Uzantı kartı · q-Rung ortopair
q-Rung ortopair ARAS (Mishra ve Rani, 2023)
Bu, ARAS'ın kriter puanlarının bir yargıya destek ve ret derecesi olarak verildiği, bu iki derecenin toplamının sezgisel ve Pisagor sınırını aştığı durumlar için biçimidir. Fayda derecesini yine hayali bir optimal seçeneğe göre yüzdesel bir oranla verir.
Temel yöntem
ARAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
q-Rung ortopair (q-Rung Orthopair) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir. Fayda derecesi mantığı aynı kalır.
Hücreler. Kesin ARAS'ta her hücre tek sayıdır. Burada her hücre bir çifttir: destek derecesi (μ) ve ret derecesi (ν). Bu iki derecenin q'nuncu kuvvetlerinin toplamı 1'i geçemez. q'yu kullanıcı seçmez; yöntemin tanımıyla birlikte gelir ve DecisionMind'da sabit tutulur. Ağırlıklar tek sayı olarak dışarıdan gelir; yöntem ağırlık üretmez.
Ölçek eşitleme. Kesin ARAS maliyet kriterini tersine çevirip her sütunu kendi toplamına böler. Burada böyle bir bölme yoktur, çünkü destek ve ret dereceleri zaten 0 ile 1 arasında sınırlıdır ve sütunlar arasında ayrıca karşılaştırılabilir hâle getirilmeye ihtiyaç duymaz. Maliyet kriterinde yöntem çifti tersine çevirir: destek ve ret dereceleri yer değiştirir. Böylece her kriter fayda yönünde okunur.
Optimal seçenek ve birleştirme. Kesin ARAS'ta olduğu gibi burada da hayali bir optimal seçenek kurulur: her kriterde gözlenen en yüksek destek ve en düşük ret çiftinden oluşan bir satır eklenir. Sonra hem gerçek seçenekler hem bu optimal satır için, kriterler boyunca ağırlıklı bir birleştirme yapılır. Bu birleştirme kesin ARAS'taki gibi düz bir toplam değildir; destek ve ret derecelerini birlikte işleyen bir q-Rung birleştirme kuralı kullanılır ve sonuç yine tek bir çift (destek, ret) olur.
Sonuç ve durulaştırma. Birleşik çift, 0 ile 1 arasında tek bir skora indirilir. DecisionMind burada q'nun eksi işaretli kuvvetlerinden gelebilecek işaret sorununu önlemek için özellikle 0 ile 1 arasında kalan bir skor kuralı kullanır; skorun eksi çıkabilecek bir biçimini değil. Her gerçek seçeneğin skoru, optimal seçeneğin skoruna bölünür. Bu oran fayda derecesidir (K) ve kesin ARAS'taki gibi 0 ile 1 arasında, optimal seçeneğe göre yüzdesel fayda olarak okunur.
DecisionMind bu yöntemde q'yu ve skor kuralını sabit tutar. Ağırlıklar dışarıdan ve tek sayı olarak alınır.
Çıktı Nasıl Yorumlanır?
Fayda derecesi K, kesin ARAS'taki gibi okunur: optimal seçeneğe göre yüzdesel bir oran, yalnız bu seçenek kümesi ve bu ağırlıklarla anlamlı, başka bir analizle karşılaştırılamaz.
Fark şurada: puanın altında artık destek ile ret arasındaki bir gerilim vardır. Bir yargıya hem yüksek destek hem yüksek ret verilmişse, yani uzman aynı anda hem güçlü onay hem güçlü çekince bildirmişse, bu ikilik hesaba girer ama K'nın içinde görünmez hâle gelir. İki seçeneğin K farkı, yalnız ağırlıklara değil, girdi çiftlerinin ne kadar keskin olduğuna da bakılarak değerlendirilmelidir.
Bu nedenle:
"q-Rung ARAS'a göre A1 en iyi seçenektir"
yerine:
"Bu seçenek kümesinden türetilen optimal seçeneğe göre A1 en yüksek fayda derecesine sahiptir; bu oran yalnız bu seçenek kümesi ve bu ağırlıklarla anlamlıdır ve hangi kriterde destek-ret geriliminin yüksek olduğunu göstermez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya destek ve ret derecesini ayrı ayrı veriyorsa ve bu çiftler sezgisel ile Pisagor bulanık sınırını aşıyorsa bu uzantı kullanılır. Kesin ARAS'ın "optimale göre yüzde" çıktısı bu belirsizlik altında isteniyorsa da uygundur. q'nun nasıl seçildiği ve komşu türlerle (sezgisel, Pisagor, Fermatean) karıştırılmaması gereken sınır veri türü kartındadır.
Çıkış koşulu kesin ARAS ile aynıdır. Matris tek türde olmak zorundadır; bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.
Bu Uzantıya Özgü Hatalar
q'yu veriye bakmadan büyük seçmek. q büyüdükçe kabul edilen çiftler genişler ama ayırt edicilik azalır; q, uzman çiftlerinin tamamını kapsayan en küçük üs olmalıdır ve hücre hücre değil, tüm matris için tek seçilir.
ν'yü 1 − μ olarak hesaplamak. Bu durumda toplam her zaman tam 1'dir ve q-Rung yapıya hiç gerek kalmaz; ret derecesi ayrı bir kanıttan gelmelidir.
Optimal seçeneği yanlış türetmek. Maliyet kriterinde önce tersine çevirme yapılmadan optimal satır kurulursa, en iyi çift yanlış yönde seçilir ve bütün K değerleri tek biçimde bozulur.
K'yı bir olasılık gibi okumak. K yalnız bu seçenek kümesinin optimal seçeneğine göre orantısal bir fayda ölçüsüdür, "yüzde kaç olasılıkla doğru seçim" değildir.
Temel ilke şudur:
Fayda derecesi, seçenek kümesinden türetilen optimal seçeneğe, verilen ağırlıklara ve q'nun kapsadığı destek-ret çiftlerine bağlıdır; bunlardan biri değişince K de değişir ve rapor bunu göstermelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; literatürden bir sayfa aktarımı değildir, motorun kendisi çalıştırılarak doğrulanmıştır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç tedarikçinin üç kriterde q-Rung ortopair değerlendirmesi
Üç tedarikçi üç kriterde q = 3 ile geçerli destek-ret çiftleriyle değerlendirilmiştir. Üçü de çoğu iyi kriterdir; tedarikçiler kriterler boyunca sırayla zayıflayan bir örüntü izler.
| Tedarikçi | Kriter 1 | Kriter 2 | Kriter 3 |
|---|---|---|---|
| A1 | (0,90; 0,20) | (0,85; 0,30) | (0,80; 0,40) |
| A2 | (0,70; 0,40) | (0,65; 0,50) | (0,60; 0,55) |
| A3 | (0,50; 0,55) | (0,45; 0,60) | (0,40; 0,65) |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her kriterde en yüksek destek ve en düşük ret çiftinden bir optimal tedarikçi kurar (burada bu çift tam olarak A1'in kendi puanlarıdır), her satırı q-Rung birleştirme kuralıyla tek bir çifte indirir, bu çifti 0-1 arasında bir skora çevirir ve gerçek tedarikçilerin skorunu optimalin skoruna böler.
| Tedarikçi | Fayda derecesi (K) | Sıra |
|---|---|---|
| A1 | 1,000 | 1 |
| A2 | 0,730 | 2 |
| A3 | 0,549 | 3 |
Sonuç şöyle okunur: A1 her kriterde hem en yüksek destek hem en düşük ret çiftine sahiptir, bu yüzden optimal seçeneğin ta kendisidir ve K=1,000 alır. A2 ve A3 üç kriterde de A1'in gerisinde kalır; K değerleri bu geriliğin ağırlıklı toplamını yansıtır.
Tedarikçilerin sırası bu tabloda kriter kriter aynı yönde bozulmadığı için ağırlıklıklıkla tersine dönmez. Kriter 1'in ağırlığı 0,40'tan 0,25'e, Kriter 3'ünki 0,25'ten 0,40'a çekilse bile (bağımsız Python ile yeniden hesaplandığında), A2'nin K değeri 0,730'dan yalnız 0,727'ye, A3'ünki 0,549'dan 0,547'ye iner; sıra A1 > A2 > A3 olarak kalır. Bunun nedeni, A1'in her kriterde birden fazla kriterde aynı anda en iyi olması, yani ağırlık hangi kritere kayarsa kaysın A1'in optimal konumunun değişmemesidir. Ağırlık, seçenekler kriter kriter üstünlük değiştirdiğinde sırayı belirler; burada değiştirmediği için sıra sağlamdır.
Raporda: "Verilen ağırlıklarla A1, her kriterde en iyi çifte sahip olduğu için optimal seçeneğin kendisidir (K=1,000); A2 ikinci (K=0,730), A3 üçüncüdür (K=0,549). Ağırlıkların kriterler arasında yeniden dağıtılması bu sırayı değiştirmemektedir, çünkü A1 hiçbir kriterde geride değildir."
Kaynak: DecisionMind'ın QR-ARAS doğrulama örneğidir; A1'in her kriterde en iyi çifti taşıyacak biçimde kurulan sentetik bir tablodur, Mishra ve Rani'nin (2023) makalesindeki bir tablo değildir. Fayda dereceleri ve ağırlık değişikliği senaryosu DecisionMind'ın QR-ARAS motoru bağımsız olarak çalıştırılarak elde edilmiştir.
2. Sağlık: Üç görüntüleme cihazı teklifi arasında seçim
Bir hastane, yeni bir görüntüleme cihazı alımında üç üreticinin teklifi arasında seçim yapacaktır. Üç kriter belirlenmiştir: görüntü kalitesi, cihazın uzun vadeli bakım güvenilirliği ve teknik ekibin cihaza uyum kolaylığı. Her kriter için değerlendirme kurulu "bu teklif hastane için uygundur" yargısına bir destek ve bir ret derecesi vermiştir; bazı tekliflerde kurul hem güçlü teknik üstünlük hem ciddi servis riski bildirdiği için çiftler Pisagor sınırını aşmış ve q = 3 ile kaydedilmiştir. Kurul bakım güvenilirliğine en yüksek ağırlığı vermiştir.
Yöntem üç teklifi karşılaştırır: her kriterde en iyi çiftten kurulan optimal teklife göre her gerçek teklifin fayda derecesini hesaplar. Diyelim ki en yüksek bakım güvenilirliğine sahip teklif aynı zamanda uyum kolaylığında da güçlü çıktı ve fayda derecesinde birinci oldu; görüntü kalitesi daha yüksek ama bakım güvenilirliği zayıf olan teklif ikinci sırada kaldı.
Kurulun tereddüdü: bakım güvenilirliği kriterinde kurulun verdiği yüksek destek-ret çiftleri, üreticinin yerel servis ağının henüz sahada denenmemiş olmasından kaynaklanıyor olabilir. Birinci teklifin üstünlüğü büyük ölçüde bu kriterdeki güçlü ama gerilimli puana dayanıyorsa, hastane sözleşmeye bağlayıcı bir servis süresi şartı koymadan alımı onaylamamalıdır.
Raporda: "Bakım güvenilirliğine verilen en yüksek ağırlıkla birinci teklif en yüksek fayda derecesine ulaşmaktadır; bu kriterdeki destek-ret gerilimi yüksek olduğundan sözleşmeye bağlayıcı bir servis süresi şartı önerilir."
3. Yapılmaması Gereken
Öğretici örnekte bir uzmanın verdiği (0,90; 0,20) çiftini, ret derecesini görmezden gelip yalnız destek değeriyle (0,90) kesin ARAS'a vermek yanlıştır; bu, uzmanın bildirdiği çekinceyi tamamen siler. İkinci yanlış, maliyet kriterinde tersine çevirmeyi atlayıp optimal seçeneği doğrudan gözlenen en yüksek destek çiftinden kurmaktır; bu, "azı iyi" bir kriterde optimal seçeneği yanlış yönde kurar ve bütün K değerlerini bozar. Üçüncü yanlış, A1'in K=1,000 değerini "kusursuz tedarikçi" diye okumaktır; bu yalnız A1'in bu üç seçenek arasında optimal seçeneğin ta kendisi olduğu anlamına gelir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/qr-aras
Mishra, A. R., & Rani, P. (2023). A q-rung orthopair fuzzy ARAS method based on entropy and discrimination measures: an application of sustainable recycling partner selection. Journal of Ambient Intelligence and Humanized Computing, 14(6), 6897–6918. DOI: 10.1007/s12652-021-03549-3
Yager, R. R. (2017). Generalized orthopair fuzzy sets. IEEE Transactions on Fuzzy Systems, 25(5), 1222–1230. DOI: 10.1109/TFUZZ.2016.2604005
Liu, P., & Wang, P. (2018). Some q-rung orthopair fuzzy aggregation operators and their applications to multiple-attribute decision making. International Journal of Intelligent Systems, 33(2), 259–280. DOI: 10.1002/int.21927
Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159–172. DOI: 10.3846/tede.2010.10