Senaryo Tabanlı Bulanık CILOS (Scenario-Based Fuzzy CILOS)

Bu kart, DecisionMind'ın CILOS ailesindeki bir profili anlatır; bağımsız, kendi başına yayımlanmış bir yöntem değildir. Temeli klasik CILOS'tur (Criterion Impact LOSs): Zavadskas ve Podvezko'nun 2016'da önerdiği, kriter ağırlığını "bir kriterde en iyi olmanın diğer kriterlerde ne kadar kayba yol açtığı" mantığıyla türeten nesnel ağırlık yöntemi. CILOS kesin (crisp) veriyle tanımlanmıştır; veri uzman yargısıyla üçgen bulanık sayı (alt, orta, üst üç değer) biçiminde verildiğinde CILOS'un doğrudan uygulanması mümkün değildir.

DecisionMind bu boşluğu doldurmak için birden fazla yol sunar. Podvezko, Zavadskas ve Podviezko'nun (2020) yayımladığı ve DecisionMind'da ayrı bir üye olarak yer alan FCILOS, CILOS'u bulanık aritmetiğe göre baştan kuran, literatürle doğrudan bağlantılı bir uzantıdır. Senaryo Tabanlı Bulanık CILOS ise daha basit, mühendislik kararına dayalı ayrı bir profildir: üçgenin üç köşesini birbirinden bağımsız üç kesin tablo gibi ele alır, her birinde klasik CILOS'u ayrı ayrı çalıştırır ve üç sonucu ortalar. Bu profilin kendi adıyla anılan, hakemli bir kurucu makalesi yoktur; DecisionMind ekibi tarafından geliştirilmiş, gözden geçirilmekte olan bir uygulamadır ve bu kart bunu açıkça söyler.

CILOS'un felsefesi şudur: bir kriterde en iyi seçeneği elde etmek çoğu zaman bedelsiz değildir; o seçenek başka kriterlerde geride kalabilir. CILOS her kriter için "bu kriterde en iyi olan seçenek, diğer kriterlerde ne kadar kaybediyor" sorusunu sorar ve bu kaybın büyük olduğu kriterlere daha yüksek ağırlık verir; çünkü böyle bir kriterde iyi olmak gerçekten bir şeyden vazgeçmeyi gerektirir, dolayısıyla o kriter kararda daha belirleyicidir.

Senaryo Tabanlı Bulanık CILOS bu mantığı değiştirmez, yalnız bulanık girdiye uygulama biçimini basitleştirir. Üçgen bulanık bir değer, uzmanın "en kötü ihtimalle şu, en olası şekliyle şu, en iyi ihtimalle şu" dediği bir aralığı temsil eder. Bu profil, üç ihtimali üç ayrı senaryo gibi ele alır: "her şey kötü giderse" (alt köşe), "beklenen gibi giderse" (orta köşe) ve "her şey iyi giderse" (üst köşe) durumlarında CILOS'u ayrı ayrı çalıştırıp üç ayrı ağırlık kümesi üretir, sonra bunları ortalar. Bu, hesaplaması kolay ve izlenmesi kolay bir yaklaşımdır; ama üç köşeyi birbirinden bağımsız üç kesin problem gibi ele aldığı için, üçgenin kendi iç yapısını (üç köşenin BİRLİKTE nasıl bir belirsizlik oluşturduğunu) tam olarak yakalamaz. Bu, canonik fuzzy CILOS'un (Podvezko ve ark., 2020) izlediği, bulanık aritmetiği baştan sona koruyan yoldan farklıdır.

Yöntem üç adımda ilerler.

Birinci adım, girdi doğrulama. Her hücre için uzmandan alınan üçgen bulanık sayı (alt, orta, üst) ve her kriterin yönü (çoğu mu iyi, azı mı iyi) kaydedilir.

İkinci adım, üç ayrı klasik çalıştırma. Alt köşe değerleri bir kesin karar tablosu olarak alınıp klasik CILOS'un bütün adımları (ölçek çevirme, kayıp matrisinin kurulması, doğrusal denklem sisteminin çözülmesi) uygulanır ve bir ağırlık kümesi elde edilir. Aynı işlem orta köşe değerleriyle ve üst köşe değerleriyle ayrı ayrı tekrarlanır. Sonuçta üç bağımsız ağırlık kümesi ortaya çıkar.

Üçüncü adım, ortalama ve açıklama. Üç ağırlık kümesi kritere göre ortalanır ve toplamı 1 olacak biçimde yeniden normalize edilir. DecisionMind, üç senaryonun birbirinden ne kadar farklı çıktığını, yani bulanıklığın sonucu ne ölçüde değiştirdiğini ayrıca raporlar.

Adımların formülleri ve ara tabloları DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Çıktı, üç senaryonun (kötü, beklenen, iyi ihtimal) ortalama ağırlığıdır; klasik CILOS ağırlığıyla aynı biçimde okunur, yani bir kriterin karar vericinin gözündeki önemini değil, o kriterde en iyi olmanın diğer kriterlerde yol açtığı kaybın büyüklüğünü yansıtır. Üç senaryonun ağırlıkları birbirine çok yakınsa, bu genellikle uzman tahminlerindeki belirsizliğin (üçgenin genişliğinin) sonucu fazla değiştirmediği anlamına gelir; üç senaryo belirgin biçimde farklı çıkıyorsa, belirsizlik ağırlıklara da yansımış demektir ve rapor bu farkı göstermelidir.

Bu profilin doğrulama fixture'ında görülen özel bir durum vardır: bir seçenek her kriterde aynı anda en iyi çıkarsa, CILOS'un kayıp matrisi tamamen sıfırlanır ve denklem sistemi ayırt edici olmayan, eşit dağılmış bir ağırlık verir. Bu bir hesap hatası değildir; CILOS'un mantığının doğal bir sonucudur, çünkü "en iyi olmanın bedeli" o veri kümesinde hiçbir kriterde gerçekleşmemiştir. Böyle bir sonuç görüldüğünde ağırlıklar "kriterler eşit önemlidir" diye değil, "bu veri kümesinde hiçbir kriter için gerçek bir ödünleşim gözlenmedi" diye okunmalıdır.

Bu nedenle:

"Senaryo Tabanlı Bulanık CILOS analizi üç kriterin de eşit önemde olduğunu gösterdi"

yerine:

"Bu seçenek kümesinde hiçbir kriterde gerçek bir ödünleşim gözlenmedi, bu yüzden ağırlıklar birbirine eşit çıktı; farklı bir seçenek kümesiyle sonuç değişebilir"

biçiminde yazmak doğrudur.

Senaryo Tabanlı Bulanık CILOS, verinin üçgen bulanık sayı (alt, orta, üst) olarak verildiği durumlar içindir; klasik kesin CILOS'un bir uzantısıdır. DecisionMind'da CILOS ailesinin bulanık veri için iki ayrı üyesi bulunur: literatürle doğrudan bağlantılı FCILOS ve bu kartın konusu olan, DecisionMind'ın kendi geliştirdiği Senaryo Tabanlı Bulanık CILOS. İkisi aynı girdiyle farklı sonuç verebilir; literatürle birebir karşılaştırma gerekiyorsa FCILOS tercih edilmelidir.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede uzman tahmininden gelen bir üçgen bulanık sayı (en kötü, en olası, en iyi), boş hücre yok. Her kriter için "çoğu mu iyi, azı mı iyi" bilgisi gerekir. Ağırlık girilmez; yöntem ağırlığı üretir. En az iki seçenek ve iki kriter gerekir; CILOS'un denklem sisteminin anlamlı bir çözümü olması için kriterler arasında en azından bazı gerçek ödünleşimlerin olması gerekir.

Bu profil şu an DecisionMind ekibi gözden geçiriyor; olgunluk düzeyi "ertelenmiş" olarak işaretlidir. Uzman tahminleri üçgen bulanık sayı olarak elde edilmiş, hızlı ve izlenmesi kolay bir bulanık CILOS denemesi isteniyorsa, sonucun kanonik bir literatür kaynağına dayanmadığı açıkça belirtilerek kullanılabilir.

Kullanılmaması gereken durumlar felsefesinden ve mevcut durumundan gelir. Literatürle birebir karşılaştırılabilir, hakemli bir kaynağa dayanan bir fuzzy CILOS sonucu gerekiyorsa FCILOS tercih edilmelidir. Bir seçeneğin her kriterde birden en iyi çıktığı (dejenere) veri kümelerinde bu profil ayırt edici olmayan, eşit ağırlık verebilir; böyle bir sonuç alındığında veri kümesi gözden geçirilmelidir. Karar gerekçesi resmî bir rapor ya da yayına dayanak olacaksa, bu profilin deneysel durumu okuyucuya açıkça bildirilmelidir.

Hızlı, izlenmesi kolay bulanık CILOS denemesi, sonuç deneysel olarak etiketlenecek → Senaryo Tabanlı Bulanık CILOS

Literatürle birebir örtüşen fuzzy CILOS gerekiyor → FCILOS

Veri kesin (bulanık değil) → Klasik CILOS

Bir seçenek her kriterde en iyi çıkıyor (dejenere veri) → Veri kümesi gözden geçirilmeli, sonuç ayırt edici olmayabilir

Bu profilin en önemli üstünlüğü basitliğidir: üç köşeyi ayrı ayrı klasik CILOS ile çözüp ortalamak, hesabı ve izlenebilirliği kolay bir yoldur; her senaryo ayrı ayrı denetlenebilir. Üç senaryonun birbirinden ne kadar ayrıştığını göstermesi, uzman tahminlerindeki belirsizliğin sonuca ne kadar yansıdığını hızlıca fark ettirir. Klasik CILOS'un mantığını değiştirmeden bulanık veriye taşımanın en kolay anlaşılır yollarından biridir.

Sınırlılıkları büyük ölçüde profilin kendi tasarımından ve mevcut durumundan gelir. Birincisi, bu profilin literatürde doğrudan bir karşılığı yoktur; DecisionMind ekibinin kendi mühendislik kararıdır ve bu, yayına dayanak yapılacak bir çalışmada dezavantajdır. İkincisi, üç köşeyi birbirinden bağımsız üç kesin problem gibi çözüp ortalamak, üçgenin üç köşesinin BİRLİKTE oluşturduğu belirsizlik yapısını tam yakalamaz; kanonik fuzzy CILOS (Podvezko, Zavadskas ve Podviezko, 2020) farklı bir matematiksel yol izler ve aynı girdide farklı sonuç verebilir. Üçüncüsü, bir seçeneğin her kriterde birden en iyi çıktığı veri kümelerinde kayıp matrisi sıfırlanır ve ağırlıklar ayırt edici olmayan bir dağılıma düşer; bu durum DecisionMind'ın kendi doğrulama fixture'ında gözlenmiştir ve klasik CILOS kernel'i böyle bir durumda hata verip dururken bu profil şu an için durmadan eşit ağırlık üretir. Dördüncüsü, üçgen bulanık sayı oransal biçimde (bütün köşeler aynı oranda) verilmişse üç senaryonun ağırlıkları çoğu zaman birbirine çok yakın çıkar; bu durumda bulanıklığın gerçekten bir şey kattığı da tartışmalıdır.

En yaygın hata, bu profilin sonucunu kanonik fuzzy CILOS'la (Podvezko ve ark., 2020) aynı yöntemmiş gibi raporlamaktır; ikisi farklı matematiksel yollar izler ve farklı sonuç verebilir.

İkinci hata, üç köşenin ayrı ayrı çözülüp ortalanmasını "bulanıklığın tam olarak modellendiği" biçiminde sunmaktır; bu yaklaşım bulanıklığı yaklaşık olarak temsil eder, tam olarak değil. Üçüncü hata, dejenere bir veri kümesinde çıkan eşit ağırlıkları "kriterler eşit önemlidir" diye okumaktır; bu durum genellikle veri kümesinde gerçek bir ödünleşim bulunmadığının işaretidir. Dördüncü hata, bu profilin deneysel durumunu okuyucudan gizlemektir; DecisionMind ekibi bu profili gözden geçiriyor ve rapor bunu belirtmelidir.

Temel ilke şudur:

Senaryo Tabanlı Bulanık CILOS'un sonucu bir mühendislik yaklaşımının çıktısıdır, hakemli bir literatür kaynağıyla doğrulanmış bir yöntem değildir; rapor bu durumu açıkça söylemeli ve gerektiğinde FCILOS ile karşılaştırma yapılmalıdır.