Uzantı kartı · Plitojenik
Plitojenik TOPSIS
TOPSIS'in, kriter puanlarının doğruluk-belirsizlik-yanlışlık üçlüsüyle verildiği ve kriterlerin birbirine göre bir çelişki derecesi taşıdığı durumlar için biçimidir. Çıktısı yine bir yakınlık puanı ve bu puana göre bir sıradır.
Temel yöntem
TOPSIS →
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 TOPSIS'te her hücre tek sayıdır. Burada her hücre üç sayıdır: doğruluk (T), belirsizlik (I), yanlışlık (F); üçü de 0 ile 1 arasındadır. Plitojenik veri türü kartındaki alt seçenek fikri bu ailede kritere taşınır. DecisionMind kriterlerin kendisini bir bütünün parçaları gibi ele alır. Bir kriter baskın kabul edilir, çelişki derecesi sıfırdır. Öbür kriterlerin bu baskın kritere ne kadar zıt olduğu 0 ile 1 arasında bir çelişki derecesiyle verilir. Bu derece kriter başınadır; aynı kriterdeki bütün seçenekler için aynı sayı kullanılır, seçenekten seçeneğe değişmez. Kriter ağırlıkları (toplamı 1 olan sayılar) çelişki derecesinden ayrı bir girdidir ve nötrosofik TOPSIS'teki gibi dışarıdan verilir.
Ölçek eşitleme. Kesin TOPSIS her sütunu karelerinin toplamının köküne böler. Bu ailede böyle bir bölme yoktur. Önce maliyet kriterinde üçlü tersine çevrilir: (T, I, F) yerine (F, I, T) yazılır, böylece "azı iyi" kriterde yüksek T yine iyiye işaret eder. Sonra her hücre kendi kriterinin çelişki derecesiyle ayarlanır: doğruluk baskın kritere doğru büyütülür, belirsizlik ve yanlışlık aynı oranda küçültülür. Kesin TOPSIS'in kareler toplamına bölen ölçek eşitlemesinin yerini bu çelişki ayarlaması alır.
Uzaklık. Ayarlanmış hücreler kriter ağırlığıyla üstel biçimde ağırlıklandırılır (nötrosofik TOPSIS'teki güç ağırlıklama formülüyle aynıdır). İdeal ve anti-ideal, her kriterde ağırlıklı hücrelerin bileşen bileşen en iyisinden ve en kötüsünden kurulur. Doğrulukta en büyük, belirsizlik ve yanlışlıkta en küçük olan değer ideal sayılır. Uzaklık, üç bileşenin farklarının kareleri toplamının üçte birinin karekökü olarak ölçülür ve ağırlıkla çarpılır; bu, bulanık ve nötrosofik TOPSIS'teki köşe uzaklığının aynısıdır.
Yakınlık puanı. Tanım kesin TOPSIS'teki gibidir: anti-ideale uzaklığın, iki uzaklığın toplamına oranıdır. Belirsizlik (I) ve yanlışlık (F) ayrı bir adımda durulaştırılmaz; doğrudan uzaklık hesabında erir.
DecisionMind bu ailede maliyet tümleyenini, çelişki ayarlamasını, güç ağırlıklamayı ve bileşen bazlı ideal/anti-ideal kurulumunu sabit tutar. Ağırlıklar ve çelişki dereceleri dışarıdan ve ayrı ayrı alınır; yöntem ikisini de üretmez.
Çıktı Nasıl Yorumlanır?
Çıktı kesin TOPSIS'teki gibi bir yakınlık puanı ve sıradır; okunması da aynıdır: yüzde değildir, başka bir analizle karşılaştırılmaz, seçenek kümesi değişince ideal ve anti-ideal de değişir.
Fark şurada: puanın altında hem T-I-F belirsizliği hem de kriterler arası çelişki derecesi varsayımı gizlidir. Aşağıdaki öğretici örnekte A2 0,7019 ile açık farkla öndedir; A3 (0,3916) ile A1 (0,3861) arasındaki fark ise yalnızca 0,0055'tir ve bu ikisinin sırası, C2 kriterinin çelişki derecesi 0,33'ten 0,40'a çıkarılınca döner. Rapor, dar farklı sıraların hangi ağırlığa ve hangi çelişki derecesine dayandığını göstermelidir.
Bu nedenle:
"Plitojenik TOPSIS 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. Sadece T-I-F üçlüsü yeterliyse ve kriterler arasında böyle bir baskınlık-çelişki ilişkisi yoksa nötrosofik TOPSIS (n-topsis) 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
Değer uzayını ihlal etmek. Her hücre geçerli bir T, I, F üçlüsü olmalı ve her kriterin bir çelişki derecesi ilan edilmiş olmalıdır; eksik ya da uydurma bir çelişki derecesiyle koşturmak yöntemi geçersiz kılar.
Çelişki derecesini gerekçesiz atamak. Öğretici örnekte C2'nin çelişki derecesi 0,33'ten 0,40'a 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; baskın kriter değişirse öbür kriterlerin çelişki dereceleri de yeniden düşünülmelidir.
Durulaştırma yöntemini değiştirmek. Puan fonksiyonu (doğruluk artı, belirsizlik ve yanlışlık eksi ağırlıklı) sabittir; farklı bir durulaştırma formülüyle karşılaştırma yapmak yöntemler arası değil tanım arası bir farktır.
Temel ilke şudur:
Çelişki derecesi, kriterin ölçülebilir bir zeminden gelen bağımsızlık ya da çelişki payıdır; gerekçesiz bir sayı, TOPSIS'in 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, ağırlıklarla üstel biçimde çarpar, ideal ve anti-ideali bileşen bazında kurar ve her seçeneğin bu iki noktaya ağırlıklı uzaklığını ölçer.
| Seçenek | Yakınlık puanı | Sıra |
|---|---|---|
| A2 | 0,7019 | 1 |
| A3 | 0,3916 | 2 |
| A1 | 0,3861 | 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 ise 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 0,40 kabul edilseydi (diğer her şey sabit), A1 0,3901 ile A3'ün önüne (0,3831) geçer. Ağırlıklar da değiştirilip C1 0,40'tan 0,20'ye, C2 0,35'ten 0,55'e çekilirse (C3 0,25 sabit), sıra baştan aşağı döner: A3 0,6271 ile birinci, A2 0,5554 ile ikinci, A1 0,2320 ile üçüncü olur. Bu, hem ağırlıkların hem çelişki derecesi varsayımının A2'nin dışındaki sırayı ne kadar belirlediğini gösterir.
Raporda: "Verilen ağırlıklar ve çelişki dereceleriyle (C1=0, C2=0,33, C3=0,67) A2 ideale en yakın seçenektir (0,7019). A3 (0,3916) ile A1 (0,3861) arasındaki fark küçüktür ve C2'nin çelişki derecesi 0,40'a çıkarıldığında bu ikisinin sırası değişmektedir."
Kaynak: DecisionMind P-TOPSIS 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. Yakınlık puanları ve duyarlılık senaryoları bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmıştır.
2. Müzecilik: Bir müzenin yeni eser satın alma önceliği
Bir müze, sınırlı satın alma bütçesiyle üç eser arasında öncelik belirleyecektir. Üç kriter kullanılır: eserin tarihsel önemi, sergileme sonrası beklenen ziyaretçi ilgisi ve koruma-restorasyon maliyeti (bu sonuncusu "azı iyi"). Küratörler tarihsel önemi baskın kriter kabul eder; ziyaretçi ilgisinin tarihsel önemle kısmen çeliştiğini (bazı tarihsel açıdan önemli eserler halk ilgisi çekmez), koruma maliyetinin ise tarihsel önemden daha bağımsız bir bilgi taşıdığını düşünürler ve buna göre çelişki dereceleri belirlerler. Her eser her kritere doğruluk-belirsizlik-yanlışlık üçlüsüyle puanlanır; belirsizlik, uzmanlar arasındaki görüş ayrılığından gelir.
Yöntem üç eseri kendi çelişki dereceleriyle ayarlar, ağırlıklarla çarpar, ideal ve anti-ideal eseri kurar, uzaklıkları ölçer. Diyelim ki tarihsel önemi en yüksek eser aynı zamanda koruma maliyeti en yüksek olan eserdir ve yine de birinci sırada çıkar, çünkü tarihsel önem ağırlığı koruma maliyetinden fazladır.
Küratörlerin tereddüdü: koruma maliyetinin çelişki derecesi düşük tutulmuşsa, yani "tarihsel önemden bağımsız bir bilgi" sayılmışsa, bu eserin gerçek bütçe riski sıralamada yeterince ağırlık bulmayabilir. Küratörler bütçe üst sınırını ayrı bir ön eleme ölçütü olarak uygulamadan yalnız yakınlık puanına göre karar vermemelidir.
Raporda: "Tarihsel öneme verilen yüksek ağırlıkla en önemli eser satın alma önceliğinde birinci sıradadır; koruma maliyetinin 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 ideale yaklaştırılır 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, T-I-F üçlülerini önce tek bir sayıya indirip (örneğin yalnız T değerini alıp) sonra kesin TOPSIS koşturmaktır; bu, belirsizliği ilk adımda siler ve plitojenik biçimin tek katkısını yok eder.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/p-topsis
Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications: A State-of-the-Art Survey. Lecture Notes in Economics and Mathematical Systems, Vol. 186. Springer-Verlag. DOI: 10.1007/978-3-642-48318-9
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