Uzantı kartı · Pisagor bulanık
Pisagor bulanık WASPAS (DecisionMind türetimi)
WASPAS'ın, bir yargıya verilen destek ve ret derecelerinin toplamının 1'i aşabildiği, yalnız karelerinin toplamının 1'i aşmadığı durumlar için çalışan biçimidir. Ağırlıklı toplam ve ağırlıklı çarpım bileşenleri bu destek-ret çiftleri üzerinden ayrı ayrı hesaplanır, tek puana yalnız son adımda iner.
Temel yöntem
WASPAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Pisagor bulanık (Pythagorean) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir; toplam ile çarpımı harmanlama fikri değişmez.
Hücreler. Kesin WASPAS'ta her hücre tek sayıdır. Burada her hücre bir çifttir: μ destek derecesi, ν ret derecesidir. Bu iki değer μ² + ν² ≤ 1 kuralına uymak zorundadır; toplamları 1'i aşabilir. Kriter ağırlıkları yine kesin sayıdır ve dışarıdan gelir.
Ölçek eşitleme. Kesin WASPAS her sütunu kendi en iyi değerine oranlayarak eşitler. Burada böyle bir bölme adımı yoktur, çünkü destek-ret çiftleri zaten 0 ile 1 arasındadır. Bunun yerine maliyet kriterinde μ ile ν yer değiştirir. Bu işlem ölçeği eşitlemez, yönü çevirir.
Toplam ve çarpım bileşeni. Kesin WASPAS'ın ağırlıklı toplamını (WSM) burada Pisagor bulanık ağırlıklı ortalama (PFWA) karşılar. Her seçeneğin ölçütler boyunca destek-ret çifti önce tek bir çifte indirilir. Bu çift sonra skor fonksiyonuyla (s = μ² − ν²) Q1 adlı tek sayıya döner. Kesin WASPAS'ın ağırlıklı çarpımını (WPM) ise Pisagor bulanık ağırlıklı geometrik ortalama (PFWG) karşılar; aynı skorla Q2'ye döner. PFWA destekleri iyimser biçimde büyütürken PFWG retleri öne çıkarır; bu, sırasıyla toplamanın telafi edici ve çarpımın cezalandırıcı karakterine karşılık gelir.
Sonuç ve birleştirme. Kesin WASPAS'ta λ, arayüzde 0 ile 1 arasında değiştirilebilen ve varsayılanı 0,5 olan bir parametredir. Bu uzantıda λ motorun içinde 0,5'te sabittir ve hiçbir girdi bunu değiştiremez; ne ağırlıklar gibi bir arayüz alanı ne de Sezgisel Bulanık WASPAS'taki gibi ek bir girdi olarak sunulur. Birleşik puan her zaman Q1 ile Q2'nin eşit ağırlıklı ortalamasıdır.
DecisionMind PF-WASPAS'ta bu yön düzeltmesini, PFWA/PFWG birleştirmesini, s = μ² − ν² skorunu ve λ=0,5 sabitini değiştirilemez biçimde tutar; ağırlıklar dışarıdan ve kesin olarak alınır, yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Çıktı kesin WASPAS'taki gibi bir birleşik puan ve sıradır; okunması da aynıdır: yüzde ya da olasılık değildir, seçenek kümesi değişince sıra kayabilir.
Fark şudur. Puan, iyimser bir toplam görüşü (Q1) ile temkinli bir çarpım görüşünü (Q2) eşit ağırlıkla harmanlar ve bu harman hiçbir zaman değiştirilemez. Ayrıca puanın altında bir destek-ret çifti vardır ve bu çift μ² + ν² ≤ 1 kısıtı altında sezgisel bulanığa göre daha geniş bir alanı kapsar. İki seçeneğin puan farkı, hangi kriterde ne kadar destek ve ret verildiğine bağlıdır.
Bu nedenle:
"PF-WASPAS'a göre S2 en iyi seçenektir"
yerine:
"Bu puan, destek-ret çiftlerinin PFWA ve PFWG ile ayrı ayrı birleştirilip eşit ağırlıkla harmanlanmasından çıkan bir skordur; bu üstünlük hangi kriterde ne kadar destek ve ret puanı verildiğine bağlıdır ve ağırlık değişince kayabilir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya hem güçlü destek hem belirgin çekince veriyorsa ve bu iki derecenin toplamı 1'i aşıyorsa bu uzantı kullanılır; sezgisel bulanık kısıt böyle çiftleri küçültmeye zorlar. Toplam zaten 1'i aşmıyorsa Sezgisel Bulanık WASPAS yeter, Pisagor'a geçmeye gerek yoktur. Karelerin toplamı da 1'i aşıyorsa Pisagor yetersiz kalır ve q-Rung ortopair gerekir. Kesin WASPAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir.
λ üzerinde kontrol isteniyorsa (WSM ile WPM arasındaki dengeyi elle ayarlamak gerekiyorsa) bu uzantı uygun değildir; λ burada sabittir. Böyle bir ihtiyaçta kesin WASPAS'a ya da λ'yı ek girdi olarak sunan Sezgisel Bulanık WASPAS'a bakılmalıdır.
Bu Uzantıya Özgü Hatalar
Değer alanı ihlali. Her hücre μ ∈ [0,1], ν ∈ [0,1] ve μ² + ν² ≤ 1 koşulunu sağlamalıdır. Bu kontrol edilmeden hesaba girmek yöntemi geçersiz kılar.
λ'nın değiştirilebileceğini varsaymak. Kesin WASPAS'ta ve ailenin bazı uzantılarında λ bir girdi olarak değişir; bu uzantıda λ motorun içinde 0,5'te sabittir. Raporda "λ=0,3 ile denendi" gibi bir ifade bu uzantı için yanlıştır; bu ailede λ hiç değişmez.
ν'yü 1 − μ yazmak. Bu durumda toplam her zaman tam 1 olur ve Pisagor yapının sezgisel bulanığa göre sağladığı ek alan hiç kullanılmamış olur.
Skor fonksiyonunu değiştirip aynı sonucu beklemek. s = μ² − ν² kanonik seçimdir ama tek seçenek değildir. Başka bir skorla farklı bir Q1 ya da Q2 çıkabilir; hangi skorun kullanıldığı raporda belirtilmelidir.
Temel ilke şudur:
PF-WASPAS'ta destek-ret çifti PFWA ve PFWG ile ayrı ayrı birleştirilip skorlanır; bu iki skor değiştirilemez biçimde eşit ağırlıkla harmanlanır. ν'yü 1 − μ yazmak ya da sezgisel kısıta zaten sığan bir çifti burada kullanmak, yöntemin tek katkısını, geniş kabul alanını, boşa çıkarır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: literatürde ortak bir PF-WASPAS uygulama örneği bulunmadığı için üç seçenekli, üç kriterli sentetik bir tablo formül zincirine sadık kalınarak kurulmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Sulama sistemi teknolojisi seçimi
Bir tarım işletmesi, arazisine kuracağı üç sulama teknolojisinden birini seçecektir. Üç ölçüt vardır: su verimliliği (çoğu iyi), uygulama güvenilirliği (çoğu iyi), enerji tüketimi (azı iyi). Ziraat mühendisleri her teknoloji-ölçüt çifti için hem güçlü yönlere hem ciddi çekincelere aynı anda destek verdiğinden değerlendirmeyi bir destek-ret çiftiyle bildirmiştir; iki değer toplamı sık sık 1'i aşmaktadır.
| Teknoloji | Su verimliliği | Uygulama güvenilirliği | Enerji tüketimi (azı iyi) |
|---|---|---|---|
| S1 | (0,70; 0,40) | (0,50; 0,50) | (0,60; 0,50) |
| S2 | (0,80; 0,30) | (0,60; 0,40) | (0,40; 0,60) |
| S3 | (0,60; 0,50) | (0,70; 0,40) | (0,50; 0,50) |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem enerji tüketiminde μ ile ν'yü yer değiştirir, üç ölçütün çiftlerini hem PFWA hem PFWG ile ayrı ayrı birleştirip skorlar (s = μ² − ν²); iki skoru sabit λ=0,5 ile harmanlar.
| Teknoloji | Birleşik puan | Sıra |
|---|---|---|
| S2 | 0,3425 | 1 |
| S3 | 0,1588 | 2 |
| S1 | 0,1048 | 3 |
Sonuç şöyle okunur. S2, en ağırlıklı ölçüt olan su verimliliğinde en yüksek destek ve en düşük ret çiftine (0,80; 0,30) sahiptir ve enerji tüketiminde de (tersine çevrildikten sonra) avantajlıdır. S3, uygulama güvenilirliğinde en güçlü çifte sahip olsa da (0,70; 0,40) bu, S2'nin su verimliliğindeki üstünlüğünü dengelemeye yetmez.
İşletmenin tereddüdü şudur: su verimliliği ağırlığı 0,40'tan 0,05'e indirilip uygulama güvenilirliğine 0,70 verilirse (enerji tüketimi 0,25 kalır) ne olur? Bağımsız Python ile kernel doğrudan çalıştırıldığında, bu yeni ağırlıklarla S3'ün puanı 0,2344'e, S2'ninki 0,2183'e düşer; birincilik S3'e geçer, çünkü S3'ün uygulama güvenilirliğindeki üstünlüğü artık en ağır ölçütü belirlemektedir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) S2 en yüksek birleşik puana sahiptir (0,3425). Ağırlık uygulama güvenilirliğine belirgin biçimde kaydırıldığında (0,05; 0,70; 0,25) birincilik S3'e geçmektedir; bu nedenle hangi ölçütün öncelikli olduğu ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın PF-WASPAS doğrulama örneği; literatürde paylaşılan ortak bir PF-WASPAS uygulama tablosu bulunmadığı için sentetik olarak kurulmuş, beklenen sonuçlar manifestteki formül zincirinden (yön düzeltmesi, PFWA/PFWG birleştirme, s = μ² − ν² skoru, sabit λ=0,5) türetilmiştir. Değer uzayı Yager'in (2014) Pisagor bulanık küme tanımına dayanır. Puanlar ve ağırlık takası senaryosu bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır.
2. Kreş: Kurumsal kreş hizmet sağlayıcısı seçimi
Bir şirket, çalışanları için kurumsal kreş hizmeti sunacak üç sağlayıcıdan birini seçecektir. Üç ölçüt vardır: eğitim programı kalitesi (çoğu iyi), fiziksel güvenlik standardı (çoğu iyi), aylık hizmet bedeli (azı iyi). İnsan kaynakları komisyonu, her sağlayıcı-ölçüt çifti için hem güçlü olumlu izlenimini hem ciddi çekincesini aynı anda bir destek-ret çiftiyle bildirmiştir.
Yöntem hizmet bedelinde μ ile ν'yü yer değiştirir, üç ölçütün çiftlerini PFWA ve PFWG ile birleştirip skorlar ve sabit λ=0,5 ile harmanlar. Diyelim ki en yüksek eğitim programı desteğine sahip sağlayıcı aynı zamanda güvenlik standardında da düşük çekinceye sahip çıktı ve birinci sırada yer aldı.
Komisyonun tereddüdü şudur: hizmet bedeli ölçütündeki ret derecesi yüksek kalan bir sağlayıcı için bu çekince tek puanda erimiştir. Komisyon, birinci çıkan sağlayıcının hizmet bedeli konusundaki ret derecesini ayrıca raporlamalı ve sözleşme öncesi netleştirmelidir.
Raporda: "Eğitim programı kalitesi ve güvenlik standardı nedeniyle bir sağlayıcı öne çıkmaktadır; bu sağlayıcının hizmet bedeli ölçütündeki ret derecesi diğerlerine göre yüksektir ve sözleşme görüşmesinde ayrıca ele alınmalıdır."
3. Yapılmaması Gereken
Öğretici örnekte S2'nin su verimliliği çiftini, 0,80 ile 0,30, ν'yü 1 − μ alarak 0,80 ile 0,20 yazmak yanlıştır; bu, mühendislerin bildirdiği gerçek çekinceyi siler ve hesabı aslında sezgisel bulanık WASPAS'a döndürür. İkinci yanlış, raporda "λ'yı 0,7'ye çekip toplama daha çok ağırlık verdik" demektir; bu uzantıda λ motorun içinde sabittir ve hiçbir girdiyle değişmez, böyle bir işlem hiç yapılmamıştır. Üçüncü yanlış, S2'nin 0,3425 puanını "yüzde 34 uygunluk" diye raporlamaktır; puan yalnız bu üç teknolojiyi birbirine göre sıralar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/pf-waspas
Zavadskas, E. K., Turskis, Z., Antuchevičienė, J., & Zakarevičius, A. (2012). Optimization of weighted aggregated sum product assessment. Elektronika ir Elektrotechnika, 122(6), 3–6. DOI: 10.5755/j01.eee.122.6.1810
Yager, R. R. (2014). Pythagorean membership grades in multicriteria decision making. IEEE Transactions on Fuzzy Systems, 22(4), 958–965. DOI: 10.1109/TFUZZ.2013.2278989
Yager, R. R. (2013). Pythagorean fuzzy subsets. 2013 Joint IFSA World Congress and NAFIPS Annual Meeting, 57–61. DOI: 10.1109/IFSA-NAFIPS.2013.6608375
Zhang, X., & Xu, Z. (2014). Extension of TOPSIS to multiple criteria decision making with Pythagorean fuzzy sets. International Journal of Intelligent Systems, 29(12), 1061–1078. DOI: 10.1002/int.21676