Uzantı kartı · Bulanık
Aralık değerli sezgisel bulanık ARAS (birleştirmeli, DecisionMind türetimi)
Aralık değerli sezgisel bulanık ARAS, bir yargıyı destekleme ve reddetme derecesinin kendisinin de tek bir sayı değil bir aralık olduğu durumlar için çalışan ARAS biçimidir. Seçenekleri kriterler boyunca ağırlıklı olarak birleştirdikten sonra optimal alternatife oranını hesaplar.
Temel yöntem
ARAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Bulanık (Fuzzy) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Beş şey değişir; optimal alternatife oran alma mantığı değişmez.
Hücreler. Kesin ARAS'ta her hücre tek bir pozitif sayıdır. Burada her hücre dört sayıdan oluşur: destek derecesinin alt ve üst sınırı, ret derecesinin alt ve üst sınırı. "Bu tedarikçiye güvenim 0,65 ile 0,75 arasında, çekincem 0,15 ile 0,20 arasında" gibi bir yargı bu dört sayıya karşılık gelir. Sezgisel bulanıktan farkı, destek ve reddin kendisinin de birer aralık olmasıdır; uzman yalnız "ne kadar destekliyorum" değil, bu desteğin ne kadar kesin olduğunu da bildirir.
Maliyet yönü. Maliyet kriterinde yön çevirme, destek ve ret aralıklarının yer değiştirmesiyle yapılır; kesin ARAS'ın 1/x işlemiyle karıştırılmamalıdır.
Optimal alternatif. Optimal alternatif satırı kesin ARAS'taki gibi tek bir gerçek seçenekten kopyalanmaz. Her kriterde, gözlenen bütün seçeneklerin destek alt sınırlarının en büyüğü, destek üst sınırlarının en büyüğü, ret alt sınırlarının en küçüğü ve ret üst sınırlarının en küçüğü ayrı ayrı alınır. Bu, gerçekte hiçbir seçenekte birebir bulunmayan, kriter kriter en iyiyi bir araya getiren bir "zarf" değerdir.
Ölçek eşitleme yerine ağırlıklı birleştirme. Kesin ARAS önce sütunları toplamına bölüp sonra ağırlıkla çarpar. Burada ayrı bir sütun normalizasyonu yoktur; her seçeneğin (ve optimal satırın) kriterler boyunca destek-ret aralıkları, aralık değerli sezgisel bulanığın kendi ağırlıklı birleştirme işlemiyle (IIFWA) doğrudan tek bir destek-ret aralık çiftine indirilir. Bu birleştirme, kriter ağırlıklarını üstel olarak işleyen cebirsel bir toplamdır; sonucu yine bir destek-ret aralık çiftidir, henüz tek bir sayı değildir.
Sonuç ve durulaştırma. Yalnız bu son adımda, birleştirilmiş destek-ret aralık çifti bir skor fonksiyonuyla tek sayıya iner. Skor, destek alt ve üst sınırlarının toplamından ret alt ve üst sınırlarının toplamı çıkarılıp ikiye bölünerek bulunur. Fayda derecesi K, gerçek seçeneğin bu skorunun optimal satırın skoruna oranıdır.
DecisionMind bu klasik biçimde optimal satırın kriter kriter zarf olarak kurulmasını, ağırlıklı birleştirme operatörünü (IIFWA) ve bu ortalama-benzeri skor fonksiyonunu sabit tutar.
Çıktı Nasıl Yorumlanır?
Fayda derecesi K, kesin ARAS'taki gibi okunur: optimal alternatife göre yüzdesel bir fayda, yalnız bu seçenek kümesi ve bu ağırlıklarla anlamlı. Fark şurada: K'nın altında artık dört sayılı bir destek-ret aralığı, önce ağırlıklı olarak birleştirilip sonra bir skor fonksiyonuyla tek sayıya inmiştir. Bir kritere aşırı ağırlık verildiğinde bu skor negatif çıkabilir; bu durumda K'nın "yüzde kaç fayda" yorumu bozulur ve ağırlık dağılımı gözden geçirilmelidir.
Bu nedenle:
"Aralık değerli sezgisel bulanık ARAS'a göre A2 en iyi seçenektir"
yerine:
"Bu seçenek kümesinden türetilen optimal alternatife göre A2 en yüksek fayda derecesine sahiptir (K=0,91); bu oran yalnız bu ağırlıklarla anlamlıdır ve ağırlık bir kritere aşırı kaydırılırsa skor negatife dönüp yorumu geçersiz kılabilir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmesi bir yargıya dayanıyorsa ve bu yargının destek ile ret derecesinin kendisi de belirsizse bu uzantı uygundur. Uzman "ne kadar destekliyorum" sorusuna tek bir sayı yerine bir aralıkla cevap veriyor olabilir. Örnek: birden fazla değerlendiricinin verdiği destek-ret puanlarının alt ve üst sınırı biliniyor ama tek bir uzlaşı noktası yoksa. Destek ve ret zaten tek bir noktaysa (aralık genişliği sıfırsa) bu ek genişliğin bir katkısı olmaz, sezgisel bulanık yeterlidir. Kesin ARAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir.
Bu Uzantıya Özgü Hatalar
Alt sınırın üst sınırdan büyük olmasına izin vermek. Her aralıkta alt sınır üst sınırdan küçük ya da eşit olmalıdır; bu denetlenmezse hem destek-ret sınırı (μᵁ+νᵁ≤1) hem birleştirme işlemi anlamsızlaşır.
Optimal satırı tek bir gerçek seçenekten kopyalamak. Optimal satır kriter kriter kurulan bir zarftır; "en iyi seçeneği olduğu gibi optimal satır yapmak" kesin ARAS'ta doğrudur ama burada yanlıştır, çünkü hiçbir gerçek seçenek her kriterde birden aynı anda en iyi olmayabilir.
Skoru "yüzde kaç olasılık" diye okumak. Skor −1 ile 1 arasında olabilecek bir büyüklüktür, bir olasılık değildir; ağırlık bir kritere aşırı kaydırıldığında negatif de çıkabilir.
Defuzzifikasyon yöntemini belirtmeden raporlamak. Burada kullanılan skor, orta nokta biçimindeki bir tanımdır; literatürde başka skor tanımları da vardır ve hangisinin kullanıldığı raporda yazılmalıdır.
Temel ilke şudur:
Aralık değerli sezgisel bulanık ARAS'ta destek-ret aralığı, ağırlıklı birleştirmeden geçip yalnız en son adımda tek bir skora iner. Optimal satır gerçek bir seçenek değil, kriter kriter kurulan bir zarftır; skorun aşırı ağırlıklarda negatife dönebileceği de unutulmamalıdır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: literatürde ortak bir IV-ARAS uygulama örneği bulunmadığı için üç seçenekli, üç kriterli sentetik bir tablo formül zincirine sadık kalınarak kurulmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç seçeneğin üç kriterde değerlendirilmesi (DecisionMind doğrulama örneği)
Üç seçenek (A1, A2, A3) üç kriterde (C1, C2 çoğu iyi; C3 azı iyi) aralıklı destek-ret çiftleriyle değerlendiriliyor. Ağırlıklar C1=0,40, C2=0,35, C3=0,25.
| Seçenek | C1 | C2 | C3 |
|---|---|---|---|
| A1 | destek [0,65; 0,75] / ret [0,15; 0,20] | destek [0,45; 0,55] / ret [0,30; 0,40] | destek [0,55; 0,65] / ret [0,20; 0,30] |
| A2 | destek [0,75; 0,85] / ret [0,05; 0,10] | destek [0,55; 0,65] / ret [0,20; 0,30] | destek [0,35; 0,45] / ret [0,40; 0,50] |
| A3 | destek [0,55; 0,65] / ret [0,20; 0,30] | destek [0,65; 0,75] / ret [0,15; 0,20] | destek [0,45; 0,55] / ret [0,30; 0,40] |
Yöntem C3'te destek-reddi yer değiştirir ve optimal seçeneği kriter kriter zarf olarak kurar. Sonra her satırı ağırlıklı birleştirme (IIFWA) ile tek bir destek-ret aralığına indirir, skor fonksiyonuyla tek sayıya çevirir ve optimal seçeneğin skoruna oranlar.
| Seçenek | Fayda derecesi (K) | Sıra |
|---|---|---|
| A2 | 0,906 | 1 |
| A3 | 0,598 | 2 |
| A1 | 0,446 | 3 |
Sonuç şöyle okunur. A2, en ağır kriter olan C1'de en dar ve en yüksek destek aralığına ([0,75; 0,85]) sahiptir ve maliyet yönlü C3'te (tersine çevrildikten sonra) yine avantajlıdır; iki ağır kriterde birden güçlü olduğu için birincidir.
Kurulun tereddüdü şudur: ağırlık C2'ye kaydırılsaydı ne olurdu? Bağımsız Python hesaplamasıyla doğrulandığında, ağırlıklar C1=0,10, C2=0,70, C3=0,20 olarak yeniden dağıtıldığında fayda dereceleri A3 için 0,857, A2 için 0,740, A1 için 0,250 çıkmaktadır. Birincilik A2'den A3'e geçmektedir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,91). Ağırlık C2'ye belirgin biçimde kaydırıldığında (0,10; 0,70; 0,20) birincilik A3'e geçmektedir; bu nedenle ağırlık dağılımı raporda ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın Aralık Değerli Sezgisel Bulanık ARAS motorunun doğrulama örneği; literatürde paylaşılan ortak bir IV-ARAS uygulama tablosu bulunmadığı için sentetik olarak kurulmuş, beklenen sonuçlar manifestteki formül zincirinden (destek-ret tümleyeni, zarf optimal satır, IIFWA birleştirme, skor, oran) türetilmiştir. Ağırlık değişikliği senaryosunun sayıları bu kartın yazarınca aynı motorla bağımsız olarak yeniden hesaplanmıştır.
2. Yayıncılık: Kitap dizisi için kapak tasarımı seçimi
Bir yayınevi, yeni bir kitap dizisi için üç kapak tasarımı arasından seçim yapacaktır. Üç kriter: görsel çekicilik (çoğu iyi), baskı maliyeti (azı iyi), marka kimliğine uyum (çoğu iyi). Tasarım jürisi her tasarım için hem ne kadar beğendiğini hem ne kadar çekince duyduğunu bildirmiştir. Bu bildirim, üyeler arasındaki görüş farkını da yansıtacak biçimde alt-üst sınırlı bir aralıkla verilmiştir.
Yöntem üç tasarımı karşılaştırır: maliyet kriterinde destek-reddi yer değiştirir, optimal tasarımı kriter kriter zarf olarak kurar, IIFWA ile birleştirir ve skorlayıp oranlar. Jüri görsel çekekiciliğe en yüksek ağırlığı (0,5) vermiştir.
| Tasarım | Fayda derecesi (K) | Sıra |
|---|---|---|
| T1 | 0,944 | 1 |
| T3 | 0,748 | 2 |
| T2 | 0,344 | 3 |
Jürinin tereddüdü şudur: marka kimliğine uyum kriteri, dizinin uzun vadeli tanınırlığı açısından görsel çekicilikten daha kritik olabilir. Ağırlıklar görsel çekicilik 0,2, baskı maliyeti 0,1, marka uyumu 0,7 olarak yeniden dağıtılırsa, bağımsız Python hesaplamasıyla doğrulandığında, T3 0,936, T1 0,861, T2 0,446 çıkar ve birincilik T3'e geçer.
Raporda: "Görsel çekiciliğe verilen yüksek ağırlıkla T1 önde çıkmaktadır (K=0,944). Ağırlık marka kimliğine uyuma kaydırıldığında (0,2; 0,1; 0,7) birincilik T3'e geçmektedir; bu nedenle yayınevi hangi kriterin dizinin uzun vadeli hedefine daha uygun olduğuna karar vermelidir."
3. Yapılmaması Gereken
Öğretici örnekte optimal seçeneği, en yüksek fayda derecesine sahip çıkan A2'nin satırını olduğu gibi kopyalayarak kurmak yanlıştır. Bu, kesin ARAS'ta doğru bir kısayoldur ama burada değildir; çünkü A2, C2 kriterinde A3'ten daha zayıftır ve zarf bunu yakalayamaz. İkinci yanlış, kapak tasarımı örneğinde T1 ile T3 arasındaki 0,944 ile 0,748'lik farkı sabit bir üstünlük gibi sunup ağırlık duyarlılığını hiç belirtmemektir; Vaka 2'nin gösterdiği gibi bu fark tek bir ağırlık kararıyla tersine dönebilir. Üçüncü yanlış, negatif çıkan bir skoru (örneğin aşırı ağırlıklı bir senaryoda) "en kötü seçenek" diye yorumlamadan önce ağırlık dağılımının makul olup olmadığını sorgulamamaktır; negatif skor çoğu zaman ağırlığın bir kritere aşırı yüklendiğinin işaretidir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/iv-aras
Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159–172. DOI: 10.3846/tede.2010.10
Atanassov, K., & Gargov, G. (1989). Interval valued intuitionistic fuzzy sets. Fuzzy Sets and Systems, 31(3), 343–349. DOI: 10.1016/0165-0114(89)90205-4
Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy Sets and Systems, 20(1), 87–96. DOI: 10.1016/S0165-0114(86)80034-3
Moore, R. E. (1966). Interval Analysis. Prentice-Hall. (DOI yok)