IF-MABAC: Intuitionistic extension of MABAC

Overview

IF-MABAC, Pamucar-Cirovic (2015) tarafından geliştirilen MABAC (Multi-Attributive Border Approximation area Comparison) yönteminin Y. Li (2021, J.Mathematics) tarafından intuitionistic fuzzy ortama uyarlanmış halidir. MABAC'ın özgün sezgisi diğer MCDM yöntemlerinden temel olarak ayrılır: PIS/NIS gibi uç-nokta referansları değil, BORDER APPROXIMATION AREA (BAA) g_j = (Π_{i=1}^m o_ij)^(1/m): GEOMETRIK ORTALAMA: referans alır ve alternatifin BAA'dan uzaklığını ±işaretli ölçer. Pozitif uzaklık (G^+) iyi, negatif (G^-) kötü. Y. Li'nin paper'a iki ÖZGÜN katkısı vardır: (i) Novel IF Hamming distance IFHD Def.4 (Eq.8-9): üç-bileşenli (l_1: μ ve ν farkı; l_2: hesitation π toplamı; l_3: max-component); klasik Euclidean'den daha 'comprehensive' olduğu iddiası; (ii) Maximizing deviation method ile objektif ağırlık (Wang 1997): Lagrange multiplier ile kapalı-form z_j Eq.25. Distance d_ij Eq.28 PROSPECT THEORY (Tversky-Kahneman 1992) parametre seti içerir: θ=0.88 (gain power), ς=0.88 (loss power), ρ=2.25 (loss aversion). Yani BAA'ya göre alternatif iyi ise d^θ ile yumuşatılır; kötü ise -ρ·d^ς ile AĞIRLAŞTIRILIR (kayıp aversiyonu).

Strengths

• •Method-specific: Intuitionistic outranking/ranking: Intuitionistic Fuzzy Number (IFN: μ, ν; μ+ν ≤ 1)
• •Preserves intuitionistic uncertainty through the pipeline rather than premature crispification at elicitation
• •Native group-decision support (multi-DM aggregation built into the pipeline)

Limitations

• •Rank reversal known on alternative-set changes (ref: inherited from crisp base; cf. Belton-Gear 1983, Wang-Luo 2009)
• •Assumes: Decision matrix entries are valid Intuitionistic Fuzzy 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 Intuitionistic Fuzzy 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 MABAC directly (avoid unnecessary uncertainty layer)
• •Aggregation operator (PFWA/PFOWA/etc.) not specified: output ambiguous

Edge cases

• •IF-MABAC için kritik edge case'ler: (1) IFS geçerlilik: μ + ν ≤ 1 zorunlu: Atanassov 1986 aksiyomu; engine input validation bu kısıtı kontrol etmeli, ihlal → fail-fast. (2) Cost kriter normalize: (μ,ν) → (ν,μ) swap Eq.17: μ membership iyi-derecesidir, cost'ta ters çevrilir; ν non-membership de swap olur. (3) Maximizing deviation feasibility: Σ z_j² = 1 normalize sabit nokta; tüm alternatifler tüm kriterlerde identik (zero deviation) ise model dejenere → equal-weight fallback önerilir (paper'da explicit değil). (4) BAA g_j = Π^(1/m): geometric mean; o_ij'lerden herhangi biri (μ=0 olduğunda) sıfırlanırsa g_j = 0 olur ve d_ij sonsuz log-ratio'ya yol açabilir; engine ε-perturbation veya pre-normalize gerektirir. (5) Prospect parametreler θ=ς=0.88 (sıkı concave gain + convex loss), ρ=2.25 (loss aversion 2.25× ağırlık) Tversky-Kahneman kanonik; sosyokültürel context'e göre değiştirilebilir ama paper'da değiştirilmez.

Common pitfalls

• •Doktora öğrencisi tuzakları: (a) MABAC'ı TOPSIS varyantı sanmak: TOPSIS uç-nokta PIS/NIS referansları; MABAC tek-nokta BAA (geometric mean) referansı; (b) IFHD Eq.8'in 3 bileşenini (l_1, l_2, l_3) sadece (l_1, l_2) ile özdeşleştirmek: paper 'comprehensive distance' iddiasını l_3 = max(|μ_1-μ_2|, |ν_1-ν_2|, |π_1-π_2|/2) üçüncü bileşeni ile gerekçelendirir; (c) θ ve ς'yı eşit sanmak ama ρ'yi değil: paper θ=ς=0.88 (Tversky simetrik) ama ρ=2.25 (loss aversion >>1), bu 'kayıp 2.25× ağırlıklı' Kahneman-Tversky deneylerinden gelir; (d) Maximizing deviation method'u entropy method ile karıştırmak: entropy Shannon belirsizlik; maximizing deviation alternatifler-arası ayırıcılık (Wang 1997 ESWA değil, Chinese J. paper); (e) F_i = Σ_j d_ij'nin POZİTİF veya NEGATİF değer alabileceğini görmemek: d_ij prospect-signed, F_i de signed; rank descending → en yüksek pozitif F en iyi.

Worked example

1. 1.Adım 1 (F1): Step 1: Build each DM's intuitionistic fuzzy decision matrix Q^(k)=(q^k_ij)_{m×n}, q^k_ij=(μ^k_ij, ν^k_ij), μ+ν≤1; aggregate over l DMs via IFWA with weights h_k (Σh_k=1) to obtain Q=(q_ij)_{m×n}; then normalize per criterion type to Q^N: benefit ↦ (μ_ij, ν_ij), cost ↦ (ν_ij, μ_ij). Formül: Q^(k) = (q^k_ij)_{m×n}, q^k_ij = (μ^k_ij, ν^k_ij), μ + ν ≤ 1 Q = IFWA_h(Q^(1),...,Q^(l)); q_ij = ( 1 − ∏_{k=1}^l (1 − μ^k_ij)^{h_k}, ∏_{k=1}^l (ν^k_ij)^{h_k} ) [Eq.(10)-(11)] q^N_ij = (μ_ij, ν_ij) if Z_j ∈ benefit q^N_ij = (ν_ij, μ_ij) if Z_j ∈ cost [Eq.(17)] Anchor: Li 2021 (J. Math., DOI 10.1155/2021/5536751), Steps 1-2, p.3 Eqs.(10)-(11),(17)
2. 2.Adım 2 (F2): Step 2: Determine attribute weights z_j (j=1,...,n) by the maximizing-deviation method (Wang 1998 style) using the IF distance d(·,·) of Eq.(8). Solve the M-1 program max Σ_j Σ_i Σ_t z_j · d(q^N_ij, q^N_tj) s.t. z_j ≥ 0, Σ z_j² = 1, then normalize Σ z_j = 1. Formül: d(I_1, I_2) = (1/6)(ℓ_1 + ℓ_2 + ℓ_3) [Eq.(8)] ℓ_1 = ( |μ_1 − μ_2| + |ν_1 − ν_2| + |(μ_1+1−ν_1) − (μ_2+1−ν_2)| ) / 2 ℓ_2 = (π_1 + π_2) / 2 ℓ_3 = max( |μ_1−μ_2|, |ν_1−ν_2|, |π_1−π_2| ) / 2 z_j* = √( Σ_{i=1}^m Σ_{t=1}^m d(q^N_ij, q^N_tj) / Σ_{j=1}^n [ Σ_i Σ_t d(q^N_ij, q^N_tj) ]² ) [Eq.(24)] z_j = ( Σ_i Σ_t d(q^N_ij, q^N_tj) ) / Σ_{j=1}^n Σ_i Σ_t d(q^N_ij, q^N_tj), Σ_j z_j = 1 [Eq.(25)] Anchor: Li 2021, Step 3, p.4-5 Eqs.(8),(24)-(25)
3. 3.Adım 3 (F3): Step 3: Compute the IF weighted normalized matrix O=(o_ij)_{m×n} by applying the scalar multiplication λI = (1−(1−μ)^λ, ν^λ) to q^N_ij with λ = z_j. Formül: o_ij = z_j · q^N_ij = ( 1 − (1 − μ_{q^N_ij})^{z_j}, (ν_{q^N_ij})^{z_j} ) [Eq.(4) applied; Eq.(26)] Anchor: Li 2021, Step 4, p.5 Eq.(26)
4. 4.Adım 4 (F4): Step 4: Build the border approximation area (BAA) row G=(g_j)_{1×n} by taking the geometric mean of each column of O across the m alternatives. Formül: g_j = ( ∏_{i=1}^m o_ij )^{1/m} = ( ( ∏_{i=1}^m μ_{o_ij} )^{1/m}, 1 − ( ∏_{i=1}^m (1 − ν_{o_ij}) )^{1/m} ) [Eq.(27)] Anchor: Li 2021, Step 5, p.5 Eq.(27)
5. 5.Adım 5 (F5): Step 5: Compute the prospect-theory weighted IF distance from BAA, sum across criteria, and rank alternatives in descending order of F_i. Tversky-Kahneman parameters: ϑ = ς = 0.88, ρ = 2.25; the score function S(I) = μ + μ·(1−μ−ν) determines whether an alternative lies above/below the BAA per criterion. Formül: S(I) = μ_I + μ_I · (1 − μ_I − ν_I) [Eq.(6)] d_ij = ( d(o_ij, g_j) )^ϑ if S(o_ij) ≥ S(g_j) [Eq.(28)] d_ij = − ρ · ( d(o_ij, g_j) )^ς if S(o_ij) < S(g_j) with ϑ = 0.88, ς = 0.88, ρ = 2.25 (Tversky-Kahneman 1992) F_i = Σ_{j=1}^n d_ij, i = 1,...,m [Eq.(29)] Ranking: sort alternatives by descending F_i; the larger F_i, the better the alternative. Anchor: Li 2021, Steps 6-8, p.5-6 Eqs.(6),(28),(29)

Commonly paired with

• •n_a + IF-MABAC (common)

How to cite