Uzantı kartı · Küresel bulanık
Küresel bulanık WPM (Kutlu Gündoğdu ve Yörükoğlu, 2021)
Küresel bulanık WPM, kriter puanlarının bir yargıya destek, ret ve kararsızlık derecesi olarak üç ayrı sayıyla verildiği durumlarda kullanılan WPM biçimidir. Hesap her hücreyi önce tek bir sayıya indirir, sonra bu sayıları ağırlıklı olarak çarpar.
Temel yöntem
WPM →
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?
Üç şey değişir. Karar mantığı değişmez.
Hücreler. Kesin WPM'de 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. Ağırlıklar DecisionMind'da kesin sayı olarak dışarıdan gelir; yöntem ağırlık üretmez, birden fazla uzmanın yargısını birleştiren grup kararı adımını da desteklemez.
Ölçek eşitleme. Kesin WPM her sütunu kendi en iyi değerine oranlar. Küresel bulanıkta bunun yerine her hücre, kaynak bölümün skor fonksiyonuyla tek bir sayıya indirilir: Skor(α) = (3μ − π/2)² − (ν − π/2)². Bu, kesin WPM'nin oranlamasına değil SF-SAW'ın kendi durulaştırma adımına karşılık gelir; SF-WPM'nin ilk dört adımı SF-SAW ile birebir aynıdır, ikisi aynı bölümden gelir.
Ağırlıklı çarpım. Kesin WPM'de her sütun ağırlığı kadar kuvvete yükselir ve satır boyunca çarpılır: SV_i = Π_j x̄_ij^{w_j}. Burada da aynı işlem uygulanır; fark, x̄_ij'nin artık üç dereceden durulaştırılmış bir skor olmasıdır. Bu, SF-WPM'yi SF-SAW'dan ayıran tek adımdır: SF-SAW aynı x̄_ij değerlerini ağırlıkla çarpıp toplar, SF-WPM ağırlığı kadar kuvvete yükseltip çarpar.
Sonuç ve negatif skor sorunu. Skor(α) formülü μ, ν, π'nin belirli bileşimlerinde negatif çıkabilir; kaynak bölümün kendi örneğinde bile en kötü iki dilsel terim ("çok kötü", "aşırı kötü") negatif skor üretir. Kernel bu durumda negatif ya da sıfır çıkan her hücreyi çok küçük bir sabite (1e-12) kırpar. Aksi hâlde negatif bir tabanı kesirli bir üsse (ağırlığa) yükseltmek reel sayılarda tanımsızdır. Bu kırpma bilgiyi yok eder: kırpılan her hücre aynı sabite iner, hücrenin ne kadar kötü olduğu (-0,66 mı -0,94 mü) sonuca hiç yansımaz. DecisionMind bunu gizlemez; kernel her kırpma olduğunda bunu ayrı bir uyarı olarak bildirir ve etkilenen seçeneklerin sıralamasının güvenilmez olduğunu söyler.
Çıktı Nasıl Yorumlanır?
Toplam ürün (SV) kesin WPM'deki gibi okunur: yalnız bu seçenek kümesini sıralar, yüzde değildir, başka bir analizle karşılaştırılmaz. Fark şudur. SV, hücre başına önce durulaştırılmış, sonra çarpılmış bir değerdir; kararsızlık payının puana nasıl yansıdığı doğrudan görünmez.
Daha önemlisi, herhangi bir kriterde bir seçeneğin Skor(α) değeri sıfır ya da altına düşmüşse rapor bunu ayrıca belirtmelidir. Bu durumda o hücre EPS'e kırpılmıştır ve seçeneğin toplam SV'si, o kriterdeki gerçek zayıflığın büyüklüğünü değil yalnız "kırpıldı" bilgisini taşır.
Bu nedenle:
"SF-WPM'de yüksek SV, seçeneğin bütün kriterlerde güçlü kaldığını gösterir"
yerine:
"SV'nin yüksek çıkması, hiçbir kriterde Skor(α)'nın sıfır ya da altına düşmediğini ve ürünün gerçek büyüklükleri yansıttığını gösterir. Bir kriterde kırpma uyarısı varsa SV'nin büyüklüğü değil, yalnız etkilenen seçeneğin sıralamadaki konumu temkinli okunmalıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar bir yargıya destek, ret ve kararsızlık derecesini ayrı ayrı veriyorsa bu uzantı kullanılır. Bu üç bilgi resim bulanık yapının kısıtına sığmayacak kadar yüksekse küresel bulanık gerekir. Ölçülmüş bir kriter doğrudan üç dereceye açılmaz. Küresel bulanık kimlik ve komşu türlerle (Pisagor, resim bulanık) karıştırılmaması gereken sınır veri türü kartındadır.
Kesin WPM'nin sertliği burada iki kat işler. Bir kriterde Skor(α) sıfırın hemen üstündeyse çarpım zaten bu kriteri sert cezalandırır; sıfırın altına düşerse kırpma devreye girer ve o kriter neredeyse tüm ayırt ediciliğini kaybeder. Bir kriterde hiç taviz kabul edilmiyorsa bu uzantı yine de telafi edicidir; SAW ailesinin çıkış koşulu burada da geçerlidir.
Bu Uzantıya Özgü Hatalar
Kırpma uyarısını görmezden gelmek. Kernel bir kırpma olduğunda bunu bildirir. Bu uyarı yoksayılıp SV değerleri doğrudan karşılaştırılırsa, kırpılan hücreye sahip seçeneğin gerçek zayıflığı olduğundan farklı büyüklükte görünür.
Değer-uzayı kısıtını karıştırmak. Kısıt üç derecenin karelerinin toplamıdır: μ²+ν²+π²≤1. Üç derecenin kendisinin toplamı değildir; bu, resim bulanık yapının kısıtıdır.
Skor fonksiyonunu değiştirmek. Her hücre kaynak bölümün kendi skor fonksiyonuyla durulaştırılır. Pisagor ya da başka bir ailenin skor fonksiyonunu buraya taşımak farklı bir puan, bazı tablolarda farklı bir sıra verir.
Maliyet yönünü uygulamamak. Azı iyi bir kriterde destek ile ret derecesi yer değiştirilmezse skor ters yönde hesaplanır. O kriterde en kötü seçenek en iyi gibi görünür.
Temel ilke şudur:
SF-WPM'nin çarpımsal adımı, hücre başına durulaştırılmış skorlar üzerinde çalışır ve bu skorlar negatif olabilir. Negatif skor bir kırpmayla giderilir, ama kırpma bilgi kaybeder; bu kayıp raporda uyarıyla birlikte gösterilmeli, sessizce geçilmemelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Aynı 3×3 tablo, SF-SAW kartının vaka 1'inde de kullanılır. Kaynak bölümün kendi sayısal örneği (sigorta seçeneği değerlendirmesi) değildir; formüllere sadık biçimde motorun kendisi çalıştırılarak kurulmuştur ve iki yöntemin bölüm içinde karşılaştırmalı sunulmasına uygun düşer. İkinci vaka öğretici bir 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. Ağırlıklar kesin sayıdır.
| 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) |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her hücreyi Skor(α) = (3μ−π/2)²−(ν−π/2)² formülüyle tek sayıya indirger, sonra bu sayıları kriter ağırlığı kadar kuvvete yükseltip çarpar. Bu tabloda hiçbir hücre sıfır ya da altına düşmez; kırpma devreye girmez.
| Seçenek | Ağırlıklı çarpım (SV) | Sıra |
|---|---|---|
| A2 | 4,1652 | 1 |
| A1 | 3,5322 | 2 |
| A3 | 2,4094 | 3 |
Sonuç şöyle okunur. A2, en ağırlıklı kriter olan K1'de (0,40) en yüksek Skor(α) değerine (6,50) sahiptir ve bu üstünlük çarpımda diğerlerinden açık farkla taşınır. A1 ikinci kriterde (0,80; 0,10; 0,40) güçlüdür ama K1'de A2'nin gerisinde kalır. A3 hiçbir kriterde en iyi değildir ve son sıradadır.
Kurulun tereddüdü şudur: K1'in ağırlığı 0,40'tan 0,28'e indirilip K2'ninki 0,35'ten 0,47'ye çıkarılırsa (K3 0,25 sabit) A1 öne geçer: A1 = 3,6816, A2 = 3,6674. Bu, Python ile ve motorun kendisi çalıştırılarak bağımsız olarak doğrulanmıştır. A2'nin birinciliği, K1'in K2'den belirgin biçimde ağır kalmasına bağlıdır.
Raporda: "Verilen ağırlıklarla (K1=0,40; K2=0,35; K3=0,25) A2 en yüksek ağırlıklı çarpımı almıştır (4,1652). K1'in ağırlığı K2'ye yaklaştırılırsa (K1=0,28; K2=0,47) A1 öne geçmektedir; sıra, K1'in K2'ye göre ne kadar ağır tutulduğuna duyarlıdır."
Kaynak: DecisionMind'ın SF-WPM doğrulama örneği. Adımlar Kutlu Gündoğdu ve Yörükoğlu'nun (2021) kitap bölümündeki SVWPM algoritmasına (Eşitlik 34-35) dayanır; sayılar bu kartın yazarınca kernel doğrudan çalıştırılarak bağımsız hesaplanmıştır.
2. Eğitim: Bir üniversitenin online eğitim platformu tedarikçisi seçimi
Bir üniversite, uzaktan eğitim altyapısı için üç platform tedarikçisinden (A1, A2, A3) birini seçecektir. Üç kriter belirlenmiştir: teknik kararlılık ve erişilebilirlik, öğretim tasarımı desteği, entegrasyon maliyeti (bu sonuncusu azı iyi). Değerlendirme komisyonu her tedarikçi için üç ayrı soruya cevap vermiştir: "yeterlidir" (destek), "yetersizdir" (ret) ve "pilot uygulama görülmeden karar veremeyiz" (kararsızlık); üçü de aynı anda işaretlenebilmiştir.
Yöntem entegrasyon maliyeti kriterinde destek ile ret derecesini yer değiştirir, her tedarikçinin üç kriterdeki üçlüsünü Skor(α) ile durulaştırır ve ağırlıklı çarpımı hesaplar. Diyelim ki teknik kararlılıkta güçlü destek alan ama entegrasyon maliyetinde komisyonun kararsız kaldığı bir tedarikçi birinci sırada çıktı. Öğretim tasarımı desteğinde güçlü ama teknik kararlılıkta zayıf bir tedarikçi ise ikinci sırada kaldı.
Üniversitenin tereddüdü şudur: birinci sıradaki tedarikçinin entegrasyon maliyeti kriterindeki yüksek kararsızlık payı, ağırlıklı çarpımın içinde erimiştir. Üniversite, sözleşme imzalamadan önce bu kararsızlığın kaynağını (lisans fiyatlandırmasının netleşmemiş olması mı, entegrasyon süresinin belirsizliği mi) ayrıca sormalıdır.
Raporda: "Teknik kararlılık kriterinde en güçlü tedarikçi birinci sıradadır. Bu tedarikçinin entegrasyon maliyeti kriterindeki kararsızlık payı diğer kriterlere göre yüksek kalmıştır ve sözleşme öncesi ayrıca netleştirilmelidir."
3. Yapılmaması Gereken
Öğretici örnekte kararsızlık derecesi (π) yok sayılıp yalnız destek ve ret dereceleriyle sezgisel bulanık bir hesap koşturulursa skorlar farklı çıkar; A2'nin K1'deki üstünlüğü olduğundan büyük ya da küçük gösterilebilir. İkinci yanlış, bir kriterde Skor(α) negatif çıktığında bunu fark etmeden hesaba devam etmek ve kırpma uyarısını raporda hiç belirtmemektir. Bu durumda SV'nin büyüklüğü etkilenen seçenek için yanıltıcı hâle gelir. Üçüncü yanlış, A1'in K2'deki (0,80; 0,10; 0,40) üçlüsünü kısıt kontrolü yapmadan (0,80; 0,10; 0,60) gibi bir değere değiştirmektir; kareler toplamı 0,64+0,01+0,36=1,01 olur ve kısıtı aşar.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/sf-wpm
Miller, D. W., & Starr, M. K. (1969). Executive Decisions and Operations Research. Prentice-Hall. (DOI yok; kesin WPM'in temel kaynağıdır)
Kutlu Gündoğdu, F., & Yörükoğlu, M. (2021). Simple additive weighting and weighted product methods using spherical fuzzy sets. In C. Kahraman & F. Kutlu Gündoğdu (Eds.), Decision Making with Spherical Fuzzy Sets: Theory and Applications (Studies in Fuzziness and Soft Computing, Vol. 392, pp. 241–258). Springer. DOI: 10.1007/978-3-030-45461-6_10
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