Uzantı kartı · Plitojenik
Plitojenik CODAS
Bu, CODAS'ın kriter değerlendirmesinin doğruluk-belirsizlik-yanlışlık üçlüsüyle verildiği ve kriterlerin birbirine göre bir çelişki derecesi taşıdığı durumlar için biçimidir. Çıktısı yine iki farklı uzaklık ölçüsüyle kurulan bir değerlendirme puanı ve bir sıradır.
Temel yöntem
CODAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Plitojenik (Plithogenic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir. İki-uzaklıklı karşılaştırma mantığı değişmez.
Hücreler. Kesin CODAS'ta her hücre tek sayıdır. Burada her hücre üç sayıdır: doğruluk (T), belirsizlik (I), yanlışlık (F); üçü de 0 ile 1 arasındadır. Bir kriter baskın kabul edilir, çelişki derecesi sıfırdır; öbür kriterlerin bu baskın kritere ne kadar zıt olduğu 0 ile 1 arasında bir çelişki derecesiyle ayrıca verilir. Bu derece kriter başınadır, seçenekten seçeneğe değişmez. Kriter ağırlıkları çelişki derecesinden ayrı bir girdidir ve dışarıdan verilir.
Ölçek eşitleme. Kesin CODAS fayda kriterinde değeri sütunun en büyüğüne böler, maliyet kriterinde sütunun en küçüğünü değere oranlar. Burada böyle bir bölme yoktur. Önce maliyet kriterinde üçlü tersine çevrilir: (T, I, F) yerine (F, I, T) yazılır. Sonra her hücre kendi kriterinin çelişki derecesiyle ayarlanır: doğruluk baskın kritere doğru büyütülür, belirsizlik ve yanlışlık aynı oranda küçültülür. Kesin CODAS'ın bölme işleminin yerini bu çelişki ayarlaması alır.
Ağırlıklama ve negatif-ideal. Ayarlanmış hücreler kriter ağırlığıyla güç ağırlıklama kuralıyla (PNWA) birleştirilir. Negatif-ideal, her kriterde bileşen bileşen en kötü (T'si en küçük, I'sı en büyük, F'si en büyük) değerden kurulur. Kesin CODAS'taki gibi burada da tek bir "en kötü" referans kullanılır; TOPSIS'teki gibi ayrıca bir ideal nokta kurulmaz.
Uzaklık ve değerlendirme puanı. Öklid ve Taksi uzaklığı, ağırlıklı hücrelerin negatif-ideale olan T-I-F farklarından hesaplanır. İkili karşılaştırma kuralı (eşik ψ=0,02, önce Öklid, farkı aşmıyorsa Taksi) ve değerlendirme puanı kesin CODAS ile birebir aynı biçimde kurulur. Belirsizlik hiçbir adımda ayrı bir yerde durulaştırılmaz; doğrudan uzaklık hesabının içinde erir.
DecisionMind klasik P-CODAS'ta çelişki ayarlamasını, güç ağırlıklamayı ve eşik değerini sabit tutar. Ağırlıklar ve çelişki dereceleri dışarıdan ve ayrı ayrı alınır; yöntem ikisini de üretmez.
Çıktı Nasıl Yorumlanır?
Değerlendirme puanının okunuşu kesin CODAS ile aynıdır: göreli bir konum ölçüsüdür, yüzde değildir, seçenek kümesi değişince negatif-ideal yeniden kurulur. Fark şurada: puanın altında hem T-I-F belirsizliği hem de kriterler arası çelişki derecesi varsayımı gizlidir. Aşağıdaki öğretici örnekte A2 0,0878 ile açık farkla öndedir; A3 (-0,0321) ile A1 (-0,0471) arasındaki fark ise yalnızca 0,0150'dir ve bu ikisinin sırası, C2 kriterinin çelişki derecesi 0,33'ten 0,50'ye çıkarılınca döner.
Bu nedenle:
"Plitojenik CODAS çelişkiyi de hesaba kattığı için sonuç daha güvenilirdir"
yerine:
"Kriterler arası çelişki derecesi şu varsayımla verilmiştir; A2 açık farkla öndedir, A3 ile A1 arasındaki sıra bu varsayıma duyarlıdır"
biçiminde yazmak doğrudur. Çelişki derecesini hesaba katmak sonucu otomatik olarak daha doğru yapmaz; yalnızca hangi varsayımın sıraya karıştığını görünür kılar.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter puanlarınız doğruluk-belirsizlik-yanlışlık üçlüsüyle verilmişse ve kriterlerin bir kısmı diğerlerine göre daha bağımsız ya da daha çelişkili bir bilgi kaynağıysa bu uzantı kullanılır. Ayrıca seçenekler arasında ikinci bir uzaklık ölçüsüyle ayrılması gereken yakın rakipler varsa aynı gerekçe geçerlidir. Sadece T-I-F üçlüsü yeterliyse ve kriterler arasında böyle bir baskınlık-çelişki ilişkisi yoksa nötrosofik CODAS (n-codas) zaten yeterlidir; plitojenik biçim bir varsayım daha ekler ve bu varsayım gerekçesiz verilirse yalancı bir ayrım yaratır.
Ölçülmüş bir kriteri T-I-F üçlüsüne çevirmek belirsizlik modellemek değil, belirsizlik üretmektir; bu ilke burada da geçerlidir. Tablo karışıksa DecisionMind tek veri türü ister. Bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Çelişki derecesini gerekçesiz atamak. Öğretici örnekte C2'nin çelişki derecesi 0,33'ten 0,50'ye çıkarılınca A1 ile A3'ün sırası döner. Bu derece "hissederek" verilirse sıralama da hissi bir sıralama olur; derece, kriterin baskın kritere göre ne kadar bağımsız ya da örtüşen bilgi taşıdığına dair ölçülebilir bir gerekçeye dayanmalıdır.
Baskın kriteri rastgele seçmek. Hangi kriterin çelişkisi sıfır kabul edileceği bir karardır ve raporda gerekçelendirilmelidir.
Maliyet tümlemesini atlamak. Maliyet kriterinde (T, I, F) yerine (F, I, T) yazılmadan çelişki ayarlamasına geçmek, negatif-ideali yanlış kriterden kurar ve sıra anlamsızlaşır.
Eşik değerini (ψ) sorgulamadan bırakmak. Kesin CODAS'taki aynı hata burada da geçerlidir: iki yakın seçenek arasındaki sıranın eşiğe duyarlı olup olmadığı sınanmadan rapor yazılmamalıdır.
Temel ilke şudur:
Çelişki derecesi, kriterin ölçülebilir bir zeminden gelen bağımsızlık ya da çelişki payıdır; gerekçesiz bir sayı, CODAS'ın verdiği sırayı da gerekçesiz kılar.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Smarandache'nin 2018 tarihli kurucu kaynağı plitojenik işlemleri tanımlar ama bir karar tablosu örneği içermez; bu yüzden DecisionMind aynı formüllerle küçük, elle izlenebilir bir tablo kurmuştur. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç seçenek, üç kriter (DecisionMind doğrulama örneği)
Üç seçenek üç kriterde değerlendirilmiştir. İlk iki kriter "çoğu iyi", üçüncüsü "azı iyi"dir. C1 baskın kriter kabul edilmiş, çelişki derecesi sıfırdır; C2 ve C3'ün C1'e göre çelişki dereceleri sırasıyla 0,33 ve 0,67'dir.
| Seçenek | C1 (çoğu iyi) | C2 (çoğu iyi) | C3 (azı iyi) |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,10) | (0,50; 0,30; 0,20) | (0,60; 0,30; 0,20) |
| A2 | (0,80; 0,10; 0,10) | (0,60; 0,20; 0,20) | (0,40; 0,20; 0,30) |
| A3 | (0,60; 0,20; 0,20) | (0,70; 0,20; 0,10) | (0,50; 0,30; 0,20) |
| Çelişki derecesi | 0,00 | 0,33 | 0,67 |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem önce C3'ün üçlüsünü tersine çevirir, sonra her hücreyi kendi kriterinin çelişki derecesiyle ayarlar ve ağırlıklarla güç ağırlıklama kuralıyla birleştirir. Sonra negatif-ideali bileşen bazında kurar ve her seçeneğin bu tek referansa Öklid ve Taksi uzaklığını hesaplayıp ikili karşılaştırmalarla değerlendirme puanını üretir.
| Seçenek | Değerlendirme puanı | Sıra |
|---|---|---|
| A2 | 0,0878 | 1 |
| A3 | -0,0321 | 2 |
| A1 | -0,0471 | 3 |
Sonuç şöyle okunur. A2, C1'de en yüksek doğruluğa (0,80) ve C3'te (maliyet) en düşük doğruluğa, yani lehte konuma sahiptir. Bu iki kriterin ağırlığı toplamda 0,65'tir ve A2'yi açık farkla öne taşır. A3 ile A1 arasındaki fark küçüktür: A3, C2'de en yüksek doğruluğa sahiptir ama bu kriterin çelişki derecesi (0,33) orta düzeydedir; A1 hiçbir kriterde en iyi değildir ama hiçbir kriterde de en kötü değildir.
Kurulun tereddüdü: C2'nin çelişki derecesi 0,33 yerine 0,50 kabul edilseydi (diğer her şey sabit), A1 -0,0408 ile A3'ün (-0,0420) önüne geçer. Fark yalnızca 0,0012'dir. Bu, A3'ün ikinciliğinin C2'nin çelişki derecesine ne kadar duyarlı olduğunu gösterir.
Raporda: "Verilen ağırlıklar ve çelişki dereceleriyle (C1=0, C2=0,33, C3=0,67) A2 en yüksek değerlendirme puanına sahiptir (0,0878). A3 (-0,0321) ile A1 (-0,0471) arasındaki fark küçüktür ve C2'nin çelişki derecesi 0,50'ye çıkarıldığında bu ikisinin sırası değişmektedir."
Kaynak: DecisionMind P-CODAS manifesti, doğrulama örneği. Plitojenik işlemler (çelişki ayarlaması, güç ağırlıklama) Smarandache (2018)'in tanımladığı formüllere dayanır; kurucu kaynak bir karar tablosu örneği vermediği için tablo DecisionMind tarafından formüllere sadık biçimde kurulmuştur. Değerlendirme puanları ve duyarlılık senaryosu, DecisionMind Engine'i (src/engine) aynı manifest ve kernel ile çalıştırılarak bağımsız olarak yeniden üretilmiş ve manifestteki beklenen değerlerle birebir eşleşmiştir.
2. Ormancılık: Bir orman işletmesinin fidan tedarikçisi seçimi
Bir orman işletmesi, yeni bir ağaçlandırma sahası için üç fidan tedarikçisinden biriyle çalışacaktır. Kriterler: fidanların tutma (yaşama) oranına ilişkin kanıt, tedarikçinin teslim takvimine uyum kanıtı ve fiyat (bu sonuncusu azı iyi bir kriterdir). Sahadaki geçmiş performans farklı kaynaklardan geliyor ve bazı kaynaklar birbiriyle çelişiyor; bu yüzden her kriter için doğruluk, yanlışlık ve belirsizlik ayrı ayrı kayıt altına alınmıştır. İşletme, tutma oranı kanıtını baskın kriter kabul etmiş, teslim takvimi ve fiyatın bu kritere göre çelişki derecelerini belirlemiştir.
Yöntem üç tedarikçinin üçlülerini kendi çelişki dereceleriyle ayarlar, ağırlıklarla birleştirir, negatif-ideali kurar, iki uzaklığı hesaplar ve ikili karşılaştırmalarla değerlendirme puanını üretir. Diyelim ki en yüksek tutma oranı kanıtına sahip tedarikçi aynı zamanda en yüksek fiyata sahiptir. Yine de bu tedarikçi birinci sırada çıkar, çünkü tutma oranı ağırlığı fiyatın ağırlığından fazladır.
İşletmenin tereddüdü: fiyatın çelişki derecesi düşük tutulmuşsa, yani "tutma oranından bağımsız bir bilgi" sayılmışsa, bu tedarikçinin gerçek bütçe riski sıralamada yeterince ağırlık bulmayabilir. İşletme, bütçe üst sınırını ayrı bir ön eleme ölçütü olarak uygulamadan yalnız değerlendirme puanına göre karar vermemelidir.
Raporda: "Tutma oranı kanıtına verilen yüksek ağırlıkla en güvenilir tedarikçi birinci sıradadır; fiyatın çelişki derecesi düşük tutulduğundan bütçe riski için ayrı bir üst sınır önerilir."
3. Yapılmaması Gereken
Öğretici örnekte C3'ün üçlüsü tersine çevrilmeden (maliyet kriteri "çoğu iyi" gibi işlenerek) koşturulursa, en yüksek maliyetli seçenek negatif-idealden uzaklaştırılır ve sıra anlamsızlaşır. İkinci yanlış, C2 ve C3'ün çelişki derecelerini "aradaki farkı büyütmek için" rastgele yükseltmektir; dereceler kriterin bağımsızlığına dair bir gerekçeye dayanmalı, sıralamayı istenen yöne çekmek için seçilmemelidir. Üçüncü yanlış, eşik değerini (ψ) hiç sorgulamadan varsayılan bırakmaktır; öğretici örnekte A1 ile A3 arasındaki 0,0012'lik fark, tam olarak bu duyarlılığı gösterir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/p-codas
Keshavarz Ghorabaee, M., Zavadskas, E. K., Turskis, Z., & Antucheviciene, J. (2016). A new combinative distance-based assessment (CODAS) method for multi-criteria decision-making. Economic Computation and Economic Cybernetics Studies and Research, 50(3), 25–44. (DOI yok. Bu makale Crossref'te kayıtlı değildir; bkz. CODAS temel kartının kaynaklar bölümü.)
Smarandache, F. (2018). Plithogenic Set, an Extension of Crisp, Fuzzy, Intuitionistic Fuzzy, and Neutrosophic Sets – Revisited. Neutrosophic Sets and Systems, 21, 153–166. DOI: 10.5281/zenodo.1408740
Smarandache, F. (2017). Plithogeny, Plithogenic Set, Logic, Probability, and Statistics. Pons Publishing House, Brussels. (DOI yok)
Aires, R. F. de F., & Ferreira, L. (2018). The rank reversal problem in multi-criteria decision making: A literature review. Pesquisa Operacional, 38(2), 331–362. DOI: 10.1590/0101-7438.2018.038.02.0331