Uzantı kartı · Küresel bulanık
Küresel bulanık MARCOS (Kovač ve ark., 2021)
Küresel bulanık MARCOS, kriter puanlarının bir yargıya destek, ret ve kararsızlık derecesi olarak üç ayrı sayıyla verildiği durumlarda kullanılan MARCOS biçimidir. İdeale ve anti-ideale uzaklık, düz çizgi değil açısal bir uzaklıkla ölçülür.
Temel yöntem
MARCOS →
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. İdeal ve anti-ideale göre oranlama fikri değişmez.
Hücreler. Kesin MARCOS'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. DecisionMind bu ailede grup kararını desteklemez; tek, önceden birleştirilmiş bir karar matrisi girilir.
Genişletilmiş tablo ve yön. Kesin MARCOS, gerçek seçeneklere ek olarak ideal ve anti-ideal iki hayali satır ekler. Küresel bulanıkta aynı fikir korunur; ideal ve anti-ideal satırlar burada da kurulur, ama tek sayı yerine üç dereceli birer üçlüdür. Maliyet kriterinde, tablo kurulmadan önce her hücrenin destek ve ret dereceleri yer değiştirir. Kesin MARCOS'taki "maliyette ideal en küçük değerdir" kuralının küresel bulanıktaki karşılığı budur.
İdeal ve anti-ideal seçim. Kesin MARCOS'ta ideal ve anti-ideal, her kriterde gözlenen en iyi ve en kötü tek sayıdır. Küresel bulanıkta "en iyi" bir skor fonksiyonuyla karşılaştırılır. İdeal, bu skorun en yükseğini aldığı gerçek üçlüdür; anti-ideal en düşüğünü aldığı üçlüdür. Sonra her hücre, kriterin ağırlığıyla küresel bulanık çarpma işlemiyle ölçeklenir.
Uzaklık. Kesin MARCOS, seçeneğin toplam puanını idealin ve anti-idealin toplam puanına bölerek iki oran kurar. Küresel bulanıkta bu oranın yerini açısal bir uzaklık alır. İki üçlü, birer yön gibi düşünülür ve aralarındaki açı arccos işlemiyle ölçülür. Bu, adın kaynağıdır: küresel bulanık üçlüler bir küre üzerindeki noktalar gibi davranır ve iki nokta arasındaki en doğal uzaklık düz çizgi değil, küre üzerindeki yaydır. Her seçeneğin ideale ve anti-ideale bu açısal uzaklığı birer fayda derecesi (K+ ve K−) verir. Bu iki derece, kesin MARCOS'taki gibi tek bir nihai fayda fonksiyonunda (F) birleşir. DecisionMind bu ailede skor fonksiyonunu ve açısal uzaklığı sabit tutar.
Çıktı Nasıl Yorumlanır?
Nihai fayda derecesi, kesin MARCOS'takiyle aynı anlama gelir: seçeneğin ideal ve anti-ideal referanslara göre nerede durduğunu gösterir. Başka bir analizle karşılaştırılmaz; bu, kesin MARCOS ile ortaktır. Farklı olan, bu konumun açısal bir uzaklıkla ölçülmüş olmasıdır. Yüksek fayda derecesi "küreye en yakın" değil, ideal ve anti-ideal yönlere göre en dengeli konumdaki seçenek demektir.
Bu nedenle:
"SF-MARCOS'un fayda derecesi kesin MARCOS'taki gibi düz bir uzaklık oranıdır"
yerine
"Fayda derecesi burada açısal bir uzaklıktan gelir; iki seçeneğin fayda derecesi birbirine yakınsa bu yakınlık, üç derecenin küçük bir değişimiyle kolayca yer değiştirebilir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya destek, ret ve kararsızlık derecesini ayrı ayrı veriyorsa bu uzantı kullanılır. Kesin MARCOS'un "hem idealin ne kadarına ulaşıldığı hem anti-idealden ne kadar uzaklaşıldığı" sorusu bu belirsizlik altında sorulur. Küresel bulanık kimlik ve komşu türlerle (Pisagor, resim bulanık) karıştırılmaması gereken sınır veri türü kartındadır.
Çıkış koşulu kesin MARCOS ile aynıdır. Matris tek türde olmak zorundadır. Bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir.
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 yer değiştirmeyi atlamak. Maliyet kriterinde destek ve ret dereceleri, genişletilmiş tablo kurulmadan önce yer değiştirmelidir. Bu atlanırsa ideal nokta en pahalı ya da en yavaş seçenekten kurulur ve sıra tersine döner.
Açısal uzaklığı düz Öklid uzaklığıymış gibi yorumlamak. K+ ve K− değerleri arccos işleminden gelir; bu değerlerin küçük farkları, kesin MARCOS'taki oran farklarıyla aynı ölçekte okunamaz. İki seçeneğin K+'sı yakınsa bu yakınlığın sağlamlığı ayrıca sınanmalıdır.
Nihai fayda derecesini yüzde ya da olasılık gibi okumak. Kesin MARCOS'taki aynı hata burada da geçerlidir. F, yalnız bu seçenek kümesini kendi ideal ve anti-ideal ekseninde birbirine kıyaslar.
Temel ilke şudur:
SF-MARCOS'ta ideale ve anti-ideale uzaklık açısaldır; skor fonksiyonu ile kurulan ideal-anti-ideal referanslar ve bu açısal uzaklık gösterilmeden yöntem uygulanmış sayılmaz.
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 kriter için skor fonksiyonuna göre ideal ve anti-ideal üçlüyü seçer, her hücreyi ağırlığıyla ölçekler ve her seçeneğin ideale ve anti-ideale açısal uzaklığından iki fayda derecesi (K+ ve K−) kurar. Bu iki derece tek bir nihai fayda derecesinde (F) birleşir.
| Seçenek | Nihai fayda derecesi (F) | Sıra |
|---|---|---|
| A3 | 0,3514 | 1 |
| A1 | 0,3467 | 2 |
| A2 | 0,3190 | 3 |
Sonuç şöyle okunur. A3 hiçbir kriterde tek başına en iyi değildir; K1'de en zayıf, K2 ve K3'te ise ideale yakın bir üçlüye sahiptir. Bu dengeli profil, açısal uzaklık hesabında A3'ü ideale en yakın konuma taşır. A1 ile A3 arasındaki fark (0,0047) çok küçüktür. A2 en ağırlıklı kriter olan K1'de en güçlü olsa da diğer iki kriterde geride kalır ve son sıradadır.
Kararın tereddüdü: A1 ile A3 arasındaki fark o kadar küçüktür ki tek bir kriterdeki küçük bir değişiklik sırayı çevirebilir. A1'in K1'deki üçlüsü (0,70; 0,20; 0,50) yerine (0,80; 0,10; 0,40) olsaydı, yani destek biraz daha yüksek ve ret-kararsızlık biraz daha düşük olsaydı, A1 öne geçer: aynı hesap A1'i 0,3521 ile birinciye, A3'ü 0,3423 ile ikinciye taşır. Bu, A1 ile A3 arasındaki üstünlüğün tek bir kriterdeki küçük bir puan farkına bağlı olduğunu gösterir.
Raporda: "Verilen ağırlıklarla (K1=0,40, K2=0,35, K3=0,25) A3 en yüksek nihai fayda derecesine sahiptir (0,3514); A1 (0,3467) ile arasındaki fark yalnızca 0,0047'dir. A1'in K1'deki destek derecesi 0,80'e çıkarsa A1 öne geçer (0,3521); bu iki seçenek arasındaki sıra kırılgandır."
Kaynak: DecisionMind'ın SF-MARCOS (Kovač ve ark., 2021) doğrulama örneği. Adımlar bu makalenin açısal uzaklık tanımını izler. Fayda dereceleri ve duyarlılık senaryosu, DecisionMind'ın SF-MARCOS motoru doğrudan çalıştırılarak elde edilmiştir.
2. Su Yönetimi: Bir belediye su idaresinin içme suyu arıtma teknolojisi seçimi
Bir belediye su idaresi, yeni bir arıtma tesisinde kullanılacak üç arıtma teknolojisi arasında seçim yapacaktır. Üç kriter belirlenmiştir: teknolojinin bölgedeki su kalitesi sorunlarına uygunluğu, işletme ve enerji giderleri açısından uygunluğu, yerel teknik personelin işletebilme uygunluğu. Bu kriterlerin hiçbiri saha uygulamasından önce kesin bir sayıyla ölçülemez. Mühendislik ekibi her teknoloji için "bu teknoloji bu tesiste güvenle işletilir" yargısına destek, ret ve kararsızlık derecesini ayrı ayrı vermiştir.
Yöntem üç teknolojiyi ideal ve anti-ideal referanslarla genişletir, her teknolojinin bu referanslara açısal uzaklığını ölçer ve nihai fayda derecesini kurar. Diyelim ki su kalitesi sorununa en uygun teknoloji, bu kriter en ağırlıklı olduğu için birinci çıktı; ama yerel personelin işletebilme uygunluğunda kararsızlık payı yüksek kaldı, çünkü teknoloji için özel eğitim gerekiyordu.
Ekibin tereddüdü: personel işletebilirliğindeki yüksek kararsızlık, tesisin devreye alınmasından sonra arıza ve bakım riskini artırabilir. Bu risk, nihai fayda derecesinin içinde su kalitesi kriterinin gücüyle örtülmüş olabilir. Ekip, en yüksek dereceyi alan teknolojiyi seçmeden önce personel eğitim planını ayrı bir uygulama şartı olarak sözleşmeye eklemelidir.
Raporda: "Verilen ağırlıklarla su kalitesi sorununa en uygun teknoloji en yüksek nihai fayda derecesine ulaşmaktadır. Personel işletebilirliği kriterindeki kararsızlık payı yüksek kaldığından ayrı bir eğitim ve devreye alma planı önerilir."
3. Yapılmaması Gereken
Öğretici örnekte K+ ve K− değerlerini kesin MARCOS'un düz uzaklık oranı gibi yorumlayıp A1 ile A3 arasındaki 0,0047'lik farkı "büyük ve sağlam bir üstünlük" diye raporlamak yanlıştır. İkinci yanlış, K3'ün maliyet kriteri olduğu bir tabloda destek ve ret derecelerini yer değiştirmeden genişletilmiş tabloyu kurmaktır; bu, ideal noktayı yanlış seçenekten kurar ve sıra tersine döner. Üçüncü yanlış, üç kriterdeki üçlüleri baştan tek sayıya (yalnız μ'ye) indirip kesin MARCOS koşturmaktır; açısal uzaklığın taşıdığı kararsızlık bilgisi kaybolur ve sonuç farklı bir sıra verebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/sf-marcos
Kovač, M., Tadić, S., Krstić, M., & Bouraima, M. B. (2021). Novel Spherical Fuzzy MARCOS Method for Assessment of Drone-Based City Logistics Concepts. Complexity, 2021, 2374955. DOI: 10.1155/2021/2374955
Jafarzadeh Ghoushchi, S., Shaffiee Haghshenas, S., Memarpour Ghiaci, A., Guido, G., & Vitale, A. (2023). Road safety assessment and risks prioritization using an integrated SWARA and MARCOS approach under spherical fuzzy environment. Neural Computing and Applications, 35(6), 4549–4567. DOI: 10.1007/s00521-022-07929-4
Stević, Ž., Pamučar, D., Puška, A., & Chatterjee, P. (2020). Sustainable supplier selection in healthcare industries using a new MCDM method: Measurement of Alternatives and Ranking according to Compromise Solution (MARCOS). Computers & Industrial Engineering, 140, 106231. DOI: 10.1016/j.cie.2019.106231
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