Sonra her hücrenin terimlerinin ortalaması bu ideale oranlanır; bu oran, "riske yaklaşım" adı verilen bir parametreyle (risk arayan, risk kaçan ya da nötr tutum) birleştirilip 0 ile 1 arasında tek bir yakınlık derecesine (RC) çevrilir. Fark, bu yakınlık dereceleri arasında alınır ve tercih fonksiyonundan geçirilir; buradan sonrası, yani giren-çıkan akış ve net akış, kesin PROMETHEE'nin adımlarıyla birebir aynıdır.
Maliyet yönü. Kesin PROMETHEE'de maliyet kriterinde fark ters çevrilir. Burada terim kümesinin kendisi ters çevrilir: dizideki her terim, terim sırasının simetriğine (örneğin yedi terimli bir ölçekte s₁, s₅'e döner) taşınır. Bu, ölçütün "azı iyi" anlamını dilsel terim düzeyinde korur.
DecisionMind bu girişte pozitif idealin bütün seçeneklerden türetilmesini ve yakınlık derecesi formülünü sabit tutar. Varsayılan tercih fonksiyonu ve riske yaklaşım tutumu (nötr, 0,5) motorun kendi varsayılanıdır; bu ikisi şu an arayüzden değiştirilebilir bir ayar olarak sunulmaz, yalnız gelişmiş girdiyle değiştirilebilir.
Çıktı Nasıl Yorumlanır?
Net akış, kesin PROMETHEE'deki gibi okunur: giren ve çıkan akışla birlikte değerlendirilir, başka bir yöntemin puanıyla karşılaştırılmaz. Bkz. PROMETHEE kartı.
Fark şurada: net akış artık hem terim belirsizliğini hem riske yaklaşım tutumunu ilk adımda tek bir yakınlık derecesine indirmiştir. Varsayılan tercih fonksiyonu ("usual") yalnız iki seçenek arasındaki farkın işaretine bakar, büyüklüğüne bakmaz. Bu yüzden bir seçenek zaten açık farkla önde ise, o farkı daha da büyütmek net akışı değiştirmez; yöntem "zaten kazanana" ek puan vermez. Aşağıdaki öğretici örnekte bu doğrulanmıştır: A1'in bir kriterdeki üstünlüğü daha da büyütülse net akış aynı kalır, ama zaten geride olan A3 aynı kriterde iyileştirilince net akışı gerçekten yükselir.
Bu nedenle:
"HFL-PROMETHEE'ye göre A1 açık ara en iyi seçenektir"
yerine:
"Tercih fonksiyonu 'usual' seçildiğinde A1 net akışı 0,80 ile birinci sıradadır; bu üstünlük yalnız hangi seçeneğin hangi kriterde öndeyken olduğunu gösterir, farkın büyüklüğünü değil"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Karar vericinin bir yargıyı tek bir sözel terimle değil "bu terim ile şu terim arası" diye birden çok terimle ifade ettiği ya da birkaç uzmanın farklı terimler önerdiği durumlarda. Tipik alan, hizmet kalitesi ya da kurumsal uyum gibi ölçülemeyen kriterlerde uzmanların kesin bir terimde uzlaşamadığı kurul kararlarıdır.
Kriterler ölçülmüşse ya da tek bir terimle rahatça ifade edilebiliyorsa bu katmanlı yapı bilgi eklemez; tek terim, tek elemanlı bir küme olarak yazılabilir ama bu yalnız kesin ya da dilsel PROMETHEE'yi daha karmaşık biçimde tekrarlar. Kesin PROMETHEE'nin çıkış koşulları burada da geçerlidir: seçenek sayısı elliyi aşıyorsa ikili karşılaştırma yükü büyür; tam sıra değil dürüst bir kısmi ilişki gerekiyorsa PROMETHEE I'in okuması düşünülmelidir.
Bu Uzantıya Özgü Hatalar
Terim kümesi büyüklüğünü uzmandan uzmana değiştirmek. Bir uzman yedi terimli, diğeri beş terimli bir ölçek kullanırsa aynı terim ("iyi" gibi) farklı sayısal karşılığa gelir ve maliyet yönü çevrimi de bozulur. Ölçek analizden önce tek biçimde ilan edilir.
Riske yaklaşım tutumunu hiç sorgulamadan varsayılanda (nötr) bırakmak. Bu tutum yalnız büyüklüğe duyarlı bir tercih fonksiyonuyla (usual dışında) birlikte sonucu değiştirir; usual fonksiyonuyla çalışıldığında tutumun sonuca hiçbir etkisi yoktur ve bu rapor edilmelidir.
"Zaten kazanan" seçeneğin farkını büyütüp net akışın da büyüyeceğini varsaymak. Usual tercih fonksiyonunda bu doğru değildir; net akış yalnız kimin kimi geçtiğine bakar, ne kadar geçtiğine bakmaz.
Farklı büyüklükteki tereddütlü kümeleri (örneğin bir hücrede iki terim, komşusunda dört terim) karşılaştırmadan önce eşitlememek. Ortalama alma adımı bunu örtük olarak yapar ama kümeler tutarsız kurulmuşsa (aynı ölçekten seçilmemişse) ortalama anlamsızlaşır.
Temel ilke şudur:
Tereddütlü dilsel PROMETHEE'nin katkısı, "hangi terim tam olarak doğru" sorusunu erken sormadan bir yargı kümesini dürüstçe taşımaktır; bu kümenin hangi ölçekten geldiği ve hangi tercih fonksiyonuyla işlendiği belirtilmezse net akış gerekçesiz kalır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: Liang, Wang ve Zhang'ın (2018) makalesindeki formüller adım adım izlenerek elle kurulmuş küçük bir tablodur, makale sayfasından aktarılmamıştır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç yazılım tedarikçisi arasında lisans seçimi (DecisionMind doğrulama örneği)
Bir kurum üç yazılım tedarikçisi arasında seçim yapacaktır. Üç ölçüt: entegrasyon hızı, destek kalitesi ve veri güvenliği; üçü de "çoğu iyi"dir ve yedi terimli bir dilsel ölçekle (s₀'dan s₆'ya, s₆ en iyi) değerlendirilmiştir. Kurul bazı hücrelerde tek bir terimde karar kılamamış, birden çok bitişik terimi birlikte vermiştir. Ölçütlere ağırlık 0,4 / 0,3 / 0,3 olarak dağıtılmış, riske yaklaşım tutumu nötr (0,5) ve tercih fonksiyonu "usual" seçilmiştir.
| Tedarikçi | Entegrasyon hızı | Destek kalitesi | Veri güvenliği |
|---|---|---|---|
| A1 | s₄–s₆ | s₃–s₄ | s₅–s₆ |
| A2 | s₃–s₄ | s₅–s₆ | s₄–s₅ |
| A3 | s₂–s₃ | s₄–s₅–s₆ | s₃–s₄ |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,4 | 0,3 | 0,3 |
Yöntem her kriterde en yüksek terimi taşıyan kümeyi pozitif ideal ilan eder, her hücrenin ortalama terimini bu ideale oranlayıp riske yaklaşım tutumuyla birleştirerek bir yakınlık derecesi (RC) çıkarır, sonra bu dereceler arasındaki farkı "usual" tercih fonksiyonundan geçirir.
| Tedarikçi | RC (E1, E2, E3) | Φ⁺ (giren) | Φ⁻ (çıkan) | Φ (net akış) | Sıra |
|---|---|---|---|---|---|
| A1 | 0,833 / 0,583 / 0,917 | 1,4 | 0,6 | 0,8 | 1 |
| A2 | 0,583 / 0,917 / 0,750 | 1,3 | 0,7 | 0,6 | 2 |
| A3 | 0,417 / 0,833 / 0,583 | 0,3 | 1,7 | -1,4 | 3 |
Sonuç şöyle okunur. A1 entegrasyon hızında en yüksek yakınlık derecesine sahiptir ve destek kalitesinde geride olsa da net akışta birinci çıkar. A3 destek kalitesinde iyi bir yakınlık derecesine ulaşsa da diğer iki kriterde en düşük dereceye sahiptir ve tek negatif net akışa sahiptir.
Kurumun tereddüdü: entegrasyon hızındaki A1 üstünlüğü daha da abartılsa (A1'in terimi s₄–s₆'dan s₅–s₆'ya yükseltilse) net akış değişir mi? Bağımsız Python ile aynı algoritma koşturularak hesaplandı: değişmez, çünkü "usual" tercih fonksiyonu yalnız hangi tedarikçinin önde olduğuna bakar, ne kadar önde olduğuna bakmaz. Buna karşılık A3'ün entegrasyon hızı terimi bir basamak yükseltilirse (s₂–s₃'ten s₃–s₄'e) A3'ün net akışı -1,4'ten -1,0'a çıkar; sıra değişmez ama fark daralır. Kurul, tercih fonksiyonunu büyüklüğe duyarlı bir tipe (ör. v-shape) değiştirdiğinde ise riske yaklaşım tutumunun (nötr yerine risk kaçan, 0,8) net akış büyüklüklerini de etkilediği görülür; bu ayar şu an yalnız gelişmiş girdiyle değiştirilebilir.
Raporda: "Nötr riske yaklaşım tutumu ve 'usual' tercih fonksiyonuyla A1 net akışı 0,80 ile birinci sıradadır. Bu sıralama A1'in üstünlüğünün büyüklüğüne değil yönüne dayanır; büyüklüğe duyarlı bir tercih fonksiyonu seçilirse sonuç yeniden hesaplanmalıdır."
Kaynak: Bu vaka, DecisionMind'ın HFL-PROMETHEE motorunun doğrulama örneğidir. Liang, Wang ve Zhang'ın (2018) makalesinin formülleri (projeksiyon tabanlı yakınlık derecesi, Denklem 10-21) adım adım izlenerek küçük, elle hesaplanabilir bir tablo olarak kurulmuştur; makaledeki bir örnek tablo değildir. RC değerleri ve net akış, bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmış ve manifestteki beklenen değerlerle 1e-9 toleransında eşleşmiştir.
2. Toplu taşıma: Bir belediyenin yeni otobüs filosu tedarikçisi seçimi
Bir belediye şirketi elektrikli otobüs filosu için üç tedarikçi arasında seçim yapacaktır. Üç ölçüt: menzil performansı, bakım kolaylığı ve yerli parça oranı; üçü de "çoğu iyi"dir. Teknik heyet menzil performansını ölçülmüş verilerle değil saha testi izlenimleriyle, dolayısıyla "iyi ile çok iyi arası" gibi birden çok terimli dilsel ifadelerle değerlendirmiştir. Ağırlıklar menzil performansına ağır basacak biçimde dağıtılmıştır.
Yöntem üç tedarikçiyi ikişer ikişer karşılaştırır, her kriterde yakınlık derecelerini hesaplar ve net akışları bulur. Diyelim ki yerli parça oranı en yüksek tedarikçi aynı zamanda menzil performansında en düşük yakınlık derecesine sahiptir ve net akışta üçüncü sırada kalır; çünkü menzil performansı ağırlığı diğer iki kriterin toplamına yakındır.
Heyetin tereddüdü: menzil performansı değerlendirmesi saha testi izlenimine dayandığı için, "iyi ile çok iyi arası" mı yoksa "çok iyi" mi denileceği bir basamaklık belirsizlik taşır. Bu basamak yukarı çekildiğinde en düşük dereceli tedarikçinin sırası değişmiyorsa sonuç bu belirsizliğe karşı sağlamdır; değişiyorsa heyet ek saha testi istemelidir.
Raporda: "Menzil performansına verilen yüksek ağırlıkla bir tedarikçi net olarak öne çıkmaktadır; yerli parça oranı yüksek olan tedarikçinin geride kalması, menzil performansındaki dilsel değerlendirmenin bir basamak değişmesine duyarlıdır ve bu nedenle ek saha testi önerilir."
3. Yapılmaması Gereken
Öğretici örnekte A1'in entegrasyon hızı terimini "s₄–s₆'dan s₅–s₆'ya yükseltince net akış da artar" diye raporlamak: usual tercih fonksiyonunda bu yanlıştır, net akış değişmez. İkinci yanlış, bir uzmanın yedi terimli, diğerinin beş terimli ölçek kullanmasına izin verip terimleri doğrudan karşılaştırmaktır; ölçek tektir ve önceden ilan edilir. Üçüncü yanlış, riske yaklaşım tutumunu hiç belirtmeden "varsayılan zaten doğrudur" diye geçmektir; tutum yalnız büyüklüğe duyarlı bir tercih fonksiyonuyla anlam kazanır ve bu seçim raporda yazılmalıdır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/hfl-promethee
Liang, R. X., Wang, J. Q., & Zhang, H. Y. (2018). Projection-based PROMETHEE methods based on hesitant fuzzy linguistic term sets. International Journal of Fuzzy Systems, 20(7), 2161–2174. DOI: 10.1007/s40815-017-0418-7
Brans, J. P., & Vincke, Ph. (1985). A preference ranking organisation method (The PROMETHEE method for multiple criteria decision-making). Management Science, 31(6), 647–656. DOI: 10.1287/mnsc.31.6.647
Brans, J. P., Vincke, P., & Mareschal, B. (1986). How to select and how to rank projects: The PROMETHEE method. European Journal of Operational Research, 24(2), 228–238. DOI: 10.1016/0377-2217(86)90044-5
Rodriguez, R. M., Martinez, L., & Herrera, F. (2012). Hesitant fuzzy linguistic term sets for decision making. IEEE Transactions on Fuzzy Systems, 20(1), 109–119. DOI: 10.1109/TFUZZ.2011.2170076
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418