HF-GRA: Hesitant Fuzzy Grey Relational Analysis

Overview

HF-GRA, Deng (1989) tarafından geliştirilen klasik Grey Relational Analysis (GRA) yönteminin Li ve Wei (2014, JIFS) tarafından hesitant fuzzy ortama uyarlanmış grup karar verme uzantısıdır. Paper iki ÖZGÜN katkı ile öne çıkar: (i) uzman ağırlıkları INDEPENDENT değil KORELASYONLU varsayılır (ör. aynı okuldan iki müdürün koalisyonu bireysel etkilerinin toplamından farklıdır) ve bu non-additive ağırlık SHAPLEY index ile elde edilir (Eq.6); (ii) kriter ağırlıkları INCOMPLETE olabilir (Δ kümesi: Form 1-5 'weak/strict/differences/multiples/interval' ranking kısıtları) ve M-2 single-objective LP modeli ile kapatılır. GRA'nın sezgisi MCDM kanonunda nadirdir: alternatifleri tek skora indirgemek yerine PIS ve NIS referans dizilerine GREY RELATIONAL coefficient (ρ=0.5, distinguishing) hesaplar; sonra her alternatif için ξ_i = ξ_i^+ / (ξ_i^+ + ξ_i^-) relative degree üretir. ρ parametresi Deng kanonik literatürde 0.5 standarttır: daha küçük değerler küçük farklılıkları abartır.

Strengths

• •Method-specific: Hesitant fuzzy reference-based grey relational ranking (TOPSIS-like closeness)
• •Preserves hesitant uncertainty through the pipeline rather than premature crispification at elicitation

Limitations

• •Rank reversal known on alternative-set changes (ref: Inherited from crisp GRA (Deng 1989) and reference-based ranking schemes: PIS/NIS shift on alternative addition/removal can flip η_i ordering.)

Edge cases

• •HF-GRA için kritik edge case'ler: (1) HFE uzunluk uyumsuzluğu: h_1 ve h_2 farklı kardinalitede ise paper §2 'pessimistic extension' (min değer ile uzat) tavsiye eder; engine bu default'u izler. (2) ρ=0.5 distinguishing kanonik; ρ→0 küçük farkları abartır, ρ→1 tüm grey coefficient'ları 1'e bastırır: duyarlılık analizi literatürün stabilite testi olarak önerilir. (3) Δ kümesi infeasible (M-2 çözümsüz) ise: kısıtlar çelişiyor, kullanıcıya iade: equal-weight default'a düşmek paper felsefesine aykırı. (4) PIS h^+_j = max_i max_{γ∈h_ij} ve NIS h^-_j = min_i min tanımı: tüm kriterler benefit varsayılır; cost kriterler için ön-normalize (complement: 1-γ) gerekir. (5) Shapley fuzzy measure 2^t-1 değer gerektirir; t>6 için uzman pratik olarak μ(K) tanımlayamaz: bu durumda λ-fuzzy measure (tek parametre) önerilir.

Common pitfalls

• •Doktora öğrencisi tuzakları: (a) Shapley index'i WAA (Weighted Arithmetic Average) ile karıştırmak: Shapley NON-ADDITIVE (Σ φ_k = 1 olsa da μ(A∪B) ≠ μ(A)+μ(B)); (b) ρ=0.5'i 'magic number' sanmak: Deng 1989 kanonik tercih, 0.1-0.9 aralığında duyarlılık raporu literatür standardı; (c) GRA grey relational degree'yi TOPSIS closeness coefficient ile özdeşleştirmek: formül benzer ama GRA min-max TRANSFORM'a dayanır (Eq.10: pay min-min + ρ·max-max), TOPSIS Euclidean uzaklığa dayanır; (d) Incomplete weight Form 1-5'i 'opsiyonel constraint' sanmak: M-2 LP'sinin feasibility'si bu kısıtların DOĞRU yorumlanmasına bağlıdır (örn. Form 4 'multiple': w_i ≥ β_i w_j; β_i ∈ [0,1] sınır şartı sıkı); (e) Paper'ın PIS/NIS tanımının kriter-bazlı çift extremum olduğunu görmemek: Eq.10 çift min ve çift max içerir.

Worked example

1. 1.Adım 1 (F1): Step 1: Construct HF decision matrix H = (h_ij)_{m×n}. Each h_ij is an HFE provided by DE(s). If group mode, perform Step F1b (HFSA Shapley aggregation per Li-Wei Eq.9 OR HFWA per Xia-Xu). Formül: H = (h_ij), h_ij ⊆ [0,1], |h_ij| ≥ 1. Anchor: Li-Wei 2014, Step 1; Guan 2018, Section 4 Step 1.
2. 2.Adım 2 (F2): Step 1b (group mode only): Aggregate per-DE matrices via HFSA Shapley-weighted operator (Li-Wei Eq.9) or HFWA (Xia-Xu) with DE weights φ_k. Formül: h_ij = HFSA(h^1_ij,...,h^t_ij) = ∪_{γ^k} { 1 - ∏_{k=1}^t (1-γ^k)^{φ_k} } where φ_k = Shapley value over DE fuzzy measure (Li-Wei Eq.6); reduces to HFWA when φ_k = w_k linear weights (Xia-Xu 2011). Anchor: Li-Wei 2014, Eq.(7) HFSA; Eq.(9) Step 2. Xia-Xu 2011 HFWA.
3. 3.Adım 3 (F3): Step 2: Extract HF Positive Ideal Solution (PIS) h+_j and HF Negative Ideal Solution (NIS) h-_j per criterion. Formül: Benefit C_j: h+_j = ∪_{i}{ max_i γ_ij^(k) }; h-_j = ∪_{i}{ min_i γ_ij^(k) }. Cost C_j: h+_j = ∪_{i}{ min_i γ_ij^(k) }; h-_j = ∪_{i}{ max_i γ_ij^(k) }. (Li-Wei Step 3 / Guan 2018 Eq.25) Anchor: Li-Wei 2014, Step 3; Guan 2018, Eq.(25).
4. 4.Adım 4 (F4): Step 3: Compute hesitant normalised Euclidean distance d_hne(h_ij, h+_j) and d_hne(h_ij, h-_j) for every (i,j). Formül: d_hne(h_A, h_B) = [ (1/l) Σ_{k=1}^l |γ_A^σ(k) - γ_B^σ(k)|² ]^{1/2} where l = max(|h_A|,|h_B|) and γ^σ(k) is the kth largest value (descending sort). (Guan 2018 Eq.6 / Xu-Xia 2011) Anchor: Guan 2018, Eq.(6); Xu & Xia 2011 normalized Euclidean distance for HFEs.
5. 5.Adım 5 (F5): Step 4: Compute HFS grey relational coefficient ξ+_ij to PIS and ξ-_ij to NIS, using ρ ∈ (0,1] (default 0.5) and the global min/max over (i,j) of the corresponding distance matrix. Formül: ξ+_ij = [ min_{i,j} d^+_{ij} + ρ·max_{i,j} d^+_{ij} ] / [ d^+_{ij} + ρ·max_{i,j} d^+_{ij} ] (Li-Wei Eq.10 / Guan 2018 Eq.5); ξ-_ij defined symmetrically with d^-_{ij}. ρ = 0.5 default. Anchor: Li-Wei 2014, Eqs.(10)-(11); Guan 2018, Eq.(5).
6. 6.Adım 6 (F6): Step 5: Compute weighted HFS grey relational degrees ξ+_i (to PIS) and ξ-_i (to NIS) by linearly weighting per-criterion coefficients. Formül: ξ+_i = Σ_{j=1}^n w_j · ξ+_ij; ξ-_i = Σ_{j=1}^n w_j · ξ-_ij. (Li-Wei Step 5 / Guan 2018 Eq.8 γ_w form) Anchor: Li-Wei 2014, Step 5; Guan 2018, Eq.(8) γ_w(A,B).
7. 7.Adım 7 (F7): Step 6: Compute relative closeness η_i = ξ+_i / (ξ+_i + ξ-_i), a TOPSIS-style coefficient in [0,1]. Formül: η_i = ξ+_i / (ξ+_i + ξ-_i), η_i ∈ [0,1]. (Li-Wei Eq.14 / Guan 2018 Eq.28) Anchor: Li-Wei 2014, Eq.(14); Guan 2018, Eq.(28).
8. 8.Adım 8 (F8): Step 7: Rank alternatives in DESCENDING order of η_i (largest is best). Formül: A_i ≻ A_{i'} ⟺ η_i > η_{i'}; D* = arg max_i η_i. (Li-Wei Step 7 / Guan 2018 Step 4) Anchor: Li-Wei 2014, Step 7; Guan 2018, Section 4 Step 4.

How to cite