Grey-ARAS: Grey extension of ARAS

Overview

GREY-ARAS (ARAS-G), Turskis-Zavadskas (2010, Informatica) tarafından önerilen ARAS'ın grey-number (interval-valued) uzantısıdır. Grey theory (Deng 1982) fuzzy set teorisine alternatif bir belirsizlik temsili sunar: ⊗n = [α,γ] = {x | α ≤ x ≤ γ}, alt ve üst sınır arasındaki TÜM noktalar eşit olası kabul edilir (membership function YOKTUR: fuzzy ile temel fark budur). White number α=γ (kesin bilgi), grey number α<γ (eksik bilgi), black number α→-∞, γ→∞ (bilgi yok): paper §2 üçlü sınıflandırma. ARAS-G algoritmik akışı klasik ARAS ile özdeştir: optimal alternatif ⊗A_0 inşası → grey normalizasyon (benefit Eq.11 sum-based, cost iki-aşamalı Eq.12) → ağırlıklı toplam ⊗S_i Eq.16 → centroid 2-term defuzz Eq.17 → utility degree K_i = S_i/S_0 Eq.18. KRİTİK FARK FUZZY-ARAS ile: centroid 2-term (α+γ)/2 (grey interval simetrik), FUZZY-ARAS'ta 3-term (α+β+γ)/3 (TFN üçgensel). Grey-ARAS tedarikçi/sürdürülebilir yatırım/transport-altyapı seçimi alanlarında 2010 sonrası yaygın benimsenmiştir.

Strengths

• •Method-specific: Grey outranking/ranking: Grey Interval Number (GIN: [x̲, x̄])
• •Preserves grey uncertainty through the pipeline rather than premature crispification at elicitation
• •Native group-decision support (multi-DM aggregation built into the pipeline)

Limitations

• •Assumes: Decision matrix entries are valid Grey numbers/tuples
• •Assumes: Underlying crisp method's compensation assumption holds in uncertain space
• •Assumes: All decision-maker(s) and experts use the same linguistic/uncertainty scale

Assumptions to verify

• •Decision matrix entries are valid Grey numbers/tuples
• •Underlying crisp method's compensation assumption holds in uncertain space
• •All decision-maker(s) and experts use the same linguistic/uncertainty scale

When not to use

• •Crisp data sufficient: use base ARAS directly (avoid unnecessary uncertainty layer)
• •Aggregation operator (PFWA/PFOWA/etc.) not specified: output ambiguous

Edge cases

• •GREY-ARAS kritik edge case'ler: (1) Negatif grey number (α<0): paper Eq.4 çarpım sadece pozitif kriter değerleri için tanımlı; α<0 durumunda Eq.4 (b⁺>0) ve alternatif Eq (b⁺<0) ayırımı gerekir: engine pozitif grey number varsayar, negatif input için reddeder. (2) Dejenerasyon α=γ → white number → ARAS-G klasik ARAS'a iner; manifest bu durumda sonuç eşitliğini garanti eder. (3) Cost normalizasyonun iki-aşaması Eq.12 invert ⊗x_ij^* = [1/γ_ij, 1/α_ij]: α_ij=0 bölünme hatası, ε-clamp gerekir. (4) Centroid 2-term simetrik grey için aritmetik orta verir; asimetrik kullanım olmaz (grey interval [α,γ] tanımı gereği iki uçludur, üçüncü 'modal' nokta yoktur: FUZZY-ARAS centroid 3-term kullanır, GREY-ARAS 2-term: bu farkı manifestler arası çapraz audit'te DOĞRULAYIN).

Common pitfalls

• •Tipik hatalar: (a) GREY-ARAS centroid Eq.17 (α+γ)/2 ile FUZZY-ARAS centroid Eq.23 (α+β+γ)/3 karıştırılır: grey 2-term, fuzzy 3-term: KESİNLİKLE FARKLI; (b) Grey number çarpımı Eq.4 her zaman [αα', γγ'] değil: sadece b⁺>0 pozitif kriter durumunda; negatif değer için Eq.3 yerine alternatif Eq kullanılır; (c) ⊗A_0 satırı sum'a dahil edilmelidir (i=0..m), atlanırsa K_i ölçeği bozulur; (d) Grey number'ı TFN ile karıştırmak: grey'in MEMBERSHIP FUNCTION YOK, üyelik uniform; TFN'in üçgen üyelik (l=0, m=1, u=0) var: teorik temel farkı; (e) Paper §3'te ⊗ sembolü grey-number operatör belirteci: multiplikasyon DEĞİL: bunu operasyonel çarpımla karıştırmayın; ops Eqs 2-7'de açıkça tanımlı.

Worked example

1. 1.Adım 1 (F1): Step 1: Form Grey Decision-Making Matrix (GDMM). Each entry ⊗x_{ij} = [x_{ij}^α, x_{ij}^γ] is a grey interval. Append optimal row A0: for benefit criteria ⊗x_{0j} = max_i ⊗x_{ij}; for cost criteria ⊗x_{0j} = min_i ⊗x_{ij}. Formül: \otimes x_{ij} = [x_{ij}^{\alpha}, x_{ij}^{\gamma}],\quad x_{ij}^{\alpha} \leq x_{ij}^{\gamma} \otimes x_{0j} = \begin{cases}\max_i \otimes x_{ij} & j\in J^{+}\\ \min_i \otimes x_{ij}^{*} & j\in J^{-}\end{cases} Anchor: Turskis & Zavadskas 2010, §2 Eqs.(1)-(7); §3 Eqs.(8)-(9). Grey operations: addition (α+α,γ+γ), multiplication (αα,γγ), inverse (1/γ,1/α).
2. 2.Adım 2 (F2): Step 2: Normalize GDMM. For cost criteria, first convert ⊗x*_ij = (⊗x_ij)^{-1} = [1/x_ij^γ, 1/x_ij^α]. Then for all criteria (benefit direction): ⊗x̄_ij = ⊗x_ij / Σ_{k=0}^m ⊗x_kj = [x_ij^α / Σ x_kj^γ, x_ij^γ / Σ x_kj^α]. Formül: j\in J^{-}: \quad \otimes x^{*}_{ij} = (\otimes x_{ij})^{-1} = \left[\tfrac{1}{x^{\gamma}_{ij}},\, \tfrac{1}{x^{\alpha}_{ij}}\right] \quad\text{[Eq.7 applied]} \otimes\bar{x}_{ij} = \frac{\otimes x_{ij}}{\sum_{k=0}^{m}\otimes x_{kj}} = \left[\frac{x^{\alpha}_{ij}}{\sum_k x^{\gamma}_{kj}},\; \frac{x^{\gamma}_{ij}}{\sum_k x^{\alpha}_{kj}}\right] Anchor: Turskis & Zavadskas 2010, §3 Eqs.(11)-(12). Grey division rule: [a/b]=[aα/bγ, aγ/bα] from Eq.(5).
3. 3.Adım 3 (F3): Step 3: Compute normalized-weighted matrix. Multiply each normalised grey entry by the grey criterion weight: ⊗x̂_ij = ⊗x̄_ij × ⊗w_j = [x̄_ij^α × w_j^α, x̄_ij^γ × w_j^γ]. Constraint: Σ w_j = 1. Formül: \sum_{j=1}^n w_j = 1, \quad w_j \in (0,1) \otimes\hat{x}_{ij} = \otimes\bar{x}_{ij} \times \otimes w_j = \left[\bar{x}^{\alpha}_{ij} \cdot w^{\alpha}_j,\; \bar{x}^{\gamma}_{ij} \cdot w^{\gamma}_j\right] Anchor: Turskis & Zavadskas 2010, §3 Eqs.(13),(15). Grey multiplication: [a×b]=[aα×bα, aγ×bγ] from Eq.(4).
4. 4.Adım 4 (F4): Step 4: Compute grey optimality function ⊗S_i = Σ_j ⊗x̂_ij = [Σ x̂_ij^α, Σ x̂_ij^γ]. Then whitenise (defuzzify) via centre-of-area: S_i = (1/2)(S_i^α + S_i^γ). Formül: \otimes S_i = \sum_{j=1}^{n} \otimes\hat{x}_{ij} = \left[\sum_j \hat{x}^{\alpha}_{ij},\; \sum_j \hat{x}^{\gamma}_{ij}\right] \quad\text{[Eq.16]} S_i = \tfrac{1}{2}\left(S_i^{\alpha} + S_i^{\gamma}\right) \quad\text{[Eq.17: whitenisation]} Anchor: Turskis & Zavadskas 2010, §3 Eqs.(16)-(17). Grey addition: Eq.(2).
5. 5.Adım 5 (F5): Step 5: Compute utility degree K_i = S_i / S_0 ∈ [0,1] comparing each alternative against the optimal A0. Rank alternatives by K_i descending. Formül: K_i = \frac{S_i}{S_0},\quad K_0 = 1,\quad 0 \le K_i \le 1 \quad\text{[Eq.18]} Anchor: Turskis & Zavadskas 2010, §3 Eq.(18).

Commonly paired with

• •n_a + GREY-ARAS (common)

How to cite