HF-TOPSIS

HF-TOPSIS - Tercihli bulanık profil (kullanılamıyor)

Tarihsel tercihli bulanık profil; kaynak ayrım denklemleri ve erratum doğrulanmamış

Formül adımları

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

Yerel tereddütlü-bulanık karar matrisini doğrulayın ve kaydedin.

$H = (h_{i j}), h_{i j} \subset [0, 1], h_{i j} \neq \emptyset$

LaTeX
H=(h_{ij}),\quad h_{ij}\subset[0,1],\ h_{ij}\ne\varnothing
Kullanıcı tarafından seçilen eta tutumu kullanılarak her kriter içindeki HFE uzunluklarını eşitleyin.

${\tilde{h}}_{i j} = sort (h_{i j} \cup {η max (h_{i j}) + (1 - η) min (h_{i j})})$

LaTeX
\tilde h_{ij}=\operatorname{sort}(h_{ij}\cup\{\eta\max(h_{ij})+(1-\eta)\min(h_{ij})\})
Verilen, tamamen bilinmeyen veya kısmen bilinen kriter ağırlıklarını çözün.

$Y_{j} = \sum_{i} \sum_{k \neq i} d_{1} ({\tilde{h}}_{i j}, {\tilde{h}}_{k j}), w_{j} = Y_{j} / \sum_{r} Y_{r}$

LaTeX
Y_j=\sum_i\sum_{k\ne i}d_1(\tilde h_{ij},\tilde h_{kj}),\quad w_j=Y_j/\sum_rY_r
Bileşen bazında pozitif ve negatif tereddütlü idealleri oluşturun, maliyet kriterleri için uç değerleri tersine çevirin.

$h_{j}^{+} = ({max}_{i} γ_{i j}^{(t)})_{t}, h_{j}^{-} = ({min}_{i} γ_{i j}^{(t)})_{t} (b e n e f i t)$

LaTeX
h_j^+=(\max_i\gamma_{ij}^{(t)})_t,\quad h_j^-=(\min_i\gamma_{ij}^{(t)})_t\quad(benefit)
Her HFE'nin normalize edilmiş Öklidyen uzaklığını her iki ideale ölçün.

$d_{1} (a, b) = \sqrt{l^{- 1} \sum_{t} (a_{t} - b_{t})^{2}}$

LaTeX
d_1(a,b)=\sqrt{l^{-1}\sum_t(a_t-b_t)^2}
Kriter uzaklıklarını Xu–Zhang Tablolar 5–6'yı yeniden üreten kuadratik ağırlıklı form ile toplayın.

$d_{i}^{\pm} = \sqrt{\sum_{j} w_{j} d_{1} ({\tilde{h}}_{i j}, h_{j}^{\pm})^{2}}$

LaTeX
d_i^{\pm}=\sqrt{\sum_jw_jd_1(\tilde h_{ij},h_j^{\pm})^2}
Yakınlığı hesaplayın; tanımsız olan sıfırdan her iki ideale olan durumu reddedin.

$C_{i} = d_{i}^{-} / (d_{i}^{+} + d_{i}^{-})$

LaTeX
C_i=d_i^-/(d_i^++d_i^-)
Alternatifleri azalan yakınlığa göre sıralayın.

$rank = {argsort}_{↓} (C)$

LaTeX
\operatorname{rank}=\operatorname{argsort}_{\downarrow}(C)

Yöntem ayrıntıları kaynak kütüphanedeki özgün (İngilizce) metindir.

Sezgi

Sonucu okuma: Use the disclosed Xu-Zhang table-reproducing HF-TOPSIS profile with an explicit eta and weight-information mode. Fully specified weights are consumed directly; completely unknown and partly known modes derive weights from the current problem.

Varsayımlar

Choose eta and weight_info_mode deliberately; the runtime uses the quadratic separation that reproduces Xu-Zhang Tables 5-6.

Ne zaman kullanılmaz

Expert-level raw matrices still need an explicit group aggregation model before this profile is run.

Sık yapılan hatalar

Açık bir yerel tekil eleman, otomatik netten tercihlie dönüşümden farklıdır.
Kaynak geçerliliğini tarihsel düzenekten çıkarmayın veya üyelik kümelerini olasılık örnekleri olarak yeniden yorumlamayın.