Uzantı kartı · q-Rung ortopair
q-Rung ortopair SAW
SAW'ın, uzmanın bir yargıya hem güçlü destek hem güçlü çekince verdiği ve bu ikisinin toplamının sezgisel ya da Pisagor sınırını aştığı durumlar için biçimidir. Sonucu yine tek bir puanla sıralar.
Temel yöntem
SAW →
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?
Üç şey değişir. Karar mantığı aynı kalır.
Hücreler. Kesin SAW'da 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; DecisionMind bu ailede q = 3 ile çalışır ve bu değer sabittir. Ağırlıklar tek sayı olarak dışarıdan gelir; yöntem ağırlık üretmez.
Ölçek eşitleme. Kesin SAW'da her sütun kendi en iyi değerine oranlanır; bu, farklı birimdeki kriterleri (TL, gün, puan) aynı ölçeğe getirmek içindir. q-Rung ortopair hücreler zaten 0 ile 1 arasında tanımlıdır ve bu ölçek q'nun kendisiyle sabitlenmiştir; ayrı bir "en iyiye oranlama" adımına gerek kalmaz. Bunun yerine yöntem, azı iyi kriterlerde destek ile ret derecesini yer değiştirir: â_ij = (ν_ij, μ_ij). Böylece her kriter fayda yönüne çevrilmiş olur ve sonraki adım tek bir yönle ilerler.
Ağırlıklı birleştirme. Kesin SAW'ın ikinci adımı doğrudan bir toplamadır: her sütun ağırlığıyla çarpılır ve satır boyunca toplanır. Burada aynı doğrudan toplama uygulanamaz, çünkü iki derece birlikte hâlâ q-Rung kısıtını sağlamak zorundadır ve μ ile ν'yü ayrı ayrı doğrusal ortalamak bu kısıtı bozabilir. Bunun yerine yöntem q-ROFWA adlı özel bir ağırlıklı birleştirme kuralı kullanır: μ̃_i = (1 − ∏_j(1 − μ_ij^q)^{w_j})^{1/q}, ν̃_i = ∏_j ν_ij^{w_j}. Bu, çarpım ve kuvvet tabanlı bir birleştirmedir, SAW'ın "doğrudan ve orantılı toplam" ilkesinin q-Rung uzayındaki karşılığıdır; sonuç yine geçerli bir q-Rung ortopair çifttir.
Sonuç ve durulaştırma. Kesin SAW'da sonuç zaten tek bir toplam puandır. Burada önce birleştirilmiş çift (μ̃_i, ν̃_i) elde edilir, sonra bir skor fonksiyonuyla tek sayıya indirilir: s_i = μ̃_i^q − ν̃_i^q. Eşitlik durumunda doğruluk derecesi a_i = μ̃_i^q + ν̃_i^q ile ayrılır. SAW'daki gibi büyük puan iyidir ve sıralama azalan puana göredir; bu yön değişmez. DecisionMind bu ailede q = 3'ü ve bu skor fonksiyonunu sabit tutar.
Çıktı Nasıl Yorumlanır?
Puan kesin SAW'daki gibi okunur: yüzde değildir, başka bir analizle karşılaştırılmaz, büyük puan iyidir. Fark şurada. Puanın altında artık destek ile ret arasında bir gerilim vardır ve tek sayı bu gerilimin ne kadar keskin olduğunu göstermez.
Bu nedenle:
"q-Rung SAW belirsizliği modellediği için sonuç daha isabetlidir"
yerine:
"Uzmanın hem güçlü destek hem güçlü çekince verdiği kriterler ayrıca işaretlenmiş, puan bu kriterlerin ağırlığına duyarlı çıkmıştır"
biçiminde yazmak doğrudur. Belirsizliği taşımak puanı kesinleştirmez, yalnız gizli kalmasını önler.
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 aştığı q-Rung veri türü kartındaki kısa karar kuralında gösterilir. Çift zaten sezgisel ya da Pisagor sınırına sığıyorsa q'yu büyütmek gerekmez; büyük q ayırt ediciliği azaltır, doğruluğu artırmaz.
Ölçülmüş bir kriteri bu biçime çevirmek yanlıştır. DecisionMind'da tablo tek türde olmak zorundadır. Ölçülmüş bir kriter sabit bir çift olarak girilir ve bu çiftte belirsizlik yoktur. SAW'ın çıkış koşulu burada da geçerlidir: bir kriterde hiç taviz kabul edilmiyorsa SAW ailesi doğru seçim değildir, çünkü tam telafi burada da devam eder.
Bu Uzantıya Özgü Hatalar
Kısıtı kontrol etmeden veri girmek. Her hücrede destek ve ret derecelerinin üçüncü kuvvetlerinin toplamı 1'i geçemez. Bu kontrol hesaptan önce yapılır.
q-ROFWA'yı basit bir ağırlıklı ortalamayla karıştırmak. μ ve ν'yü ayrı ayrı w_j ile çarpıp toplamak SAW'ın kesin biçimindeki gibi görünür. Ama bu, q-Rung kısıtını bozabilir ve yöntemin literatürdeki tanımından sapar; birleştirme yalnız çarpım-kuvvet formülüyle yapılır.
Maliyet yönünü iki kez çevirmek. Yöntem maliyet kriterinde destek ile ret derecesini bir kez yer değiştirir. Bu çevirmeyi birleştirmeden sonra tekrarlamak yönü baştan sona bozar.
Önce durulaştırıp sonra kesin SAW koşturmak. Aşağıdaki öğretici örnekte bu yol, adaylar arasındaki farkı gerçek değerinden farklı gösterir; ret derecesi hesap dışı kalınca puanlar yükselir ama gerçek gerilim kaybolur.
Temel ilke şudur:
q-Rung ortopair SAW, destek ile ret arasındaki gerilimi son adıma kadar taşımak içindir. Ret derecesini yok sayan ya da kısıtı denetlemeyen her uygulama bu katkıyı siler.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Bu örnek kitap ya da makale sayfasından alınmamıştır; SAW'ı q-Rung uzayına taşıyan bir yayımlanmış "QR-SAW" makalesi paylaşılmadığı için, q-ROFWA birleştirmesine sadık, elle izlenebilir bir 3×3 tablo motorun kendisi çalıştırılarak kurulmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç adayın üç kriterde değerlendirilmesi (DecisionMind'ın doğrulama örneği)
Üç kriterin ikisi fayda, biri maliyet yönündedir; ağırlıkları sırasıyla 0,40, 0,35 ve 0,25'tir.
| Aday | C1 (μ, ν) | C2 (μ, ν) | C3 (μ, ν) |
|---|---|---|---|
| A1 | 0,70 · 0,40 | 0,50 · 0,50 | 0,60 · 0,50 |
| A2 | 0,80 · 0,30 | 0,60 · 0,40 | 0,40 · 0,60 |
| A3 | 0,60 · 0,50 | 0,70 · 0,40 | 0,50 · 0,50 |
| Yön | çoğu iyi | çoğu iyi | azı iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem önce C3'te (azı iyi olduğu için) destek ile ret derecesini yer değiştirir. Sonra q-ROFWA formülüyle her adayın üç kriterdeki çiftini tek bir (μ̃, ν̃) çiftine birleştirir ve skor fonksiyonuyla puana indirger.
| Aday | Puan (s) | Sıra |
|---|---|---|
| A2 | 0,3061 | 1 |
| A3 | 0,1436 | 2 |
| A1 | 0,1101 | 3 |
Sonuç şöyle okunur. A2, birinci ve ikinci kriterde en yüksek destek ve en düşük ret derecesine sahiptir ve maliyet kriterinde de (çevrilmiş hâliyle) en güçlü konumdadır; bu üstünlük birleştirmede baskın çıkar ve A2 birinci sıraya yerleşir. A3 ikinci kriterde A2'yi geçse de birinci kriterdeki zayıflığı toplam puanını geride bırakır.
Kurulun tereddüdü şurada: en ağırlıklı kriter ikinci kritere (C2) kaydırılıp C1'in ağırlığı 0,40'tan 0,15'e, C3'ün ağırlığı 0,25'ten 0,20'ye düşürülürse (C2 0,65'e çıkar) A2 hâlâ önde kalır (0,2136), ama A3'e farkı 0,306'dan 0,214'e küçülür. Ağırlık kayması daha da ileri götürülüp C2 0,70'e çıkarılırsa (C1 0,10, C3 0,20) A3 öne geçer (0,2136'ya karşı A2'nin 0,1936'sı; bağımsız olarak hesaplanmıştır). A2'nin birinciliği, ikinci kriterin ağırlığının belirli bir eşiği aşmamasına bağlıdır.
Raporda: "Verilen ağırlıklarla (C1=0,40, C2=0,35, C3=0,25) A2 en yüksek puanı almıştır (0,3061). C2'nin ağırlığı 0,70'e çıkarılıp C1 0,10'a düşürülürse A3 öne geçmektedir; sıra ikinci kriterin ağırlığına duyarlıdır."
Kaynak: DecisionMind'ın QR-SAW motoru için doğrulama örneği. Sayılar, manifestteki q-ROFWA formülünün bağımsız olarak Python'da yeniden yazılmasıyla hesaplanmış ve motorun kendi çıktısıyla eşleştirilmiştir.
2. Arşivcilik: Kurumsal arşiv dijitalleştirme tedarikçisi seçimi
Bir kurum, kâğıt arşivini dijitalleştirecek üç tedarikçi teklifi arasında seçim yapacaktır. Üç kriter belirlenmiştir: tarama kalitesi, teslim süresi güvenilirliği ve veri güvenliği riski (bu sonuncusu azı iyi). Tedarikçilerin her kriterdeki uygunluğu, teknik ekip ile hukuk biriminin ayrı ayrı verdiği destek ve çekince puanlarından bir çifte dönüştürülmüştür; bazı tedarikçiler hem çok yüksek tarama kalitesi hem de kişisel veri sızıntısı konusunda ciddi bir çekince taşımaktadır.
Yöntem önce veri güvenliği riski sütununda destek ile ret derecesini yer değiştirir, sonra q-ROFWA ile üç kriteri birleştirir ve skorlar. Diyelim ki sonuç, tarama kalitesinde en yüksek destek ve en düşük çekinceye sahip tedarikçiyi birinci sıraya, teslim süresinde güçlü ama veri güvenliğinde hem yüksek destek hem yüksek çekince taşıyan tedarikçiyi ikinci sıraya koydu.
Kurumun tereddüdü şurada: ikinci sıradaki tedarikçinin veri güvenliği çiftinde hem destek hem ret derecesi yüksektir; bu, hukuk biriminin kararsız kaldığı, henüz bağımsız bir denetimden geçmemiş bir durumu gösterir. Puan bu ikiliği içeride eritir. Kurum, sıralamaya güvenmeden önce bu tedarikçiden bağımsız bir güvenlik denetim raporu istemelidir.
Raporda: "Tarama kalitesi kriterinde en güçlü tedarikçi birinci sıradadır. İkinci sıradaki tedarikçinin veri güvenliği kriterinde hem destek hem çekince derecesi yüksek çıkmıştır; bu gerilim bağımsız bir denetimle netleştirilmeden sözleşme imzalanmamalıdır."
3. Yapılmaması Gereken
Öğretici örnekte ret derecesi yok sayılıp yalnız destek dereceleriyle kesin SAW koşturulursa A2'nin puanı gerçek değerinden farklı çıkar ve A1 ile A3 arasındaki gerçek gerilim görünmez olur. İkinci yanlış, maliyet kriterinde destek ile ret derecesini yer değiştirmeyi unutmaktır; bu durumda veri güvenliği riski en yüksek tedarikçi ideal seçenek gibi görünür. Üçüncü yanlış, μ ve ν'yü q-ROFWA yerine ayrı ayrı ağırlıklı ortalamayla birleştirmektir; bu, kesin SAW'ın toplama mantığını q-Rung uzayına doğrudan taşır ve kısıtı bozan geçersiz bir çift üretebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/qr-saw
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
Fishburn, P. C. (1967). Additive utilities with incomplete product sets: Application to priorities and assignments. Operations Research, 15(3), 537–542. DOI: 10.1287/opre.15.3.537
Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making: Methods and Applications: A State-of-the-Art Survey. Lecture Notes in Economics and Mathematical Systems, Vol. 186. Springer-Verlag. DOI: 10.1007/978-3-642-48318-9