BF-VIKOR - VIKOR yönteminin Bipolar uzantısı

Formül adımları

Analiz motorunun yöntem bildirimindeki (manifest F.steps) adımlar; raporlardaki formüllerle aynı kaynaktır.

1. Adım 0 — İkutuplu bulanık karar matrisini oluştur B = [(μ⁺_ij, ν⁻_ij)]. Maliyet kriterlerini BFN tamamlayıcısı ile normalize et: (1−μ⁺, |ν⁻|−1). Tüm BFN'leri skor fonksiyonu Δ(B)=(1+μ⁺+ν⁻)/2 ile crisp skora dönüştür. Sonraki adımlar x_ij = Δ(B*_ij) üzerinde çalışır.

   $$\begin{gathered} \Delta (B)={\displaystyle \frac{1+{\mu }^{+}+{\nu }^{-}}{2}}\in [0,1] \\ [\mathrm{4pt}]B_{ij}^{*}=\{\begin{array}{cc}({\mu }_{ij}^{+},{\nu }_{ij}^{-})\hfill & j\in J^{+}\hfill \\ (1-{\mu }_{ij}^{+},|{\nu }_{ij}^{-}|-1)\hfill & j\in J^{-}\hfill \end{array} \\ [\mathrm{4pt}]x_{ij}=\Delta (B_{ij}^{*}) \end{gathered}$$
   LaTeX

   \Delta(B) = \dfrac{1 + \mu^+ + \nu^-}{2} \in [0,1] \\[4pt] B^*_{ij} = \begin{cases}(\mu^+_{ij}, \nu^-_{ij}) & j \in J^+ \\ (1-\mu^+_{ij}, |\nu^-_{ij}|-1) & j \in J^- \end{cases} \\[4pt] x_{ij} = \Delta(B^*_{ij})

2. Adım 1 — Her kriter için fayda/maliyet yönünü dikkate alarak alternatifler arasında en iyi f_j* ve en kötü f_j^- değerleri belirle.

   $$f_j^{*}=\{\begin{array}{cc}{max}_i{x}_{ij}\hfill & j\in J\hfill \\ {min}_i{x}_{ij}\hfill & j\in J^{\prime }\hfill \end{array},f_j^{-}=\{\begin{array}{cc}{min}_i{x}_{ij}\hfill & j\in J\hfill \\ {max}_i{x}_{ij}\hfill & j\in J^{\prime }\hfill \end{array}$$
   LaTeX

   f_{j}^{*} = \begin{cases}\max_{i} x_{ij} & j \in J \\ \min_{i} x_{ij} & j \in J'\end{cases},\quad f_{j}^{-} = \begin{cases}\min_{i} x_{ij} & j \in J \\ \max_{i} x_{ij} & j \in J'\end{cases}

3. Adım 2 — Grup faydası S_i ve bireysel pişmanlık R_i hesapla. S, ağırlıklı normalleştirilmiş pişmanlığı (L_1-metrik) toplar; R ise maksimum ağırlıklı pişmanlıktır (L_∞-metrik).

   $$S_i=\sum _{j=1}^n{w}_j{\displaystyle \frac{f_j^{*}-x_{ij}}{f_j^{*}-f_j^{-}}},R_i={max}_j\left[w_j{\displaystyle \frac{f_j^{*}-x_{ij}}{f_j^{*}-f_j^{-}}}\right]$$
   LaTeX

   S_{i} = \sum_{j=1}^{n} w_{j}\,\dfrac{f_{j}^{*}-x_{ij}}{f_{j}^{*}-f_{j}^{-}},\quad R_{i} = \max_{j}\left[w_{j}\,\dfrac{f_{j}^{*}-x_{ij}}{f_{j}^{*}-f_{j}^{-}}\right]

4. Adım 3 — VIKOR endeksi Q_i'yi, uzlaşma katsayısı v ile ağırlıklandırılmış normalleştirilmiş S ve R'nin konveks kombinasyonu olarak hesapla.

   $$Q_i=v{\displaystyle \frac{S_i-S^{*}}{S^{-}-S^{*}}}+(1-v){\displaystyle \frac{R_i-R^{*}}{R^{-}-R^{*}}},S^{*}={min}_i{S}_i,S^{-}={max}_i{S}_i,R^{*}={min}_i{R}_i,R^{-}={max}_i{R}_i$$
   LaTeX

   Q_{i} = v\,\dfrac{S_{i}-S^{*}}{S^{-}-S^{*}} + (1-v)\,\dfrac{R_{i}-R^{*}}{R^{-}-R^{*}},\ S^{*}=\min_{i}S_{i},\ S^{-}=\max_{i}S_{i},\ R^{*}=\min_{i}R_{i},\ R^{-}=\max_{i}R_{i}

5. Adım 4 — A^(1) (en düşük Q'lu alternatif) uzlaşık çözüm olarak yalnızca hem C1 (kabul edilebilir avantaj) hem C2 (kabul edilebilir kararlılık) sağlanırsa önerilir. C1 sağlanmazsa Q(A^(M)) − Q(A^(1)) < DQ koşulunu sağlayan en uzun A^(1)..A^(M) öneki döndürülür. Yalnızca C2 sağlanmazsa {A^(1), A^(2)} döndürülür.

   $$DQ={\displaystyle \frac{1}{m-1}};C1:Q(A^{(2)})-Q(A^{(1)})\ge DQ;C2:A^{(1)}\text{ is best in }S\text{ or in }R$$
   LaTeX

   DQ = \dfrac{1}{m-1};\quad C1: Q(A^{(2)}) - Q(A^{(1)}) \ge DQ;\quad C2: A^{(1)} \text{ is best in } S \text{ or in } R

Sezgi

Bipolar outranking/ranking - Bipolar Fuzzy Set (BFS: positive membership μ⁺ ∈ [0,1], negative μ⁻ ∈ [-1,0]). Output typically utility (higher value = preferred).

Sonucu okuma: bf-vikor extends VIKOR to handle Bipolar uncertainty. All arithmetic operations (normalisation, weighting, distance computation) are performed using Bipolar Fuzzy Set (BFS: positive membership μ⁺ ∈ [0,1], negative μ⁻ ∈ [-1,0]) algebra. The final scores are defuzzified via score (μ⁺ + μ⁻)/2 before ranking.

Varsayımlar

• Decision matrix entries are valid Bipolar 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

Ne zaman kullanılmaz

• Classical data sufficient - use base VIKOR directly (avoid unnecessary uncertainty layer)
• Aggregation operator (PFWA/PFOWA/etc.) not specified - output ambiguous

Sınırlılıklar

• 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 Bipolar 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

Sık yapılan hatalar

• Değer-uzayı ihlali: hesaplamadan önce tüm girişlerin BFS: μ⁺ ∈ [0,1], μ⁻ ∈ [-1,0] koşulunu sağladığından emin olun.
• Defuzzifikasyon yöntemi sıralamayı etkiler: score (μ⁺ + μ⁻)/2 kanonik seçimdir.
• İkutuplu Bulanık Küme (BFS) ≠ 2-kutuplu Bulanık Küme. BFS, tek bir özelliği karşı-özellik çifti ⟨μ⁺ ∈ [0,1], μ⁻ ∈ [-1,0]⟩ (pozitif kanıt vs negatif kanıt) olarak kodlar. 2-kutuplu Bulanık Küme ise İKİ BAĞIMSIZ özelliği (μ₁, μ₂) ∈ [0,1]² olarak kodlar - her ikisi de negatif olmayan, karşı-özellik anlamı yok. Yüzeysel 'iki bileşen' benzerliğine rağmen değer-uzayları, aritmetiği ve birleştirme farklıdır. Gerçek bağımsız-özellikli m=2 m-kutuplu problemler için MPF-* yöntem ailesini kullanın (bkz. MPF-ELECTRE-I.json) - bu Bipolar manifesti değil. Referans: Chen vd. 2014 (m-kutuplu temeller) yapısını Zhang 1994 bipolar bulanık kümelerden açıkça ayırır.