Uzantı kartı · Küresel bulanık
Küresel bulanık EDAS (Garg ve Sharaf, 2022)
Küresel bulanık EDAS, kriter puanlarının bir yargıya destek, ret ve kararsızlık derecesi olarak üç ayrı sayıyla verildiği durumlarda kullanılan EDAS biçimidir. Ortalama çözüm de sapmalar da üç dereceli kalır; tek sayıya ancak en son adımda iner.
Temel yöntem
EDAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Küresel bulanık (Spherical) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir. Ortalamaya göre konumlanma fikri değişmez.
Hücreler. Kesin EDAS'ta her hücre tek sayıdır. Küresel bulanıkta her hücre üç dereceden oluşur: destek (μ), ret (ν) ve kararsızlık (π). Uzman bu üçünü doğrudan verir. Tek kısıt, üç derecenin karelerinin toplamının 1'i aşmamasıdır. Kararsızlık geriye kalan bir pay değildir; ayrıca sorulur. Ağırlıklar DecisionMind'da kesin sayı olarak dışarıdan gelir. Yöntem literatürde tek bir uzmanın ya da önceden birleştirilmiş bir kurulun matrisiyle çalışır; DecisionMind de bu ailede grup kararını desteklemez.
Ortalama çözüm. Kesin EDAS'ta her kriterin ortalaması tek bir sayıdır: sütundaki değerlerin aritmetik ortalaması. Küresel bulanıkta ortalama da üç dereceli bir değerdir. Sütundaki üçlüler küresel ağırlıklı ortalama işlemiyle birleştirilir ve tek bir SFN, yani ortalama üçlü, elde edilir. Maliyet kriterinde ortalama alınmadan önce her hücrenin destek ve ret dereceleri yer değiştirir. Kesin EDAS'ta maliyet kriteri, ortalamanın hangi tarafının lehte sayılacağını ters çevirir; küresel bulanıktaki karşılığı budur.
Sapma. Kesin EDAS'ta bir seçeneğin ortalamadan sapması, tek sayının çıkarılmasıyla bulunur ve pozitif ya da negatif olur. Küresel bulanıkta düz çıkarma işlemi yoktur; üç derece birlikte çıkarılamaz. Bunun yerine küresel bulanık fark işlemi kullanılır. Bu işlem, bir üçlünün diğerine göre ne kadar lehte, ne kadar aleyhte ve ne kadar kararsız olduğunu üç ayrı derecede tutan yeni bir üçlü üretir. Kesin EDAS'taki "ortalamanın üstünde mi altında mı" ayrımı, burada bu farkın üç bileşeninde birlikte taşınır.
Birleştirme. Kesin EDAS, lehte ve aleyhte toplamları ayrı ayrı en büyük değerlerine bölüp normalize eder, sonra ikisinin ortalamasını alarak değerlendirme puanını kurar. Küresel bulanıkta bu normalize-ortalama adımı yoktur. Ağırlıklı farklar, kriterler boyunca özel bir küresel bulanık toplama işlemiyle (SFAgg) tek bir üçlüde birleşir. Bu işlem her bileşen için ayrı bir kareli ortalama alır. Skor fonksiyonu yalnız bu son üçlüye, en son adımda uygulanır ve tek bir değerlendirme puanı (AS) çıkar. Seçenekler bu puana göre büyükten küçüğe sıralanır; yön kesin EDAS ile aynıdır.
Çıktı Nasıl Yorumlanır?
Değerlendirme puanı yalnız bu seçenek kümesini kümenin kendi ortalamasına göre sıralar. Başka bir analizle karşılaştırılmaz; bu, kesin EDAS ile ortaktır. Farklı olan, ortalamanın kendisinin de üç dereceli olmasıdır. Bir seçeneğin puanı yalnız "ortalamanın üstünde mi altında mı" sorusuna değil, o sapmadaki kararsızlığa da bağlıdır.
Bu nedenle:
"SF-EDAS puanı yalnız kesin EDAS'taki ortalamaya göre konum bilgisini taşır"
yerine
"SF-EDAS puanı, kümenin ortalamasına göre konumu ve bu konumdaki kararsızlığı birlikte taşır; iki seçeneğin puan farkı küçükse bu fark, girdideki kararsızlık derecelerinin küçük bir değişimiyle kapanabilir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya destek, ret ve kararsızlık derecesini ayrı ayrı veriyorsa bu uzantı kullanılır. Kesin EDAS'ın aradığı "kümenin ortalamasına göre konum" sorusu bu belirsizlik altında sorulur. Küresel bulanık kimlik ve komşu türlerle (Pisagor, resim bulanık) karıştırılmaması gereken sınır veri türü kartındadır.
Çıkış koşulu kesin EDAS ile aynıdır. Matris tek türde olmak zorundadır. Bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Değer-uzayı kısıtını karıştırmak. Kısıt üç derecenin karelerinin toplamıdır. Kararsızlığı 1−μ−ν olarak türetip küresel yapıya yazmak farklı bir veri türüdür; bu, sezgisel bulanık yapının kısıtıdır.
Maliyet kriterinde konjugat uygulamamak. Maliyet kriterinde destek ve ret dereceleri, ortalama alınmadan önce yer değiştirmelidir. Bu atlanırsa ortalama yanlış yönde kurulur ve pahalı ya da yavaş seçenek lehte görünür.
Ortalamayı kesin sayıya indirip kesin EDAS koşturmak. Küresel bulanık üçlüleri baştan tek sayıya (örneğin yalnız μ'ye) indirip kesin EDAS'ı uygulamak SF-EDAS değildir. Kararsızlık ilk adımda silinir ve puan farkları gerçekte olmayan bir kesinlik kazanır.
Kümeye seçenek eklendiğini unutmak. Ortalama, kümedeki tüm seçeneklerden kurulur. Kesin EDAS'taki gibi kümeye eklenen ya da çıkarılan bir seçenek ortalamayı, dolayısıyla tüm puanları değiştirir; küresel bulanıkta bu etki üç dereceye birden yayılır.
Temel ilke şudur:
SF-EDAS'ta ortalama da sapma da üç dereceli kalır; tek sayıya ancak en son adımda, kararlar boyunca biriken üç derece tek bir küresel bulanık toplama işleminden geçtikten sonra iner.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Küçük, üç seçenekli üç kriterli bir tablodur; literatürden bir sayfa aktarımı değildir. Motorun adımlarını izlenebilir kılmak için kurulmuştur ve motorun kendisi çalıştırılarak doğrulanmıştır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç seçenek, üç kriterde küresel bulanık değerlendirme (DecisionMind doğrulama örneği)
Üç seçenek üç kriterde küresel bulanık üçlülerle değerlendirilmiştir. Üçü de çoğu iyi kriterdir.
| Seçenek | K1 | K2 | K3 |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,50) | (0,80; 0,10; 0,40) | (0,60; 0,30; 0,50) |
| A2 | (0,90; 0,10; 0,30) | (0,60; 0,30; 0,60) | (0,80; 0,20; 0,40) |
| A3 | (0,50; 0,40; 0,60) | (0,70; 0,20; 0,50) | (0,70; 0,10; 0,50) |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her kriterin ortalama üçlüsünü küresel ağırlıklı ortalamayla bulur. Her seçeneğin bu ortalamadan küresel bulanık farkını alır, ağırlıklarla ölçekler ve kriterler boyunca tek bir üçlüde birleştirir. Bu son üçlü skorlanır ve değerlendirme puanı (AS) çıkar.
| Seçenek | Değerlendirme puanı (AS) | Sıra |
|---|---|---|
| A2 | 0,0634 | 1 |
| A1 | -0,1351 | 2 |
| A3 | -0,4706 | 3 |
Sonuç şöyle okunur. A2, en ağırlıklı kriter olan K1'de (0,40) diğer iki seçenekten daha güçlü bir destek ve daha düşük bir ret-kararsızlık üçlüsüne sahiptir. Ortalamanın belirgin lehinde kalır ve tek pozitif puanı alır. A1 ikinci kriterde güçlü olsa da en ağırlıklı kriterde ortalamanın gerisindedir; puanı negatife döner. A3 üç kriterde de ortalamanın altında kalır ve son sıradadır.
Kararın tereddüdü: A2'nin en ağırlıklı kriterdeki üstünlüğü sıranın gerçek kaynağıdır. A2'nin K1'deki üçlüsü (0,90; 0,10; 0,30) yerine (0,70; 0,20; 0,40) olsaydı, yani destek daha düşük ve ret-kararsızlık daha yüksek olsaydı, ortalama da bu zayıflamadan etkilenir ve A1 öne geçer: aynı hesap A1'i 0,3362 ile birinciye taşır, A2 0,0634 ile ikinci kalır. Bu, K1'deki tek bir üçlünün hem A2'nin kendi puanını hem de ortalamayı, dolayısıyla A1'in puanını birden değiştirebildiğini gösterir.
Raporda: "Verilen ağırlıklarla (K1=0,40, K2=0,35, K3=0,25) A2 kümenin ortalamasına göre en avantajlı konumdadır (AS=0,0634). A2'nin K1'deki üçlüsü (0,70; 0,20; 0,40)'a zayıflarsa A1 öne geçer (AS=0,3362); bu, A2'nin en ağırlıklı kriterdeki değerinin hem kendi puanını hem ortalamayı belirlediğini gösterir."
Kaynak: DecisionMind'ın SF-EDAS (Garg ve Sharaf, 2022) doğrulama örneği. Adımlar bu makalenin tam-bulanık formülasyonunu izler ve erken durulaştırmadan kaçınır. Değerlendirme puanları ve duyarlılık senaryosu, DecisionMind'ın SF-EDAS motoru doğrudan çalıştırılarak elde edilmiştir.
2. Kütüphanecilik: Bir üniversite kütüphanesinin elektronik veritabanı aboneliği seçimi
Bir üniversite kütüphanesi, sınırlı bütçeyle üç akademik veritabanı sağlayıcısından birine abone olacaktır. Üç kriter belirlenmiştir: içeriğin araştırmacıların ihtiyacını karşılama uygunluğu, arayüz ve erişim kolaylığı uygunluğu, uzun vadeli fiyat istikrarı uygunluğu. Bunların hiçbiri sözleşme aşamasında tek bir sayıyla ölçülemez. Kütüphane komisyonu her sağlayıcı için "bu abonelik kurumun ihtiyacını karşılar" yargısına destek, ret ve kararsızlık derecesini ayrı ayrı vermiştir; fiyat istikrarı kriterinde kur riski nedeniyle kararsızlık payı yüksektir.
Yöntem üç sağlayıcının ortalama üçlüsünü kurar, her sağlayıcının bu ortalamadan farkını ağırlıklarla ölçekler ve tek bir değerlendirme puanında birleştirir. Diyelim ki içerik kapsamında en güçlü destek üçlüsüne sahip sağlayıcı, en ağırlıklı kriter içerik olduğu için birinci çıktı; ama fiyat istikrarında kararsızlık payı diğer iki sağlayıcıdan yüksek kaldı.
Komisyonun tereddüdü: fiyat istikrarındaki yüksek kararsızlık, sözleşme süresince bütçeyi aşan bir maliyet artışı riskini gösterir. Bu risk, değerlendirme puanının içinde diğer kriterlerin gücüyle örtülmüş olabilir. Komisyon, puanı en yüksek sağlayıcıyı seçmeden önce fiyat istikrarı kriterindeki kararsızlığı ayrı bir sözleşme şartıyla (örneğin sabit fiyat garantisi) sınırlamayı değerlendirmelidir.
Raporda: "Verilen ağırlıklarla içerik kapsamı güçlü olan sağlayıcı en avantajlı konumdadır. Fiyat istikrarı kriterindeki kararsızlık payı diğer sağlayıcılara göre yüksek kalmıştır ve sözleşmede ayrıca ele alınmalıdır."
3. Yapılmaması Gereken
Öğretici örnekte A2'nin K1'deki üçlüsünü kısıt kontrolü yapmadan (0,90; 0,10; 0,50) gibi bir değere değiştirmek yanlıştır. Kareler toplamı 0,81+0,01+0,25=1,07 olur ve kısıtı aşar. İkinci yanlış, K3 (maliyet olsaydı) kriterinde konjugat uygulamadan ortalama almaktır; bu, ortalamayı yanlış yönde kurar ve zayıf seçeneği güçlü gösterir. Üçüncü yanlış, üç kriterdeki üçlüleri baştan tek sayıya (yalnız μ'ye) indirip kesin EDAS koşturmaktır. Aynı tabloda A2 ile A1 arasındaki fark büyür ve rapor olmayan bir kesinlik iddia eder.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/sf-edas
Garg, H., & Sharaf, I. M. (2022). A new spherical aggregation function with the concept of spherical fuzzy difference for spherical fuzzy EDAS and its application to industrial robot selection. Computational and Applied Mathematics, 41(5), 212. DOI: 10.1007/s40314-022-01903-5
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
Kutlu Gündoğdu, F., & Kahraman, C. (2019). Spherical fuzzy sets and spherical fuzzy TOPSIS method. Journal of Intelligent & Fuzzy Systems, 36(1), 337–352. DOI: 10.3233/JIFS-181401