Uzantı kartı · Nötrosofik
Nötrosofik AROMAN
N-AROMAN, kriter değerlendirmesi doğruluk, belirsizlik ve yanlışlık derecesiyle verildiğinde kullanılan AROMAN biçimidir. Bu üç dereceye tek-değerli nötrosofik üçlü denir. Yöntem önce üçlüyü tek bir skora indirir, sonra AROMAN'ın iki normalizasyonunu bu skor üzerinde uygular ve sonucu tek bir sayıyla sıralar.
Temel yöntem
AROMAN →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Nötrosofik (Neutrosophic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Üç şey değişir. İkisi kesin AROMAN'ın tanımlayıcı yapısını da etkiler.
Hücreler. Kesin AROMAN'da her hücre tek sayıdır. Burada her hücre üç bağımsız bileşenden oluşur: doğruluk (T), belirsizlik (I), yanlışlık (F). Her biri 0 ile 1 arasındadır ve toplamlarının 1 olması beklenmez. Kriter ağırlıkları kesin, yani tek sayı, kalır. Yöntem ağırlık üretmez; ağırlığı dışarıdan alır.
Ölçek eşitleme. Yöntem nötrosofik üçlüyü önce tek bir skor sayısına indirir. Bu skor doğruluğu artı, belirsizliğin iki katını eksi, yanlışlığı da eksi sayar. Kesin AROMAN durulaştırmayı en son adımda yapar; burada bu sıra tersine döner ve durulaştırma en başta olur. Bu skor üzerinde bir oran normalizasyonu uygulanır: fayda kriterinde sütunun en büyük skoruna, maliyet kriterinde sütunun en küçük skoruna bölünür. Kesin AROMAN'ın normalizasyonu ise değer ile en küçük arasındaki farkı, en büyük ile en küçük arasındaki farka böler. İkisi farklı bir hesaptır.
Skor ve birleştirme. Kesin ve bulanık AROMAN'da doğrusal ve vektör normalizasyonu ham veriden bağımsız hesaplanır, sonra ortalanır. Burada vektör normalizasyonu ham skordan değil, bir önceki adımın oran-normalize edilmiş değerinden hesaplanır. Yani adımlar art arda zincirlenir, paralel çalışmaz. İkisinin ortalaması alınır, kriter ağırlığıyla çarpılır ve toplanır. Kesin ve bulanık AROMAN'ı tanımlayan adım burada yoktur: fayda toplamını ve maliyet toplamını ayrı tutup bir denge parametresiyle (λ) birleştirmek. Yön bilgisi ikinci adımdaki oran normalizasyonunda zaten eritilmiştir. Son skor yalnızca düz bir ağırlıklı toplamdır.
Sonuç. Durulaştırma en başta, skor fonksiyonuyla yapıldığı için sonda ayrıca bir durulaştırma adımı yoktur. Çıktı tek bir kesin sayıdır. Büyük olan iyidir.
DecisionMind bu uzantıda skor fonksiyonunu, oran-tipi normalizasyonu ve doğrusal-vektör ortalamasını sabit tutar. Şunu ayrıca belirtmek gerekir: kesin ve bulanık AROMAN'ın felsefi çekirdeği, ayrı fayda-maliyet toplamını görünür bir λ parametresiyle birleştirmektir. Bu çekirdek N-AROMAN'da yoktur. N-AROMAN yapısal olarak kesin AROMAN'dan çok, oran normalizasyonlu ağırlıklı bir toplama yöntemine benzer. Bu fark bilimsel incelemeye açık bir bulgudur.
Çıktı Nasıl Yorumlanır?
Çıktı kesin AROMAN'daki gibi tek bir sayı ve sıradır. Yüzde ya da olasılık değildir. Yalnız aynı üçlü girdilerle hesaplanan diğer seçeneklere göre bir sıra gösterir.
Fark şudur. Skor, doğruluk-belirsizlik-yanlışlık üçlüsünün tek bir skor fonksiyonuyla en başta eritilmiş hâlinden kurulur. İki seçeneğin skoru yakınsa, hangisinin belirsizlik bileşeni daha yüksek diye bakmak ayrı bir yorum katmanı ekler; skor fonksiyonu bu bileşeni zaten cezalandırmıştır.
Bu nedenle:
"N-AROMAN skoruna göre A3 en iyi seçenektir"
yerine:
"A3, doğruluk-belirsizlik-yanlışlık üçlülerinin ağırlıklı bir skor fonksiyonuyla birleştirilmesiyle en yüksek skoru almıştır (0,705). A1'e (0,607) olan farkı belirgindir. A1 ile A2 (0,594) arasındaki sıra ise Kriter 1'in ağırlığına duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir kriter hakkındaki bilgi eksik, tutarsız ya da çelişkiliyse ve bu durum kararın kendisi için önemliyse bu uzantı uygundur. Geçmiş verisi olmayan alternatifleri değerlendirirken ya da çelişkili kaynaklara dayanan uzman görüşlerinde de kullanılır. Hangi durumun nötrosofik yapı gerektirdiğini ve ölçülmüş veriyi doğrudan üçlüye çevirmeme ilkesini Nötrosofik veri türü kartı anlatır.
Kesin AROMAN'ın çıkış koşulu burada da geçerlidir. Bu uzantı da telafi edicidir. Bir kriterde taviz kabul edilmiyorsa uygun değildir.
Bu Uzantıya Özgü Hatalar
Değer alanı kısıtını ihlal etmek. T, I, F her biri 0 ile 1 arasında olmalı ve toplamları 3'ü aşmamalı. Bu ihlal edilirse skor fonksiyonu ve normalizasyon geçersiz sayı üretebilir.
Skor fonksiyonunu değiştirip belirtmemek. Kanonik seçim doğruluk artı bir eksi belirsizliğin iki katı eksi yanlışlık bölü ikidir. Belirsizlik burada yanlışlıktan iki kat ağır cezalandırılır. Farklı bir skor fonksiyonu, örneğin belirsizliği tek kat sayan, farklı bir sıra üretebilir.
Bu uzantıda λ arıyor olmak. Kesin ve bulanık AROMAN kartlarındaki λ denge parametresi bu uzantıda yoktur. Yön bilgisi ikinci adımda zaten normalizasyona işlenmiştir. Kesin AROMAN'ın "λ=0,5 ile hesapladım" alışkanlığını buraya taşımak yanlıştır.
Maliyet kriterinde sıfıra yakın skor. Bir maliyet kriterinin en küçük skoru sıfıra çok yakınsa oran normalizasyonu tanımsızlaşır; bu payda sıfıra bölmeye yaklaşır. Böyle bir kriter gözden geçirilmelidir.
Temel ilke şudur:
N-AROMAN'da durulaştırma en başta, skor fonksiyonuyla olur. Bu fonksiyonun hangisi olduğu ve λ tabanlı bir denge adımının burada bulunmadığı raporda açıkça belirtilmelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama fikstürüdür. N-AROMAN'a ait, sayfa numarasıyla izlenebilir yayımlanmış bir örnek literatürde yoktur. Bunun yerine manifestin adımlarına sadık, üç seçenekli, üç kriterli bir sentetik nötrosofik matris kurulmuştur. Motorun adımları bağımsız olarak Python'da yeniden hesaplanmıştır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç seçeneğin üç kriterde nötrosofik puanlanması
Üç seçenek üç fayda kriterinde değerlendiriliyor. Her hücre bir doğruluk-belirsizlik-yanlışlık üçlüsü taşıyor.
| Seçenek | Kriter 1 (T,I,F) | Kriter 2 (T,I,F) | Kriter 3 (T,I,F) |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,10) | (0,60; 0,30; 0,20) | (0,50; 0,40; 0,30) |
| A2 | (0,50; 0,30; 0,40) | (0,70; 0,20; 0,20) | (0,60; 0,30; 0,30) |
| A3 | (0,80; 0,10; 0,20) | (0,50; 0,40; 0,30) | (0,70; 0,30; 0,20) |
| Ağırlık | 0,40 | 0,30 | 0,30 |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
Yöntem her üçlüyü tek bir skora indirir. Bu skoru oran normalizasyonuyla eşitler, sonra vektör normalizasyonuyla ikinci kez eşitler. İkisini ortalar ve ağırlıklı toplamı alır.
| Seçenek | N-AROMAN skoru | Sıra |
|---|---|---|
| A3 | 0,705 | 1 |
| A1 | 0,607 | 2 |
| A2 | 0,594 | 3 |
Sonuç şöyle okunur. A3, en ağır kriter olan Kriter 1'de en yüksek doğruluğa (0,80) ve en düşük belirsizliğe (0,10) sahiptir. Bu, skor fonksiyonunda büyük bir avantaja dönüşür. A1 ile A2 arasındaki fark küçüktür, yalnızca 0,013. A1 Kriter 1'de daha güçlüdür, A2 Kriter 2'de daha güçlüdür. Bu iki güç, verilen ağırlıklarla neredeyse birbirini dengeler.
Kriter 1'in ağırlığı 0,40'tan yaklaşık 0,38'e düşürülürse, Kriter 2 ve 3'e eşit paylaştırılarak 0,31'er yapılırsa, A1 ile A2'nin sırası tersine döner. A2 öne geçer. A3 her durumda birincidir. Bu, A1-A2 arasındaki sıranın Kriter 1'in ağırlığına karşı kırılgan olduğunu gösterir. A3'ün liderliği ise sağlamdır.
Raporda: "Doğruluk-belirsizlik-yanlışlık üçlüleri tek bir skora indirilip iki normalizasyonla eşitlenmiştir. A3, 0,705 ile açık farkla birincidir. A1 ve A2 arasındaki ikinci-üçüncü sıra ise Kriter 1'in ağırlığındaki yaklaşık iki puanlık bir değişime duyarlıdır."
Kaynak: DecisionMind'ın N-AROMAN doğrulama fikstürü. Hesap mantığı Bošković ve arkadaşlarının 2023 tarihli kesin AROMAN çalışmasına dayanan bir nötrosofik uyarlamadır. Bu tablo ve sayılar bir makale sayfasından alınmamıştır. Motorun adımları bu kart için bağımsız olarak Python'da yeniden hesaplanmış ve DecisionMind'ın kayıtlı sırasıyla (A3, A1, A2) ve skorlarıyla (A1: 0,6071; A2: 0,5937; A3: 0,7052) birebir örtüştüğü doğrulanmıştır.
2. Denizcilik: Bir liman işletmesinin konteyner elleçleme ekipmanı seçimi
Bir liman işletmesi üç konteyner elleçleme ekipmanı teklifi arasında seçim yapacak. Kriterler elleçleme hızı, bakım geçmişi güvenilirliği ve enerji verimliliğidir; üçü de "çoğu iyi". Tekliflerden ikisi yeni pazara giren üreticilerden geliyor ve saha performans kaydı sınırlı. İşletme bu yüzden her kriteri bir doğruluk-belirsizlik-yanlışlık üçlüsüyle değerlendiriyor. Üretici belgeleri ve tek bir referans liman lehte kanıt (T) sayılıyor, bağımsız denetim eksikliği belirsizlik (I) olarak, bilinen arıza kayıtları varsa aleyhte kanıt (F) olarak ayrı toplanıyor.
Yöntem üç teklifi skorlar, normalize eder ve ağırlıklı toplamı hesaplar. Diyelim ki sonuç şöyle çıktı: elleçleme hızı en yüksek ama saha kaydı en sınırlı, yani belirsizliği en yüksek, ekipman ikinci sırada kaldı. Bakım geçmişi en iyi belgelenmiş ekipman birinci oldu.
İşletmenin tereddüdü şu. Birinci sıradaki ekipmanın belirsizlik bileşeni düşük olduğu için skor fonksiyonu onu cezalandırmamış. İkinci sıradaki ekipmanın hızı daha yüksek olsa da belirsizliği bu üstünlüğü gölgelemiştir. İşletme ikinci ekipman için ek bir saha denetimi isteyip belirsizliği azaltabilir, sonra sıranın değişip değişmediğini yeniden test edebilir.
Raporda: "Ekipmanlar doğruluk-belirsizlik-yanlışlık üçlüleriyle değerlendirilmiştir. Birinci ekipman bakım geçmişinin iyi belgelenmiş olması nedeniyle önde çıkmıştır. İkinci ekipmanın belirsizlik bileşeni yüksek olduğundan ek saha denetimi önerilir."
3. Yapılmaması Gereken
Öğretici örnekte her üçlünün yalnız T bileşenini alıp kesin AROMAN'a sokmak, I ve F'yi hiç kullanmamak birinci yanlıştır. Bu, N-AROMAN değil eksik bir kesin AROMAN'dır ve belirsizlik bilgisini tamamen atar. İkinci yanlış, A2'nin üçlüsündeki F'yi 1 eksi T eksi I olarak "düzeltmek"tir; bu üç bileşenin bağımsızlığını bozar. Üçüncü yanlış, kesin AROMAN kartındaki gibi "λ=0,5 ile hesapladım" diye raporlamaktır. Bu uzantıda λ tabanlı bir fayda-maliyet birleştirme adımı yoktur; böyle bir cümle var olmayan bir parametreye atıf yapar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-aroman
Bošković, S., Švadlenka, L., Jovčić, S., Dobrodolac, M., Simić, V., & Bačanin, N. (2023). An alternative ranking order method accounting for two-step normalization (AROMAN) — a case study of the electric vehicle selection problem. IEEE Access, 11, 39496–39507. DOI: 10.1109/ACCESS.2023.3265818
Smarandache, F. (1998). Neutrosophy: Neutrosophic Probability, Set, and Logic. American Research Press, Rehoboth. (DOI yok)
Wang, H., Smarandache, F., Zhang, Y., & Sunderraman, R. (2010). Single valued neutrosophic sets. Multispace and Multistructure, 4, 410–413. (DOI yok)
Ye, J. (2014). A multicriteria decision-making method using aggregation operators for simplified neutrosophic sets. Journal of Intelligent & Fuzzy Systems, 26(5), 2459–2466. DOI: 10.3233/IFS-130916