Üçgen sezgisel bulanık CODAS (Daami Remadi ve Frikha, 2023)

Dört şey değişir. Karar mantığı aynı kalır.

Hücreler. Kesin CODAS'ta her hücre tek sayıdır. Sıradan üçgen bulanık sayıda tek bir üçgen vardır: en düşük, en olası, en yüksek. Üçgen sezgisel bulanık sayı (TIFN) bunun üstüne ikinci bir üçgen ekler. Aynı en olası noktayı (a2) paylaşan, ama daha geniş uçları olan bir ikinci üçgen ret bölgesini tanımlar: {(a1, a2, a3); (a'1, a2, a'3)}. Birinci üçgen "ne kadar destekliyorum" sorusuna, ikinci üçgen "ne kadar reddediyorum" sorusuna cevap verir; ret üçgeni destek üçgenini uçlarından sarar (a'1 ≤ a1 ≤ a2 ≤ a3 ≤ a'3). Bu, sezgisel bulanık yapının (üyelik ve üyelik-dışı derecesi) üçgen bulanık sayıya taşınmış hâlidir. Kriter ağırlıkları DecisionMind'da kesin sayıdır; yöntemin kendi literatüründe ağırlık da TIFN olabilir, ama DecisionMind bu ailede yalnız kesin ağırlık kabul eder.

Ölçek eşitleme. Kesin CODAS her sütunu en büyük ya da en küçük değerine böler. TIFN-CODAS'ta normalizasyon fayda kriterinde her TIFN'in altı bileşenini sütundaki en büyük üst değere (x_j+) böler; maliyet kriterinde sütundaki en küçük alt değeri (x_j-) her bileşene oranlar. Sonra her TIFN kriterin kesin ağırlığıyla ölçeklenir.

Durulaştırma ve uzaklık. Burada temel CODAS'tan en büyük fark budur: ağırlıklı TIFN matrisi ve TIFN negatif-ideal, Gani-Abbas (2014) ağırlıklı ortalama kuralıyla önce tek sayıya indirilir. Negatif-ideal, her kriterde ret üçgeninin en düşük alt sınırına (a'1) sahip TIFN'den seçilir. Durulaştırmadan sonra hesap tamamen kesin CODAS'a döner: Öklid uzaklığı (E) ve Taksi uzaklığı (T) defuzzifiye edilmiş sayılar üzerinden hesaplanır.

Grup toplamı. Yöntemin kendi literatüründe birden fazla karar vericinin ayrı ayrı hesapladığı puanlar, karar verici ağırlıklarıyla (λ) ağırlıklı ortalamaya alınır. DecisionMind bu adımı bugün tek karar verici modunda çalıştırır: kullanıcı zaten birleştirilmiş tek bir TIFN matrisi girer ve λ = 1 kabul edilir. Birden fazla karar vericinin kendi matrisini ayrı ayrı girip ağırlıklı ortalamasının alınması bu sürümde desteklenmemektedir; ayrıntı onay notlarındadır.

DecisionMind bu ailede Gani-Abbas (2014) durulaştırma kuralını ve eşik değerini (psi_threshold, varsayılan 0,02) sabit tutar; eşik kullanıcı tarafından değiştirilebilir.

Değerlendirme puanı kesin CODAS'taki gibi okunur: göreli bir puandır, negatif çıkması başarısızlık değildir, seçenek kümesi değişince negatif-ideal kayar. Fark şurada: puanın altında hem bir destek belirsizliği hem ondan ayrı, daha geniş bir ret belirsizliği vardır; ikisi durulaştırma adımında tek sayıya iner ve raporda görünmez.

Bu nedenle:

"Üçgen sezgisel bulanık CODAS iki kat belirsizlik taşıdığı için sonuç daha güvenilirdir"

yerine:

"Destek ve ret üçgenleri durulaştırma adımında tek sayıya indirilmiştir; iki üçgen arasındaki fark ne kadar genişse, bu tek sayı o kadar kaba bir özettir"

biçiminde yazmak doğrudur.

Uzman bir yargıyı hem ne kadar desteklediğini hem ayrıca ne kadar reddettiğini, iki ayrı üçgenle veriyorsa bu uzantı kullanılır. Yalnız tek bir üçgenle (en düşük, en olası, en yüksek) yargı veriliyorsa sıradan bulanık uzantı yeterlidir; ikinci bir ret üçgeni yoksa TIFN gerekmez. Ölçülmüş bir kriter doğrudan iki üçgene açılmaz. Temel CODAS'ın çıkış koşulu burada da geçerlidir: bir kriterde hiç taviz kabul edilmiyorsa telafi edici bu aile doğru seçim değildir.

Sıralama kısıtını karıştırmak. Her TIFN'de a'1 ≤ a1 ≤ a2 ≤ a3 ≤ a'3 sağlanmalıdır; destek üçgeni ret üçgeninin içinde kalmalıdır. Bu sıra bozulursa TIFN geçersizdir.

Önce durulaştırıp sonra ağırlıklandırmak. Durulaştırma yalnız ağırlıklı matris kurulduktan sonra yapılır. Ham matrisi önce tek sayıya indirip sonra ağırlıklandırmak, TIFN'in taşıdığı ölçek bilgisini kaybettirir.

Maliyet kriterinde üçgeni ters çevirmek. Yöntem maliyet kriterinde normalizasyonu min/maks oranıyla yapar; destek-ret üçgenlerini birbirinin yerine koymaz (μ↔ν gibi bir tamlayıcı işlemi yoktur). Bu iki yöntemi karıştırmak yanlış bir negatif-ideal üretir.

Grup toplamının burada çalıştığını varsaymak. DecisionMind bu sürümde tek karar vericiyle çalışır. Birden fazla karar vericinin puanını girip "yöntem bunları ağırlıklı ortalamayla birleştirir" diye rapor etmek yanlıştır; kullanıcı puanları kendisi birleştirmelidir.

Temel ilke şudur:

Üçgen sezgisel bulanık CODAS, destek ile reddi iki ayrı üçgende taşımak içindir. İki üçgeni birbirine karıştıran ya da durulaştırmayı yanlış sırada yapan her uygulama bu katkıyı siler.