Interval-Number Grey-Related Analysis

Overview

INTERVAL-GRA (Interval Grey-Related Analysis), Olson-Wu (2008, Ch.11 in Kahraman ed. Fuzzy MCDM Springer) tarafından Deng (1982) GRA'nın interval-number bilgi altında uyarlanmış halidir. Klasik GRA'nın temel sezgisi şudur: her alternatif için GREY RELATIONAL COEFFICIENT ξ_i(k) hesaplanır: bu coefficient (Eq.9), kriter-bazlı sapmaları (alternatif - ideal referans) min-max normalize edilmiş bir benzerlik skorudur (1'e yakın = ideal'e yakın). Olson-Wu uzantısı bu yapıyı interval-valued bilgiye taşır: input matrix A_{ij} = [a⁻_ij, a⁺_ij] (Eq.5), kontrast endeksleri (smaller-is-better) Eq.6 ile [b⁻,b⁺] = [-a⁺,-a⁻] dönüşümüyle pozitif endekse çevrilir, sonra Eq.7 norm-tabanlı standardize ‖A_j‖ = max(max(|a⁻|,|a⁺|)) ile bölünür. Weighted matrix [c⁻,c⁺] = [c_j,d_j]·[r⁻,r⁺] Eq.8 interval scalar-interval product (Def 4: b⁺>0 Eq.3 vs b⁺<0 Eq.4) ile elde edilir. Reference sequence U_0 her kriter için max coordinate-wise alınır. Connection coefficient ξ_i(k) Eq.9 resolving coefficient ρ ∈ (0,+∞) tipik ρ ∈ [0,1] (Deng kanonik ρ=0.5) ile hesaplanır: ρ küçük → distinguishing power yüksek (küçük farklar abartılır).

Strengths

• •Method-specific: Interval-number GRA (Olson & Wu 2008)
• •Preserves interval uncertainty through the pipeline rather than premature crispification at elicitation

Limitations

• •Assumes: Each cell is a valid interval (a^- ≤ a^+)
• •Assumes: Column norms ‖A_j‖ are strictly positive
• •Assumes: Criterion directions are correctly tagged positive_index / contrary_index
• •Assumes: Weights are non-negative and (for scalar form) sum to 1

Assumptions to verify

• •Each cell is a valid interval (a^- ≤ a^+)
• •Column norms ‖A_j‖ are strictly positive
• •Criterion directions are correctly tagged positive_index / contrary_index
• •Weights are non-negative and (for scalar form) sum to 1

When not to use

• •Inputs are point-valued (use crisp GRA directly: no benefit from interval machinery)
• •Inputs are triangular or trapezoidal fuzzy numbers (use a TFN-fuzzy GRA manifest, or wrap this method in MC-TRAPEZOIDAL extension)
• •Decision-maker prefers probability-distribution outputs (use Monte Carlo wrapper or Bayesian methods instead)

Edge cases

• •INTERVAL-GRA kritik edge case'leri: (1) ρ resolving coefficient seçimi: Deng kanonik ρ=0.5; ρ→0 distinguishing power maksimum (en küçük farklar bile büyür) ama numerik instability artar; ρ→1 tüm coefficient'lar 1'e bastırılır, ranking discriminating gücünü kaybeder: paper ρ ∈ [0,1] standart tavsiye eder. (2) Negative interval a⁻<0: norm hesaplamada |·| kullanıldığı için absolute değer alınır, fakat Eq.4 b⁺<0 product kuralı uygulanmalıdır; engine sign-aware interval ops kullanmazsa ranking bozulur: paper §2 Def.4 cases bunu açık eder. (3) ‖A_j‖ = 0 sütun (tüm intervaller [0,0]) → standardization tanımsız: input validation gerekir. (4) Reference U_0 coordinate-wise max: bu, gerçek bir alternatif olmak ZORUNDA DEĞİL (utopia point); rapor sırasında 'sanal optimum' uyarısı kullanıcıya verilmelidir (yanlış yorumlama önlenir). (5) Interval ortası (a⁻=a⁺) crisp dejenerasyonu → klasik GRA Deng 1989 ile tam aynı çıktı; manifest bunu garanti eder.

Common pitfalls

• •Tipik hatalar: (a) Reference U_0'ı kullanıcının fiziksel olarak görmesi gereken bir alternatif sanmak: utopia coordinate-wise max, sentetik referans; (b) Connection coefficient Eq.9 paydadaki ρ·max max terimi sabit (tüm i,k için aynı) iken pay'daki min min de sabit: bu nedenle ξ_i(k) hesabında her hücrede aynı ρ kullanılır, kriter-bazlı değişmez; (c) Step-2 contrary→positive Eq.6 işaret değişimi: engine pozitif endeks varsayar, kullanıcı 'smaller is better' kriterleri için ÖNCE Eq.6 uygulamalı, sonra Step-3'e geçmeli; (d) Norm Eq.1 = max(max(|a⁻|, |a⁺|)) sütun-bazında; Frobenius/L2 norm DEĞİL: L∞ infinity norm; (e) ρ=0.5 default ama paper bunu zorunlu kılmaz: kullanıcı ρ duyarlılık testi yapmalı (ρ=0.1, 0.3, 0.5, 0.7, 0.9) ve ranking stabilitesini raporlamalı; (f) Bu yöntem GRA-COEFFICIENT tabanlıdır, Hwang-Yoon TOPSIS uzaklık tabanlı değildir: ranking high-is-better, TOPSIS closeness coefficient ile karıştırmayın.

Worked example

1. 1.Adım 1 (F1): Step 1: Construct interval-number decision matrix A = ([a_{ij}^-, a_{ij}^+])_{m×n}. Formül: A = \begin{bmatrix}[a_{11}^-,a_{11}^+] & \cdots & [a_{1n}^-,a_{1n}^+]\\ \vdots & \ddots & \vdots \\ [a_{m1}^-,a_{m1}^+] & \cdots & [a_{mn}^-,a_{mn}^+]\end{bmatrix} Anchor: Olson & Wu 2008, p.285 Eq.(5)
2. 2.Adım 2 (F2): Step 2: Convert any contrary (smaller-is-better) index j into a positive index via [b_{ij}^-, b_{ij}^+] = [-a_{ij}^+, -a_{ij}^-]. Formül: [b_{ij}^-, b_{ij}^+] = [-a_{ij}^+, -a_{ij}^-] \quad \text{for contrary index } j Anchor: Olson & Wu 2008, p.285 Eq.(6)
3. 3.Adım 3 (F3): Step 3: Standardize each column by its interval-vector norm ‖A_j‖ = max_i max(|a_{ij}^-|, |a_{ij}^+|); element [r_{ij}^-, r_{ij}^+] = [a_{ij}^-, a_{ij}^+] / ‖A_j‖. Formül: \|A_j\| = \max_i \max(|a_{ij}^-|, |a_{ij}^+|); \quad [r_{ij}^-, r_{ij}^+] = \left[\frac{a_{ij}^-}{\|A_j\|}, \frac{a_{ij}^+}{\|A_j\|}\right] Anchor: Olson & Wu 2008, p.284 Def.1 Eq.(1) + p.285 Eq.(7)
4. 4.Adım 4 (F4): Step 4: Apply interval (or scalar) weights via interval product: [c_{ij}^-, c_{ij}^+] = [c_j, d_j] · [r_{ij}^-, r_{ij}^+]. With positive intervals and r_{ij}^+ > 0, Def.4 collapses to [c_j · r_{ij}^-, d_j · r_{ij}^+]; for scalar weight w_j set c_j = d_j = w_j. Formül: [c_{ij}^-, c_{ij}^+] = [c_j, d_j] \cdot [r_{ij}^-, r_{ij}^+] Anchor: Olson & Wu 2008, p.284 Def.4 Eq.(3) + p.285 Eq.(8)
5. 5.Adım 5 (F5): Step 5: Build reference (ideal) sequence U_0 by column-wise maxima of both endpoints: u_0^-(j) = max_i c_{ij}^-, u_0^+(j) = max_i c_{ij}^+. Formül: U_0 = \big([u_0^-(1), u_0^+(1)], \ldots, [u_0^-(n), u_0^+(n)]\big), \quad u_0^-(j) = \max_i c_{ij}^-, \quad u_0^+(j) = \max_i c_{ij}^+ Anchor: Olson & Wu 2008, p.286 Step 5
6. 6.Adım 6 (F6): Step 6: Compute interval distance d_{ik} = max(|u_0^-(k) - c_{ik}^-|, |u_0^+(k) - c_{ik}^+|), then grey relational coefficient ξ_i(k) with resolving coefficient ρ. Formül: d_{ik} = \max\big(|u_0^-(k) - c_{ik}^-|,\, |u_0^+(k) - c_{ik}^+|\big); \quad \xi_i(k) = \frac{\min_i \min_k d_{ik} + \rho \max_i \max_k d_{ik}}{d_{ik} + \rho \max_i \max_k d_{ik}} Anchor: Olson & Wu 2008, p.284 Def.2 Eq.(2) + p.286 Eq.(9)
7. 7.Adım 7 (F7): Step 7: Grey relational grade r_i = (1/n) Σ_k ξ_i(k); optimal plan r_i^* = max_i r_i; descending sort gives ranking. Formül: r_i = \frac{1}{n} \sum_{k=1}^{n} \xi_i(k); \quad i^{\star} = \arg\max_i r_i Anchor: Olson & Wu 2008, p.286 Eq.(10) + Step 7

Commonly paired with

• •AHP + INTERVAL-GRA (common)
• •INTERVAL-AHP + INTERVAL-GRA (natural-fit)

How to cite