Uzantı kartı · Sezgisel bulanık

Sezgisel bulanık MARCOS (Ecer & Pamučar, 2021)

IF-MARCOS, bir yargıya verilen destek ve ret derecesi ayrı ayrı bilindiğinde kullanılan sezgisel bulanık MARCOS biçimidir. Hücreleri destek-ret skoruna indirip birleştirir, ideal ve anti-ideale oranını bu skor üzerinden kurar.

Temel yöntem

MARCOS →

Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.

Veri türü (aile)

Sezgisel bulanık (Intuitionistic) →

Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.

Temel Yöntemden Ne Değişir?

Dört şey değişir; ideal/anti-ideale oran mantığı değişmez.

Hücreler. Kesin MARCOS'ta her hücre tek sayıdır. IF-MARCOS'ta her hücre bir çifttir: destek derecesi (μ) ve ret derecesi (ν), toplamları 1'i aşmaz. Kriter ağırlıkları kesin kalır. Kurucu makale (Ecer & Pamučar, 2021) yöntemi COVID-19 döneminde sigorta şirketlerinin sağlık hizmeti performansını sıralamak için önermiştir. DecisionMind'da IF-MARCOS birden fazla karar vericinin çiftlerini Xu'nun (2007) sezgisel bulanık ağırlıklı ortalamasıyla (IFWA) birleştirebilir; doğrulama örneği tek karar vericilidir.

Ölçek eşitleme. Kesin MARCOS, ideal ve anti-ideal referanslarını sütunun gözlenen en iyi ve en kötü kesin değerinden kurar. IF-MARCOS önce her kriterin yönüne bakar. Maliyet kriterinde hücrenin destek ve ret dereceleri yer değiştirilir; böylece "az reddedilen" bir maliyet hücresi "çok desteklenen" bir hücre gibi okunabilir hale gelir. Sonra her hücrenin bir skoru hesaplanır (Chen-Tan 1994: destek eksi ret) ve bu skor idealin skoruna oranlanır. Bu, kesin MARCOS'un ideale bölme adımının sezgisel bulanık karşılığıdır.

Uzaklık / skor / birleştirme. Normalizasyondan sonra her satır (gerçek seçenekler artı ideal artı anti-ideal), kriterler boyunca IFWA ile TEK bir sezgisel bulanık çifte birleştirilir; bu, kesin MARCOS'un ağırlıklı toplamının sezgisel bulanık karşılığıdır ama toplama değil çarpımsal bir birleştirmedir (IFWA operatörü). Fayda oranları K+ ve K−, bu birleştirilmiş çiftlerin Chen-Tan skorları üzerinden bölme ile kurulur.

Sonuç ve durulaştırma. Sezgisel bulanık çift, Chen-Tan skor fonksiyonuyla (μ − ν) IFWA birleştirmesinden hemen sonra tek sayıya iner; geri kalan fayda fonksiyonu ve nihai skor kesin MARCOS'un adımlarıyla birebir aynı formülle işler.

DecisionMind'ın IF-MARCOS'ta sabit tuttuğu seçim: Chen-Tan (1994) skor fonksiyonu (μ − ν) ve Xu (2007) IFWA birleştirme operatörü (F2, F3).

Çıktı Nasıl Yorumlanır?

Çıktı kesin MARCOS'taki gibi bir nihai fayda derecesi ve sıradır; okunması da aynıdır.

Fark şurada: nihai derece, destek ve ret bilgisini tek bir farkta (μ − ν) eritir. İki seçenek arasındaki fark "biri daha çok desteklendi" mi yoksa "biri daha az reddedildi" mi sorusuna aynı anda cevap vermez; skor fonksiyonu ikisini tek sayıda birleştirir.

Bu nedenle:

"IF-MARCOS kararsızlığı da hesaba kattığı için sonuç daha güvenilirdir"

yerine:

"Destek ve ret dereceleri ayrı ayrı toplandı, ama nihai derece bunların farkı üzerinden kurulduğu için kararsızlık payı sonuçta görünmez kalır; raporda μ ve ν ayrı ayrı da gösterilmelidir"

biçiminde yazmak doğrudur.

Ne Zaman Temel Yöntem Yerine Bu?

Bir yargıya destek ve karşı görüş ayrı ayrı ölçülebiliyorsa ve bu ikisi arasındaki fark kararın kendisi için önemliyse (sezgisel bulanık veri türü kartındaki ölçüt). Ret derecesini doğrudan 1 − μ olarak yazıp bu yapıya geçmenin gereği yoktur; bu, kesin veriyle aynı bilgiyi taşır.

Çıkış koşulu kesin MARCOS ile aynıdır: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.

Bu Uzantıya Özgü Hatalar

μ + ν ≤ 1 kuralını çiğnemek. Destek ve ret toplamı 1'i aşarsa çift geçersizdir; hesap öncesi her hücre kontrol edilmelidir.

Skor fonksiyonunu değiştirip fark etmemek. Chen-Tan skoru (μ − ν) kanonik seçimdir ama tek seçenek değildir; başka bir skor fonksiyonu farklı bir sıra üretebilir.

Önce skorla durulaştırıp sonra kesin MARCOS koşturmak. Her hücreyi μ − ν skoruna indirip kesin MARCOS'un hücre-bazında ideal normalizasyonunu ve doğrudan ağırlıklı toplamını uygulamak IF-MARCOS değildir. Doğru yöntemde satırlar önce IFWA ile birleştirilir, skor ancak bu birleştirmeden sonra alınır. Aşağıdaki öğretici örnekte bu yanlış yol sırayı tamamen tersine çevirir. Doğru yöntemle A2 birinci (0,754), A3 ikinci (0,606), A1 üçüncü (0,574) çıkarken, önce-skorla-sonra-kesin-MARCOS yolunda A1 birinci (0,971), A2 ikinci (0,493), A3 üçüncü (0,366) çıkar.

Maliyet kriterinde tümleyen almayı unutmak. Yön hatası, ideal ile anti-ideali yer değiştirir ve sıra tersine döner; sezgisel bulanıkta bu tümleyen (μ ile ν'nün yerini değiştirmesi) ayrıca uygulanmalıdır.

Temel ilke şudur:

IF-MARCOS'ta destek ve ret dereceleri satır bazında IFWA ile birleştirilir, skora ancak bu birleşimden sonra inilir; sırayı skordan başlatan her kısayol, yöntemin ideal/anti-ideal mantığını bozar.

Vakalar

Birinci vaka DecisionMind'ın doğrulama örneğidir: kesin MARCOS'la aynı ağırlık ve yön yapısına sahip, üç seçenekli üç kriterli küçük bir sezgisel bulanık tablo; kitap ya da makale sayfasından değil, formüllerin elle izlenebilmesi için kurulmuştur. İkinci vaka öğretici kurgudur.

1. Öğretici örnek: Üç seçenek, üç ölçüt (DecisionMind doğrulama örneği)

Seçenek	K1	K2	K3 (maliyet)
A1	(0.70, 0.20)	(0.60, 0.30)	(0.40, 0.50)
A2	(0.80, 0.10)	(0.50, 0.40)	(0.30, 0.60)
A3	(0.50, 0.40)	(0.70, 0.20)	(0.20, 0.70)
Yön	çoğu iyi	çoğu iyi	azı iyi
Ağırlık	0,40	0,35	0,25

Yöntem önce K3'te (maliyet) her çiftin destek ve ret derecesini yer değiştirir, sonra her satırı (üç seçenek artı ideal artı anti-ideal) IFWA ile kriterler boyunca birleştirir, Chen-Tan skorlarını (μ − ν) alır ve ideale/anti-ideale oranlar.

Seçenek	Nihai fayda derecesi	Sıra
A2	0,7543	1
A3	0,6056	2
A1	0,5741	3

Sonuç şöyle okunur. A2, K1'de en yüksek destek/en düşük ret çiftine (0.80, 0.10) ve K3'te (maliyet, tümleyen alındıktan sonra) idealine en yakın çifte sahiptir; en ağırlıklı iki kriterde (K1=0,40, K3=0,25) güçlü kalması onu birinciliğe taşır. A3, K2'de en iyi çifte sahip olsa da K1 ve K3'te zayıf kaldığı için ikinci, A1 üç kriterde de orta düzeyde kaldığı için son sıradadır.

Karar burada tereddüt yaşayabilir. K1 ile K2'nin ağırlıkları yer değiştirirse (K1=0,35, K2=0,40, K3=0,25 sabit), sıra değişmez: A2 yine birinci çıkar (0,716), A3 ikinci (0,647), A1 üçüncü (0,566). Bu, A2'nin üstünlüğünün tek bir kritere değil, K1 ve K3'teki tutarlı güce dayandığını gösterir.

Raporda: "Verilen ağırlıklarla (K1=0,40, K2=0,35, K3=0,25) A2 en yüksek nihai fayda derecesine (0,7543) sahiptir; K1 ile K2'nin ağırlığı yer değiştirse bile sıra değişmemektedir, dolayısıyla A2'nin birinciliği tek bir kritere bağımlı değildir."

Kaynak: DecisionMind IF-MARCOS manifesti, doğrulama örneği; adımlar Ecer & Pamučar (2021) tanımına göre kesin MARCOS (Stević ve ark., 2020) iskeletinin sezgisel bulanığa taşınmasıdır. Ağırlık takası senaryosunun sayıları bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmıştır.

2. Enerji: Güneş santrali için arazi seçimi

Bir enerji şirketi, güneş santrali kurmak için üç aday arazi arasında seçim yapacaktır. Üç kriter: güneşlenme potansiyeli, şebeke bağlantı mesafesi (azı iyi), yerel halk kabulü. Şirket her arazi için bir planlama kurulunun oylarını topluyor: kurul üyelerinin ne kadarı "bu arazi uygundur" yargısını destekliyor, ne kadarı reddediyor.

Yöntem şebeke mesafesi kriterinde tümleyen alır, her arazinin oylarını IFWA ile birleştirir, skorlarını ideale ve anti-ideale oranlar. Diyelim ki güneşlenme potansiyeli en yüksek arazi, yerel halk kabulünde en çok ret oyu almasına rağmen birinci sırada çıkıyor, çünkü güneşlenme potansiyeli ağırlığı halk kabulünden daha yüksek tutulmuş.

Şirket burada tereddüt yaşayabilir. Yerel halk kabulündeki ret oranı, kurulun kısıtlı bir toplantısında ölçülmüştür; daha geniş bir katılımla ret oranı artarsa bu kriterin destek-ret farkı küçülür ve arazinin sıradaki yeri değişebilir. Şirket, halk kabulü ağırlığı düşük tutulduğu için bu riski ayrı bir kamuoyu yoklamasıyla doğrulamalıdır.

Raporda: "Güneşlenme potansiyeli ağırlığının yerel kabul ağırlığından yüksek tutulmasıyla en verimli arazi birinci sırada çıkmaktadır; halk kabulündeki ret oranı sınırlı bir kurul oylamasından geldiğinden bu üstünlük ayrı bir kamuoyu yoklamasıyla doğrulanmalıdır."

3. Yapılmaması Gereken

Öğretici örnekte her hücreyi μ − ν skoruna indirip kesin MARCOS'un hücre-bazında ideal normalizasyonunu doğrudan bu skorlara uygulamak birinci yanlıştır. Bu durumda sıra tamamen tersine döner: doğru yöntemle A2 (0,754) > A3 (0,606) > A1 (0,574) sıralaması çıkarken, bu yanlış yolla A1 (0,971) > A2 (0,493) > A3 (0,366) çıkar. İkinci yanlış, ret derecesini 1 − μ olarak yazmaktır; bu, kararsızlık payını sıfırlar ve çifti kesin veriden farksız hale getirir. Üçüncü yanlış, K3 (maliyet) kriterinde destek-ret tümleyenini uygulamayı unutmaktır; bu durumda ideal ve anti-ideal yer değiştirir ve düşük maliyetli seçenek yanlışlıkla cezalandırılır.

Kaynaklar

Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/if-marcos

Ecer, F., & Pamučar, D. (2021). MARCOS technique under intuitionistic fuzzy environment for determining the COVID-19 pandemic performance of insurance companies in terms of healthcare services. Applied Soft Computing, 104, 107199. DOI: 10.1016/j.asoc.2021.107199

Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS). Computers & Industrial Engineering, 140, 106231. DOI: 10.1016/j.cie.2019.106231

Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87–96. DOI: 10.1016/S0165-0114(86)80034-3

Xu, Z. (2007). Intuitionistic fuzzy aggregation operators. IEEE Transactions on Fuzzy Systems, 15(6), 1179–1187. DOI: 10.1109/TFUZZ.2006.890678

Demir, G., Chatterjee, P., Kadry, S., Abdelhadi, A., & Pamučar, D. (2024). Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS) Method: A Comprehensive Bibliometric Analysis. Decision Making: Applications in Management and Engineering, 7(2), 313–336. DOI: 10.31181/dmame7220241137