Sezgisel bulanık GRA

Dört şey değişir; referans-sapma-katsayı iskeleti değişmez.

Hücreler. Kesin GRA'da her hücre tek sayıdır. Burada her hücre bir destek (μ) ve bir ret (ν) derecesidir; μ + ν ≤ 1 olmak zorundadır, kalan pay kararsızlıktır ve hücreye ayrıca yazılmaz. Ağırlıklar kesin sayı olarak kalır; GRA ağırlık üretmez, dışarıdan alır.

Maliyet kriterinde tersine çevirme. Kesin GRA maliyet kriterini normalizasyon formülünde tersine çevirir. Burada normalizasyon yoktur; bunun yerine "azı iyi" bir kriterin her hücresinde destek ve ret dereceleri yer değiştirir (μ ↔ ν). Bu, Boran ve arkadaşlarının (2009) sezgisel bulanık MCDM'de kullandığı tamamlayıcı (complement) kuralıdır: bir kriterde "azı iyi" olan şey, tersinden bakıldığında "çoğu iyi" bir yargıya döner.

Referans ve uzaklık. Kesin GRA'da referans dizisi sabit (1; 1; …; 1) bir normalize değerdir ve uzaklık mutlak farktır. Burada referans, her sütunun kendi en yüksek destek (μ) ve en düşük ret (ν) derecesinden kurulan bir sezgisel bulanık ideal r* = (max μ, min ν)'dir. Bu referans sabit değildir, o analizin verisinden kurulur. Uzaklık da tek bir fark değil, Szmidt-Kacprzyk (2000) sezgisel bulanık uzaklığıdır: her hücrenin bu ideale μ ve ν bakımından öklid benzeri uzaklığı, iki bileşenin karelerinin toplamının yarısının köküdür.

Gri ilişki katsayısı ve derecesi. Bu uzaklıklar, kesin GRA'daki aynı formülle (ayırt edicilik katsayısı ζ = 0,5, DecisionMind'da sabit) gri ilişki katsayısına, sonra ağırlıklı toplamla gri ilişki derecesine çevrilir. Bu son iki adım kesin GRA ile birebir aynı mantıkla işler; girdi yalnızca sezgisel bulanık uzaklıktır.

DecisionMind Sezgisel Bulanık GRA'da ayırt edicilik katsayısını (ζ = 0,5) ve uzaklık tanımını (Szmidt-Kacprzyk) sabit tutar; ağırlıklar dışarıdan kesin sayı olarak alınır, sezgisel bulanık verilmez.

Gri ilişki derecesi, kesin GRA'daki gibi bir seçeneğin bu analizdeki sezgisel bulanık referansa göreli yakınlığını gösterir; başka bir analizle karşılaştırılamaz.

Fark şurada. Referansın kendisi hem "en güçlü destek" hem "en düşük ret" arayan bileşik bir noktadır. Bir seçenek bir kriterde yüksek destek (μ) alsa bile, aynı kriterde düşük bir ret (ν) vermiyorsa, yani kararsızlık payı yüksekse, referansa uzaklığı büyür. Bu yüzden raporda yalnız gri ilişki derecesi değil, hangi kriterde destek mi yoksa ret mi referanstan uzaklaştırdığı da belirtilir.

Bu nedenle:

"IF-GRA'ya göre A3 en güvenilir seçenek çıktı"

yerine:

"A3'ün gri ilişki derecesi 0,733 ile en yüksek; bu üstünlük A3'ün ikinci kriterdeki destek ve ret derecelerinin referansla birebir örtüşmesinden geliyor, birinci kriterde A2'nin gerisinde kalmasına rağmen"

biçiminde yazmak doğrudur.

Kriterler bir yargıdan geliyorsa ve uzmanın karşı görüşü de ayrı bir bilgi taşıyorsa bu uzantı kullanılır. Örneğin "bu tedarikçi güvenilirdir" ya da "bu uzman tanık ikna edicidir" gibi önermelere verilen destek ve ret oranları, lehte kanıt ile aleyhte kanıt gibi birbirinden bağımsız kaynaklardan toplanabiliyorsa bu uzantı uygundur.

Kriterler ölçülmüşse temel yöntemde kalınmalıdır. Ölçülmüş bir puanı doğrudan μ yapıp ν'yü 1 − μ ile hesaplamak sezgisel bulanık veri üretmez; kararsızlık payı sıfırlanır ve yapı kesin veriden farksızlaşır. Tablo karışıksa, yani bazı kriterler kesin bazıları sezgisel bulanıksa, DecisionMind tek veri türü ister. Ölçülmüş bir kriter (μ, 0) olarak, yani tam destek ve sıfır kararsızlıkla yazılır. Temel GRA'nın çıkış koşulu burada da aynen geçerlidir: bir kriterde asla taviz verilemeyen bir eşik varsa GRA'nın toplamsal yapısı bunu korumaz.

Değer-uzayı ihlali. Her hücrede μ, ν ∈ [0,1] ve μ + ν ≤ 1 olmalıdır; kararsızlık payı π = 1 − μ − ν negatif çıkıyorsa hücre geçersizdir ve hesaplanamaz.

ν'yü 1 − μ olarak yazmak. Bu, sezgisel bulanık veriyi kesin veriye indirger; kararsızlık payı her hücrede sıfırlanır ve yapının GRA'ya kattığı tek şey (destek ile ret arasındaki farkı ayrı tutmak) ortadan kalkar.

Maliyet kriterinde tersine çevirmeyi unutmak. "Azı iyi" bir kriterde destek ve ret dereceleri yer değiştirilmezse (μ ↔ ν), referans dizisi bu kriterde yanlış uçtan kurulur ve o kriterde en kötü seçenek en iyi görünür.

Ayırt edicilik katsayısını hiç sorgulamamak. ζ = 0,5 DecisionMind'ın sabit değeridir; sapmaların (uzaklıkların) birbirine yakın olduğu tablolarda bu seçim sonucu az ya da çok etkiler.

Uzaklık tanımını değiştirmek. DecisionMind Szmidt-Kacprzyk uzaklığını sabit kullanır; literatürde başka sezgisel bulanık uzaklık tanımları da vardır (Hamming, normalize Öklid gibi) ve bunlar farklı sıralama üretebilir. Hangi tanımın kullanıldığı raporda belirtilmelidir.

Temel ilke şudur:

Sezgisel bulanık GRA'da referans, o analizin kendi en güçlü destek ve en düşük ret değerlerinden kurulur; ν'yü 1 − μ ile türetmek ya da maliyet kriterinde tersine çevirmeyi atlamak, yapının GRA'ya kattığı tek bilgiyi siler.

---