EM + Z-sayı + Sıfır Toplamlı Oyun - En İyi En Kötü Yöntemi ağırlıklandırma, Z-sayı kazanç matrisi ve oyun kuramı sıralaması

Formül adımları

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

Adım 1 — BWM ile kriter ağırlıklarını hesapla. Her uzman için en iyi-diğerleri ve diğerleri-en kötü vektörlerini topla. Uzmanlar arası ortalama al. Model 2 optimizasyonunu çöz.

$min ξ s.t. | \frac{W_{B}}{W_{j}} - C_{B j} | \leq ξ, | C_{j W} - \frac{W_{j}}{W_{W}} | \leq ξ, \sum_{j} w_{j} = 1, w_{j} \geq 0$

LaTeX
\min\,\xi \quad \text{s.t.} \quad \left|\frac{W_B}{W_j} - C_{Bj}\right| \leq \xi,\; \left|C_{jW} - \frac{W_j}{W_W}\right| \leq \xi,\; \sum_j w_j = 1,\; w_j \geq 0
Adım 2 — Z-sayı kazanç matrisini oluştur. Her p_ij = Z-sayı Z=(A,B): A=dilsel bulanık değerlendirme, B=güven düzeyi. VK.2 kazanç matrisi = -P.

$p_{i j} = Z_{i j} = (A_{i j}, B_{i j}), A_{i j} = TFN fuzzy restriction, B_{i j} \in (0, 1] confidence$

LaTeX
p_{ij} = Z_{ij} = (A_{ij}, B_{ij}),\quad A_{ij} = \text{TFN fuzzy restriction},\quad B_{ij} \in (0,1] \text{ confidence}
Adım 3 — Nash dengesi için sıfır toplamlı oyunu çöz. Model 3 (LP): min 1/ν = Σ c_i, s.t. Σ p_ij c_i ≥ 1. Beklenen değer: G_i = c*_i · Σ p_ij c̃*_j · w*_j.

$min \frac{1}{ν} = \sum_{i = 1}^{m} c_{i} s.t. \sum_{i = 1}^{m} p_{i j} c_{i} \geq 1 \forall j, c_{i} \geq 0; G_{i} = c_{i}^{*} \cdot \sum_{j = 1}^{n} p_{i j} {\tilde{c}}_{j}^{*} \cdot w_{j}^{*}$

LaTeX
\min\,\frac{1}{\nu} = \sum_{i=1}^{m} c_i \quad \text{s.t.}\quad \sum_{i=1}^{m} p_{ij}\,c_i \geq 1\;\forall j,\; c_i \geq 0;\qquad G_i = c_i^* \cdot \sum_{j=1}^{n} p_{ij}\,\tilde{c}_j^* \cdot w_j^*
Adım 4 — Alternatifleri G_i beklenen değerine göre sırala. G_i=0 için satırları kaldırıp Model 3'ü tekrarla.

$Ranking: descending by G_{i}; G_{i} = 0 \Rightarrow remove and re-solve iteratively$

LaTeX
\text{Ranking: descending by } G_i;\quad G_i = 0 \Rightarrow \text{remove and re-solve iteratively}

Sezgi

BWM-ZNUMBER-GAME üç katmanlı bir karar oyunu kurar: önce BWM ile kriter ağırlıkları (en iyi vs en kötü kritere göre) elde edilir; sonra her (alternatif, kriter) hücresine bir Z-sayısı (TFN değer + güven) atanır; en son alternatifler ile 'Doğa' (worst-case criterion player) arasında zero-sum bir oyun kurulup Nash dengesi LP ile çözülür. Sonuç: en kötü senaryoda bile en az kötü olan alternatif kazanır.

Sonucu okuma: G_i represents the expected payoff under Nash equilibrium. Higher G_i = better alternative. G_i = 0 alternatives are ranked iteratively by re-solving the game after removing G_i ≠ 0 rows. BWM weights w*_j modulate the relative importance of criteria in the payoff computation. Sensitivity analysis on confidence levels (B in Z-numbers) is recommended.

Varsayımlar

Zero-sum assumption holds (appropriate for adversarial/emergency scenarios)
BWM comparison vectors are sufficiently consistent (CR ≤ 0.2)
Experts can meaningfully provide both linguistic evaluations AND confidence levels (Z-number)

Ne zaman kullanılmaz

Routine MCDM without adversarial framing - BWM alone or Fuzzy-BWM suffices
Large alternative sets (>15) - Nash LP scales poorly; payoff matrix construction unmanageable
When confidence (B-component) data is unavailable - use ZBWM (Aboutorab 2018) instead, no game layer
Continuous decision spaces - game-theoretic formulation is for discrete alternatives

Sınırlılıklar

Heavy assumption: criteria-DM = adversarial (Nature plays worst-case) - may overstate risk in collaborative contexts
Z-number arithmetic (Step 2 Four facets) is non-standard; software support limited; symmetrization of asymmetric TFN is lossy
Paper §6.3 does NOT publish underlying payoff matrix P / BWM weights / CR - end-to-end reproduction impossible from paper alone
Nash LP assumes zero-sum (DM gain = Nature loss) - restrictive for non-strictly-competitive scenarios
Single Best/Worst criterion shared across experts is a strong consensus requirement; multi-expert disagreement requires manual aggregation (not paper-canonical)

Sık yapılan hatalar

Sıfır toplamlı oyun iki oyuncu arasında tam çatışma varsayar - acil durum/çatışmalı senaryolar için uygun.
Z-sayı oluşturma hem bulanık değerlendirme hem güvenilirlik/güven değerlendirmesi gerektirir.

Hesap adımları ve dayanakları

Her uzman k için Best kriter C_B ve Worst C_W seç. C_BO = (a_B1, ..., a_Bn) ve C_OW = (a_1W, ..., a_nW)^T 1-9 Saaty ölçeği. Cross-expert mean ile birleştir.
min ξ s.t. |w_B/w_j − a_Bj| ≤ ξ, |w_j/w_W − a_jW| ≤ ξ, Σw=1, w≥0 (Eqs.6.1-6.4). Çözüm: w*_j optimal ağırlıklar + ξ* tutarlılık skoru. CR=ξ*/CI (Table 6.1: n=2→0.00, ..., n=9→5.23). CR≤0.2 kabul (Eq.6.5).
Her hücre (i,j) için: (i) linguistic A_ij + güven B_ij (örn. A='High' → TFN (0.5,0.7,0.9), B='Very Sure' → 0.9). (ii) B'yi crisp güvene çevir α_ij. (iii) weighted confidence: A'_ij = √α_ij · A_ij. (iv) asymmetric TFN'i sym hale getir. Sonuç: payoff matrix P[m×n] TFN-valued.
5-tuple A = {DM.1 = decision maker, DM.2 = Nature, C_D = alternatif stratejileri, C_N = kriter stratejileri, P = payoff matrix}. DM.1 maksimizer, DM.2 minimizer.
min Σ_i c_i s.t. Σ_i p_ij·c_i ≥ 1 ∀j, c_i ≥ 0 (Eq.6.9). ν = 1/Σc_i oyun değeri. Nash karma strateji: c*_i = ν·c_i. Dual aynı şekilde C_N stratejisi c̃*_j üretir (Eq.6.10).
G_i = c*_i · Σ_j (p_ij · c̃*_j) · w*_j. G_i azalan sırada ranking. Degenerate G_i=0 → iterative elimination (paper p.145): G_i≠0 satırları al, residual matrix üzerinde Model 1+2 yeniden çöz.