Uzantı kartı · q-Rung ortopair
q-Rung ortopair WASPAS (DecisionMind türetimi)
WASPAS'ın, bir yargıya verilen destek ve ret derecelerinin birlikte ne kadar büyük olabileceğini bir üs (q) ile ayarlayan biçimidir. Ağırlıklı toplam ve ağırlıklı çarpım bileşenleri bu destek-ret çiftleri üzerinden ayrı ayrı hesaplanır, tek puana yalnız son adımda iner.
Temel yöntem
WASPAS →
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; toplam ile çarpımı harmanlama fikri değişmez.
Hücreler. Kesin WASPAS'ta her hücre tek sayıdır. Burada her hücre bir çifttir: μ destek derecesi, ν ret derecesidir. Bu iki değer μ^q + ν^q ≤ 1 kuralına uymak zorundadır; q büyüdükçe kabul edilen çiftler genişler. DecisionMind'da q kullanıcı tarafından girilmez; bu uzantı için q = 3'tür ve yöntemin tanımıyla birlikte gelir, hücre hücre değiştirilemez.
Ölçek eşitleme. Kesin WASPAS her sütunu kendi en iyi değerine oranlayarak eşitler. Burada böyle bir bölme adımı yoktur, çünkü destek-ret çiftleri zaten 0 ile 1 arasındadır. Bunun yerine maliyet kriterinde μ ile ν yer değiştirir. Bu işlem ölçeği eşitlemez, yönü çevirir.
Toplam ve çarpım bileşeni. Kesin WASPAS'ın ağırlıklı toplamını (WSM) burada q-Rung ortopair ağırlıklı ortalama (q-ROFWA) karşılar. Her seçeneğin ölçütler boyunca destek-ret çifti önce tek bir çifte indirilir. Bu çift sonra skor fonksiyonuyla (s = μ^q − ν^q) Q1 adlı tek sayıya döner. Kesin WASPAS'ın ağırlıklı çarpımını (WPM) ise q-Rung ortopair ağırlıklı geometrik ortalama (q-ROFWG) karşılar; aynı skorla Q2'ye döner. q-ROFWA destekleri iyimser biçimde büyütürken q-ROFWG retleri öne çıkarır; bu, sırasıyla toplamanın telafi edici ve çarpımın cezalandırıcı karakterine karşılık gelir.
Sonuç ve birleştirme. Kesin WASPAS'ta λ, arayüzde 0 ile 1 arasında değiştirilebilen ve varsayılanı 0,5 olan bir parametredir. Bu uzantıda λ arayüzde bir alan olarak sunulmaz; motorun kabul ettiği ek bir girdi olarak 0,5 varsayılanıyla gelir ve gerektiğinde bu ek girdi üzerinden değiştirilebilir.
DecisionMind QR-WASPAS'ta bu yön düzeltmesini, q-ROFWA/q-ROFWG birleştirmesini ve s = μ^q − ν^q skorunu sabit tutar; q yöntem tanımından gelir, ağırlıklar dışarıdan ve kesin olarak alınır, yöntem ağırlık üretmez.
Çıktı Nasıl Yorumlanır?
Çıktı kesin WASPAS'taki gibi bir birleşik puan ve sıradır; okunması da aynıdır: yüzde ya da olasılık değildir, seçenek kümesi değişince sıra kayabilir.
Fark şudur. Puan, iyimser bir toplam görüşü (Q1) ile temkinli bir çarpım görüşünü (Q2) harmanlar; bu harmanın hangi ağırlıkla (λ) yapıldığı arayızda görünmez, ek bir girdiyle değiştirilmediyse 0,5'tir. Ayrıca puanın altında bir destek-ret çifti vardır ve bu çift μ^q + ν^q ≤ 1 kısıtı altında, q = 3 ile Pisagor bulanıktan (q = 2) daha geniş bir alanı kapsar. İki seçeneğin puan farkı, hangi kriterde ne kadar destek ve ret verildiğine bağlıdır.
Bu nedenle:
"QR-WASPAS'a göre E2 en iyi seçenektir"
yerine:
"Bu puan, destek-ret çiftlerinin q-ROFWA ve q-ROFWG ile ayrı ayrı birleştirilip λ=0,5 ile harmanlanmasından çıkan bir skordur; bu üstünlük hangi kriterde ne kadar destek ve ret puanı verildiğine bağlıdır ve ağırlık değişince kayabilir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya hem çok güçlü destek hem çok güçlü çekince veriyorsa ve bu çiftler Pisagor kısıtını (μ² + ν² ≤ 1) da aşıyorsa bu uzantı kullanılır. Uzman çiftleri sezgisel ya da Pisagor kısıtına zaten sığıyorsa q'yu büyütmenin bir katkısı yoktur; yalnız ayırt edicilik azalır. Bütün matrisin tek bir q ile çalıştığı unutulmamalıdır; bir hücre için gereken q, matristeki en uç çiftin gerektirdiği q'dur. Kesin WASPAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir.
Bu Uzantıya Özgü Hatalar
Değer alanı ihlali. Her hücre μ ∈ [0,1], ν ∈ [0,1] ve μ^q + ν^q ≤ 1 koşulunu sağlamalıdır; q = 1 sezgisel bulanığa, q = 2 Pisagor bulanığa karşılık gelir. Bu kontrol edilmeden hesaba girmek yöntemi geçersiz kılar.
q'yu veriye bakmadan büyük seçmek. Bu uzantıda q sabit ve yöntem tanımıyla gelir; "esneklik olsun" diye başka bir q istemek bu uzantının konusu değildir. Uzman çiftleri q = 3'ün gerektirdiği alanı aşıyorsa bu uzantı yetersiz kalır, daha büyük q'lu bir yöntem gerekir.
ν'yü 1 − μ yazmak. Bu durumda toplam her zaman tam 1 olur ve q = 3'ün sağladığı ek kabul alanı hiç kullanılmamış olur.
λ'yı arayüzde aramak. λ burada ağırlıklar gibi bir arayüz alanı değildir; ek bir girdi olarak 0,5 varsayılanıyla gelir. Bu ayrım raporda belirtilmelidir; aksi hâlde okuyucu λ'nın hiç değişmediğini sanabilir.
Temel ilke şudur:
QR-WASPAS'ta destek-ret çifti q-ROFWA ve q-ROFWG ile ayrı ayrı birleştirilip skorlanır; q yöntem tanımından gelir, hücre hücre seçilmez ve matrisin tamamı için tektir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: literatürde ortak bir QR-WASPAS uygulama örneği bulunmadığı için üç seçenekli, üç kriterli sentetik bir tablo formül zincirine sadık kalınarak kurulmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Baz istasyonu ekipman tedarikçisi seçimi
Bir mobil şebeke operatörü, yeni nesil baz istasyonu ekipmanı için üç tedarikçi teklifinden birini seçecektir. Üç ölçüt vardır: teknik performans (çoğu iyi), şebekeye entegrasyon kolaylığı (çoğu iyi), toplam sahip olma maliyeti (azı iyi). Teknik kurul her tedarikçi-ölçüt çifti için hem çok güçlü destek hem çok güçlü çekince bildirmiştir; bu çiftler Pisagor kısıtını (μ²+ν²≤1) aştığından q = 3 ile çalışılmıştır.
| Tedarikçi | Teknik performans | Entegrasyon kolaylığı | Toplam maliyet (azı iyi) |
|---|---|---|---|
| E1 | (0,70; 0,40) | (0,50; 0,50) | (0,60; 0,50) |
| E2 | (0,80; 0,30) | (0,60; 0,40) | (0,40; 0,60) |
| E3 | (0,60; 0,50) | (0,70; 0,40) | (0,50; 0,50) |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem toplam maliyette μ ile ν'yü yer değiştirir, üç ölçütün çiftlerini hem q-ROFWA hem q-ROFWG ile ayrı ayrı birleştirip skorlar (s = μ³ − ν³); iki skoru λ=0,5 ile harmanlar.
| Tedarikçi | Birleşik puan | Sıra |
|---|---|---|
| E2 | 0,2809 | 1 |
| E3 | 0,1305 | 2 |
| E1 | 0,0859 | 3 |
Sonuç şöyle okunur. E2, en ağırlıklı ölçüt olan teknik performansta en yüksek destek ve en düşük ret çiftine (0,80; 0,30) sahiptir ve toplam maliyette de (tersine çevrildikten sonra) avantajlıdır. E3, entegrasyon kolaylığında en güçlü çifte sahip olsa da (0,70; 0,40) bu, E2'nin teknik performanstaki üstünlüğünü dengelemeye yetmez. E1 ile E3 baz puanları (0,0859 ile 0,1305) birbirine E2'den daha yakındır; ağırlık dağılımı değişince bu ikisi arasındaki sıra kolayca değişebilir.
Kurulun tereddüdü şudur: teknik performans ağırlığı 0,40'tan 0,05'e indirilip entegrasyon kolaylığına 0,65 verilirse (toplam maliyet 0,30 kalır) ne olur? Bağımsız Python ile kernel doğrudan çalıştırıldığında, bu yeni ağırlıklarla E3'ün puanı 0,1793'e, E2'ninki 0,1682'ye düşer; birincilik E3'e geçer, çünkü E3'ün entegrasyon kolaylığındaki üstünlüğü artık en ağır ölçütü belirlemektedir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) E2 en yüksek birleşik puana sahiptir (0,2809). Ağırlık entegrasyon kolaylığına belirgin biçimde kaydırıldığında (0,05; 0,65; 0,30) birincilik E3'e geçmektedir; bu nedenle hangi ölçütün öncelikli olduğu ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın QR-WASPAS doğrulama örneği; literatürde paylaşılan ortak bir QR-WASPAS uygulama tablosu bulunmadığı için sentetik olarak kurulmuş, beklenen sonuçlar manifestteki formül zincirinden (yön düzeltmesi, q-ROFWA/q-ROFWG birleştirme, s = μ^q − ν^q skoru, q=3, λ=0,5) türetilmiştir. Değer uzayı Yager'in (2017) genelleştirilmiş ortopair bulanık küme tanımına dayanır. Puanlar ve ağırlık takası senaryosu bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır.
2. Okul Kantini: Bir okulun kantin işletmecisi seçimi
Bir okul aile birliği, kantini işletecek üç aday firmadan birini seçecektir. Üç ölçüt vardır: beslenme programına uyum taahhüdü (çoğu iyi), hijyen geçmişi (çoğu iyi), aylık kira bedeli (azı iyi). Denetim kurulu, her aday-ölçüt çifti için hem güçlü olumlu izlenimini hem ciddi çekincesini aynı anda bildirmiştir; bu çiftlerin bir kısmı Pisagor kısıtını da aştığından q = 3 ile değerlendirilmiştir.
Yöntem kira bedelinde μ ile ν'yü yer değiştirir, üç ölçütün çiftlerini q-ROFWA ve q-ROFWG ile birleştirip skorlar ve λ=0,5 ile harmanlar. Diyelim ki en yüksek beslenme programı desteğine sahip aday aynı zamanda hijyen geçmişinde de düşük çekinceye sahip çıktı ve birinci sırada yer aldı.
Kurulun tereddüdü şudur: kira bedeli ölçütündeki ret derecesi yüksek kalan bir aday için bu çekince tek puanda erimiştir. Kurul, birinci çıkan adayın kira bedeli konusundaki ret derecesini ayrıca raporlamalı ve sözleşme öncesi netleştirmelidir.
Raporda: "Beslenme programına uyum ve hijyen geçmişi nedeniyle bir aday öne çıkmaktadır; bu adayın kira bedeli ölçütündeki ret derecesi diğerlerine göre yüksektir ve sözleşme görüşmesinde ayrıca ele alınmalıdır."
3. Yapılmaması Gereken
Öğretici örnekte E2'nin teknik performans çiftini, 0,80 ile 0,30, ν'yü 1 − μ alarak 0,80 ile 0,20 yazmak yanlıştır; bu, kurulun bildirdiği gerçek çekinceyi siler ve q = 3'ün sağladığı ek kabul alanını boşa çıkarır. İkinci yanlış, "daha esnek olsun" diye q'yu 5'e çıkarmaktır; bu uzantıda q sabittir ve yöntem tanımından gelir, hücre hücre ya da rapor bazında değiştirilmez. Üçüncü yanlış, E2'nin 0,2809 puanını "yüzde 28 uygunluk" diye raporlamaktır; puan yalnız bu üç tedarikçiyi birbirine göre sıralar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/qr-waspas
Zavadskas, E. K., Turskis, Z., Antuchevičienė, J., & Zakarevičius, A. (2012). Optimization of weighted aggregated sum product assessment. Elektronika ir Elektrotechnika, 122(6), 3–6. DOI: 10.5755/j01.eee.122.6.1810
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
Senapati, T., & Yager, R. R. (2020). Fermatean fuzzy sets. Journal of Ambient Intelligence and Humanized Computing, 11(2), 663–674. DOI: 10.1007/s12652-019-01377-0