Uzantı kartı · Bulanık
Aralık değerli sezgisel bulanık COPRAS (birleştirmeli, DecisionMind türetimi)
Aralık değerli sezgisel bulanık COPRAS, bir yargıyı destekleme ve reddetme derecesinin kendisinin de tek bir sayı değil bir aralık olduğu durumlar için çalışan COPRAS biçimidir. Fayda ve maliyet toplamlarını bu dört sayılı hücreler üzerinden kurar.
Temel yöntem
COPRAS →
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?
Üç şey değişir; fayda-maliyet oranı mantığı değişmez.
Hücreler. Kesin COPRAS'ta her hücre tek bir 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. Kriter ağırlıkları kesin (tek sayı) olarak dışarıdan verilir.
Ölçek eşitleme. DecisionMind önce her dört sayılı hücreyi tek bir skora indirger: skor, destek alt ve üst sınırlarının toplamından ret alt ve üst sınırlarının toplamının çıkarılıp ikiye bölünmesiyle bulunur. Bu skor −1 ile 1 arasında olabileceğinden 1 eklenip kaydırılır. Kesin COPRAS'taki sütun toplamına bölme normalizasyonu, bu kaydırılmış skorlar üzerinden yapılır. Bu, dört sayılı hücreyi IF-COPRAS'ın destek-ret puan farkı mantığına, ancak aralığın orta noktasını temsil eden bir skorla, indirger.
Uzaklık / skor / birleştirme. Normalize edilip ağırlıklandırılmış skorlar, kesin COPRAS'taki gibi fayda toplamı ve maliyet toplamına ayrılır; göreli önem değeri (Q) aynı oranla, düşük maliyeti ödüllendiren düzeltme terimiyle kurulur.
Sonuç ve durulaştırma. Durulaştırma en baştadır: dört sayılı destek-ret aralığı daha ilk adımda tek bir orta-nokta skoruna iner, aralığın genişliği (yani ne kadar az bilindiği) bu skorda görünmez olur. Çıktı doğrudan kesin COPRAS'takiyle aynı biçimde tek bir fayda derecesidir.
DecisionMind bu klasik biçimde orta-nokta skor fonksiyonunu ve +1 kaydırmasını sabit tutar; aralığın genişliğini ayrıca ceza ya da ödül olarak kullanan bir yol izlenmez.
Çıktı Nasıl Yorumlanır?
Çıktı kesin COPRAS'takiyle aynı biçimde bir fayda derecesi ve sıradır; okunması da aynıdır. Fark şurada: bu puan yalnız destek-ret aralığının orta noktasına dayanır, aralığın ne kadar geniş olduğunu hiç göstermez. Dar bir aralıktan gelen bir skor ile geniş bir aralıktan gelen aynı skor, fayda derecesinde ayırt edilemez.
Bu nedenle:
"Aralık değerli sezgisel bulanık COPRAS'a göre A1 en iyi seçenektir"
yerine:
"Fayda derecesi yalnız destek-ret aralığının orta noktasına dayanır; A1 100,00 ile öndedir ve bu, A1'in aralıklarının ne kadar dar ya da geniş olduğu ayrıca incelenmeden 'kesin biçimde en iyi' anlamına gelmez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir yargının destek ve ret derecesi hakkında yalnız bir aralık biliniyorsa, yani uzman "destek tam olarak 0,6 değil, 0,5 ile 0,7 arası" diyorsa bu uzantı uygundur. Örnekler: birden fazla değerlendiricinin verdiği destek-ret puanlarının bir aralıkla özetlendiği tedarikçi denetimleri, kesin bir orana indirilmeden bırakılmak istenen komite değerlendirmeleri. Destek ve ret tek bir sayıyla veriliyorsa (aralık genişliği sıfırsa) bu ek genişliğin bir katkısı olmaz, sezgisel bulanık COPRAS (IF-COPRAS) yeterlidir. Kesin COPRAS'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 olmalı, üst destek ile üst ret toplamı 1'i geçmemelidir.
Skor fonksiyonunun aralığı gizlediğini unutmak. DecisionMind orta-nokta skorunu kullanır. Bu kanonik bir seçimdir ama aralığın genişliğini raporlamaz; dar ve geniş iki aralık aynı skoru verebilir ve bu bilgi kaybı raporda belirtilmelidir.
Kaydırma sabitini (+1) göz ardı edip skorları doğrudan sütun toplamına bölmek. Negatif skorlar kaydırılmadan bölünürse sütun toplamı negatif çıkabilir ve fayda dereceleri anlamsızlaşır.
Bu kartı IVIF-COPRAS ile karıştırmak. İkisi de aynı dört sayılı hücre biçimini (destek-ret aralığı) kullanır, ama IV-COPRAS önce tek bir skora iner ve kesin COPRAS'ın paya bölme mantığıyla devam eder; IVIF-COPRAS ise dört sayıyı Xu normalizasyonu ve aralık değerli sezgisel bulanık toplama (⊕) ile en son adıma kadar taşır, yalnız orada bir λ katsayılı skorla durulaştırır. Bu iki motor farklı adımlar izler ve farklı sayı üretir; biri yerine diğerinin kullanılması sonucu değiştirir.
Temel ilke şudur:
Aralık değerli sezgisel bulanık COPRAS'ta destek-ret aralığı daha ilk adımda tek bir orta-nokta skoruna iner. Aralığın genişliği bu noktadan sonra hiçbir adımda geri gelmez ve raporda ayrıca belirtilmelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: literatürde ortak bir IV-COPRAS 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 (maliyet) |
|---|---|---|---|
| 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, her hücreyi orta-nokta skoruna indirip 1 ekleyerek kaydırır, sütun toplamına göre normalize edip ağırlıkla çarpar. Fayda toplamı ve maliyet toplamını ayırıp göreli önem değerini (Q) hesaplar.
| Seçenek | Fayda derecesi | Sıra |
|---|---|---|
| A1 | 100,00 | 1 |
| A2 | 98,47 | 2 |
| A3 | 97,84 | 3 |
Sonuç şöyle okunur. Üç seçenek arasındaki fark küçüktür: en yüksek ile en düşük fayda derecesi arasında yalnızca 2,16 puan vardır. A1, C2'de en yüksek destek-ret skoruna sahip değildir (bu A3'e aittir), ama C1'de güçlü bir skor taşır ve C3'te (maliyet, ters çevrildikten sonra) dengeli bir konumdadır; bu üç kriterdeki bileşim onu ince bir farkla birinci sıraya taşır.
Kararın tereddüdü şudur: ağırlık C2'ye küçük bir adım kaydırılıp C1=0,35, C2=0,40, C3=0,25 olarak yeniden dağıtılırsa, fayda dereceleri (Q üzerinden) A1 için 0,3352, A2 için 0,3303, A3 için 0,3345 çıkar (bağımsız Python ile DecisionMind motoru yeniden koşturularak hesaplandı). A1 birinciliğini korur, ama A2 ile A3'ün sırası yer değiştirir: A3 ikinci, A2 üçüncü olur. Bu, en alttaki iki seçenek arasındaki tercihin küçük bir ağırlık kaymasına bile duyarlı olduğunu gösterir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) A1 en yüksek fayda derecesine sahiptir (100,00), ancak üç seçenek arasındaki fark küçüktür (2,16 puan). Ağırlık C2'ye küçük bir adım kaydırıldığında (0,35; 0,40; 0,25) A2 ile A3'ün sırası yer değiştirmektedir; bu nedenle A1'in birinciliği dışındaki sıralama ağırlık dağılımına duyarlı kabul edilmelidir."
Kaynak: DecisionMind'ın Aralık Değerli Sezgisel Bulanık COPRAS motorunun doğrulama örneği; literatürde paylaşılan ortak bir IV-COPRAS uygulama tablosu bulunmadığı için sentetik olarak kurulmuş, beklenen sonuçlar manifestteki formül zincirinden (orta-nokta skoru, +1 kaydırma, sütun toplamı normalizasyonu, fayda/maliyet ayrımı, Q formülü) türetilmiştir. Ağırlık değişikliği senaryosunun sayıları bu kartın yazarınca aynı motorla bağımsız olarak yeniden hesaplanmıştır.
2. Tiyatro: Bir sahne kostüm atölyesi seçimi
Bir devlet tiyatrosu, yeni sezonun kostümlerini dikecek atölyeyi üç aday arasından seçecektir. Üç ölçüt vardır: dikiş kalitesi (çoğu iyi), teslim süresi (azı iyi) ve kumaş tedarik güvenilirliği (çoğu iyi). Kostüm tasarımcısı ve prodüksiyon şefi her atölye için hem ne kadar güvendiklerini hem ne kadar çekince duyduklarını, aralarındaki görüş farkını da yansıtacak biçimde alt-üst sınırlı bir aralıkla bildirmiştir.
Yöntem üç atölyeyi karşılaştırır: teslim süresinde destek-reddi yer değiştirir, her hücreyi orta-nokta skoruna indirip normalize eder, ağırlıklarla çarpıp toplar. Dikiş kalitesine en yüksek ağırlık (0,5) verilmiştir. Diyelim ki en kaliteli dikişe sahip atölye aynı zamanda en yavaş teslim eden atölyedir; yine de birinci çıkar, çünkü dikiş kalitesinin ağırlığı teslim süresinden yüksektir.
Prodüksiyon şefinin tereddüdü şudur: bu atölyenin teslim süresi aralığı geniştir, örneğin 3 ile 6 hafta arası. Prömiyer tarihi sabitse bu genişlik, en kötü durumda prömiyerin gecikmesi riski taşır. Şef, yalnız fayda derecesine değil, teslim süresi aralığının üst ucuna da bakmalıdır.
Raporda: "Dikiş kalitesine verilen yüksek ağırlıkla en kaliteli atölye öne çıkmaktadır. Bu atölyenin teslim süresi aralığı geniştir; prömiyer tarihi sabit olduğundan en kötü durum senaryosu ayrıca değerlendirilmelidir."
3. Yapılmaması Gereken
Öğretici örnekte dört sınırı ortalayıp tek bir destek-ret çiftine indirdikten sonra sezgisel bulanık COPRAS (IF-COPRAS) koşturmak: bu, aralığın genişliğinin taşıdığı "ne kadar az biliniyor" bilgisini baştan siler ve ayrı bir hesaplamayı gereksiz kılar. İkinci yanlış, A1 ile A2 arasındaki 100,00 ile 98,47'lik farkı sabit bir üstünlük gibi sunup ağırlık duyarlılığını hiç belirtmemektir; küçük bir ağırlık kaymasında A2 ile A3'ün sırası zaten değişmektedir. Üçüncü yanlış, IV-COPRAS'ın sonucunu IVIF-COPRAS'ınkiyle doğrudan karşılaştırmaktır; iki motor aynı hücre biçimini kullansa da farklı normalizasyon ve birleştirme adımları izler, sayıları birbirinin yerine geçmez.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/iv-copras
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
Zavadskas, E. K., & Kaklauskas, A. (1996). Determination of an efficient contractor by using the new method of multicriteria assessment. In International Symposium for the Organization and Management of Construction: Shaping Theory and Practice, Vol. 2, 94–104. (DOI yok)
Moore, R. E. (1966). Interval Analysis. Prentice-Hall. (DOI yok)