Z-bulanık CRADIS (Puška ve ark., 2022)

Üç şey değişir; ideale yakınlık ile anti-idealden uzaklığı ayrı oran olarak tutup ortalayan CRADIS mantığı değişmez.

Hücreler ve ön dönüştürme. Kesin CRADIS'te her hücre tek sayıdır. Bu uzantıda hücre kavramsal olarak bir Z-çiftidir: uzmanın verdiği değer (A, sözel bir ölçekle üçgen bulanık sayıya çevrilir) ve bu değere duyduğu güven (B, ayrı bir sözel ölçekle üçgen bulanık sayıya çevrilir). Puška ve arkadaşlarının yöntemi, her uzmanın her Z-çiftini önce Kang ve arkadaşlarının (2012) dönüşümüyle tek bir üçgen bulanık sayıya indirir; bu indirgemede A'nın üç köşesi, B'nin ağırlık merkezinden gelen bir katsayının karekökü ile ölçeklenir. Birden çok uzmanın bu şekilde indirgenmiş üçgenleri aritmetik ortalamayla tek bir kolektif bulanık karar matrisinde birleştirilir.

DecisionMind'ın bu uzantıda çalıştırdığı adım. Kalıcı ve önemli bir sınır burada bildirilmelidir: DecisionMind'ın bu uzantıyı hesaplayan motoru, yukarıdaki Z-çiftinden üçgen bulanık sayıya indirgeme adımını kendisi yürütmez; motor doğrudan zaten indirgenmiş, yani hazır üçgen bulanık sayılardan oluşan bir karar matrisi bekler. Bunu motoru çalıştırıp doğruladım: bir hücreye altı sayı (üç sayılık değer üçgeni artı üç sayılık güvenilirlik üçgeni) verildiğinde motor yalnız ilk üç sayıyı okur, kalan üç sayıyı (güvenilirlik) tamamen yok sayar; güvenilirliği (0,1; 0,1; 0,1) ile (0,9; 0,9; 0,9) arasında değiştirdiğimde sonuç birebir aynı kalıyor. Bu, Z-sayı veri türü kartında ve DecisionMind'ın Z-TOPSIS, Z-VIKOR, Z-EDAS, Z-COPRAS, Z-WASPAS kartlarında bildirilen "güvenilirlik bileşeni okunmuyor" durumuyla aynı ailedendir. Ama burada nedeni farklıdır. O kartlarda güvenilirlik okunur, sonra matematiksel olarak sadeleşir. Burada güvenilirlik motor tarafından hiç okunmaz; Z-çiftini bulanık sayıya çevirme adımı motorun kodunda uygulanmamıştır.

Normalizasyon, ağırlıklama, ideal/anti-ideal, uzaklık, durulaştırma ve uzlaşma puanı. Bu adımların hepsi, elde hazır bir üçgen bulanık karar matrisi olduktan sonra, kesin CRADIS'in bulanık biçimidir ve Puška ve arkadaşlarının (2022) tanımına göre çalışır: yön duyarlı normalizasyon (fayda sütununda en büyük değere, maliyet sütununda en küçük değere oranlama), ağırlıklı üçgenler, tüm matris üzerinden TEK bir ideal ve TEK bir anti-ideal üçgen, üçgen çıkarmayla d+ ve d- sapmaları, bunların toplamı, GMIR ağırlık merkeziyle (1,4,1)/6 durulaştırma, en iyi orana göre K+ ve K- ve bunların ortalaması olan uzlaşma puanı Q.

DecisionMind bu uzantıda GMIR durulaştırmasını ve tek küresel ideal/anti-ideal mantığını sabit tutar. Ağırlıklar dışarıdan ve kesin sayı olarak alınır; yöntem ağırlık üretmez.

Uzlaşma puanı Q, kesin CRADIS'teki gibi okunur (bkz. CRADIS kartı): yüzde değildir, başka bir analizle karşılaştırılmaz.

Fark şurada. Z-sayı veri yapısının amacı, kaynağa duyulan güveni karara taşımaktır. Ama DecisionMind'ın bu uzantıyı hesaplayan motoru güvenilirliği hiç okumaz; hesap doğrudan girilen üçgen bulanık değerler üzerinden yürür. Bu yüzden raporda "güvenilirlik hesaba katılmıştır" yazılmamalıdır.

Bu nedenle:

"Z-bulanık CRADIS kullanıldığı için tedarikçinin güvenilirlik geçmişi sonuca yansımıştır"

yerine:

"Kriter değerleri üçgen bulanık sayı olarak girilmiştir; mevcut motor, bu değerlere eşlik edecek bir güvenilirlik bileşenini okumaz ve hesaba katmaz. Güvenilirlik farkı önemliyse bu fark, veri toplama aşamasında değerin kendisine (A'ya) yansıtılmalıdır, ayrı bir güvenilirlik hanesine değil"

biçiminde yazmak doğrudur.

Biçimsel olarak, kriter değerleri bir yargı ya da tahminden geliyorsa ve tek sayıya indirmek yapay bir kesinlik yaratacaksa bu uzantı (aslında bir bulanık CRADIS olarak) doğru seçimdir. Ama karar verici "kaynağın güvenilirlik farkı sırayı etkileyecek" beklentisindeyse, bu beklenti mevcut motorla karşılanmaz; bu sınır veri toplamadan önce söylenmelidir. Ölçülmüş bir değeri bulanıklaştırmak belirsizlik üretir; kesin CRADIS'te kalınmalıdır.

Kesin CRADIS'in çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa önce eşik altı seçenekler elenmeli, kalanlar bu uzantıyla sıralanmalıdır.

Güvenilirliğin (B) sırayı değiştireceğini varsaymak. Mevcut motor B'yi okumaz; farklı güvenilirlikte iki aynı A değeri motor için birebir aynıdır. Bu bir yazılım hatası değil, motorun bugünkü kapsamının bir sınırıdır ve raporda açıkça söylenmelidir.

GMIR durulaştırmasını basit ağırlık merkeziyle karıştırmak. Puška'nın formülü (l+4m+u)/6 biçimindeki GMIR ağırlıklarını kullanır; bunu (l+m+u)/3 basit ağırlık merkeziyle değiştirmek farklı bir sayı üretir.

s0+ ile s0-'yi ters almak. s0+ en küçük s+ değeridir (ideale en az uzaklaşan); s0- en büyük s- değeridir (anti-idealden en çok uzaklaşan). Bu iki tanımı ters almak sıralamayı tersine çevirir.

Ölçülmüş bir değere kuşkuyla bir "güvenilirlik" hanesi eklemek. Gerçekleşmiş bir ölçüme güvenilirlik hanesi eklemek hem gereksizdir hem de motor tarafından zaten okunmaz; ölçülmüş değer üç bileşeni aynı olan bir üçgen olarak kalmalıdır.

Temel ilke şudur:

Z-bulanık CRADIS, kriter değerini ve bu değere duyulan güveni ayrı ayrı kaydetmek için tasarlanmıştır. Ama DecisionMind'ın bugünkü motoru bu güven bileşenini hiç okumaz; hesap yalnız üçgen bulanık değer üzerinden yürür ve bu sınır, veri toplamadan önce karar vericiye söylenmelidir.