Uzantı kartı · Plitojenik
Plitojenik EDAS
EDAS'ın, kriter puanlarının doğruluk-belirsizlik-yanlışlık üçlüsüyle verildiği ve kriterlerin birbirine göre bir çelişki derecesi taşıdığı durumlar için biçimidir. Çıktısı yine kümenin kendi ortalamasına göre bir değerlendirme puanı ve bu puana göre bir sıradır.
Temel yöntem
EDAS →
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; karar mantığı değişmez.
Hücreler. Kesin EDAS'ta her hücre tek sayıdır. Burada her hücre üç sayıdır: doğruluk (T), belirsizlik (I), yanlışlık (F). Plitojenik veri türü kartındaki alt seçenek fikri bu ailede kritere taşınır: kriterlerden biri baskın kabul edilir, çelişki derecesi sıfırdır. Öbür kriterlerin bu baskın kritere ne kadar zıt olduğu bir çelişki derecesiyle verilir. Bu derece kriter başınadır, seçenekten seçeneğe değişmez.
Ölçek eşitleme ve puanlama. Kesin EDAS'ta ortalama doğrudan sayılar üzerinden alınır. Burada önce maliyet kriterinde üçlü tersine çevrilir, sonra her hücre kendi kriterinin çelişki derecesiyle ayarlanır. Ardından her ayarlanmış üçlü tek bir puana indirilir: puan, doğruluk artı belirsizliğin iki katı ve yanlışlık eksi olacak biçimde kurulur ve ikiye bölünür. Bu puan fonksiyonu nötrosofik kartlardaki skor fonksiyonuyla aynıdır. EDAS'ın kendine özgü adımı olan "kümenin ortalaması" bu tek sayıya indirgenmiş puanlar üzerinden hesaplanır.
Sapma ve ağırlıklı toplamlar. Her seçeneğin puanı, kriterin ortalama puanının üstünde mi altında mı kaldığına göre iki ayrı sapma verir. Biri ortalamanın lehte tarafında kalan kısımdır (pozitif sapma), öbürü aleyhte tarafında kalan kısımdır (negatif sapma). Bunlar kriter ağırlıklarıyla çarpılıp toplanır ve her seçenek için bir lehte toplam, bir aleyhte toplam elde edilir. Bu adım kesin EDAS'la birebir aynıdır; tek fark, sapmanın T-I-F'den türeyen tek bir puan üzerinden ölçülmesidir.
Sonuç ve durulaştırma. Lehte ve aleyhte toplamlar kendi aralarındaki en büyüğe bölünüp normalize edilir, ikisinin ortalaması alınarak tek bir değerlendirme puanı kurulur. Belirsizlik (I) ve yanlışlık (F) ayrı bir adımda durulaştırılmaz; puan fonksiyonunun içinde erir, EDAS'ın geri kalan adımları kesin sayılarla ilerler.
DecisionMind bu ailede maliyet tümleyenini, çelişki ayarlamasını ve puan fonksiyonunu sabit tutar. Kriter ağırlıkları ve çelişki dereceleri dışarıdan ve ayrı ayrı alınır.
Çıktı Nasıl Yorumlanır?
Çıktı kesin EDAS'taki gibi bir değerlendirme puanı ve sıradır; okunması da aynıdır: yüzde değildir, başka bir analizle karşılaştırılmaz, kümeye eklenen ya da çıkarılan bir seçenek ortalamayı ve dolayısıyla tüm puanları değiştirir.
Fark şurada: kriterlerin ortalaması artık T-I-F'den türeyen bir puanın ortalamasıdır ve bu puanın kendisi kriterin çelişki derecesine göre önceden ayarlanmıştır. Aşağıdaki öğretici örnekte A2 açık farkla öndedir (1,0000); A3 (0,1883) ile A1 (0,0702) arasındaki fark da belirgindir ama ağırlıklar C2'ye kaydırıldığında bu iki seçenek arasındaki mesafe daralır ve hatta A3, A2'yi geçebilir.
Bu nedenle:
"Plitojenik EDAS bu seçeneği kümenin ortalamasına göre en iyi bulduğu için seçildi"
yerine:
"Kümenin ortalamasına göre en avantajlı konumda olan seçenek budur; bu konum, kriter ağırlıklarına ve kriterler arası çelişki derecesi varsayımına duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter puanlarınız doğruluk-belirsizlik-yanlışlık üçlüsüyle verilmişse ve "kümenin ortalamasına göre konum" ölçütü kararınıza uyuyorsa bu uzantı yerindedir. Kriterlerin bir kısmı diğerlerine göre daha bağımsız ya da daha çelişkili bir bilgi kaynağıysa bu, tercihi güçlendirir. Sadece T-I-F üçlüsü yeterliyse ve kriterler arasında böyle bir baskınlık-çelişki ilişkisi yoksa nötrosofik EDAS (n-edas) 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 üretmektir, modellemek değildir. Bir kriterde tüm seçenekler ortalamaya çok yakınsa o kriterin ayırt ediciliği bu ailede de düşer; bu bir hata değil, yöntemin doğal sonucudur.
Bu Uzantıya Özgü Hatalar
Değer uzayını ihlal etmek. Her hücre geçerli bir T, I, F üçlüsü olmalı ve her kriterin bir çelişki derecesi ilan edilmiş olmalıdır.
Çelişki derecesini gerekçesiz atamak. Ağırlıklar C1'den C2'ye kaydırıldığında (0,40→0,10, 0,35→0,65) A3, A2'yi geçmektedir; aynı türden bir kayma çelişki derecesiyle de üretilebilir. Çelişki derecesi "sıralamayı istenen yöne çekmek" için değil, kriterin baskın kritere göre ne kadar bağımsız bilgi taşıdığına dair bir gerekçeyle belirlenmelidir.
Puan fonksiyonunu değiştirmek. Doğruluk artı, belirsizlik ve yanlışlık eksi ağırlıklı puan sabittir; farklı bir durulaştırma formülüyle karşılaştırma yapmak yöntemler arası değil tanım arası bir farktır.
Ortalamaya yakınlığı "kriter önemsiz" diye yorumlamak. Kesin EDAS'taki bu hata burada da geçerlidir; bir kriterde puanların ortalamaya yakın çıkması, o kriterin gerçekte önemsiz olduğu anlamına gelmez.
Temel ilke şudur:
Plitojenik EDAS sonucu, T-I-F puanlarının kümenin kendi ortalamasına göre konumunun bir özetidir; bu konum hem ağırlıklara hem kriterler arası çelişki derecesi varsayımına duyarlıdır ve rapor ikisini de göstermelidir.
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 her hücreyi kendi kriterinin çelişki derecesiyle ayarlar ve tek bir puana indirir, sonra her kriterin ortalama puanını bulur, her seçeneğin bu ortalamanın ne kadar üstünde ve altında kaldığını ölçer, ağırlıklarla çarpıp normalize eder.
| Seçenek | Değerlendirme puanı | Sıra |
|---|---|---|
| A2 | 1,0000 | 1 |
| A3 | 0,1883 | 2 |
| A1 | 0,0702 | 3 |
Sonuç şöyle okunur. A2, en ağırlıklı kriter olan C1'de ortalamanın belirgin üstünde ve C3'te (maliyet) ortalamanın lehte tarafındadır; bu iki kriterin ağırlığı toplamda 0,65'tir. A3, C2'de ortalamanın üstündedir ama bu kriterin ağırlığı (0,35) ve çelişki derecesi (0,33) orta düzeydedir; bu yüzden A2'nin gerisinde kalır. A1 hiçbir kriterde ortalamanın belirgin lehte tarafında değildir ve son sıradadır.
Kurulun tereddüdü: ağırlıklar C1 0,40'tan 0,10'a, C2 0,35'ten 0,65'e çekilirse (C3 0,25 sabit), değerlendirme puanları A1=0,0000, A2=0,8274, A3=0,8790 olur ve A3, A2'nin önüne geçer. Bu, C2'nin ağırlığı yeterince büyütüldüğünde A3'ün C2'deki üstünlüğünün A2'nin C1 ve C3'teki üstünlüğünü geçebildiğini gösterir.
Raporda: "Verilen ağırlıklarla (C1=0,40, C2=0,35, C3=0,25) A2 kümenin ortalamasına göre en avantajlı konumdadır (1,0000). C2'nin ağırlığı C1'in çok üzerine çıkarıldığında (C1=0,10, C2=0,65) A3 öne geçmektedir; sıra bu iki kriterin göreli ağırlığına duyarlıdır."
Kaynak: DecisionMind P-EDAS manifesti, doğrulama örneği. Plitojenik işlemler Smarandache (2018)'in tanımladığı formüllere dayanır; kurucu kaynak bir karar tablosu örneği vermediği için tablo DecisionMind tarafından formüllere sadık biçimde kurulmuştur. Değerlendirme puanları ve ağırlık senaryosu bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmıştır.
2. Hayvancılık: Bir kooperatifin süt sığırı ırkı seçimi
Bir tarım kooperatifi, yeni kuracağı süt çiftliği için üç sığır ırkından birine karar verecektir. Üç kriter kullanılır: yıllık süt verimi, iklim ve hastalık direnci ve besleme maliyeti ("azı iyi"). Kooperatif süt verimini baskın kriter kabul eder; direncin verimden bağımsız bir bilgi taşıdığını, besleme maliyetinin ise ikisinden de daha bağımsız olduğunu düşünür ve çelişki derecelerini buna göre belirler. Her ırk her kritere T-I-F üçlüsüyle puanlanır; belirsizlik, bölgesel iklim koşullarının ırk için henüz test edilmemiş olmasından gelir.
Yöntem üç ırkın kriter ortalamalarını bulur, her ırkın bu ortalamalara göre konumunu ölçer. Diyelim ki en yüksek süt verimine sahip ırk aynı zamanda besleme maliyeti en yüksek olan ırktır ve yine de birinci sırada çıkar, çünkü süt verimi ağırlığı besleme maliyetinden fazladır.
Kooperatifin tereddüdü: besleme maliyetinin çelişki derecesi düşük tutulmuşsa, yani "süt veriminden bağımsız bir bilgi" sayılmışsa, bu ırkın gerçek işletme maliyeti sıralamada yeterince ağırlık bulmayabilir. Kooperatif, maliyet için ayrı bir üst sınır uygulamadan yalnız değerlendirme puanına göre karar vermemelidir.
Raporda: "Süt verimine verilen yüksek ağırlıkla en verimli ırk kümenin ortalamasına göre net biçimde öndedir; besleme maliyetinin çelişki derecesi düşük tutulduğundan bu maliyet için ayrı bir üst sınır önerilir."
3. Yapılmaması Gereken
Öğretici örnekte C3'ün üçlüsü tersine çevrilmeden koşturulursa besleme maliyeti en yüksek seçenek ortalamanın lehte tarafına geçer ve A2'nin düşük maliyetten kazandığı avantaj tersine döner. İkinci yanlış, C2'nin çelişki derecesini "A3'ü öne çıkarmak için" gerekçesiz yükseltmektir; derece kriterin bağımsızlığına dair bir gerekçeye dayanmalıdır. Üçüncü yanlış, A2'nin 1,0000 puanını "kusursuz" diye raporlamaktır; bu değer yalnız bu üç seçeneği kümenin kendi ortalamasına göre birbirine kıyaslar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/p-edas
Keshavarz Ghorabaee, M., Zavadskas, E. K., Olfat, L., & Turskis, Z. (2015). Multi-criteria inventory classification using a new method of evaluation based on distance from average solution (EDAS). Informatica, 26(3), 435–451. DOI: 10.15388/Informatica.2015.57
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)
Abdel-Basset, M., & Mohamed, R. (2020). A novel plithogenic TOPSIS-CRITIC model for sustainable supply chain risk management. Journal of Cleaner Production, 247, 119586. DOI: 10.1016/j.jclepro.2019.119586
Abdel-Basset, M., El-hoseny, M., Gamal, A., & Smarandache, F. (2019). A novel model for evaluation Hospital medical care systems based on plithogenic sets. Artificial Intelligence in Medicine, 100, 101710. DOI: 10.1016/j.artmed.2019.101710