Ranking
SF-SAW: Spherical extension of SAW
Kutlu Gündoğdu, F., Yörükoğlu, M. · 2021
Overview
SF-SAW (SVSAW = Single-Valued Spherical Fuzzy Simple Additive Weighting), klasik SAW'ın "ağırlıklı toplam = ranking" mantığını SF'ye taşır. En basit MCDM aggregator: PIS/NIS yok, ranking yok, sadece SF-cell'leri ağırlıkla çarpıp topla. Akış: (1) Linguistik AMI..ALI ölçeğinden SF triple, (2) SWAM ile DM'leri agrege, (3) SF kriter ağırlıklarını da agrege, (4) Score Eq.30 (3μ−π/2)²−(v−π/2)² ile ağırlık defuzzify + Eq.31 ile normalize (Σ=1), (5) SVSAW_i = Σ_j (x̃_ij ⊗ w̃ʳ_j) = Σ_j x̃_ij·w̄^s_j (SF scalar mult + SF addition), (6) final score Eq.33 ile rank. Karakteristik: ağırlıklar defuzzify edilir (Σ=1 normalize edilmiş skalerler), cell'ler SF triple kalır. "3μ" katsayısının nedeni: ağırlık-defuzz için membership'in baskın olması istenir, alternatif-defuzz'da (Eq.33) ise μ baskındır.
Strengths
- •Simplest SF aggregation: scalar-multiply + add, no PIS/NIS needed.
- •Score Eq.30 (3μ−π/2)²−(v−π/2)² has explicit hesitancy penalty.
- •Computational footprint minimal.
Limitations
- •Implicit normalization assumption: cost criteria must be reframed as benefit (e.g., "low price"→"good price").
- •No compensation control: high-μ on one criterion can mask high-v on another.
- •Modified-score form (3μ vs 2μ) is method-specific; mixing scores across methods causes inconsistency.
Method assistant
Grounded explanations: it explains the method, it does not compute.
Assumptions to verify
- •Decision matrix entries are valid Spherical 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 SAW directly (avoid unnecessary uncertainty layer)
- •Aggregation operator (PFWA/PFOWA/etc.) not specified: output ambiguous
Edge cases
- •Tüm ağırlıklar eşit (w̃_j hepsi aynı): SVSAW basit ortalama olur. Bir kriter'in ağırlığı 0 (defuzzified): o kriter ranking'e katkı vermez. SF cell'de μ→0: SVSAW cell katkısı 0'a yaklaşır (additive olduğu için multiplicative WPM'den farkı bu: küçük μ değil sıfır olmalı silici etki için). Cost criteria için: book yaklaşımı "DMs assign lower linguistic term": Step 3 notu. Modified Score Eq.30 negatif çıkabilir (yüksek v + yüksek π); negatif normalize Eq.31 problemli: Eq.31'de paydanın pozitif olduğunu garantilemek için tüm S(w̃)>0 olmalı. Bir DM çok düşük μ verirse (neredeyse 0): SWAM'da o DM'in katkısı baskılanır (SWAM Eq.7'de Π(1−μ²)^w çarpan yapısı).
Common pitfalls
- •(1) Eq.30'daki "3μ" katsayısını "2μ" ile karıştırma: book bilerek ayırmış (ağırlık-defuzz vs alternatif-defuzz). (2) Eq.31 normalize PAYDA POZİTİF olmalı; negatif S'ler için Σ payda<0 ise normalize anlamsızdır. (3) SAW additive: μ→0 olan cell'i silmez; "küçük katkı + büyük katkı = orta" olur (WPM'den farkı bu). (4) SF addition Eq.3 ⊕ SCALAR addition DEĞİL: toplama TF benzeri formül kullanır (μ_R²=μ_A²+μ_B²−μ_A²·μ_B²). Programmer'lar tipik olarak skalar+skalar yapıp patlar. (5) Cost criteria için μ↔v swap YAPMA: linguistik girdiyi tersine çevir ("kötü fiyat"→"ALI"). (6) Final ranking için Eq.33'ün sonucunu defuzzify edip sıralarken DECREASING order: büyük score iyi.
Commonly paired with
- •n_a + SF-SAW (common)
How to cite
Kutlu Gündoğdu, F.; Yörükoğlu, M. (2021). Simple Additive Weighting and Weighted Product Methods Using Spherical Fuzzy Sets. In: Kahraman C., Kutlu Gündoğdu F. (eds.) Decision Making with Spherical Fuzzy Sets: Theory and Applications. Studies in Fuzziness and Soft Computing vol. 392. Springer. https://doi.org/10.1007/978-3-030-45461-6_10