Yöntemler

TOPSIS, seçenekleri her kriterde en iyi ve en kötü değerlerden kurulan iki hayali noktaya uzaklıklarına göre sıralar: ideale en yakın ve en kötüye en uzak seçenek öne çıkar.

VIKOR, seçenekleri ideale toplam uzaklıkları ile en kötü tek kriterdeki uzaklıklarını birlikte tartarak sıralar; "herkesin kabul edebileceği" bir uzlaşma çözümü arar.

SAW, her kriterin ölçeğini eşitleyip ağırlığıyla çarpar ve doğrudan toplar; çok kriterli karar yöntemlerinin en eski ve en yalın üyesidir. En yüksek ağırlıklı toplama sahip seçenek birinci sıraya çıkar.

Seçenekleri ideale değil, kümenin kendi ortalamasına göre konumlarına bakarak sıralayan yöntemdir: ortalamanın belirgin biçimde üstünde olan ve altına az düşen seçenek öne çıkar.

Fayda kriterlerinin ağırlıklı toplamı ile maliyet kriterlerinin ağırlıklı toplamının oranını birleştirerek seçenekleri sıralayan ve en iyi seçeneğe göre yüzde cinsinden bir fayda derecesi veren yöntemdir.

Seçenekleri hem ideal (en iyi mümkün) hem anti-ideal (en kötü mümkün) referans noktalarına oranlayıp bu iki oranı tek bir fayda fonksiyonunda birleştirerek sıralayan yöntemdir.

CODAS, seçenekleri en kötü referans noktasına iki farklı uzaklık ölçüsüyle karşılaştırarak sıralayan bir yöntemdir. Önce düz çizgi, yani Öklid uzaklığına bakar; seçenekler birbirine çok yakın çıkarsa ek olarak yatay ve dikey uzaklığı, yani Taksi uzaklığını da kullanır.

TODIM, karar vericinin kazançlara karşı temkinli, kayıplara karşı aşırı duyarlı davrandığını varsayan davranışsal karar teorisini çok kriterli sıralamaya taşır. Seçenekleri ikişer ikişer, "kazanma" ve "kaybetme" olarak ayrı tartar.

WASPAS, iki farklı toplulaştırma mantığını, ağırlıklı toplamı ve ağırlıklı çarpımı, tek bir sonuçta birleştirir; birinin zayıf yanını diğerinin güçlü yanıyla dengeleyen bir sıralama yöntemidir.

Her seçeneği, aynı tablodan türetilen hayali "en iyi" seçeneğe göre ne kadar fayda sağladığının oranıyla ölçer. Bu oranı doğrudan yorumlanabilir bir yüzdesel fayda derecesine çeviren sıralama yöntemidir.

MABAC seçenekleri ideale ya da ortalamaya göre değil, her kriter için kurulan hayali bir "sınır bölgesine" olan uzaklığına göre sıralar. Sınırın üzerinde kalmak seçeneği güçlendirir, altında kalmak zayıflatır.

Seçenekleri, her kriterdeki değerini o kriterin toplam büyüklüğüne oranlayıp faydalı oranların toplamından zararlı oranların toplamını çıkararak sıralayan, hesap yükü en hafif yöntemlerden biridir.

Seçenekleri, her kriterde hayali bir "referans" seçeneğe (tüm kriterlerde en iyi performans) ne kadar yakın seyrettiğine bakarak, bir "gri ilişki derecesi" ile sıralayan yöntemdir.

Seçenekleri hem toplamsal hem çarpımsal bir başarı ölçüsüyle değerlendirip, bu iki ölçüyü üç farklı uzlaşma stratejisiyle birleştirerek sıralayan yöntemdir.

Seçenekleri üç farklı bakış açısıyla (oran, en kötü duruma uzaklık, tam çarpım) ayrı ayrı sıralayıp bu üç sıralamayı hâkimiyet kuramıyla tek bir sıraya birleştiren yöntemdir.

WPM, seçenekleri her kriterdeki oranlarını kriterin ağırlığı kadar kuvvete yükseltip çarparak tek bir birimsiz skora indirger ve bu skora göre sıralar.

ELECTRE I'in çekirdek küme çıktısını yeterli görmez. Aynı üstünlük mantığını iki yönden (en iyiden aşağı, en kötüden yukarı) işleterek seçenekleri tam bir sıraya dizer. İki yön anlaşamazsa "kıyaslanamaz" demeyi tercih eden yöntemdir.

SPOTIS, seçenekleri sabit bir ideal noktaya uzaklıklarına göre sıralar. Bu ideal nokta o analizdeki diğer seçeneklerden değil, analizden önce sabitlenmiş "olabilecek en iyi / en kötü" sınırlardan kurulur. Yöntem bu sayede sıranın seçenek kümesi değiştikçe kaymasını, yani sıra tersinmesini, önlemeyi amaçlar.

AROMAN tek bir normalizasyon biçimine güvenmez. İki farklı normalizasyonu bir karışım katsayısıyla harmanlar, sonra fayda ve maliyet ölçütlerinin toplamlarını bir denge parametresiyle birleştirip seçenekleri sıralar.

DNMA, tek bir toplulaştırma mantığına (yalnız toplam ya da yalnız çarpım) güvenmez. Aynı veriyi üç farklı yöntemle (ağırlıklı toplam, ağırlıklı çarpım, ideale yakınlık) puanlar, sonra hem puanların hem sıraların tutarlılığını ödüllendirerek tek bir birleşik skor üretir.

MAUT her kriterdeki değeri önce kendi "fayda" ölçeğine çevirir, sonra bu faydaları ağırlıklı toplar. Sonuç, seçeneğin karar vericiye toplam ne kadar fayda sağladığının tek bir sayısıdır.

PSI, kriterlere dışarıdan ağırlık istemez. Ağırlıkları seçenekler arasındaki değer farkından kendisi türetir, sonra seçenekleri bu ağırlıklarla sıralar.

RAFSI, seçenekleri karar vericinin önceden belirlediği sabit ideal ve karşı-ideal noktalara göre tek bir ölçek aralığına haritalayıp sıralar. Bu sabit noktalar sayesinde seçenek eklenip çıkarıldığında sıra bozulmaz.

RAWEC, her seçeneği hem "en iyiye ne kadar yakın" hem "en kötüden ne kadar uzak" olduğu açısından ağırlıklı olarak ölçer, sonra bu iki bakışı tek bir karşılaştırma endeksinde birleştirir.

WISP, her seçeneği hem toplama hem çarpmaya dayanan dört ayrı karşılaştırma mantığıyla puanlar ve bu dört sonucu ortalayarak tek bir sıra üretir.

Her kriter sütununu, o sütunun kendi büyüklüğüne göre genişleyen "uyarlanabilir" bir aralığa yerleştirir. Seçenekleri hem idealliğe hem anti-idealliğe göre birlikte puanlayan bir yöntemdir.

Seçenekleri, ideal noktaya ne kadar yaklaştıklarına ve en kötü noktadan ne kadar uzaklaştıklarına göre iki ayrı fayda oranıyla değerlendirip bu iki oranın ortalamasıyla sıralayan yöntemdir.

Seçenek çiftlerini "ne kadar güvenilir biçimde üstünler" sorusuyla bulanık bir ölçekte karşılaştırır ve bu güvenilirlik derecelerini iki yönde damıtarak (distilasyon) bir sıra çıkarır; bazı çiftler kıyaslanamaz kalabilir.

LMAW her hücreyi önce yöne ve büyüklüğe duyarlı biçimde standartlaştırır, sonra logaritmik bir dönüşümden geçirir. Ardından ağırlıklı bir sıkıştırma fonksiyonuyla toplayarak seçenekleri sıralar. Amacı, uç değerlerin sıralamayı aşırı derecede sürüklemesini sınırlamaktır.

Seçenekleri girdi (maliyet) kriterlerindeki göreli geride kalmaları ile çıktı (fayda) kriterlerindeki göreli üstünlüklerini ayrı ayrı toplayıp tek bir ortak noktada birleştirerek sıralayan yöntemdir.

ROV, seçenekleri fayda kriterlerindeki en-iyi-durum performansı ile maliyet kriterlerindeki en-kötü-durum performansının ortalamasına göre sıralar.

SMART, her kriterin en kötü ve en iyi ucunu 0 ile 1 arasına doğrudan yerleştirir, sonra bunları karar vericinin verdiği önem ağırlıklarıyla toplar; basit bir çok-özellikli derecelendirme yöntemidir.

APLOCO, seçenekleri ikişer ikişer karşılaştırır: her seçeneğin rakibine göre kriter bazında ne kadar üstün olduğunu toplar, ne kadar geride kaldığını çıkarır ve kalan net puana göre sıralar.

COBRA, seçenekleri dört ayrı referans noktasına (en iyi, en kötü, ortalamanın üstü ve ortalamanın altı) olan uzaklıklarını birleştirerek sıralar; tek bir ideal noktaya değil, dört farklı bakış açısına bakar.

COMET, karar vermeden önce uzmana gerçek seçenekleri değil, kriterlerin olası bütün seviye kombinasyonlarını ("karakteristik nesneleri") gösterir; uzman bu kurgusal profilleri puanladıktan sonra gerçek seçenekler bu hazır tercih haritasına yerleştirilir.

Compromise Programming, seçenekleri her kriterde ulaşılabilecek en iyi değerden ne kadar uzak kaldıklarına göre sıralar; en az uzaklaşan seçenek en iyi uzlaşma olarak öne çıkar.

Consensus Reaching, bir karar tablosundaki her kriteri ayrı bir yargıç gibi ele alır ve bir seçeneğin bu yargıçlar arasında ne kadar tutarlı bir konumda kaldığını ölçer.

Kriter Çıkarma, bir sıralamayı üreten kriterlerin her birini tek tek tablodan çıkarıp sıralamanın ne kadar değiştiğine bakar; böylece sıralamanın hangi kritere ne kadar bağımlı olduğunu ortaya çıkarır.

Çapraz Doğrulama, bir sıralamadaki her seçeneği sırayla tablodan çıkarıp geri kalanların birbirine göre sırasının bozulup bozulmadığına bakarak, sıralamanın tek bir seçeneğin varlığına ne kadar bağımlı olduğunu ölçer.

ERVD, her seçeneği "ideal bir noktaya" değil, karar vericinin önceden belirlediği bir referans (beklenti) düzeyine göre değerlendirir; bu referansın altında kalan kayıpları üstündeki kazançlardan daha ağır sayar.

EVAMIX, bazı kriterler sayıyla ölçülürken bazıları yalnızca sıralamayla (birinci, ikinci, üçüncü gibi) ifade edildiğinde, bu iki türü birbirine dönüştürmeden aynı analizde birleştirir.

FDOSM, her seçeneğin her kriterdeki performansını doğrudan bir "görüş puanı" olarak alır, bu puanı en iyi değere göre oranlar ve ağırlıklarla birleştirerek seçenekleri sıraya dizer.

FMEA, bir ürün ya da sürecin olası arıza biçimlerini görülme sıklığı, ciddiyet ve fark edilebilirlik puanlarının çarpımıyla tek bir risk sayısında birleştirir; en yüksek sayıyı alan arıza önce ele alınır.

FUCA, seçenekleri ham sayılarla değil her kriterdeki sırasıyla karşılaştırır; kriter sıralarının ağırlıklı toplamı en küçük olan seçenek öne çıkar.

Bulanık Bilgi Aksiyomu, her seçeneğin sağladığı üçgen bulanık performans aralığının istenen tasarım aralığıyla ne kadar örtüştüğüne bakar; örtüşme ne kadar büyükse seçenek o kadar az belirsizlik taşır ve o kadar iyi kabul edilir.

Hedef Programlama, her kriter için önce ulaşılabilir bir hedef düzeyi belirler, sonra seçenekleri bu hedeften ne kadar uzak kaldıklarına göre karşılaştırır; hedeflere en az sapmayla yaklaşan seçenek öne çıkar.

Grey Projeksiyon, aralık biçiminde (kesin tek sayı değil, alt ve üst sınırla) verilmiş kriter değerlerini en iyi ve en kötü referans yönlerine izdüşürerek karşılaştırır; ideale izdüşümü büyük, kötüye izdüşümü küçük olan seçenek öne çıkar.

Hellwig yöntemi, birimleri dışarıdan verilen bir ağırlık kullanmadan, kendi verisinden kurduğu istatistiksel bir "gelişmişlik örüntüsüne" olan uzaklıklarına göre sıralar.

HF-DFT, seçenekleri tek bir anda karşılaştırmaz; tercihin zaman içinde nasıl biriktiğini benzetimle izler ve deliberasyon süresi sonunda en çok tercih biriktiren seçeneği önerir.

HFGPE, her alternatifi tek bir merkezî otorite değil diğer tüm alternatifler değerlendirir; cömert ve sert iki bakış açısını tek bir ayarlanabilir parametreyle birleştirip ortalama akran puanına göre sıralar.

IF-DFT, seçenekleri tek bir anda karşılaştırmaz; destek ve ret derecelerinden oluşan sezgisel bulanık değerlendirmelerle tercihin zaman içinde nasıl biriktiğini benzetimle izler.

IV-PROJECTION, her seçeneği ideal seçenek yönünde ne kadar "izdüşüm" bıraktığına bakarak sıralar; bu izdüşüm hem seçeneğin ideale ne kadar benzediğini hem ideal yönde ne kadar büyük olduğunu birlikte taşır.

KEMIRA, kriterleri iki anlamlı gruba ayırıp her grubu uzmanların öncelik sıralamalarına uydurur, sonra iki grubun puanını toplayarak seçenekleri sıralar.

LINMAP, kriterlere ağırlık sormak yerine seçenekler arasındaki ikili tercihlerinizi sorar; sonra bu tercihlerle en tutarlı ideal noktayı ve ağırlıkları kendisi bulup seçenekleri bu ideale uzaklığına göre sıralar.

LOCAL-OWA, seçenekleri tek bir bölgede değil kendi komşuluklarında değerlendirir; her komşulukta hangi kriterin gerçekten ayırt edici olduğunu bulur ve bunu, karar vericinin genel risk tavrını yansıtan sıralı ağırlıklarla birleştirir.

Local WLC, aynı kriterin her bölgede aynı derecede önemli olmadığını kabul eder; her komşulukta kriter ağırlıklarını o komşuluktaki gerçek değişim aralığına göre yeniden hesaplayıp seçenekleri buna göre puanlar.

LoPM, her özelliğe bir sınır (bir taban, bir tavan ya da bir hedef değer) tanımlar; seçenekleri bu sınıra ne kadar uyduklarına göre puanlayıp ağırlıklı biçimde toplar.

MACONT, tek bir ölçek eşitleme biçimine güvenmek yerine üç farklı normalizasyonu harmanlar ve her seçeneği hem ortalama bir rakiple karşılaştırarak hem en iyi-en kötü uçlarına bakarak iki ayrı biçimde puanlayıp bu iki puanı birleştirir.

MAIRCA, her seçeneğin "teorik olarak hak ettiği" pay ile "gerçekte gösterdiği" performans arasındaki farkı ölçüp bu farkı en küçük olan seçeneği öne çıkarır.

MARA, her seçeneği hayali bir "ideal seçenekle" karşılaştırıp aradaki farkı bir doğru parçasının altında kalan alan olarak ölçer; bu alan ne kadar küçükse seçenek o kadar öndedir.

Monte Carlo simülasyonu, tek bir ağırlık takımıyla tek bir sıra çıkarmak yerine binlerce olası ağırlık takımını dener ve her seçeneğin kaç kez birinci, kaç kez ikinci çıktığını sayarak sıralamanın ne kadar sağlam olduğunu gösterir.

MOOSRA, her seçeneğin fayda kriterlerindeki toplam ağırlıklı gücünü maliyet kriterlerindeki toplam ağırlıklı yüküne bölüp bu oranı en büyük olan seçeneği öne çıkarır.

NAIADE, iki seçeneği karşılaştırırken aradaki farkı "çok daha iyi", "biraz daha iyi" ve "farksız" gibi bulanık derecelere çevirir; ağırlık istemeden bu karşılaştırmaları tüm çiftler üzerinden birleştirip bir sıra çıkarır.

ORESTE, alternatifleri ve kriterlerin önemini kesin sayılarla değil yalnızca sıralarıyla karşılaştırıp tek bir sıra üreten bir yöntemdir.

OWA, kriter değerlerini hangi kriterden geldiğine değil her alternatifte aldığı sıraya göre ağırlıklandırıp karar vericinin iyimser ya da temkinli tutumunu sonuca yansıtan bir birleştirme yöntemidir.

PAM, her alternatifi kriter sayısı kadar kenarlı bir çokgene dönüştürüp bu çokgenin kapladığı alana göre sıralayan bir yöntemdir.

PHFS-EHVaR, bir alternatifin en kötü senaryo sınırını değil, o sınırın altındaki tüm senaryoların olasılık-ağırlıklı ortalamasını hesaplayarak PHFS-HVaR'ın ayırt edemediği durumları çözen bir risk ölçüsüdür.

PHFS-HVaR, bir alternatifin geleceği birden fazla olası değer ve bu değerlerin gerçekleşme olasılığıyla ifade edildiğinde, belirlenen bir güven düzeyinin altında kalan en kötü sınırı bulan bir risk ölçüsüdür.

PIV, seçenekleri yalnızca her kriterde mümkün olan en iyi değere olan uzaklığına göre sıralar; TOPSIS'ten farklı olarak en kötü noktayı referans almaz.

PROBID, seçenekleri tek bir ideal noktaya değil, en iyiden en kötüye sıralanmış bir dizi hayali "kademe" noktasına ve bunların ortalamasına olan uzaklığına göre değerlendiren bir sıralama yöntemidir.

PROSA-C, PROMETHEE II'nin ürettiği dengeli puanı, bir seçeneğin bu puanı tek bir kriterden mi yoksa hepsinden dengeli mi topladığını ölçen bir cezayla düzeltir; tek kriterde parlayıp diğerlerinde zayıf kalan seçenek geri çekilir.

Mekânsal Yakınlık Uyarlamalı WLC, her seçeneğin kriter ağırlıklarını sabit tutmak yerine, seçeneğin coğrafi konumuna göre yeniden dağıtır; bir referans noktaya yakın seçenekler kriterleri farklı önemle, uzak seçenekler farklı önemle görür.

QUALIFLEX, seçeneklerin olabilecek her sıralamasını tek tek dener ve her kriterin o sıralamayla ne kadar uyuştuğunu toplayarak en yüksek toplam uyumu veren sıralamayı seçer.

RAM, her seçeneğin fayda ve maliyet kriterlerindeki toplam katkısını ayrı ayrı biriktirir ve maliyeti bir kuvvet üssüne, faydayı bir taban değerine yerleştirerek tek bir sayıya indirger; yüksek maliyet üssü küçültür, yüksek fayda tabanı büyütür.

Sıra Tersinmesi Analizi, bir sıralama yönteminin sonucunu bir kez hesaplayıp bırakmaz; seçenek kümesine yeni bir aday ekleyerek ya da bir seçeneği çıkararak aynı yöntemi tekrar çalıştırır ve kalan seçeneklerin kendi aralarındaki sırasının bozulup bozulmadığını sayar.

RAPS, iki seçeneği doğrudan karşılaştırıp aradaki farkın büyüklüğünü ölçer ve her seçeneği, tüm rakiplerine karşı bu "ne kadar daha iyi" gücüne göre sıralar.

REGIME, iki seçeneği karşılaştırırken sayıların büyüklüğüne değil yalnız kim daha iyi kim daha kötü olduğuna bakar ve bu basit üstünlük-alt olma bilgisini kriter ağırlıklarıyla toplayarak sıralar.

RIM, "daha çoğu her zaman iyidir" varsayımı yerine her kriter için bir hedef aralık tanımlar ve seçenekleri, bu hedef aralığa ne kadar yakın olduklarına göre sıralar.

Rough-DRSA, seçenekleri sıralamaz; onları geçmiş örneklerden öğrendiği baskınlık kurallarıyla "kesin iyi", "kesin kötü" ve "belirsiz" sınıflarına ayırır ve çelişkili örnekleri gizlemek yerine açıkça gösterir.

SAPEVO-M, birden fazla karar vericinin hem kriterler hem seçenekler için verdiği basit "hangisi daha iyi" yargılarını tek bir ortak sıraya toplulaştırır.

SECA, kriter ağırlıklarını dışarıdan almaz; seçenekleri sıralarken ağırlıkları da aynı hesapla, kendi verisinden türetir.

Duyarlılık analizi seçenekleri kendisi sıralamaz; bir sıralamanın, kriter ağırlıkları biraz oynatıldığında ne kadar sağlam kaldığını ölçer.

SIMUS her kriteri sırayla "hedef" yapıp bir doğrusal programlama problemi çözer; seçeneklere verdiği paylar bu tekrarlanan çözümlerden çıkar.

SMAA, karar vericiden tek bir ağırlık istemez; hangi ağırlıklarla hangi seçeneğin birinci çıkacağını, olası bütün ağırlıklar üzerinden bir olasılık olarak hesaplar.

SMAA-2, SMAA'nın yalnız "kim birinci çıkıyor" sorusuna baktığı yeri genişletir: her seçeneğin her sırada (birinci, ikinci, sonuncu…) ne sıklıkta çıktığını hesaplayıp bunları tek bir bütünsel puanda birleştirir.

SOWA, seçenekleri kriter puanlarına göre sıralarken bulundukları coğrafi bölgeye göre farklı bir risk tutumu uygular; aynı tablo, bölgesine göre iyimser ya da kötümser değerlendirilir.

SPROBID, PROBID'in hesap yükünü azaltan biçimidir; seçenekleri ara sıradaki tüm referans noktalarına değil yalnız en iyi ve en kötü çeyrekteki referanslara göre sıralar.

STOCHASTIC-UTA, karar vericinin verdiği bir referans sıralamadan tutarlı bir fayda fonksiyonu çıkarır ve kriter değerlerindeki belirsizliği örnekleme yoluyla sonuca yansıtır.

TAXONOMY, seçenekleri her kriterde kendi ortalama ve standart sapmalarına göre standartlaştırıp hayali bir "en iyi" referans noktasına uzaklıklarını tek bir gelişmişlik ölçüsüne çevirir.

UTA, karar vericinin birkaç örnek seçeneği nasıl sıraladığını gözlemleyip bu sıralamayla tutarlı bir toplamsal fayda fonksiyonunu doğrusal programlamayla çıkarır.

UTASTAR, karar vericinin küçük bir seçenek grubu için önceden verdiği bir sıralamayı alır, bu sıralamayı en az hatayla üreten bir fayda fonksiyonu çıkarır ve bu fonksiyonu bütün seçeneklere uygulayarak tam listeyi sıralar.

WEBIRA, her seçeneği ideale ne kadar yakın ve en kötü durumdan ne kadar uzak olduğuna göre iki ayrı oran hesaplar; bu iki oranın farkını ağırlıklı toplayarak seçenekleri sıralar.

WEDBA, seçenekleri her kriterde en iyi ve en kötü değerlerden kurulan iki hayali noktaya olan ağırlıklı Öklid uzaklığına göre sıralar; en kötüye uzak, en iyiye yakın seçenek öne çıkar.

Ağırlık duyarlılık analizi, bir sıralamayı üreten kriter ağırlıklarının ne kadar değişebileceğini ve bu değişimin sırayı ne zaman bozacağını hesaplayan bir sağlamlık testidir.

Ağırlıklı oylama, birden çok karar vericinin ya da kaynağın verdiği sıralamaları, her birinin güvenilirliğine göre ağırlıklandırılmış Borda puanlarıyla tek bir ortak sıraya dönüştürür.

WINGS, birbirini etkileyen bileşenlerden kurulu bir sistemde her bileşenin ne kadar merkezi olduğunu ve etkileyen mi yoksa etkilenen mi konumda durduğunu ölçen bir yapısal analiz yöntemidir.

WSM, her seçeneğin puanını, kriter değerlerinin ağırlıklarla çarpılıp toplanmasıyla hesaplayan, çok kriterli karar yöntemlerinin en eski ve en sade olanıdır.

PROMETHEE II seçenekleri tek tek bir ideale kıyaslamaz. Onun yerine birbirleriyle ikişer ikişer karşılaştırır ve her kriterde "ne kadar daha iyi" sorusunu bir tercih fonksiyonuyla derecelendirir. Bu dereceleri net akışta toplayarak tam bir sıra çıkarır.

Seçenekleri sıralamaz; her seçenek çiftinde "yeterince çok kriterde üstün müyüm" (uyum) ve "hiçbir kriterde çok kötü değil miyim" (uyumsuzluk) sorularını birlikte sorarak, hiçbir seçenek tarafından geçilmeyen bir "çekirdek küme" çıkarır.

PROMETHEE, seçenekleri hayali bir ideale göre değil birbirlerine göre karşılaştıran bir üstünlük (outranking) yöntemleri ailesidir. Her kriterde "ne kadar daha iyi" sorusunu bir tercih fonksiyonuyla derecelendirerek seçenekleri ikişer ikişer kıyaslar. Bu karşılaştırmaları giren ve çıkan akışlarda toplayıp kısmi ya da tam bir sıra çıkarır.

Tek bir yöntem değil, bir üstünlük (outranking) yöntemleri ailesidir. Aile, "hangi seçenek hangisini açıkça geçer" ilişkisini uyum ve uyumsuzluk ölçütleriyle kurar. Aynı temel mantıktan yola çıkan üyeler, amaca göre seçim, sıralama ya da sınıflama üretir.

EXPROM I, iki seçenek arasındaki farkı "biraz daha iyi" ve "çok daha iyi, neredeyse tartışılmaz" diye iki katmanda değerlendirir ve net biçimde kıyaslanamayan çiftleri zorla sıraya sokmadan bırakır.

EXPROM II, iki seçenek arasındaki farkı "biraz daha iyi" ve "çok daha iyi, neredeyse tartışılmaz" diye iki katmanda değerlendirir. EXPROM I'den farklı olarak her seçeneği tek bir net akış puanına indirip tam bir sıra verir.

HF-QUALIFLEX, uzmanlar bir kriterde tek bir değerde anlaşamayıp birden fazla olası değer bildirdiğinde, olası tüm seçenek sıralamalarını tek tek dener ve kriterlerle en tutarlı olanını seçer.

PAMSSEM I, seçenekleri ikişer ikişer karşılaştırır ve her çiftte birinin diğerini ne kadar geçtiğini ölçer; bazı çiftlerde bu karşılaştırma net bir sonuç vermez ve iki seçenek karşılaştırılamaz kalır.

PAMSSEM II, PAMSSEM I ile aynı uyum ve akış hesabını kullanır, ama sonunda her seçeneği net akışına göre sıraya koyar; karşılaştırılamaz çift bırakmaz, her zaman tam bir sıralama üretir.

SIR, her seçeneğin diğerlerine göre ne kadar üstün ve ne kadar aşağıda kaldığını ayrı ayrı hesaplar, sonra bu iki değeri tek bir net puanda birleştirerek seçenekleri sıralar.

Kriterleri ikili karşılaştırmalarla birbirine oranlar. Bu karşılaştırmalardan hem bir ağırlık vektörü hem de yargıların birbiriyle ne kadar çeliştiğini gösteren bir tutarlılık ölçüsü çıkaran öznel bir ağırlıklandırma yöntemidir.

Kriterleri, uzmanın yalnızca en önemli ve en önemsiz kritere göre verdiği karşılaştırmalardan çıkan bir doğrusal-olmayan modelle ağırlıklandıran, az sayıda yargı isteyen öznel ağırlıklandırma yöntemidir.

SWARA, kriterleri önce önem sırasına dizer, sonra her kriteri yalnızca bir öncekiyle karşılaştırır; en az sayıda yargıyla bir ağırlık vektörü çıkaran öznel bir ağırlıklandırma yöntemidir.

Birden çok uzmanın verdiği önem puanlarını, uzmanların deneyimine göre tartarak kriter ağırlıklarına çeviren öznel ağırlıklandırma yöntemidir.

Kriterler arasındaki karşılıklı etkiyi bir etki matrisinden çözerek her kriterin ne kadar etki verdiğini ve ne kadar etki aldığını ayırır. Böylece kriterleri neden grubu ile sonuç grubuna böler.

AHSPR, ikili karşılaştırmalardan öncelik sırası çıkarır; ama bunu tek bir ortak ölçekle değil, her karar vericinin kendi risk tutumuna göre şekillenen kişiye özel bir ölçekle yapar.

HFLPR-PRIORITY, karar vericilerin sözcüklerle ("biraz iyi", "çok iyi" gibi) verdiği ikili karşılaştırmalardan, bu sözcükleri önce tutarlı hâle getirmeye çalışmadan, doğrudan bir öncelik sırası çıkarır.

ANP, kriterler ve seçenekler arasındaki ilişkiyi tek yönlü bir hiyerarşiyle değil, karşılıklı etkileşimlerin bulunduğu bir ağ olarak modelleyip bu ağın dengeye oturduğu noktadan ağırlık üreten bir yöntemdir.

B-WENSLO, uzmanların kriterlere verdiği dilsel puanları üçgen bulanık sayıya çevirir ve uzmanlar arasındaki ayrışmayı ölçerek bu ayrışmadan kriter ağırlığı türetir.

DANP, kriterler arasındaki karşılıklı etkileşimi önce DEMATEL ile ölçer, sonra bu etkileşimi ANP'nin ağ yapısına aktararak kriterlere birbirini etkileme gücüne göre ağırlık verir.

Delphi, uzmanlardan tur tur, birbirlerinin kimliğini bilmeden görüş toplar ve her turda önceki turun özetini göstererek görüşlerin bir uzlaşıya yaklaşıp yaklaşmadığını izler.

DIBR, uzmanın kriterleri önem sırasına dizmesini ve yalnız ardışık iki kriter arasındaki payı belirtmesini ister; ağırlıkları bu ardışık paylardan zincirleme türetir.

FUCOM, uzmanın kriterleri önem sırasına dizmesini ve yalnız ardışık kriterler arasındaki önem oranını belirtmesini ister; ağırlıkları, bu oranlarla mümkün olan en tutarlı biçimde eşleştiren bir hesapla bulur.

FUCOM-F, uzmanın kriterleri sıralayıp ardışık kriterler arasındaki önem oranını üçgen bulanık sayıyla belirttiği, belirsizliği son ana kadar taşıyan bir kriter ağırlıklandırma yöntemidir.

Bulanık Delphi, uzmanlardan tek bir sayı yerine "en az, en olası, en çok" biçiminde üçgen bir aralık ister; uzmanlar arasındaki görüşü bu üçgenleri birleştirerek toplar ve tek bir merkez değere indirip ağırlığa çevirir.

Bulanık SIWEC, uzmanlardan hiçbir sıralama ya da ikili karşılaştırma istemez; her uzman her kriteri kendi başına dilsel bir ifadeyle puanlar, yöntem hangi uzmanın kriterleri daha net ayırt ettiğine bakıp o uzmanın görüşüne daha çok ağırlık verir.

LBWA, uzmandan önce en önemli kriteri seçmesini, sonra kalan kriterleri birkaç önem seviyesine ayırıp her seviye içinde küçük bir etki puanı vermesini ister; kriterler arasında ikili karşılaştırma yapılmaz.

MACBETH, uzmandan hiçbir sayı istemez; yalnız iki seçenek arasındaki çekicilik farkının "yok, çok zayıf, zayıf, orta, güçlü, çok güçlü, aşırı" kategorilerinden hangisine girdiğini sorar ve bu sözel yargıları tutarlı bir sayısal ölçeğe çevirir.

PIPRECIA, kriterleri herhangi bir sırayla ele alır ve her kriterin bir öncekine göre daha mı önemli, eşit mi, yoksa daha mı az önemli olduğunu tek bir sayıyla sorar; SWARA'nın aksine kriterlerin önceden önem sırasına dizilmesini istemez.

Uzmana kriterleri temsil eden kartları en önemsizden en önemliye dizdiren, aralarına konan boş kartlarla önem farkının büyüklüğünü ölçen, tek bir uç oranla ölçeği sabitleyen öznel ağırlıklandırma yöntemidir.

Kriterlere yalnızca sıralama bilgisinden, hiçbir sayısal karşılaştırma istemeden ağırlık atayan, kapalı bir formülle çalışan öznel ağırlıklandırma yöntemidir.

Birden çok uzmandan doğrudan puan alıp her uzmanın kendi puanlama tutarlılığını (ne kadar ayırt edici puan verdiğini) kullanarak kriter ağırlığı üreten öznel ağırlıklandırma yöntemidir.

Uzmandan her kriteri en kötüden en iyiye "sıçratmanın" getirdiği faydayı 100 üzerinden doğrudan puanlamasını isteyen, bu puanları normalize ederek ağırlık üreten öznel ağırlıklandırma yöntemidir.

Kriter ağırlıklarını uzman görüşünden değil verinin kendisinden türeten yöntemdir: seçenekleri birbirinden ne kadar çok ayırıyorsa bir kriter o kadar ağırlık alır.

Kriter ağırlıklarını verinin kendisinden türeten yöntemdir: bir kriter hem seçenekleri çok ayırıyorsa hem de diğer kriterlerin söylediğini tekrarlamıyorsa o kadar ağırlık alır.

MEREC kriter ağırlıklarını, o kriter tablodan çıkarılsaydı seçeneklerin genel performans değerlendirmesinin ne kadar değişeceğine bakarak türetir. Çıkarılınca en çok şey değişen kriter en çok ağırlığı alır.

Kriter ağırlıklarını hem her kriterin kendi içindeki yayılımından hem de o kriterin genel değerlendirmeyle olan ilişkisinden, bir doğrusal olmayan denklem sistemini çözerek türeten nesnel ağırlıklandırma yöntemidir.

CILOS, bir kriterde en iyi seçeneği tercih etmenin diğer kriterlerde ne kadar kayba yol açtığını ölçerek kriter ağırlıklarını verinin kendisinden türetir.

FARE, kriterlerin birbirini ne kadar ve hangi yönde etkilediğine dair bir ilişki tablosundan yola çıkarak, en çok etkileyen kritere en yüksek ağırlığı verir.

FCILOS, CILOS'un "bir kriterde en iyi olmayı kaçırmanın bedeli" fikrini üçgen bulanık sayılarla verilmiş kararlara taşır ve belirsizliği sonuna kadar hesapta tutar.

Bulanık IDOCRIW, kesin IDOCRIW'in "hem dağılım hem fırsat maliyeti" mantığını üçgen bulanık sayının alt, orta ve üst ucunda ayrı ayrı çalıştırıp üç sonucu ortalayarak bulanık veriye taşır.

Bulanık LOPCOW, kesin LOPCOW'un "bir kriterin ortalama büyüklüğü ile yayılımı arasındaki logaritmik oran" fikrini üçgen bulanık sayının alt, orta ve üst ucunda ayrı ayrı çalıştırıp üç sonucu ortalayarak bulanık veriye taşır.

Kriterler üçgen bulanık sayıyla (TFN) verildiğinde, temel bileşenler analizini alt sınır, en olası değer ve üst sınır üzerinde ayrı ayrı çalıştırıp üç sonucu ortalayarak ağırlık üreten nesnel bir profildir.

Kriterler üçgen bulanık sayıyla (TFN) verildiğinde, standart sapmaya dayalı ağırlıklandırmayı alt sınır, en olası değer ve üst sınır üzerinde ayrı ayrı çalıştırıp üç sonucu ortalayarak ağırlık üreten nesnel bir profildir.

Kriterler üçgen bulanık sayıyla (TFN) verildiğinde, her kriterin simetri noktasına göre kurulan ağırlıklandırmayı alt sınır, en olası değer ve üst sınır üzerinde ayrı ayrı çalıştırıp üç sonucu ortalayarak ağırlık üreten nesnel bir profildir.

Kriter ağırlığını, alternatiflerin o kriterdeki payının ne kadar eşitsiz dağıldığından türeten nesnel ağırlık yöntemidir: pay birkaç alternatifte yığılıyorsa kriter yüksek, pay herkese eşit dağılıyorsa kriter düşük ağırlık alır.

Kriter ağırlıklarını iki farklı nesnel ölçüyü, verinin ayırt ediciliğini ve bir kriteri göz ardı etmenin doğuracağı kaybı, birlikte kullanarak türeten nesnel ağırlık yöntemidir.

LODECI, kriter ağırlığını uzmana sormak yerine seçenekler arasındaki en büyük farktan türetir: bir kriterde en azından bir çift seçenek birbirinden ne kadar uzaksa, o kriter kararda o kadar söz sahibi olur.

LOPCOW, kriter ağırlığını verinin kendi içindeki yayılımdan türetir: seçenekleri en iyisine göre ne kadar çok "kaybettiriyorsa" bir kriter o kadar ağırlık kazanır.

MPSI, Preference Selection Index yönteminin seçenekleri sıralamak için içeride sessizce kullandığı bir ara değeri alır ve onu doğrudan görünür bir kriter ağırlığı olarak sunar.

NMD, kriter ağırlığını verinin ortalamasından türetir: seçenekler bir kriterde ortalama olarak en iyiden ne kadar uzaksa, o kriter o kadar ağırlık kazanır.

PCA Ağırlıklandırma, kriter ağırlığını kriterler arasındaki ortak hareketten türetir: bir kriter, seçenekleri asıl ayıran birkaç "ana eksenden" ne kadar çok pay alıyorsa o kadar ağırlık kazanır.

Senaryo Tabanlı Bulanık CILOS, klasik CILOS yöntemini bulanık üçgen sayı girdisine uyarlamanın basit bir yoludur: üçgenin alt, orta ve üst köşesini üç ayrı kesin tablo gibi ele alıp klasik CILOS'u üç kez çalıştırır, sonra üç sonucu ortalar.

Kriter ağırlığını uzmana sormadan, o kriterde seçeneklerin birbirinden ne kadar farklılaştığından türeten en sade nesnel ağırlık yöntemidir.

Bir kriterin en küçük ve en büyük değerinin tam ortasını "simetri noktası" sayıp seçeneklerin bu noktadan ne kadar uzaklaştığına bakarak kriter ağırlığı türeten nesnel yöntemdir.

Her kriterin birikimli değerlerini bir zikzak çizgi gibi düşünüp bu çizginin uzunluğunu ortalama eğimine oranlayarak kriter ağırlığı türeten nesnel yöntemdir.

DEA, aynı türden birden çok birimi girdilerini çıktılarına dönüştürme başarısına göre karşılaştıran bir benchmarking yöntemidir. Her birime 0 ile 1 arasında bir verimlilik skoru verir; bir tercih sıralaması yöntemi değildir.

HFEA, uzman görüşlerinin birden fazla olası puanla (tereddütlü) verildiği durumlarda, her seçeneği kendi lehine en uygun ağırlıklandırmayla değerlendirip verimli olup olmadığını gösteren bir verimlilik puanı çıkaran bir yöntemdir.

HFPE, HFEA'nın verimli sınırda bıraktığı birden fazla seçeneği, her birini yalnız kendi gözünden değil diğer tüm seçeneklerin gözünden de değerlendirip tek bir sıraya ayırt eden bir yöntemdir.

HFPEA, HFEA'nın kendi lehine ağırlıklandırma serbestliğine bir sınır koyarak, karar vericinin ölçütler arasında belirttiği öncelik sırasına uygun ağırlıklarla verimlilik hesaplayan bir yöntemdir.

HF-MaxScore-Portföy, tek bir kazananı seçmez; sınırlı bir bütçeyi birden fazla seçenek arasında, toplam değerlendirme skorunu en yükseğe çıkaracak biçimde paylaştırır.

HF-TRADEOFF-PORT, getirisi tek sayı yerine birden fazla olası değerle (tereddütlü) ifade edilen yatırım seçenekleri arasında, yatırımcının risk tipine göre getiri ile riski dengeleyen bir kaynak dağılımı bulur.

Ortalama sıralama, aynı seçenekler için elde birden çok sıra listesi olduğunda her seçeneğin sıra numaralarının ortalamasını alarak tek bir birleşik sıra üretir.

Borda sayımı, her seçeneğe sıra listelerindeki konumuna göre bir puan verir ve seçenekleri bu puanların toplamına göre sıralar.

Baskınlık kuramı, bir seçeneğin bütün sıra listelerinde diğerinden kesinlikle geride kalmadığı ve en az birinde önde olduğu durumları sayar; kesin üstünlük yoksa seçenekler arasında ayrım yapmaz.

Choquet integrali, kriterleri sabit ağırlıklarla değil kriter gruplarına atanmış bir "önem ölçüsüyle" birleştirir; böylece kriterler arasındaki sinerji ve fazlalık ilişkileri hesaba katılır.

CONDORCET, seçenekleri ikişer ikişer karşılaştırır ve diğer bütün seçenekleri ikili karşılaştırmada yenen seçeneği kazanan ilan eder; böyle bir seçenek yoksa yöntem bunu açıkça söyler.

COOK-SEIFORD, her seçeneğin farklı sıralama kaynaklarındaki konumları ile olası bir hedef sırası arasındaki toplam farkı en aza indiren tek bir atamayı bulur.

COPELAND, her seçeneği bütün rakipleriyle ikili karşılaştırır ve galibiyet sayısından mağlubiyet sayısını çıkararak elde ettiği net skora göre tam bir sıra kurar.

DODGSON, her seçeneğin çoğunluğun kazananı olması için sıralamalarda kaç bitişik yer değiştirmeye ihtiyaç duyduğunu hesaplar; en az değişikliği gerektiren seçeneği kazanan ilan eder.

KEMENY-YOUNG, bütün olası tam sıralamalar arasından, sıralama kaynaklarının tamamıyla toplamda en az uyuşmazlığa düşen tek sıralamayı seçer.

Medyan sıralama, aynı seçenek kümesi için elde edilmiş birden çok ayrı sıralamayı, her seçeneğin bu sıralardaki ortanca (medyan) konumuna bakarak tek bir sıraya indirger.

MPF-DOMBI-WA, bir seçeneğin birden çok kriterdeki m kutuplu bulanık değerlendirmelerini, Dombi işlemcisiyle tek bir özet değerlendirmede birleştirip bu değere göre seçenekleri sıralar.

Nanson yöntemi, her turda seçeneklerin ortalama puanının altında kalanları eleyerek geriye kalanları yeniden puanlar; tek bir seçenek kalana kadar bu eleme turlarını tekrarlar.

PIF-DOMBI, bir seçeneğin birden çok kriterdeki olumlu, nötr ve olumsuz üç yönlü değerlendirmelerini Dombi işlemcisiyle tek bir özet değerlendirmede birleştirip bu değere göre seçenekleri sıralar.

RAT, seçeneklerden birini referans olarak seçer ve diğer bütün seçeneklerin, farklı yöntemlerin verdiği sıralarda bu referansa göre ne kadar geride ya da önde kaldığını tek bir sayıda birleştirir.

Schulze yöntemi, seçenekleri ikişer ikişer karşılaştırır ve her çiftin arasındaki en güçlü dolaylı üstünlük yolunu bularak, ikili karşılaştırmalarla tutarlı bir sıra üretir.

WAM her kriterin puanını kendi ağırlığıyla çarpıp toplar ve seçenekleri tek bir sayıya indirger; kriterler arasında tam bir denge kurar, hiçbirini ötekine üstün tutmaz.

Bonferroni ortalaması kriterleri ikişer ikişer eşleştirip her çiftin çarpımını ortalar; böylece bir kriterin zayıflığının başka bir kriterin zayıflığıyla üst üste binmesini, tek başına bir zayıflıktan daha ağır biçimde cezalandırır.

Heronian ortalaması, kriterleri kendisiyle de dâhil olmak üzere çift çift eşleştirip her çiftin çarpımını ortalar; Bonferroni ortalamasına yakın bir mantık kullanır ama her kriterin kendi karesini de hesaba katar, bu yüzden aşırı uçlara Bonferroni'den biraz daha toleranslıdır.

Güç ortalaması, tek bir kuvvet parametresini değiştirerek harmonik ortalamadan geometrik ortalamaya, oradan aritmetik ortalamaya ve daha ötesine uzanan tüm bir ortalama ailesini tek bir formülle üretir; parametre büyüdükçe sonuç da büyür.

WGM her kriterin puanını kendi ağırlığı kadar üsse çıkarıp çarpar; bir kriterde çok düşük puan alan seçeneği, diğer kriterlerdeki başarısı ne olursa olsun ağır biçimde cezalandırır.

WHM, kriter puanlarının tersini alıp bunları ağırlıklı olarak ortalar ve o ortalamanın tersini geri döndürür; aile içindeki en cezalandırıcı toplulaştırma biçimidir, düşük bir puanı diğerlerinden çok daha ağır basar.

Einstein t-normu, iki bulanık değerlendirmeyi cebirsel çarpımdan biraz daha temkinli bir kuralla tek dereceye indiren, parametre içermeyen bir birleştirme işlemidir.

Frank t-normu, iki bulanık değerlendirmeyi bir s parametresiyle ayarlanabilen bir sıkılıkla tek dereceye indiren, üstel yapılı bir birleştirme kuralları ailesidir.

Hamacher t-normu, iki bulanık değerlendirmeyi bir γ parametresiyle ayarlanabilen bir sıkılıkla tek dereceye indiren, çarpım tabanlı bir birleştirme kuralları ailesidir.

Schweizer-Sklar t-normu, iki bulanık değerlendirmeyi bir p parametresiyle ayarlanabilen bir sıkılıkla tek dereceye indiren, kuvvet fonksiyonlarına dayalı bir birleştirme kuralları ailesidir.

Elinizdeki seçenek kümesini yerine koyarak defalarca yeniden çeker, her çekilişte sıralamayı baştan üretir ve bir seçeneğin sırasının bu rastlantıya ne kadar bağlı olduğunu gösterir.

İki sıralamayı ikişer ikişer karşılaştırıp aynı yönde giden çiftlerle ters yönde giden çiftlerin farkını tek bir sayıya indiren, iki sıralamanın ne kadar örtüştüğünü ölçen katsayıdır.

Üç ya da daha çok sıralayıcının (uzman, yöntem, kriter) verdiği sıraların birbirine ne kadar yakın olduğunu, sıfır ile bir arasında tek bir uzlaşı katsayısına indiren yöntemdir.

Bir sıralamanın kazananını kriter ağırlıklarındaki küçük değişikliklerin devirip devirmediğini ölçen yöntemdir; sıralamayı kendisi üretmez, üretilmiş bir sıralamanın ne kadar sağlam olduğunu söyler.

Bir karar sonucunu etkileyen çok sayıda etken arasından, hangisinin gerçekten önemli olduğunu ve hangisinin sonucu düz mü yoksa girift biçimde mi etkilediğini az sayıda deneyle ayıklayan bir tarama yöntemidir.

Bir karar sonucundaki değişkenliğin ne kadarının hangi etkenden geldiğini, etkenlerin tek başına mı yoksa birbirleriyle birlikte mi etkidiğini de ayırarak yüzde yüze tamamlanan paylara bölen bir duyarlılık yöntemidir.

İki ayrı sıralamanın birbirine ne kadar benzediğini tek bir sayıyla ölçen yöntemdir; artı bir tam uyum, eksi bir tam ters uyum, sıfır ise ilişkisizlik demektir.

Bir ikili karşılaştırma matrisinin (örneğin AHP'de kriterlerin birbirine göre önem yargılarının) ne kadar tutarlı olduğunu, geometrik ortalama üzerinden tek bir sayıyla ölçen bir tutarlılık göstergesidir.

Bir ikili karşılaştırma matrisinin tutarlılığını, Saaty'nin klasik özdeğer yöntemine benzer ama harmonik ortalama üzerinden hesaplayan, daha temkinli sonuç veren bir tutarlılık göstergesidir.

Koczkodaj tutarsızlık indeksi, bir ikili karşılaştırma tablosundaki en çelişkili üçlüyü bulur ve bu çelişkinin büyüklüğünü tek bir sayıyla gösterir.

ISM, bir grup faktör arasındaki "hangisi hangisini etkiliyor" ilişkisini bir uzman kurulundan toplayıp bunları katmanlara ayıran, kök nedenden sonuca doğru bir hiyerarşi çizen bir yapısal analiz yöntemidir.

Bu yöntem her kriter sütununu kendi en iyi değerine bölerek ölçeklendirir; fayda kriterinde en büyük değer, maliyet kriterinde en küçük değer sütunun referans noktası olur ve o kriterde en iyi seçenek her zaman tam 1 puan alır.

Bu yöntem her kriter sütununu kendi toplamına bölerek ölçeklendirir; her seçenek o kriterdeki toplam performansın ne kadarını kendine aldığını gösteren bir pay alır ve sütun toplamı her zaman 1 olur.

Bu yöntem her sütunu, hücrelerin doğal logaritmasını sütundaki logaritmaların toplamına bölerek ölçeklendirir; böylece büyük değerler arasındaki oransal fark korunurken mutlak büyüklük farkının baskınlığı azalır.

Bu yöntem her kriter sütununu, o sütundaki en kötü ve en iyi değer arasındaki aralığa göre 0 ile 1 arasına yerleştirir; sütunun en iyisi her zaman 1, en kötüsü her zaman 0 puan alır.

Vektör normalizasyonu, bir karar tablosundaki her sütunu kendi Öklid uzunluğuna bölerek tüm ölçütleri birimsiz ve karşılaştırılabilir hale getiren bir hazırlık adımıdır.

Vektör (L2) normalizasyonu, bir karar tablosundaki her sütunu kendi Öklid uzunluğuna bölerek ölçütleri birimsiz ve karşılaştırılabilir hale getiren aynı klasik hazırlık adımının DecisionMind'daki ikinci kaydıdır.

Z-skor normalizasyonu, bir karar tablosundaki her sütunu kendi ortalamasına ve standart sapmasına göre ölçekleyerek her ölçütü "ortalamadan kaç standart sapma uzakta" biçiminde birimsiz bir sayıya çeviren bir hazırlık adımıdır.

Chebyshev uzaklığı, iki seçenek arasındaki uzaklığı tüm ölçütlerin toplamına göre değil, yalnız en büyük tek ölçüt farkına göre ölçen bir uzaklık hesabıdır.

Öklid uzaklığı, iki seçenek arasındaki toplam farkı, her ölçütteki farkın karesini alıp toplayarak ve karekökünü bularak tek bir düz çizgi uzunluğuna indirger.

Hamming uzaklığı iki eş uzunluklu diziyi karşılaştırır ve yalnız kaç konumda tamamen farklı olduklarını sayar; farkın büyüklüğüyle ilgilenmez.

Manhattan uzaklığı iki seçenek arasındaki farkı, her kriterdeki mutlak sapmayı tek tek toplayarak ölçer; bir kriterdeki büyük sapma diğerlerini gölgede bırakmaz.

Minkowski uzaklığı, tek bir p sayısıyla ayarlanan genel bir uzaklık ailesidir; p büyüdükçe en kötü tek kriterin ağırlığı artar, küçüldükçe sapmalar kriterler arasında eşit paylaşılır.

Mahalanobis uzaklığı, kriterler arasındaki ilişkiyi (korelasyonu) hesaba katarak iki noktanın ne kadar uzak olduğunu ölçer; aynı ham fark, kriterlerin birbirine göre alışıldık örüntüsüne uyup uymamasına göre küçük ya da büyük çıkabilir.

Alfa kesim durulaştırma, bir bulanık sayıyı önce istenen güven düzeyinde bir aralığa indirger, sonra bu aralığı karar vericinin tutumuna göre tek bir sayıya çevirir.

Bisector, bulanık bir sayının altında kalan alanı tam ortadan ikiye bölen dikey çizgiyi bulur ve bu çizginin geçtiği noktayı tek kesin sayı olarak verir.

Centroid, bulanık bir sayının altında kalan alanın ağırlık merkezini bulur ve bu noktayı tek kesin sayı olarak verir; bu yüzden bulanık kontrol ve bulanık karar yöntemlerinde en sık kullanılan durulaştırma kuralıdır.

Bu yöntem, üyelik derecesi çan eğrisi (Gauss eğrisi) biçiminde tanımlanmış bir bulanık sayının ağırlık merkezini bulur; eğri simetrikse bu merkez doğrudan eğrinin tepe noktasına eşittir, eğri iki yana farklı yayılıyorsa merkez tepe noktasından sapar.

MOM, bulanık bir sayının üyelik derecesinin en yüksek olduğu noktayı (ya da düz bir tepe varsa bu tepenin ortasını) bulur ve bu noktayı tek kesin sayı olarak verir; bulanık sayının kuyruklarına hiç bakmaz.

Skor fonksiyonu, bir sezgisel bulanık sayının üyelik derecesinden üye-olmama derecesini çıkararak tek bir kesin sayı üretir; iki değerlendirme eşit çıkarsa kesinlik (doğruluk) derecesi araya girip aradaki farkı çözer.

Tip indirgeme, üst ve alt sınırla tanımlanmış bir tip-2 bulanık sayıyı önce bir aralığa, sonra bu aralığın orta noktasından tek bir kesin sayıya indirir; aralığın genişliği, sayının taşıdığı belirsizliğin büyüklüğünü de gösterir.