Sezgisel bulanık SAW (Kaur ve Kumar, 2013)

Üç şey değişir; karar mantığı değişmez.

Hücreler. Kesin SAW'da her hücre tek sayıdır. Burada her hücre bir çift sayıdır: destek derecesi (μ) ve ret derecesi (ν), μ+ν ≤ 1. Ağırlıklar ise kesin kalır ve toplamı 1 eden sıradan sayılardır; sezgisel olan yalnız karar matrisidir, ağırlık vektörü değil.

Ölçek eşitleme. Kesin SAW her sütunu kendi en iyi değerine oranlar. Burada bunun yerine, "azı iyi" sütunlardaki her hücre tamamlanır: destek ve ret dereceleri yer değiştirir (μ, ν) → (ν, μ). Bu, sezgisel bulanık kümede kesin SAW'ın normalizasyonuna karşılık gelen adımdır. Bir maliyet ölçütünde "reddetme" yönü "destekleme" yönüne çevrilir, böylece tüm sütunlar aynı yönde okunur hâle gelir.

Birleştirme ve durulaştırma. Kesin SAW'da ağırlıklı toplam vardır. Burada her seçeneğin ölçütler boyunca sezgisel bulanık ağırlıklı ortalaması alınır: destek dereceleri "hiç desteklenmeme" olasılıklarının ağırlıklı çarpımı üzerinden, ret dereceleri doğrudan ağırlıklı çarpım üzerinden birleştirilir. Bu birleştirme kesin SAW'ın doğrusal toplamından farklıdır; sonuç yine tek bir destek-ret çifti (μ_S, ν_S) verir. Sıralama için bu çift, aradaki fark (μ_S − ν_S) alınarak tek bir skora indirilir; kararsızlık payı (π = 1 − μ_S − ν_S) skora girmez, skorun arkasında kalır.

DecisionMind klasik IF-SAW'da bu birleştirme kuralını ve skor farkını (μ_S − ν_S) sabit tutar. Ağırlıklar dışarıdan ve kesin olarak alınır; yöntem ağırlık üretmez.

Skor kesin SAW'daki toplam puan gibi yalnız bu seçenek kümesini sıralar; yüzde değildir, başka bir analizle karşılaştırılmaz.

Fark şudur. Skor, aynı seçeneğe ait destek ve ret derecelerinin farkıdır ve kararsızlık payını gizler. İki seçeneğin aynı skoru, çok farklı kararsızlık paylarından gelebilir: biri güçlü destek ve güçlü ret arasındaki küçük farktan, diğeri zayıf destek ve zayıf retten. Bu yüzden raporda yalnız skor değil, destek ve ret derecelerinin kendisi de gösterilir.

Bu nedenle:

"IF-SAW skoru en yüksek çıktığı için bu seçenek kesin olarak en iyisidir"

yerine:

"Bu skor, destek ve ret derecelerinin ağırlıklı birleştirilmesinden çıkan farktır; hangi seçeneğin kararsızlık payının daha büyük olduğu ayrıca raporlanmalıdır"

biçiminde yazmak doğrudur.

Ölçüt bir yargıdan geliyorsa ve bu yargının karşı görüşü de (ret derecesi) ayrı bir kaynaktan ölçülebiliyorsa. Ölçülmüş bir büyüklüğü zorla bir yargıya çevirip destek/ret çifti uydurmak, örneğin ν'yü 1−μ yazmak, belirsizlik modellemek değil belirsizlik üretmektir. DecisionMind tek veri türü ister; tablo karışıksa ölçülmüş değer de kararsızlık payı sıfır olan bir çift olarak, yani tam destek anlamına gelen (μ, 0) biçiminde, yazılır.

SAW'ın çıkış koşulu aynen geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi mantığı taşır ve eşik altını elemez.

μ+ν > 1 olan bir çift girmek. Sezgisel bulanık kümenin temel kısıtı ihlal edilirse (destek ve ret toplamı 1'i aşarsa) hesap geçersizdir; toplamı 1'i aşan bir yargı ya küçültülmeli ya da Pisagor bulanık gibi daha geniş bir yapıya taşınmalıdır.

Maliyet ölçütünü tamamlamadan bırakmak. "Azı iyi" bir sütunda destek ve ret dereceleri yer değiştirilmezse, o ölçüt de "çoğu iyi" gibi işlenir ve sıralama tersine döner.

ν'yü 1−μ olarak uydurmak. Bu, kararsızlık payını sıfırlar ve sezgisel bulanık yapıyı sessizce kesin veriye indirger; ret derecesi kendi kaynağından gelmelidir.

Skoru tek başına okuyup kararsızlık payını görmezden gelmek. Aynı skora sahip iki seçenek çok farklı güvenilirlikte olabilir; kararsızlık payı büyükse skor daha temkinli yorumlanmalıdır.

Temel ilke şudur:

IF-SAW skoru, destek ve ret derecelerinin ağırlıklı birleşiminden çıkan bir farktır; bu fark kararsızlık payını gizler ve rapor bu payı ayrıca göstermelidir.