Uzantı kartı · q-Rung ortopair
q-Rung ortopair EDAS (Li ve ark., 2019)
EDAS'ın, uzmanın bir yargıya hem güçlü destek hem güçlü çekince verdiği durumlar için biçimidir. Bu ikisinin toplamı sezgisel ya da Pisagor sınırını aştığında kullanılır; sonucu yine ortalama çözümden sapmaya dayalı bir uygunluk puanıyla verir.
Temel yöntem
EDAS →
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. Karar mantığı aynı kalır.
Hücreler. Kesin EDAS'ta her hücre tek sayıdır. Burada her hücre bir çifttir: destek derecesi μ ve ret derecesi ν. Bu iki derecenin üçüncü kuvvetlerinin toplamı 1'i geçemez, çünkü DecisionMind bu yöntemde q'yu 3 olarak sabitler. q'yu kullanıcı seçmez. Ağırlıklar tek sayı olarak dışarıdan gelir.
Ölçek eşitleme. Kesin EDAS'ta ölçek eşitleme yoktur, doğrudan ortalama çözümden sapmaya bakılır. Burada da ayrı bir ölçek eşitleme adımı yoktur. Bunun yerine her çift önce tek bir sayıya indirilir: destek derecesinin küpü eksi ret derecesinin küpü. Maliyet kriterinde bu indirgeme öncesinde destek ile ret derecesi yer değiştirir, böylece her kriter fayda yönünde okunur.
Uzaklık. İndirgenmiş sayılar üzerinden her kriterin ortalaması alınır. Her adayın bu ortalamanın üstünde ve altında kalan payı ayrı ayrı ölçülür ve ağırlıklarla toplanır. Kesin EDAS'ta bu pay doğrudan ölçülmüş sayılar üzerinden hesaplanıyordu. Burada pay, destek ile ret arasındaki farktan gelen tek bir sayı üzerinden hesaplanır.
Sonuç ve durulaştırma. Uygunluk puanı aynı tanımı taşır: ortalamanın üstündeki payın normalleşmiş hali ile altındaki payın normalleşmiş halinin ortalaması. Sonuç 0 ile 1 arasında tek bir sayıdır. İndirgeme, destek ile ret derecesini tek adımda bir araya getirir; belirsizlik burada durulaşır, sonraki adımlarda yeniden görünmez.
DecisionMind bu yöntemde indirgemeyi Liu ve Wang'ın 2018 tarihli skor tanımıyla sabit tutar. Literatürde kararsızlık payını da hesaba katan başka bir skor tanımı vardır ve o tanım, kararsızlığın yüksek olduğu hücrelerde farklı bir puan verebilir.
Çıktı Nasıl Yorumlanır?
Uygunluk puanı kesin EDAS'taki gibi okunur: en yüksek puan alan seçenek ortalamanın üstünde en çok kalan ve altında en az kalan seçenektir. Fark şurada. İndirgeme adımı destek ile ret derecesini tek bir sayıda birleştirir. Ortaya çıkan sayının ne kadar güçlü bir destekten, ne kadar güçlü bir çekinceden geldiği raporda görünmez.
Bir kriterde bir adayın destek ve ret derecesi ikisi de yüksekse, indirgenmiş sayı orta bir değer verebilir ve bu adayı ortalamaya yakın gösterebilir. Bu, adayın o kriterde belirsiz olduğu anlamına gelir, vasat olduğu anlamına gelmez. Rapor bu farkı ayrıca belirtmelidir.
Bu nedenle:
"q-Rung EDAS'a göre en uygun seçenek A2'dir"
yerine:
"A2, ortalama çözümün üstünde en yüksek payı almıştır; A2'nin güçlü olduğu kriterlerde destek ile ret arasındaki fark da nettir"
biçiminde yazmak doğrudur. İndirgeme hesabı kolaylaştırır, belirsizliği ortadan kaldırmaz.
Ne Zaman Temel Yöntem Yerine Bu?
Uzman bir yargıya hem güçlü destek hem güçlü çekince veriyorsa ve bu çift sezgisel ile Pisagor sınırının ikisini de aşıyorsa bu uzantı kullanılır. Hangi çiftin hangi sınırı aştığını q-Rung veri türü kartındaki kısa karar kuralı gösterir. Çift zaten sezgisel ya da Pisagor sınırına sığıyorsa q'yu büyütmeye gerek yoktur; büyük q ayırt ediciliği azaltır.
Ölçülmüş bir kriteri bu biçime çevirmek yanlıştır. DecisionMind'da tablo tek türde olmak zorundadır. Ölçülmüş bir kriter varsa sabit bir çift olarak girilir ve bu çiftte belirsizlik taşınmaz. Temel EDAS'ın çıkış koşulu burada da geçerlidir: ortalamaya göre sapma mantığı karar vericinin beklentisine uymuyorsa EDAS ailesi yerine başka bir yöntem tercih edilmelidir.
Bu Uzantıya Özgü Hatalar
Kısıtı kontrol etmeden veri girmek. Her hücrede destek ve ret derecelerinin üçüncü kuvvetlerinin toplamı 1'i geçemez.
Maliyet yönünü iki kez uygulamak. Yöntem maliyet kriterinde destek ile ret derecesini indirgemeden önce yer değiştirir. Bu çevirmeyi bir de indirgenmiş sayının işaretine uygulamak yönü baştan sona bozar.
Ortalama tam sıfır çıktığında bölmeye devam etmek. Bir kriterde adaylar simetrik dağılırsa ortalama sıfır çıkabilir ve pay hesabı sıfıra bölünür. DecisionMind bu durumda payı sıfır kabul eder; bu kuralı uygulamadan hesaba devam etmek tanımsız bir sayı üretir.
Önce durulaştırıp ret derecesini yok saymak. Aşağıdaki öğretici örnekte bu yol A2'nin uygunluk puanını gerçek değerinden farklı gösterir.
Temel ilke şudur:
q-Rung ortopair EDAS, destek ile ret arasındaki farkı tek bir skor sayısında dürüstçe birleştirmek içindir. Bu skoru keyfi değiştiren ya da ret derecesini atlayan her uygulama bu katkıyı siler.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Üç adayın her kriterdeki çifti aynıdır, bu yüzden sonuç kriterlerden bağımsız ve nettir. Bu örnek kitap ya da makale sayfasından alınmamıştır; motorun kendisi çalıştırılarak üretilmiştir. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç adayın üç kriterde değerlendirilmesi (DecisionMind'ın doğrulama örneği)
Üç kriterin ağırlığı eşittir ve üçü de fayda yönündedir. Her adayın üç kriterdeki çifti birbirinin aynısıdır. A1 her kriterde 0,90 destek ve 0,10 ret alır. A2 her kriterde 0,70 destek ve 0,30 ret alır. A3 her kriterde 0,50 destek ve 0,50 ret alır.
| Aday | C1 (μ, ν) | C2 (μ, ν) | C3 (μ, ν) |
|---|---|---|---|
| A1 | 0,90 · 0,10 | 0,90 · 0,10 | 0,90 · 0,10 |
| A2 | 0,70 · 0,30 | 0,70 · 0,30 | 0,70 · 0,30 |
| A3 | 0,50 · 0,50 | 0,50 · 0,50 | 0,50 · 0,50 |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,333 | 0,333 | 0,333 |
Yöntem her çifti tek bir sayıya indirger: destek derecesinin küpü eksi ret derecesinin küpü. A1 için bu sayı 0,728, A2 için 0,316, A3 için 0'dır. Her kriterin ortalaması bu üç sayının ortalamasıdır ve üç kriterde de aynı çıkar, çünkü satırlar sabittir. A1 ortalamanın üstünde en çok kalan, A3 ise hiç kalmayan adaydır.
| Aday | Uygunluk puanı | Sıra |
|---|---|---|
| A1 | 1,000 | 1 |
| A2 | 0,454 | 2 |
| A3 | 0,000 | 3 |
Sonuç şöyle okunur. A1'in her kriterdeki güçlü desteği ve düşük reddi, indirgenmiş sayıyı ortalamanın çok üstüne taşımıştır. A3'ün dengeli ama zayıf çifti onu ortalamanın en altına koymuştur. A2 arada kalır ve puanı 0,454'tür.
Ağırlıklar yer değiştirse bu sonuç değişmez, çünkü her adayın üç kriterdeki çifti zaten aynıdır. Bu dayanıklılık, örneğin özel tasarımından gelir; her tabloda böyle bir dayanıklılık beklenmemelidir. Gerçek bir tabloda kriterler arasında fark olduğunda ağırlık değişimi sıraya da yansıyabilir.
Raporda: "A1, her kriterde ortalamanın üstünde kaldığı için birinci sıradadır. Bu tabloda üç kriter de aynı yönde davrandığından sonuç ağırlıklardan bağımsızdır."
Kaynak: DecisionMind'ın QR-EDAS motoru için doğrulama örneği. Sayılar, manifestteki adımların bağımsız olarak Python'da yeniden yazılmasıyla hesaplanmış ve motorun kendi çıktısıyla eşleştirilmiştir.
2. Denizcilik: Üç liman işletmecisi arasında yük taşıma sözleşmesi seçimi
Bir ihracatçı üç liman işletmecisi arasında yıllık yük taşıma sözleşmesi için seçim yapacaktır. Üç kriter belirlenmiştir: rıhtım kapasitesi, gümrük gecikme riski ve sigorta güvencesi. Gümrük gecikme riski azı iyi bir kriterdir. Her işletmecinin uygunluğu, operasyon ekibi ile sigorta danışmanının ayrı ayrı verdiği destek ve çekince puanlarından bir çifte dönüştürülmüştür.
| İşletmeci | Rıhtım kapasitesi | Gümrük gecikme riski | Sigorta güvencesi |
|---|---|---|---|
| D1 | 0,85 · 0,30 | 0,40 · 0,75 | 0,75 · 0,35 |
| D2 | 0,70 · 0,45 | 0,55 · 0,55 | 0,60 · 0,50 |
| D3 | 0,55 · 0,60 | 0,65 · 0,45 | 0,45 · 0,65 |
| Yön | çoğu iyi | azı iyi | çoğu iyi |
| Ağırlık | 0,30 | 0,30 | 0,40 |
Yöntem önce gümrük gecikme riski sütununda destek ile ret derecesini yer değiştirir. Sonra her çift tek bir sayıya indirgenir, kriter ortalamaları alınır ve her işletmecinin ortalamanın üstünde ve altında kalan payları ağırlıklarla toplanır.
| İşletmeci | Uygunluk puanı | Sıra |
|---|---|---|
| D1 | 1,000 | 1 |
| D2 | 0,440 | 2 |
| D3 | 0,000 | 3 |
İhracatçının tereddüdü şudur. Ağırlıklar yer değiştirse, yani sigorta güvencesi en hafif kriter olsa, D2'nin puanı 0,436'ya iner ve sıra değişmez. D1'in üç kriterde de ortalamanın üstünde kalması, sırayı ağırlık tercihinden bağımsız kılmıştır. İhracatçı yine de D1'in gümrük gecikme riski kriterindeki 0,75'lik ret derecesinin, yani riskin düşük olduğuna dair güçlü ama tek taraflı bir değerlendirme olduğunu not etmelidir.
Raporda: "D1, rıhtım ve sigorta kriterlerinde ortalamanın üstünde kalarak birinci sıradadır. Ağırlık takasında bu sonuç değişmemekte, ancak gümrük gecikme riski değerlendirmesinin tek bir ekipten geldiği raporda ayrıca belirtilmektedir."
3. Yapılmaması Gereken
Öğretici örnekte ret derecesi yok sayılıp yalnız destek dereceleriyle klasik EDAS koşturulursa A2'nin puanı 0,454 yerine 0,500 çıkar. Sıra değişmez ama A2'nin ortalamaya gerçek uzaklığı yanlış büyüklükte gösterilmiş olur. İkinci yanlış, gümrük gecikme riski gibi bir kriterde destek ile ret derecesini indirgemeden önce yer değiştirmeyi unutmaktır. Bu durumda gecikmesi en yüksek işletmeci ideal seçenek gibi görünür. Üçüncü yanlış, bir kriterde ortalama tam sıfır çıktığında payı hesaplamaya zorlamaktır; bu durumda sıfıra bölme hatası ya da anlamsız bir büyük sayı ortaya çıkar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/qr-edas
Li, Z., Wei, G., Wang, R., Wu, J., Wei, C., & Wei, Y. (2019). EDAS method for multiple attribute group decision making under q-rung orthopair fuzzy environment. Technological and Economic Development of Economy, 26(1), 86–102. DOI: 10.3846/tede.2019.11333
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
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