DecisionMind Mühürlü, doğrulanabilir reprodüksiyon

Kullanım alanları

MPF-ELECTRE-I

MPF-ELECTRE-I - ELECTRE-I yönteminin m-Kutuplu Bulanık (m-PF) uzantısı (Akram, Waseem ve Liu 2019)

Üstünlük - m-PF uyum/uyumsuzluk ve toplu baskınlık grafiği

Formül adımları

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

  1. Adım 1 — m-PF karar matrisi Z=(z_{ij}) oluştur; z_{ij}=(z_{ij}^1, z_{ij}^2, …, z_{ij}^m).

    Z=(zij),zij=(zij1,zij2,…,zijm)
    LaTeX Z=(z_{ij}),\;\; z_{ij}=(z_{ij}^{1}, z_{ij}^{2}, \ldots, z_{ij}^{m})
  2. Adım 2 — Ağırlıklı m-PF karar matrisi Y=(y_{ij}), y_{ij}=w_j·z_{ij}=(w_j z_{ij}^1, …, w_j z_{ij}^m).

    Y=(yij)=(yij1,yij2,…,yijm),yijk=wjzijk
    LaTeX Y=(y_{ij})=(y_{ij}^{1}, y_{ij}^{2}, \ldots, y_{ij}^{m}),\;\; y_{ij}^{k}=w_{j}\,z_{ij}^{k}
  3. Adım 3 — m-PF uyum kümesi F_{pq}={j : v_{pj} ≥ v_{qj}}; burada v_{ij}=Σ_{k=1}^m y_{ij}^k, ağırlıklı hücrenin m kutbunu toplar.

    Fpq={1≤j≤n:vpj≥vqj,p≠q},vij=∑k=1myijk
    LaTeX F_{pq}=\{1\le j\le n : v_{pj}\ge v_{qj},\; p\ne q\},\;\; v_{ij}=\sum_{k=1}^{m} y_{ij}^{k}
  4. Adım 4 — m-PF uyumsuzluk kümesi G_{pq}={j : v_{pj} ≤ v_{qj}}.

    Gpq={1≤j≤n:vpj≤vqj,p≠q}
    LaTeX G_{pq}=\{1\le j\le n : v_{pj}\le v_{qj},\; p\ne q\}
  5. Adım 5 — m-PF uyum indeksleri f_{pq}=Σ_{j∈F_{pq}} w_j ve uyum matrisi F.

    fpq=∑j∈Fpqwj,F=[fpq]r×r
    LaTeX f_{pq}=\sum_{j\in F_{pq}} w_{j},\;\; F=[f_{pq}]_{r\times r}
  6. Adım 6 — m-PF uyumsuzluk indeksleri g_{pq} (kutuplar üzerinden normalize Öklit uzaklık oranı) ve uyumsuzluk matrisi G.

    gpq=maxj∈Gpq1m∑k=1m(ypjk−yqjk)2maxj1m∑k=1m(ypjk−yqjk)2,G=[gpq]r×r
    LaTeX g_{pq}=\dfrac{\displaystyle\max_{j\in G_{pq}}\sqrt{\tfrac{1}{m}\sum_{k=1}^{m}(y_{pj}^{k}-y_{qj}^{k})^{2}}}{\displaystyle\max_{j}\sqrt{\tfrac{1}{m}\sum_{k=1}^{m}(y_{pj}^{k}-y_{qj}^{k})^{2}}},\;\; G=[g_{pq}]_{r\times r}
  7. Adım 7 — Uyum seviyesi f̄ ve uyumsuzluk seviyesi ḡ (F ve G köşegen-dışı indekslerinin ortalaması).

    f¯=1r(r−1)∑p=1r∑q=1q≠prfpq,g¯=1r(r−1)∑p=1r∑q=1q≠prgpq
    LaTeX \bar f=\dfrac{1}{r(r-1)}\sum_{p=1}^{r}\sum_{\substack{q=1\\q\ne p}}^{r} f_{pq},\;\; \bar g=\dfrac{1}{r(r-1)}\sum_{p=1}^{r}\sum_{\substack{q=1\\q\ne p}}^{r} g_{pq}
  8. Adım 8 — Uyum baskınlık H ve uyumsuzluk baskınlık L (eşik-temelli ikili matrisler).

    hpq=1[fpq≥f¯],lpq=1[gpq<g¯]
    LaTeX h_{pq}=\mathbb{1}[f_{pq}\ge \bar f],\;\; l_{pq}=\mathbb{1}[g_{pq}<\bar g]
  9. Adım 9 — Toplu baskınlık matrisi M = H ⊙ L (eleman-bazlı çarpım).

    M=H⊙L,mpq=hpq·lpq
    LaTeX M=H\odot L,\;\; m_{pq}=h_{pq}\cdot l_{pq}
  10. Adım 10 — Üstünlük yönlü grafiği kur: kenar p→q ⇔ m_{pq}=1. Tercihleri oku (tek yönlü kenar ⇒ x_p ≻ x_q; iki yönlü ⇒ ilgisiz; kenar yok ⇒ karşılaştırılamaz).

    p→q⟺mpq=1
    LaTeX p\to q \iff m_{pq}=1

Yöntem ayrıntıları kaynak kütüphanedeki özgün (İngilizce) metindir.

Sezgi

Outranking - m-PF concordance/discordance with aggregate dominance graph. Output typically outranking_graph (lower value = preferred).

Sonucu okuma: MPF-ELECTRE-I produces a directed outranking graph over alternatives, not a complete numerical ranking. Read the graph: a node with high out-degree and zero in-degree dominates the field. Cells of the input matrix are m-polar tuples - each pole represents one independent criterion-attribute (e.g. sub-criteria of Infrastructure: fuel/water/transport). The pole aggregation v_{ij}=Σ y_{ij}^k preserves the multi-polar information until the final concordance comparison.

Varsayımlar

  • Each decision cell is a true m-polar tuple in [0,1]^m (NOT a scalar fuzzy number).
  • Number of poles m is uniform across all cells.
  • Criterion weights w_j sum to 1 and are externally supplied (MPF-ELECTRE-I consumes weights, does not produce them).
  • User accepts graph-valued output (incomparability and indifference are first-class outcomes; no forced linear ranking).

Ne zaman kullanılmaz

  • User requires a complete linear ranking with scalar scores (use MPF-TOPSIS-LING or MPF-HF-TOPSIS instead).
  • Number of alternatives r < 3 (outranking graph degenerates).
  • Decision cells are scalar / interval / single-pole fuzzy (use crisp ELECTRE-I or a different fuzzy ELECTRE variant).

Sınırlılıklar

  • Rank reversal known on alternative-set changes (ref: ELECTRE-family-Roy-1968)
  • Assumes: Each decision cell is a true m-polar tuple in [0,1]^m (NOT a scalar fuzzy number).
  • Assumes: Number of poles m is uniform across all cells.
  • Assumes: Criterion weights w_j sum to 1 and are externally supplied (MPF-ELECTRE-I consumes weights, does not produce them).
  • Assumes: User accepts graph-valued output (incomparability and indifference are first-class outcomes; no forced linear ranking).

Sık yapılan hatalar

  • m-PF hücrelerini skaler gibi işlemek. Her hücre m-demet bir tupledır; v_{ij} toplamı yalnızca uyum/uyumsuzluk kümesi testi için kullanılan ara agregasyondur, hücre değerinin kendisi DEĞİL.
  • m-kutuplu bulanık ile ikutuplu (bipolar) bulanığı karıştırmak. m-PF üyelik [0,1]^m'dedir (bağımsız özellikler); bipolar bulanık ⟨μ⁺∈[0,1], μ⁻∈[-1,0]⟩ (tek niteliğin karşıt yönleri) kullanır. Farklı değer uzayları - BF-* manifestleri MPF-* manifestlerinin m=2 özel durumu DEĞİLDİR.
  • Boş üstünlük grafiği (hiçbir yerde kenar yok): ağırlıklar çok homojen veya kutup değerleri çok benzer. Yöntemin başarısızlığını varsaymadan önce Y matrisini ve v_{ij} toplamlarını inceleyin.

Hesap adımları ve dayanakları

  1. Form the m-PF decision matrix Z=(z_{ij}), where z_{ij}=(z_{ij}^1, z_{ij}^2, …, z_{ij}^m).

    Dayanak: Akram-Adeel 2023, §2.3 Step 1 (p.90)

  2. Weighted m-PF decision matrix Y=(y_{ij}), y_{ij}=w_j·z_{ij}=(w_j z_{ij}^1, …, w_j z_{ij}^m).

    Dayanak: Akram-Adeel 2023, §2.3 Step 3 (p.90)

  3. m-PF concordance set F_{pq}={j : v_{pj} ≥ v_{qj}}, where v_{ij}=Σ_{k=1}^m y_{ij}^k aggregates the m poles of the weighted cell.

    Dayanak: Akram-Adeel 2023, §2.3 Step 4 (p.90)

  4. m-PF discordance set G_{pq}={j : v_{pj} ≤ v_{qj}}.

    Dayanak: Akram-Adeel 2023, §2.3 Step 5 (p.90)

  5. m-PF concordance indices f_{pq}=Σ_{j∈F_{pq}} w_j and concordance matrix F.

    Dayanak: Akram-Adeel 2023, §2.3 Steps 6-7 (p.90)

  6. m-PF discordance indices g_{pq} (normalised Euclidean-distance ratio over poles) and discordance matrix G.

    Dayanak: Akram-Adeel 2023, §2.3 Steps 8-9 (p.91)

  7. Concordance level f̄ and discordance level ḡ (averages of off-diagonal F and G indices).

    Dayanak: Akram-Adeel 2023, §2.3 Step 10 (p.91)

  8. Concordance dominance H and discordance dominance L (boolean threshold matrices).

    Dayanak: Akram-Adeel 2023, §2.3 Step 11 (p.91)

  9. Aggregate dominance matrix M = H ⊙ L (peer-to-peer / Hadamard product).

    Dayanak: Akram-Adeel 2023, §2.3 Step 12 (p.92)

  10. Build outranking directed graph: edge p→q iff m_{pq}=1. Read off preferences (unique edge ⇒ x_p ≻ x_q; both edges ⇒ indifferent; no edge ⇒ incomparable).

    Dayanak: Akram-Adeel 2023, §2.3 Step 13 (p.92)