IF-ENTROPY - Sezgisel Bulanık Entropi Ağırlıklandırma Yöntemi (Hung-Chen 2010 uygulamasıyla Vlachos-Sergiadis 2007 entropi ölçüsü)

Formül adımları

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

1. Adım 1 — Her hücre için IFN aksiyomlarını doğrula (μ+ν ≤ 1). Çok-KV girişi varsa, KV ağırlıkları λ'nın l-simpleks üzerinde olduğunu da kontrol et (Σλ=1).

   $$R^{(k)}=(r_{ij}^{(k)}{)}_{m\times n},r_{ij}^{(k)}=({\mu }_{ij}^{(k)},{\nu }_{ij}^{(k)}),\mu +\nu \le 1,\sum _k{\lambda }_k=1$$
   LaTeX

   R^{(k)} = (r^{(k)}_{ij})_{m \times n},\ r^{(k)}_{ij} = (\mu^{(k)}_{ij}, \nu^{(k)}_{ij}),\ \mu+\nu \le 1,\ \sum_k \lambda_k = 1

2. Adım 2 — (Sadece çok-KV; tek-KV için özdeşlik) k bireysel KV matrisini Xu 2007 IFWA operatörü ile KV ağırlıkları λ kullanarak tek bir kollektif IF karar matrisine D̃ agrege et. Tek-KV girişi için (dm_count=1) bu adım özdeşliktir.

   $${\tilde{r}}_{ij}={\text{IFWA}}_{\lambda }(r_{ij}^{(1)},\dots ,r_{ij}^{(k)})=(1-{\prod }_k(1-{\mu }_{ij}^{(k)}{)}^{{\lambda }_k},{\prod }_k({\nu }_{ij}^{(k)}{)}^{{\lambda }_k})$$
   LaTeX

   \tilde{r}_{ij} = \text{IFWA}_{\lambda}(r^{(1)}_{ij}, \ldots, r^{(k)}_{ij}) = \left(1 - \prod_{k} (1 - \mu^{(k)}_{ij})^{\lambda_k},\ \prod_{k} (\nu^{(k)}_{ij})^{\lambda_k}\right)

3. Adım 3 — Vlachos-Sergiadis 2007 ölçüsünü (Hung-Chen 2010 Eq. 7) kullanarak kriter başına IF entropisini E^IFS(C_j) hesapla. Her j kriteri için: alternatifler i üzerinden [μ ln μ + ν ln ν − (1−π) ln(1−π) − π ln 2] dört-terimli integralini topla, E ∈ [0, 1] olacak şekilde −1/(m ln 2) ile ölçekle. Kural: x = 0 olduğunda x ln x = 0.

   $$E_{LT}^{\text{IFS}}(C_j)=-\frac{1}{m\ln 2}\sum _{i=1}^m[{\mu }_{ij}\ln {\mu }_{ij}+{\nu }_{ij}\ln {\nu }_{ij}-(1-{\pi }_{ij})\ln (1-{\pi }_{ij})-{\pi }_{ij}\ln 2]$$
   LaTeX

   E^{\text{IFS}}_{LT}(C_j) = -\frac{1}{m \ln 2} \sum_{i=1}^{m} \left[ \mu_{ij} \ln \mu_{ij} + \nu_{ij} \ln \nu_{ij} - (1 - \pi_{ij}) \ln(1 - \pi_{ij}) - \pi_{ij} \ln 2 \right]

4. Adım 4 — Kriter başına ıraksama (bilgi içeriği) d_j = 1 − E^IFS(C_j) hesapla. Daha yüksek d_j daha düşük entropi, dolayısıyla daha yüksek bilgi içeriği ve ayırt etme gücü demektir.

   $$d_j=1-E_{LT}^{\text{IFS}}(C_j),j=1,\dots ,n$$
   LaTeX

   d_j = 1 - E^{\text{IFS}}_{LT}(C_j),\ j = 1, \ldots, n

5. Adım 5 — Iraksama vektörünü n-simpleks üzerinde kesin ağırlıklara normalleştir: w_j = d_j / Σ_k d_k. Çıktı, Σw_j = 1, w_j ≥ 0'ı sağlayan kesin ağırlık vektörü w ∈ Δ^{n-1}'dir.

   $$w_j=\frac{d_j}{{\sum }_{k=1}^n{d}_k},\sum _j{w}_j=1,w_j\ge 0$$
   LaTeX

   w_j = \frac{d_j}{\sum_{k=1}^{n} d_k},\ \sum_j w_j = 1,\ w_j \ge 0

Sezgi

Information-theoretic objective weighting under Intuitionistic Fuzzy uncertainty (IF entropy → divergence → simplex-normalised crisp weights). Output typically weight (higher value = preferred).

Sonucu okuma: IF-ENTROPY is an OBJECTIVE weighting method (Family = Weight_Objective): the criterion weights are derived from the information content of the decision matrix itself, not elicited from the DM. Use IF-ENTROPY when the DM cannot or does not wish to provide subjective criterion preferences. The output is a crisp weight vector on the n-simplex, which can then feed any IF ranking method (IF-TOPSIS, IF-MAUT, IF-VIKOR, etc.). The IF entropy formula (Vlachos-Sergiadis 2007) is symmetric under criterion-direction complement, so cost vs benefit criteria do not need pre-processing. Multi-DM aggregation via IFWA over DMs (Eq. 6) is built into Step F2.

Varsayımlar

• Decision matrix entries are valid IFNs (μ+ν ≤ 1)
• At least one criterion has non-uniform IFN entries across alternatives (otherwise weights undefined)
• If multi-DM: DM weights λ_k crisp and sum to 1 (l-simplex)

Ne zaman kullanılmaz

• Classical data sufficient - use base ENTROPY (Shannon 1948) directly
• DM has strong subjective preferences - use AHP, BWM, or SWARA instead
• All criteria are highly uniform across alternatives - IF-ENTROPY cannot discriminate, weights degenerate

Sınırlılıklar

• Assumes: Decision matrix entries are valid IFNs (μ+ν ≤ 1)
• Assumes: At least one criterion has non-uniform IFN entries across alternatives (otherwise weights undefined)
• Assumes: If multi-DM: DM weights λ_k crisp and sum to 1 (l-simplex)

Sık yapılan hatalar

• Bozuk girdi: her kriter alternatifler arası özdeş IFN girişlerine sahipse, her E_j = 1, her d_j = 0 ve Σd_k = 0 - Eq. 9'da sıfıra bölme. Engine E-4 kontrolü ile korunmalı.
• IF-ENTROPY'yi (Vlachos-Sergiadis 2007 ölçüsü, dört-terimli) crisp ENTROPY ile (Shannon 1948 olasılık-normalleştirilmiş veri üzerinde, iki-terimli) karıştırma.
• Kural x ln x = 0, x = 0 olduğunda Eq. 7'de üç sınır durumunda uygulanmalı: μ=0, ν=0, π=0. (1−π)ln(1−π) terimi π=0'da kendiliğinden sıfır; ama μ ln μ ve ν ln ν kuralı gerektirir.