Uzantı kartı · Tereddütlü
Olasılıksal tereddütlü EDAS (manifest adı: genişletilmiş tereddütlü dilsel EDAS)
Bu, EDAS'ın bir kriter için birden fazla makul değerin, gerçekleşme olasılıklarıyla birlikte tek bir hücrede taşındığı biçimidir. Her hücre, yöntemin ilk adımında olasılık ağırlıklı bir beklenen değere indirgenir ve geri kalan hesap bu değer üzerinden yürür.
Temel yöntem
EDAS →
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?
Dört şey değişir; ortalamaya göre konum bulma mantığı değişmez.
Hücreler. Kesin EDAS'ta her hücre tek sayıdır. Burada her hücre, olasılıklarıyla birlikte verilmiş birden fazla olası değerden oluşur: {(γ₁,p₁), (γ₂,p₂), ...}, olasılıkların toplamı 1'i aşamaz. "Bu tedarikçinin teslimat performansı yarı yarıya ihtimalle 0,6, yarı yarıya ihtimalle 0,8" gibi bir değerlendirme bu yapıya karşılık gelir.
Beklenen değere erken indirgeme. Kernel her hücreyi, ortalama bile kurulmadan, hesabın ilk adımında tek bir sayıya indirger: bu sayı, her olası değerin kendi olasılığıyla çarpılıp toplanmasıyla bulunan beklenen değerdir (Σ γ·p). Kurucu makaledeki olabilirlik derecesi sıralaması ve BUM ağırlıklı birleştirme burada uygulanmaz; kernel bunun yerine kolonun aritmetik ortalamasını alır.
Ortalama çözüm ve sapmalar. Ortalama, her sütunun bu beklenen değerlerinin aritmetik ortalamasıdır. Pozitif ve negatif sapma kesin EDAS'takiyle aynı kuralla hesaplanır: fayda kriterinde ortalamanın üstü lehte, maliyet kriterinde ortalamanın altı lehtedir.
Sonuç ve durulaştırma. Durulaştırma en sonda değil en baştadır. Her hücrenin taşıdığı birden fazla olası değer, hesabın ilk adımında tek bir beklenen değere iner ve bu değerlerin kendi aralarındaki yayılımı sonraki hiçbir adıma yansımaz.
DecisionMind bu uzantıda beklenen değer fonksiyonunu ve bu erken indirgeme sırasını sabit tutar. Ağırlıklar kesin sayı olarak dışarıdan alınır; yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Değerlendirme puanı kesin EDAS'takiyle aynı okunur: kümenin kendi ortalamasına göre bir konumdur, yüzde ya da olasılık değildir. Fark şurada: puanın altında artık bir olasılık dağılımı değil, bu dağılımın tek bir beklenen değeri vardır. İki seçenek aynı beklenen değere çok farklı dağılımlarla ulaşabilir; biri dar bir aralıkta yüksek olasılıkla, diğeri geniş bir aralıkta belirsiz olasılıklarla aynı beklenen değere gelebilir. Beklenen değer bu farkı göstermez.
Bu nedenle:
"PHF-EDAS olasılıklı belirsizliği sona kadar taşıdığı için sonuç daha güvenilirdir"
yerine:
"Her hücrenin olası değerleri, hesabın daha ilk adımında tek bir beklenen değere indirilmiştir; sonuçtaki puan bu beklenen değerler üzerinden hesaplanmıştır ve dağılımın genişliği puana yansımaz"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmesi için birden fazla olası değer varsa ve bu değerlerin gerçekleşme olasılığı biliniyorsa bu uzantı uygundur. Olasılık bilinmiyor, yalnız birden fazla değerin makul olduğu biliniyorsa klasik tereddütlü (hesitant) yapı ve ona uygun bir EDAS uzantısı aranmalıdır. Ölçülmüş tek bir kriter için kesin EDAS yeterlidir; tek bir ölçümü olasılıklı bir kümeye açmak bilgi eklemez. Uzmanlar terimi dilsel olarak veriyorsa ve olabilirlik derecesi sıralamasının kendisi (kurucu makaledeki EHFLTS ve ELCOWA mekanizması) isteniyorsa, bu DecisionMind'ın şu anki motorunun sunmadığı bir yetenektir; bu sınır raporda belirtilmelidir.
Bu Uzantıya Özgü Hatalar
Kernel'i kurucu makaledeki dilsel-olabilirlik yöntemiyle karıştırmak. Kurucu makale dilsel terim kümesi ve olabilirlik derecesi üzerinden çalışır; DecisionMind'ın kernel'i sayısal (γ,p) çiftleri ve beklenen değer üzerinden çalışır. İkisi aynı isimle anılsa da matematiksel olarak farklıdır; rapor hangisinin kullanıldığını açıkça yazmalıdır.
Olasılıkların toplamının 1'i aşmasına izin vermek. Bir hücredeki olasılıklar 1'i aşarsa beklenen değer artık bir beklenen değer değildir; girdi kontrol edilmeden hesaba alınmamalıdır.
Dağılımı olasılıksız bir tereddütlü küme gibi eşit ağırlıklandırmak. Her olası değere gerçek olasılığı yerine eşit pay vermek, olasılıklı tereddütlü yapının tek katkısını, yani gerçekleşme ihtimalinin bilgiye katılmasını, yok eder.
"Daha gelişmiş" yanılgısı. Olasılıklı girdi, kesin EDAS'tan otomatik olarak daha isabetli sonuç anlamına gelmez; erken indirgeme yapıldığı için katkısı yalnızca girdiyi toplama biçimindedir.
Temel ilke şudur:
PHF-EDAS'ta her hücrenin olası değerleri, ortalama hesabı kurulmadan önce, en baştaki adımda tek bir beklenen değere indirilir. Bu, kurucu makaledeki dilsel-olabilirlik mekanizması değildir; rapor hangi mekanizmanın kullanıldığını açıkça belirtmelidir.
Vakalar
Kurucu makalenin (Feng, Wei ve Liu, 2018) sayısal örneği dilsel terim kümesi ve olabilirlik derecesi üzerinden kurulmuştur ve DecisionMind'ın kernel'i bu mekanizmayı uygulamadığı için makalenin tablosu buraya taşınamaz. Birinci vaka bu yüzden DecisionMind'ın doğrulama örneğidir ve kernel'in gerçekten çalıştırdığı formül zincirine (beklenen değer, ortalama, sapma, normalizasyon) sadıktır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç seçeneğin üç kriterde değerlendirilmesi (DecisionMind doğrulama örneği)
Üç seçenek üç kriterde (C1, C2 çoğu iyi; C3 azı iyi) olasılıklı tereddütlü değerlerle değerlendiriliyor; her hücrede iki olası değer, eşit olasılıkla. Ağırlıklar C1=0,40, C2=0,35, C3=0,25.
| Seçenek | C1 | C2 | C3 (maliyet) |
|---|---|---|---|
| A1 | {0,6 (0,5); 0,8 (0,5)} | {0,4 (0,5); 0,6 (0,5)} | {0,5 (0,5); 0,7 (0,5)} |
| A2 | {0,7 (0,5); 0,9 (0,5)} | {0,5 (0,5); 0,7 (0,5)} | {0,3 (0,5); 0,5 (0,5)} |
| A3 | {0,5 (0,5); 0,7 (0,5)} | {0,6 (0,5); 0,8 (0,5)} | {0,4 (0,5); 0,6 (0,5)} |
Yöntem her hücreyi beklenen değere indirger (A1 C1: 0,6×0,5+0,8×0,5=0,7 gibi), C3'te yönü ters çevirir, sütun ortalamasını bu beklenen değerler üzerinden kurar ve kesin EDAS'ın geri kalan adımlarını uygular.
| Seçenek | Değerlendirme puanı | Sıra |
|---|---|---|
| A2 | 1,000 | 1 |
| A3 | 0,508 | 2 |
| A1 | 0,000 | 3 |
Sonuç şöyle okunur. A2, en ağır kriter olan C1'de beklenen değeri (0,8) ortalamanın (0,7) üstündedir. Maliyet yönlü C3'te de, tersine çevrildikten sonra, ortalamanın altındadır, yani lehinedir. İki ağır kriterde birden avantajlı olduğu için birincidir. A1 her iki kriterde de tam tersi konumdadır ve son sırada kalır.
Kararın tereddüdü: C2'nin ağırlığı 0,35'ten 0,60'a çıkarılıp C1'in ağırlığı 0,40'tan 0,25'e, C3'ün ağırlığı 0,25'ten 0,15'e indirilirse sıra tersine döner. DecisionMind'ın motoru bu yeni ağırlıklarla bağımsız olarak yeniden çalıştırıldığında A3 0,863 ile birinci, A2 0,829 ile ikinci çıkar. Bu, A2-A3 sırasının C1 ile C2'nin göreli ağırlığına ne kadar duyarlı olduğunu gösterir.
Raporda: "Verilen ağırlıklarla (C1=0,40, C2=0,35, C3=0,25) A2 kümenin ortalamasına göre en avantajlı konumdadır (1,000). C2'nin ağırlığı belirgin biçimde artırılırsa (C2=0,60) sıra tersine döner ve A3 öne geçer; bu yüzden ağırlık dağılımı ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın PHF-EDAS motorunun doğrulama örneği. Kurucu makalenin (Feng, Wei ve Liu, 2018) sayısal örneği dilsel terim kümesi ve olabilirlik derecesi mekanizmasıyla kurulduğu ve kernel bu mekanizmayı uygulamadığı için tablo, kernel'in gerçek formül zincirine sadık kalınarak sentetik olarak kurulmuştur. Değerlendirme puanları ve ağırlık senaryosu, DecisionMind'ın motoru (scripts/method_runner.py PHF-EDAS) bu kartın yazarınca bağımsız olarak çalıştırılarak doğrulanmıştır.
2. Huzurevi: Bir huzurevi zincirinin yeni şube için bakım hizmeti tedarikçisi seçimi
Bir huzurevi zinciri, yeni açacağı şube için üç dış kaynaklı bakım hizmeti sağlayıcısından birini seçecektir. Kriterler: hasta memnuniyeti beklentisi, hizmet maliyeti ve personel devir oranı; sonuncusu ikisi azı iyidir. Zincir, her sağlayıcının geçmiş sözleşmelerinden elde ettiği performans verisini, farklı vardiya senaryolarının gerçekleşme olasılıklarıyla birlikte bir olasılıklı tereddütlü değer olarak toplamıştır.
Yöntem her sağlayıcının üç kriterdeki beklenen değerini bulur, sütun ortalamasına göre lehte ve aleyhte sapmasını ölçer, ağırlıklarla birleştirir ve tek bir değerlendirme puanında toplar. Diyelim ki hizmet maliyeti en düşük sağlayıcı aynı zamanda personel devir oranı en yüksek sağlayıcıdır ve yine de birinci çıkıyor, çünkü maliyetin ağırlığı devir oranından yüksek tutulmuş.
Zincirin tereddüdü şudur: personel devir oranı yüksek bir sağlayıcıyla uzun vadeli sözleşme, hizmet sürekliliğini bozabilir. Zincir bu riski değerlendirme puanına değil, ayrı bir devir oranı tavanına bağlı ön elemeyle sınırlamalıdır.
Raporda: "Öncelik sırası, hizmet maliyetine verilen yüksek ağırlık nedeniyle bu kriterde ortalamanın altında kalan (dolayısıyla lehte olan) sağlayıcıya göre şekillenmiştir. Personel devir oranı ortalamanın üstünde olan sağlayıcılar için ayrı bir devir oranı tavanı önerilir."
3. Yapılmaması Gereken
Öğretici örnekte A1'in C1 hücresindeki iki olası değere (0,6 ve 0,8) eşit yerine keyfi olasılıklar (örneğin 0,9 ve 0,1) uydurmak, beklenen değeri gerçek dışı biçimde değiştirir; her olasılık kendi kaynağından gelmelidir. İkinci yanlış, huzurevi örneğinde kurucu makaledeki olabilirlik derecesi sıralamasının uygulandığını varsaymaktır; kernel bu mekanizmayı çalıştırmaz, yalnız beklenen değer hesaplar. Üçüncü yanlış, C3'ün maliyet olduğunu göz ardı edip beklenen değeri fayda yönünde değerlendirmektir; bu, en yüksek maliyetli seçeneği yanlışlıkla ödüllendirir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/phf-edas
Feng, X., Wei, C., & Liu, Q. (2018). EDAS method for extended hesitant fuzzy linguistic multi-criteria decision making. International Journal of Fuzzy Systems, 20(8), 2470–2483. DOI: 10.1007/s40815-018-0504-5
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(4), 481–503. DOI: 10.1007/s10700-016-9257-5
Zhang, S., Xu, Z., & He, Y. (2017). Operations and integrations of probabilistic hesitant fuzzy information in decision making. Information Fusion, 38, 1–11. DOI: 10.1016/j.inffus.2017.02.001
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418
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