Grey-ARAS - ARAS yönteminin Grey uzantısı

Formül adımları

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

1. Adım 1 — Gri Karar Matrisi (GDMM) oluştur. Her ⊗x_{ij} = [x_{ij}^α, x_{ij}^γ] bir gri aralıktır. Optimal satır A0 ekle: fayda kriterleri için ⊗x_{0j} = max_i ⊗x_{ij}; maliyet için ⊗x_{0j} = min_i ⊗x_{ij}.

   $$\otimes x_{ij}=[x_{ij}^{\alpha },x_{ij}^{\gamma }],x_{ij}^{\alpha }\le x_{ij}^{\gamma }\otimes x_{0j}=\{\begin{array}{cc}{max}_i\otimes x_{ij}\hfill & j\in J^{+}\hfill \\ {min}_i\otimes x_{ij}^{*}\hfill & j\in J^{-}\hfill \end{array}$$
   LaTeX

   \otimes x_{ij} = [x_{ij}^{\alpha}, x_{ij}^{\gamma}],\quad x_{ij}^{\alpha} \leq x_{ij}^{\gamma} \otimes x_{0j} = \begin{cases}\max_i \otimes x_{ij} & j\in J^{+}\\ \min_i \otimes x_{ij}^{*} & j\in J^{-}\end{cases}

2. Adım 2 — GDMM'yi normalleştir. Maliyet kriterleri için önce ⊗x*_ij = [1/x_ij^γ, 1/x_ij^α] dönüşümü yap. Ardından (fayda yönünde): ⊗x̄_ij = [x_ij^α / Σ x_kj^γ, x_ij^γ / Σ x_kj^α].

   $$j\in J^{-}:\otimes x_{ij}^{*}=(\otimes x_{ij}{)}^{-1}=[\frac{1}{x_{ij}^{\gamma }},\frac{1}{x_{ij}^{\alpha }}]\text{[Eq.7 applied]}\otimes {\overline{x}}_{ij}=\frac{\otimes x_{ij}}{{\sum }_{k=0}^m\otimes x_{kj}}=[\frac{x_{ij}^{\alpha }}{{\sum }_k{x}_{kj}^{\gamma }},\frac{x_{ij}^{\gamma }}{{\sum }_k{x}_{kj}^{\alpha }}]$$
   LaTeX

   j\in J^{-}: \quad \otimes x^{*}_{ij} = (\otimes x_{ij})^{-1} = \left[\tfrac{1}{x^{\gamma}_{ij}},\, \tfrac{1}{x^{\alpha}_{ij}}\right] \quad\text{[Eq.7 applied]} \otimes\bar{x}_{ij} = \frac{\otimes x_{ij}}{\sum_{k=0}^{m}\otimes x_{kj}} = \left[\frac{x^{\alpha}_{ij}}{\sum_k x^{\gamma}_{kj}},\; \frac{x^{\gamma}_{ij}}{\sum_k x^{\alpha}_{kj}}\right]

3. Adım 3 — Normalleştirilmiş-ağırlıklı matris hesapla: ⊗x̂_ij = ⊗x̄_ij × ⊗w_j = [x̄_ij^α × w_j^α, x̄_ij^γ × w_j^γ]. Kısıt: Σ w_j = 1.

   $$\sum _{j=1}^n{w}_j=1,w_j\in (0,1)\otimes {\widehat{x}}_{ij}=\otimes {\overline{x}}_{ij}\times \otimes w_j=[{\overline{x}}_{ij}^{\alpha }·w_j^{\alpha },{\overline{x}}_{ij}^{\gamma }·w_j^{\gamma }]$$
   LaTeX

   \sum_{j=1}^n w_j = 1, \quad w_j \in (0,1) \otimes\hat{x}_{ij} = \otimes\bar{x}_{ij} \times \otimes w_j = \left[\bar{x}^{\alpha}_{ij} \cdot w^{\alpha}_j,\; \bar{x}^{\gamma}_{ij} \cdot w^{\gamma}_j\right]

4. Adım 4 — Gri optimalite fonksiyonu: ⊗S_i = [Σ x̂_ij^α, Σ x̂_ij^γ]. Ardından beyazlaştırma: S_i = (S_i^α + S_i^γ)/2.

   $$\otimes S_i=\sum _{j=1}^n\otimes {\widehat{x}}_{ij}=[{\sum }_j{\widehat{x}}_{ij}^{\alpha },{\sum }_j{\widehat{x}}_{ij}^{\gamma }]\text{[Eq.16]}{S}_i=\frac{1}{2}(S_i^{\alpha }+S_i^{\gamma })\text{[Eq.17 — whitenisation]}$$
   LaTeX

   \otimes S_i = \sum_{j=1}^{n} \otimes\hat{x}_{ij} = \left[\sum_j \hat{x}^{\alpha}_{ij},\; \sum_j \hat{x}^{\gamma}_{ij}\right] \quad\text{[Eq.16]} S_i = \tfrac{1}{2}\left(S_i^{\alpha} + S_i^{\gamma}\right) \quad\text{[Eq.17 — whitenisation]}

5. Adım 5 — Fayda derecesi K_i = S_i / S_0 ∈ [0,1]. K_i'yi büyükten küçüğe sırala.

   $$K_i=\frac{S_i}{S_0},K_0=1,0\le K_i\le 1\text{[Eq.18]}$$
   LaTeX

   K_i = \frac{S_i}{S_0},\quad K_0 = 1,\quad 0 \le K_i \le 1 \quad\text{[Eq.18]}

Sezgi

GREY-ARAS (ARAS-G), Turskis-Zavadskas (2010, Informatica) tarafından önerilen ARAS'ın grey-number (interval-valued) uzantısıdır. Grey theory (Deng 1982) fuzzy set teorisine alternatif bir belirsizlik temsili sunar: ⊗n = [α,γ] = {x | α ≤ x ≤ γ}, alt ve üst sınır arasındaki TÜM noktalar eşit olası kabul edilir (membership function YOKTUR - fuzzy ile temel fark budur). White number α=γ (kesin bilgi), grey number α<γ (eksik bilgi), black number α→-∞, γ→∞ (bilgi yok) - paper §2 üçlü sınıflandırma. ARAS-G algoritmik akışı klasik ARAS ile özdeştir: optimal alternatif ⊗A_0 inşası → grey normalizasyon (benefit Eq.11 sum-based, cost iki-aşamalı Eq.12) → ağırlıklı toplam ⊗S_i Eq.16 → centroid 2-term defuzz Eq.17 → utility degree K_i = S_i/S_0 Eq.18. KRİTİK FARK FUZZY-ARAS ile: centroid 2-term (α+γ)/2 (grey interval simetrik), FUZZY-ARAS'ta 3-term (α+β+γ)/3 (TFN üçgensel). Grey-ARAS tedarikçi/sürdürülebilir yatırım/transport-altyapı seçimi alanlarında 2010 sonrası yaygın benimsenmiştir.

Sonucu okuma: grey-aras extends ARAS to handle Grey uncertainty. All arithmetic operations (normalisation, weighting, distance computation) are performed using Grey Interval Number (GIN: [x̲, x̄]) algebra. The final scores are defuzzified via whitenisation: (x̲ + x̄)/2 before ranking.

Varsayımlar

• Decision matrix entries are valid Grey 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 ARAS directly (avoid unnecessary uncertainty layer)
• Aggregation operator (PFWA/PFOWA/etc.) not specified - output ambiguous

Sınırlılıklar

• Assumes: Decision matrix entries are valid Grey 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 GIN: x̲ ≤ x̄ (lower and upper bounds of interval) koşulunu sağladığından emin olun.
• Defuzzifikasyon yöntemi sıralamayı etkiler: whitenisation: (x̲ + x̄)/2 kanonik seçimdir.