Uzantı kartı · Küresel bulanık
Küresel bulanık GRA
GRA'nın, kriter puanlarının bir yargıya destek, ret ve kararsızlık derecesi olarak üç ayrı sayıyla verildiği durumlarda kullanılan biçimidir. Çıktısı yine bir gri ilişki derecesi ve bu dereceye göre bir sıradır.
Temel yöntem
GRA →
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; ağırlıklı toplamla sıralama adımı değişmez.
Hücreler. Kesin GRA'da her hücre tek sayıdır. Burada her hücre üç dereceden oluşur: destek (μ), ret (ν) ve kararsızlık (π). Kısıt üç derecenin karelerinin toplamının 1'i aşmamasıdır.
Maliyet kriterinde tümleme. "Azı iyi" bir kriterin her hücresinde destek ve ret dereceleri yer değiştirir; kararsızlık (π) değişmeden kalır.
Referans bileşen bileşen kurulur, gerçek bir seçenekten gelmez. Bu noktada SF-GRA, aynı ailenin SF-TOPSIS uzantısından ayrılır. SF-TOPSIS'te ideal nokta, bir skor fonksiyonuna göre en iyi çıkan gerçek bir seçeneğin üçlüsüdür. SF-GRA'da ise motor hiçbir skor fonksiyonu kullanmaz; referans, her sütunun en yüksek destek, en düşük ret ve en düşük kararsızlık değerlerinden, üç bileşen birbirinden bağımsız alınarak kurulur. Bu üç değer farklı satırlardan gelebilir ve referans, kesin GRA'nın hayali referans dizisiyle aynı mantığı taşıyan, gerçekte var olmayan bir noktadır.
Uzaklık, bileşenlerin kareleri üzerinden hesaplanır. Motorun kullandığı uzaklık, ham destek-ret-kararsızlık farkları üzerinden değil, bu üç bileşenin karelerinin farkları üzerinden hesaplanan bir Öklid benzeri uzaklıktır. Bu, SF-TOPSIS'in ham bileşen farkına dayanan uzaklığından ayrı bir tanımdır; iki yöntemin uzaklık sayıları birbiriyle karşılaştırılamaz.
DecisionMind bu uzantıda bileşen bazlı tek-pozitif-ideal referansı, kareler üzerinden Öklid uzaklığını ve ayırt edicilik katsayısını (ρ = 0,5) sabit tutar.
Çıktı Nasıl Yorumlanır?
Gri ilişki derecesi, kesin GRA'daki gibi bir seçeneğin bu analizdeki referansa göreli yakınlığını gösterir.
Bu kart için yapılan bağımsız Python testi önemli bir bulgu ortaya çıkarmıştır. DecisionMind'ın manifestinde kayıtlı doğrulama sayıları (A1 = 0,6200; A2 = 0,7667; A3 = 0,4155) ile motorun bugün gerçekten ürettiği sayılar (A1 = 0,6664; A2 = 0,7948; A3 = 0,5200) birbirinden farklıdır. Sıralama (A2, sonra A1, sonra A3) her iki hesapta da aynıdır ama puanlar aynı değildir. Manifestin kendi notu bu kayıtlı sayının yayımlanmış bir makaleden değil, DecisionMind'ın iç denetim aracından, basitleştirilmiş bir tek-skor hesabından geldiğini yazar. Bu kart, motorun bugün gerçekten ürettiği sayıları kullanır.
Bu nedenle:
"Manifestte kayıtlı 0,6200 gibi sayılar motorun ürettiği gerçek sonuçtur"
yerine:
"Motorun bugün ürettiği gerçek sonuç A2 için 0,7948, A1 için 0,6664, A3 için 0,5200'dür; manifestteki kayıtlı sayılar bir iç denetim aracının basitleştirilmiş hesabından gelir ve motorun gerçek çıktısıyla birebir örtüşmez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya destek, ret ve kararsızlık derecesini ayrı ayrı veriyorsa ve bu üç bilgi resim bulanık yapının kısıtına sığmayacak kadar yüksekse bu uzantı kullanılır. Ayrıntı Küresel bulanık veri türü kartındadır.
Kararsızlık ayrıca ölçülmüyorsa Pisagor ya da sezgisel bulanık yapı yeterlidir. Kesin GRA'nın çıkış koşulu burada da geçerlidir: matris tek türde olmalı, bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.
Bu Uzantıya Özgü Hatalar
Referansı SF-TOPSIS gibi "gerçek bir seçeneğin üçlüsü" sanmak. SF-GRA'da referans bileşen bileşen kurulur; gerçekte var olan bir seçeneğe ait olması gerekmez.
Manifestteki kayıtlı sayıyı motorun çıktısı sanmak. Yukarıda gösterildiği gibi, bu uzantıda kayıtlı doğrulama sayısı ile motorun gerçek çıktısı arasında sayısal bir fark vardır; rapora motorun gerçek çıktısı yazılmalıdır.
Bir skor fonksiyonu (destek karesi eksi ret karesi) kullanıldığını varsaymak. Bu yöntemde referans seçiminde hiçbir skor fonksiyonu kullanılmaz, yalnız bileşen bazlı en yüksek ve en düşük değerler alınır.
Maliyet tümlemesinde kararsızlığı da değiştirmek. Yalnız destek ve ret yer değiştirir; kararsızlık (π) sabit kalır.
Ayırt edicilik katsayısını hiç sorgulamamak. ρ = 0,5 DecisionMind'ın sabit değeridir.
Temel ilke şudur:
Küresel bulanık GRA'da referans bileşen bileşen kurulan hayali bir noktadır, SF-TOPSIS'teki gibi gerçek bir seçeneğin üçlüsü değildir. Bu kartın sayıları motorun bugünkü gerçek çıktısıdır; manifestteki kayıtlı doğrulama sayısı bir iç denetim aracından gelir ve motorla birebir örtüşmez.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; SF ailesinin on altı uzantısında ortak kullanılan aynı 3x3 küresel bulanık tablodur, SF-TOPSIS kartındaki tabloyla aynıdır. Sayılar burada motorun bugün gerçekten ürettiği çıktıdır, manifestteki eski kayıt değildir; fark yukarıda açıklanmıştır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın motor çıktısı): Üç seçenek, üç kriterde küresel bulanık değerlendirme
Üç seçenek üç kriterde küresel bulanık üçlülerle değerlendirilmiştir. Üçü de çoğu iyi kriterdir. Ağırlıklar C1 = 0,40, C2 = 0,35, C3 = 0,25.
| 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) |
Yöntem her sütunun en yüksek destek, en düşük ret ve en düşük kararsızlık değerlerinden bileşen bileşen bir referans kurar, kareler üzerinden uzaklığı ölçer ve ρ = 0,5 ile gri ilişki derecesine çevirir.
| Seçenek | Gri ilişki derecesi | Sıra |
|---|---|---|
| A2 | 0,7948 | 1 |
| A1 | 0,6664 | 2 |
| A3 | 0,5200 | 3 |
Sonuç şöyle okunur. A2, en ağırlıklı kriter olan K1'de (0,90; 0,10; 0,30) referansa en yakın destek-ret çiftine sahiptir. A1, K2'de güçlü olsa da (0,80; 0,10; 0,40) en ağırlıklı kriterde A2'nin gerisinde kaldığı için ikinci sıradadır.
Kararın tereddüdü ağırlıklardadır. Bağımsız Python hesabıyla doğrulandığında, K2'nin ağırlığı 0,35'ten 0,60'a çıkarılıp K1'in ağırlığı 0,40'tan 0,20'ye indirilirse (K3 0,20'ye çekilir) A1 (0,7966) A2'yi (0,6679) geçer. Yani A2'nin önde olması K1'e verilen yüksek ağırlığa bağlıdır.
Raporda: "Verilen ağırlıklarla (K1=0,40, K2=0,35, K3=0,25) A2 gri ilişki derecesinde birincidir (0,7948). K2'nin ağırlığı K1'in önüne geçecek ölçüde artırılırsa (K2=0,60, K1=0,20) A1 öne geçmektedir (0,7966); bu nedenle ağırlıkların nasıl belirlendiği raporda gerekçelendirilmelidir. Bu sayılar motorun bugünkü gerçek çıktısıdır."
Kaynak: DecisionMind'ın SF-GRA doğrulama örneği; SF ailesinin on altı uzantısında ortak kullanılan 3x3 küresel bulanık fikstürdür. Gri ilişki dereceleri ve ağırlık duyarlılığı bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız olarak hesaplanmıştır. Manifestteki kayıtlı doğrulama sayısı (A1=0,6200; A2=0,7667; A3=0,4155) bu hesapla örtüşmemektedir; ayrıntı onay notlarındadır.
2. Gıda üretimi: Bir süt ürünleri fabrikasının çiğ süt tedarikçisi seçimi
Bir süt ürünleri fabrikası, üç çiftlik arasından çiğ süt tedarikçisi seçecektir. Üç kriter kullanılır: soğuk zincir güvenilirliği ve sağım hijyeni puanı (çoğu iyi), teslim fiyatı (azı iyi). Denetim ekibi her çiftlik için bu kriterlere destek, ret ve kararsızlık derecesini ayrı ayrı vermiştir; kararsızlık, denetim sırasında gözlemlenemeyen dönemler için ayrıca kaydedilmiştir.
Yöntem üç çiftliği karşılaştırır: fiyat kriterinde destek-reddi yer değiştirir, bileşen bazlı referansı kurar, kareler üzerinden uzaklığı ölçer ve gri ilişki derecelerini hesaplar. Diyelim ki soğuk zincir güvenilirliğinde en güçlü destek-ret çiftine sahip çiftlik, fiyatının göreli yüksekliğine rağmen birinci sırada çıktı; çünkü soğuk zincir ağırlığı fiyattan fazlaydı.
Fabrikanın tereddüdü şurada. Sağım hijyeni kriterinin ağırlığı artırılırsa, fiyatı düşük ama soğuk zincirde daha zayıf olan bir çiftlik öne geçebilir. Fabrika, bu duyarlılığı tedarik kararına ayrıca eklemelidir.
Raporda: "Soğuk zincir güvenilirliğine verilen yüksek ağırlıkla bu kriterde güçlü olan çiftlik birinci sıraya çıkmıştır; fiyatındaki göreli dezavantajı bu üstünlüğü değiştirmemektedir. Sağım hijyeni ağırlığı artırılırsa sıra değişebilir."
3. Yapılmaması Gereken
Öğretici örnekte manifestteki eski kayıtlı sayıyı (A1=0,6200 gibi) motorun bugünkü çıktısıymış gibi rapora yazmak birinci yanlıştır; motor gerçekte farklı sayılar üretir. İkinci yanlış, referansı SF-TOPSIS'teki gibi "en iyi skora sahip gerçek seçenek" sanıp bir skor fonksiyonu aramaktır; SF-GRA'da referans bileşen bileşen kurulur. Üçüncü yanlış, fiyat kriterinde (azı iyi) kararsızlığı da tersine çevirmektir; yalnız destek ve ret yer değiştirir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/sf-gra
Ashraf, S., Abdullah, S., & Mahmood, T. (2018). GRA method based on spherical linguistic fuzzy Choquet integral environment and its application in multi-attribute decision-making problems. Mathematical Sciences, 12(4), 263–275. DOI: 10.1007/s40096-018-0266-0
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
Deng, J. L. (1989). Introduction to grey system theory. The Journal of Grey System, 1(1), 1–24. (DOI yok)
Kuo, Y., Yang, T., & Huang, G. W. (2008). The use of grey relational analysis in solving multiple attribute decision-making problems. Computers & Industrial Engineering, 55(1), 80–93. DOI: 10.1016/j.cie.2007.12.002