Uzantı kartı · Tereddütlü
Olasılıksal tereddütlü COPRAS (Song ve Chen, 2021)
COPRAS'ın, bir hücrede birden fazla olası derecenin her birinin ayrıca ne sıklıkla ya da hangi olasılıkla gözlendiğinin de bilindiği durumlar için çalışan biçimidir. Fayda ve maliyet toplamlarını, olasılıklarla ağırlıklandırılmış beklenen değerler üzerinden kurar.
Temel yöntem
COPRAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Tereddütlü (Hesitant) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Üç şey değişir. Karar mantığı aynı kalır.
Hücreler. Düz tereddütlü COPRAS'ta (HF-COPRAS) her hücre bir küme, yani birden fazla olası değer taşır, ama bu değerlerin hangisinin ne kadar olası olduğu bilinmez. Burada her hücre bir değer-olasılık çiftleri kümesidir: her olası dereceye kendi olasılığı ya da görülme sıklığı eşlik eder, örneğin "0,5 değeri yüzde 30, 0,7 değeri yüzde 70 olasılıkla". Bir hücredeki olasılıkların toplamı 1'i aşamaz. Ağırlıklar dışarıdan, tek sayı olarak verilir.
Ölçek eşitleme. Kesin COPRAS her sütunu kendi toplamına bölerek paya çevirir. Burada ayrı bir sütun normalizasyonu yoktur, çünkü değerler zaten 0 ile 1 arasında derecelerdir. Onun yerine DecisionMind önce her hücreyi kriter ağırlığıyla ölçekler; bu ölçekleme, kümedeki her derecenin kendisini ağırlıkla çarpıp olasılığını değiştirmeden bırakır. Fayda kriterlerindeki ölçeklenmiş kümeler bir arada, maliyet kriterlerindekiler ayrı olarak biriktirilir.
Uzaklık, skor ve birleştirme. Biriktirilmiş değer-olasılık kümesi, beklenen değer alınarak tek bir sayıya indirilir: her derecenin kendi olasılığıyla çarpılıp toplanmasıdır bu. Beklenen değerin bu şekilde alınması, önce toplayıp sonra beklenen değeri almakla, önce her hücrenin beklenen değerini alıp sonra toplamak arasında fark yaratmaz; DecisionMind bu adımı toplamadan sonra uygular. Fayda ve maliyet tarafının beklenen değerleri, kesin COPRAS'taki Q formülüyle birleştirilip göreli önem değeri kurulur.
Sonuç ve durulaştırma. Durulaştırma hesabın ortasındadır: değer-olasılık kümeleri fayda ve maliyet toplamları kurulduktan hemen sonra beklenen değere iner; ne en baştadır ne en sonda. Çıktı, kesin COPRAS'takiyle aynı biçimde bir göreli önem değeri ve bundan türetilen bir yüzdedir.
DecisionMind bu ailede beklenen değer fonksiyonunu (olasılık ağırlıklı ortalama) ve bunun toplama sonrası uygulanmasını sabit tutar.
Çıktı Nasıl Yorumlanır?
Göreli önem değeri ve yüzde, kesin COPRAS'takiyle aynı okunur: en iyi seçeneğe göre bir pay, mutlak bir başarı yüzdesi değil. Fark şurada: bu pay, her hücredeki derecelerin yalnız olasılık ağırlıklı ortalamasına dayanır. İki hücre aynı beklenen değere sahip olsa da, biri dar bir olasılık dağılımından (tüm olasılık tek bir dereceye yakın), diğeri geniş bir dağılımdan (olasılık birkaç uzak dereceye bölünmüş) gelebilir. Göreli önem değeri bu ikisini ayırt etmez.
Bu nedenle:
"Olasılıksal tereddütlü COPRAS'a göre A2 en iyi seçenektir"
yerine:
"Beklenen değerlere göre A2 en yüksek göreli öneme sahiptir (Q=0,508); bu değer yalnız olasılık ağırlıklı ortalamayı yansıtır, A2'nin derecelerinin ne kadar dar ya da geniş bir olasılık dağılımından geldiği ayrıca incelenmeden 'kesin biçimde en iyi' anlamına gelmez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Aynı kriter-seçenek çifti için birden fazla makul derece varsa ve bu derecelerin her birinin ne sıklıkla gözlendiği ya da ne kadar olası olduğu biliniyorsa bu uzantı uygundur. Örnek: bir tedarikçinin geçmiş performansı birkaç farklı düzeyde gözlenmiş ve her düzeyin gözlenme sıklığı kayıtlıdır. Olasılıklar bilinmiyorsa, yalnız hangi derecelerin makul olduğu biliniyorsa, düz tereddütlü COPRAS (HF-COPRAS) yeterlidir; olasılık uydurmak bilgi eklemez. Kesin COPRAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.
Bu Uzantıya Özgü Hatalar
Bir hücredeki olasılıkların toplamının 1'i aşmasına izin vermek. Bu durumda beklenen değer artık bir ağırlıklı ortalama değil, anlamı belirsiz bir büyüklük olur.
Olasılıkları eşit varsaymak. Her dereceye eşit olasılık (1/n) vermek, hücreyi fiilen düz tereddütlü bir kümenin ortalamasına indirger ve olasılık bilgisinin gerçek katkısını gizler.
Maliyet ve fayda yönünü yanlış işaretlemek. Bir maliyet kriteri fayda tarafına yazılırsa, o kriterdeki yüksek beklenen değer ödüllendirilir.
"Daha gelişmiş" yanılgısı. Derecelerin gerçek gözlenme sıklığı yoksa, düz tereddütlü bir kümeye keyfi olasılıklar eklemek bilgi eklemez, yalnız hesabı karmaşıklaştırır.
Temel ilke şudur:
Olasılıksal tereddütlü COPRAS, her olası derecenin ne kadar sık gözlendiğini beklenen değere kadar taşımak içindir. Olasılıklar gerçek bir gözlem ya da kayıttan gelmiyorsa, bu uzantının düz tereddütlü COPRAS'a kattığı hiçbir şey yoktur.
Vakalar
Birinci vaka gerçek bir literatür vakasıdır. Song ve Chen'in (2021) makalesindeki örnektir ve sayılar makaleden alınmıştır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç seçenek, iki kriter (Song ve Chen, 2021)
Üç seçenek iki kriterde değerlendirilmiştir; C1 çoğu iyi, C2 azı iyidir (maliyet). Her hücre, bir derecenin yanında o derecenin gözlenme olasılığını taşır.
| Seçenek | C1 | C2 (maliyet) |
|---|---|---|
| A1 | {(0,5|0,3), (0,7|0,7)} | {(0,2|0,4), (0,4|0,6)} |
| A2 | {(0,6|0,5), (0,8|0,5)} | {(0,3|0,6), (0,5|0,4)} |
| A3 | {(0,4|0,6), (0,6|0,4)} | {(0,1|0,5), (0,3|0,5)} |
| Yön | çoğu iyi | azı iyi |
| Ağırlık | 0,6 | 0,4 |
Yöntem her hücrenin beklenen değerini alır (derece çarpı olasılık, toplanır), ağırlıkla çarpar, C1'i fayda toplamında, C2'yi maliyet toplamında biriktirir. Fayda ve maliyet toplamlarını kesin COPRAS'ın Q formülüyle birleştirip yüzdeye çevirir.
| Seçenek | Göreli önem (Q) | Yararlılık derecesi | Sıra |
|---|---|---|---|
| A2 | 0,508 | 100% | 1 |
| A1 | 0,489 | 96,17% | 2 |
| A3 | 0,455 | 89,62% | 3 |
Sonuç şöyle okunur. A2'nin C1'deki beklenen değeri (0,70) üç seçeneğin en yükseğidir; C2'deki (maliyet) beklenen değeri (0,38) ise ortadadır. C1'in ağırlığı (0,6) C2'den yüksek olduğu için A2'nin C1 üstünlüğü onu birinci sıraya taşır. A3, her iki kriterde de en düşük beklenen değerlere sahip olduğu için son sıradadır.
Kararın tereddüdü şudur: ağırlık C2'ye (maliyet) kaydırılıp C1=0,4, C2=0,6 olarak yeniden dağıtılırsa, göreli önem değerleri A1 için 0,413, A2 için 0,412, A3 için 0,443 çıkar (bağımsız Python ile DecisionMind motoru yeniden koşturularak hesaplandı). Birincilik A2'den A3'e geçer; A1 ile A2 neredeyse eşitlenir (fark 0,001).
Raporda: "Verilen ağırlıklarla (C1=0,6, C2=0,4) A2 en yüksek göreli öneme sahiptir (Q=0,508). Ağırlık maliyet kriterine kaydırıldığında (C1=0,4, C2=0,6) birincilik A3'e geçmekte, A1 ile A2 ise neredeyse eşitlenmektedir; bu nedenle ağırlık dağılımı raporda ayrıca gerekçelendirilmelidir."
Kaynak: Song ve Chen (2021), International Journal of Computational Intelligence Systems, PHF-COPRAS örneği. DecisionMind'ın motoru bu tabloyu bağımsız olarak yeniden koşturarak doğrulamıştır (Q ve yararlılık dereceleri manifestteki beklenen değerlerle birebir örtüşür). Ağırlık değişikliği senaryosunun sayıları bu kartın yazarınca aynı motorla ayrıca hesaplanmıştır.
2. Tekstil: Bir konfeksiyon firmasının kumaş tedarikçisi seçimi
Bir konfeksiyon firması, yeni bir koleksiyon için üç kumaş tedarikçisi arasından seçim yapacaktır. İki ölçüt vardır: renk haslığı (çoğu iyi) ve teslim gecikmesi (azı iyi, maliyet). Firma her tedarikçinin son on parti sevkiyatını denetlemiş; renk haslığı puanları partiden partiye değişmiş ve firma her puan düzeyinin kaç partide gözlendiğini (dolayısıyla olasılığını) kayıt altına almıştır.
Yöntem her tedarikçinin beklenen renk haslığı ve beklenen teslim gecikmesi değerini hesaplar, ağırlıklarla çarpıp fayda ve maliyet toplamlarını kurar, göreli önem değerine çevirir. Diyelim ki en yüksek beklenen renk haslığına sahip tedarikçi aynı zamanda en değişken (bazı partilerde çok düşük, bazılarında çok yüksek) sonuçlara sahiptir. Yine de birinci çıkar, çünkü renk haslığının ağırlığı teslim gecikmesinden yüksektir.
Firmanın tereddüdü şudur: bu tedarikçinin renk haslığı dağılımı geniştir, yani bazı partilerde ciddi bir kalite sorunu yaşanmıştır. Beklenen değer bu değişkenliği göstermez. Firma, yalnız beklenen değere değil, düşük puanlı partilerin oranına da bakmalı ve bu tedarikçiden kritik bir sipariş öncesi ek numune istemelidir.
Raporda: "Renk haslığına verilen yüksek ağırlıkla en yüksek beklenen puana sahip tedarikçi öne çıkmaktadır. Bu tedarikçinin geçmiş partilerinde puan dağılımı geniştir; kritik siparişler öncesi ek numune kontrolü önerilir."
3. Yapılmaması Gereken
Öğretici tabloda her hücrenin olasılıklarını eşit (1/2, 1/2) varsayıp gerçek olasılıkları (0,3/0,7 gibi) yok saymak: bu, hücreyi fiilen düz tereddütlü bir kümenin basit ortalamasına indirger ve A2'nin C1'deki güçlü ikinci derecesinin (0,8, yüzde 50 olasılıkla) gerçek ağırlığını gizler. İkinci yanlış, C2 (maliyet) kriterini fayda tarafına yazmaktır; bu durumda en yüksek maliyetli seçenek ödüllendirilir ve sıra anlamsızlaşır. Üçüncü yanlış, A2'nin 100% yararlılık derecesini "yüzde yüz güvenilir seçenek" diye okumaktır; bu değer yalnız bu üç seçenek arasında en iyisi olduğu anlamına gelir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/phf-copras
Song, H. F., & Chen, Z. C. (2021). Multi-Attribute Decision-Making Method Based Distance and COPRAS Method with Probabilistic Hesitant Fuzzy Environment. International Journal of Computational Intelligence Systems, 14(1), 1229–1241. DOI: 10.2991/ijcis.d.210318.001
Zavadskas, E. K., & Kaklauskas, A. (1996). Determination of an efficient contractor by using the new method of multicriteria assessment. In International Symposium for the Organization and Management of Construction: Shaping Theory and Practice, Vol. 2, 94–104. (DOI yok)
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418
Xu, Z., & Zhou, W. (2017). Consensus building with a group of decision makers under the hesitant probabilistic fuzzy environment. Fuzzy Optimization and Decision Making, 16, 481–503. DOI: 10.1007/s10700-016-9257-5