Uzantı kartı · Plitojenik
Plitojenik MARCOS
MARCOS'un, kriter puanlarının doğruluk-belirsizlik-yanlışlık üçlüsüyle verildiği ve kriterlerin birbirine göre bir çelişki derecesi taşıdığı durumlar için biçimidir. Çıktısı yine ideal ve anti-ideal referanslara göre bir nihai fayda derecesidir.
Temel yöntem
MARCOS →
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 MARCOS'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. Kesin MARCOS önce maliyet kriterinde tümleyeni alır, sonra ideal (AI) ve anti-ideal (AAI) satırlarını gözlenen en iyi ve en kötü değerlerden kurar. Bu ailede de aynı sıra izlenir. Önce maliyet kriterinde SVN tümleyeni (F, I, T) alınır. Sonra her hücre kendi kriterinin çelişki derecesiyle ayarlanır. Ardından AAI (en kötü) ve AI (en iyi) satırları, bileşen bazında bu ayarlanmış hücrelerden kurulur.
Normalizasyon ve birleştirme. Her hücre kendi kriterinin ideal (AI) değerine oranlanır ve ağırlıkla üstel biçimde ağırlıklandırılır (nötrosofik ve plitojenik TOPSIS'teki güç ağırlıklama formülüyle aynıdır). Bu ağırlıklı hücreler bir satırda birleştirilerek her seçenek, AAI ve AI için tek bir T-I-F üçlüsü elde edilir; bu birleşme çarpımsal bir toplulaştırmadır (bir bileşenin tümleyenleri çarpılıp birden çıkarılır). Bu birleşik üçlü tek bir puana indirilir.
Fayda oranları ve sonuç. Her seçeneğin puanı, AAI'nin puanına ve AI'nin puanına ayrı ayrı oranlanarak K⁻ ve K⁺ bulunur; bu ikisi kesin MARCOS'taki gibi bir fayda fonksiyonunda birleştirilip nihai fayda derecesi f(K) elde edilir. Belirsizlik (I) ve yanlışlık (F) ayrı bir adımda durulaştırılmaz; çarpımsal birleşme ve puan fonksiyonunun içinde erir.
DecisionMind bu ailede maliyet tümleyenini, çelişki ayarlamasını, güç ağırlıklamayı ve çarpımsal birleşmeyi sabit tutar. Kriter ağırlıkları ve çelişki dereceleri dışarıdan ve ayrı ayrı alınır.
Çıktı Nasıl Yorumlanır?
Çıktı kesin MARCOS'taki gibi bir nihai fayda derecesidir; okunması da aynıdır: yüksek değer "bu kümenin ideal-anti-ideal ekseninde iyi konumlanmış" demektir, mutlak bir kalite ölçüsü değildir.
Aşağıdaki öğretici örnekte dikkat çeken bir nokta vardır: A2 ile A3 birebir aynı nihai fayda derecesini alır (0,6221). Bu eşitlik yalnızca bu tabloya özgü bir sonuçtur; ağırlıklar değiştirildiğinde de, kriterler arası çelişki dereceleri değiştirildiğinde de (denendi) bozulmaz. Yöntem bu iki seçeneği ayırt edemiyor demektir; ikincilik için ek bir kriter ya da ek bir tercih ilkesi gerekir. Ayrıca bu tabloda P-MARCOS'un birinci seçtiği seçenek (A1), aynı veriyle P-TOPSIS, P-EDAS ve P-COPRAS'ın birinci seçtiği seçenekten (A2) farklıdır; bu bir hata değildir, MARCOS'un ideal-anti-ideal oranını TOPSIS'in uzaklığından ve EDAS'ın ortalamasından farklı okumasının sonucudur.
Bu nedenle:
"Plitojenik MARCOS en iyi tedarikçiyi buldu"
yerine:
"Bu ağırlıklar ve bu çelişki dereceleriyle ideal ve anti-ideal referanslara göre en dengeli fayda oranına sahip seçenek budur; iki seçenek eşit çıkarsa yöntem aralarında ayrım yapmaz"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter puanlarınız doğruluk-belirsizlik-yanlışlık üçlüsüyle verilmişse ve "hem idealin ne kadarına ulaşıldığı hem anti-idealden ne kadar uzaklaşıldığı" birlikte görünsün istiyorsanız 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 MARCOS 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. Seçenek kümeniz çok küçükse ideal ve anti-ideal referanslar seçeneklerin kendisinden kurulduğu için kırılgan olabilir; bu kesin MARCOS'taki uyarının aynısıdır.
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.
Eşit çıkan seçenekleri gizlice ayırmak. Öğretici örnekte A2 ile A3 tam eşit çıkar; birini diğerinin önüne koyup gerekçesiz bir sıra yazmak yöntemin verdiğinden fazlasını iddia etmektir. Rapor eşitliği olduğu gibi göstermeli ve ayrım için ek bir ölçüt önermelidir.
Çelişki derecesini gerekçesiz atamak. Derece, kriterin baskın kritere göre bağımsızlığına dair bir gerekçeye dayanmalıdır; "aradaki farkı büyütmek için" seçilen bir derece, A1'in üstünlüğünü olduğundan fazla ya da az gösterebilir.
Maliyet kriterinde tümleyeni almadan koşturmak. (T, I, F) yerine tümleyeni almadan bir maliyet kriterini işlemek, en pahalı seçeneği ideale yaklaştırır.
Temel ilke şudur:
Plitojenik MARCOS sonucu, T-I-F puanlarının bu kümenin kendi ideal ve anti-ideal noktalarına göre oransal bir özetidir; iki seçenek eşit çıktığında bunu gizlemek değil, ek bir ayrım ölçütü aramak gerekir.
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 tabloyu ayarlanmış hücrelerden kurulan bir ideal (AI) ve bir anti-ideal (AAI) satırıyla genişletir, her hücreyi idealine oranlar, ağırlıklarla çarpar, her satırı (üç seçenek artı AAI artı AI) tek bir puanda birleştirir ve K⁻, K⁺ oranlarını hesaplayarak nihai fayda derecesini kurar.
| Seçenek | Nihai fayda derecesi | Sıra |
|---|---|---|
| A1 | 0,6882 | 1 |
| A2 | 0,6221 | 2 |
| A3 | 0,6221 | 2 |
Sonuç şöyle okunur. A1 hiçbir kriterde tek başına en iyi değildir ama hiçbir kriterde de en kötü değildir; üç kriterde de orta-güçlü bir profil çizer ve bu, ideal-anti-ideal ekseninde onu öne çıkarır. A2 ile A3 ise tam olarak eşit nihai değeri alır: A2, C1'de güçlü ama C2'de zayıftır; A3 bunun tam tersidir, C2'de güçlü ama C1'de A2 kadar güçlü değildir. Bu iki zıt profil, ağırlıklandırılmış oranlarda birbirini dengeler.
Kurulun tereddüdü: ağırlıklar C1 0,40'tan 0,20'ye, C2 0,35'ten 0,55'e çekilse (C3 0,25 sabit) bile A2 ile A3'ün eşitliği bozulmaz (0,6255'e karşı 0,6255); çelişki dereceleri değiştirilse (örneğin C2 için 0,33 yerine 0,50, 0,70 ya da 0,90 denenmiştir) de eşitlik korunur. Bu, A1'in birinciliğinin sağlam olduğunu ama A2-A3 arasındaki ikinciliğin bu yöntemle çözülemeyeceğini gösterir; kurul ikisi arasında seçim yapması gerekiyorsa ek bir kriter eklemeli ya da başka bir tercih ilkesi kullanmalıdır.
Raporda: "Verilen ağırlıklar ve çelişki dereceleriyle A1 en yüksek nihai fayda derecesine sahiptir (0,6882). A2 ile A3 birebir eşit çıkmaktadır (0,6221); bu eşitlik denenen ağırlık ve çelişki derecesi senaryolarında bozulmamıştır ve ikisi arasında seçim için ek bir kriter önerilir."
Kaynak: DecisionMind P-MARCOS 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. Nihai fayda dereceleri, ağırlık ve çelişki derecesi senaryoları bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmış, A2-A3 eşitliğinin dört ayrı parametre kümesinde de korunduğu doğrulanmıştır.
2. Atık yönetimi: Bir belediyenin katı atık işleme tesisi teknolojisi seçimi
Bir belediye, yeni katı atık işleme tesisi için üç teknoloji arasında karar verecektir. Üç kriter kullanılır: geri kazanım oranı, çevresel emisyon düzeyi (yüksek emisyon kötüdür, "azı iyi" sayılır) ve kurulum maliyeti ("azı iyi"). Belediye geri kazanım oranını baskın kriter kabul eder; emisyon düzeyinin geri kazanımdan bağımsız bir bilgi taşıdığını, kurulum maliyetinin ise ikisinden de daha bağımsız olduğunu düşünür ve çelişki derecelerini buna göre belirler. Her teknoloji her kritere T-I-F üçlüsüyle puanlanır; belirsizlik, teknolojilerin yerel iklim koşullarında henüz denenmemiş olmasından gelir.
Yöntem üç teknolojiyi ideal ve anti-ideal referanslarla genişletir, her teknolojinin bu referanslara oranını bulur. Diyelim ki en yüksek geri kazanım oranına sahip teknoloji aynı zamanda en yüksek kurulum maliyetine sahiptir ve yine de birinci sırada çıkar, çünkü geri kazanım oranı ağırlığı maliyetten fazladır.
Belediyenin tereddüdü: kurulum maliyetinin çelişki derecesi düşük tutulmuşsa, bu teknolojinin gerçek bütçe yükü sıralamada yeterince ağırlık bulmayabilir. Belediye, bütçe için ayrı bir üst sınır uygulamadan yalnız nihai fayda derecesine göre karar vermemelidir.
Raporda: "Geri kazanım oranına verilen yüksek ağırlıkla en verimli teknoloji en yüksek fayda derecesine ulaşmaktadır; kurulum maliyetinin çelişki derecesi düşük tutulduğundan bütçe için ayrı bir üst sınır önerilir."
3. Yapılmaması Gereken
Öğretici örnekte C3'ün tümleyeni alınmadan koşturulursa, ideal nokta en yüksek maliyetli seçenekten kurulur ve sıra anlamsızlaşır. İkinci yanlış, A2 ile A3'ün eşit çıktığı bir sonuçta birini diğerinin önüne "daha iyi görünüyor" diye yazıp eşitliği raporda gizlemektir; bu, yöntemin vermediği bir kesinliği iddia eder. Üçüncü yanlış, C2'nin çelişki derecesini "A2'yi öne çıkarmak için" gerekçesiz değiştirmektir; bu örnekte gösterildiği gibi bu eşitlik zaten çelişki derecesine duyarlı değildir, böyle bir müdahale sonucu değiştirmez ama gerekçesiz bir işlemdir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/p-marcos
Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS). Computers & Industrial Engineering, 140, 106231. DOI: 10.1016/j.cie.2019.106231
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