- 1 - نقشه شناخت فازی (FCM) چیست؟
- 2 - نقشه شناخت فازی به زبان ساده
- 2-1 - منطق فازی یعنی چه؟
- 2-2 - ارتباط منطق فازی با FCM
- 2-3 - مثالی از عبارت فازی در FCM
- 3 - مراحل نقشه شناخت فازی
- 4 - نرم افزارهای تجزیه و تحلیل
- 4-1 - FCMapper
- 4-2 - Pajek (پاژک)
- 5 - پرسشنامه روش FCM
- 5-1 - نمونه پرسشنامه FCM
- 6 - ترکیب FCM با روشهای تصمیم گیری چند معیاره
- 7 - نتیجه گیری
- 8 - سؤالات متداول
نقشه شناخت فازی (FCM) چیست؟
نقشههای شناخت فازی (نقشه نگاشت فازی) یا FCM یک روش پرکاربرد در تحلیل محتوا است که به کمک آن میتوان روابط علت و معلولی بین شاخص های محتلف را استخراج کرد. نقشههای شناخت فازی (Fuzzy Cognitive Maps) ابزاری هستند که به اولین بار توسط کاسکو (Bart Kosko) در سال 1986 معرفی شدند. کاسکو این مفهوم را در راستای کارهای قبلی در زمینه نظریههای شناختی و سیستمهای فازی توسعه داد. نقشههای شناختی به خودی خود از ایدههایی که توسط رابرت اکسلراد (Robert Axelrod) در اوایل دهه 1970 مطرح شدند، نشأت گرفتهاند. اکسلراد نقشههای شناختی را به عنوان یک روش برای مدلسازی دانش و باورهای افراد و گروهها معرفی کرد.
اما نوآوری کاسکو در این بود که او مفهوم فازی را به نقشههای شناختی اضافه کرد تا بتواند عدم قطعیت و ابهامات موجود در تصمیم های انسانی را بهتر نمایش دهد. ویژگیهای سیستمهای فازی که در دهه 1960 توسط لطفی زاده (Lotfi Zadeh) معرفی شد، به کاسکو اجازه داد تا مفاهیمی را که به طور دقیق قابل تعریف یا اندازهگیری نیستند، در مدلهای شناختی به کار ببرد.
در نقشههای شناخت فازی، مفاهیم توسط گرههایی نمایش داده میشوند که به وسیله یالهایی با یکدیگر مرتبط هستند که نشاندهنده روابط علت و معلولی بین مفاهیم هستند. این یالها دارای ارزشهای فازی هستند که میزان تأثیر یک مفهوم بر دیگری را نشان میدهند و میتوانند مثبت یا منفی باشند. نقشههای شناخت فازی در زمینههای مختلفی مانند مدیریت، مهندسی، علوم اجتماعی و … مورد استفاده قرار گرفتهاند. تحقیقات انجام شده در این زمینه شامل توسعه روشهای مختلف برای بهبود یادگیری و تنظیم نقشههای شناخت فازی، کاربرد آنها در تصمیمگیریهای پیچیده و ارزیابی سیاستها و استراتژیها میشود.
در ویدیوی زیر این روش به صورت مختصر توضیح داده شده است
نقشه شناخت فازی به زبان ساده
در نقشههای شناخت فازی، واژه «فازی» فقط به این دلیل استفاده نمیشود که حتماً باید از اعداد فازی استفاده کنیم؛ بلکه چون روش فکر کردن و مدلسازی در این نقشهها شبیه منطق فازی است.
منطق فازی یعنی چه؟
-
در منطق معمولی (دو ارزشی)، چیزها یا هستند یا نیستند.
مثلا یک نفر یا بلندقد است یا نیست.
-
اما در منطق فازی یک مفهوم میتواند درجهای از عضویت داشته باشد؛
مثلا یک فرد میتواند ۰.۷ بلندقد باشد.
-
این کمک میکند بتوانیم ابهام و عدمقطعیت واقعی دنیا را بهتر مدل کنیم.
ارتباط منطق فازی با FCM
در FCMها، بین مفاهیم (گرهها) یال وجود دارد که روی آنها وزن قرار میگیرد. این وزنها:
- میتوانند مثبت، منفی یا صفر باشند.
- نشان میدهند یک مفهوم چقدر و چگونه روی مفهوم دیگر اثر میگذارد.
- معمولاً از دانش و تجربه انسان گرفته میشوند.
- بنابراین قطعی و دقیق نیستند و در خود نوعی ابهام و عدمقطعیت دارند.
این دقیقاً همان چیزی است که باعث میشود به این مدلها «فازی» بگوییم.
FCMها لزومی ندارد مستقیماً از اعداد فازی استفاده کنند، اما تفکر و مبانی تحلیل در آنها بر اساس منطق فازی است. در این مدلها، مفاهیم و روابط سیاه و سفید نیستند؛ بلکه درجات مختلفی از تأثیرگذاری دارند. همین ویژگی به FCMها اجازه میدهد پیچیدگیهای واقعی دنیا را دقیقتر و واقعگرایانهتر نمایش دهند.
در این روش یکسری مفاهیم به شرح زیر تعریف می شوند:
- یال: منظور از یال ها همان بردارهای ارتباط بین معیارها هست.
- گره: منظور از گره همان معیارها یا مولفه های پژوهش است.
- وزن: منظور از وزن همان میزان تاثیرات یا شدت تاثیرات معیارها بر روی یکدیگر است که بر اساس عدد بین -1 تا 1 تعیین می شود.
مثالی از عبارت فازی در FCM
فرض کنید ما میخواهیم تاثیر عادتهای غذایی بر سلامت فردی را با استفاده از یک FCM مدل کنیم. مفاهیم اصلی که میخواهیم بررسی کنیم عبارتند از:
- مصرف میوه و سبزیجات (M)
- سلامت فردی (S)
در این مثال، مصرف میوه و سبزیجات (M) میتواند تاثیر مثبتی بر سلامت فردی (S) داشته باشد. ما این رابطه را با یک یال از M به S نشان میدهیم و به آن یک وزن مثبت اختصاص میدهیم. فرض کنید ما به این رابطه یک وزن +0.7 اختصاص دادهایم. این وزن نشان میدهد که افزایش مصرف میوه و سبزیجات تاثیر قابل توجهی در بهبود سلامت دارد.
حال فرض کنید که مفهوم دیگری به نام “مصرف فست فود” (F) را اضافه میکنیم که میتواند تاثیر منفی بر سلامت فردی (S) داشته باشد. ما این رابطه را با یک یال از F به S نشان میدهیم و به آن یک وزن منفی مانند -0.5 اختصاص میدهیم. این وزن نشان میدهد که افزایش مصرف فست فود تاثیر منفی بر سلامت دارد و کاهش آن میتواند به بهبود سلامت کمک کند. در اینجا، وزنهای +0.7 و -0.5 نمایانگر شدت و جهت تاثیر این عادتهای غذایی بر سلامت هستند. آنها به صورت دقیق و قطعی نیستند و بیشتر نمایانگر درک کلی از این تاثیرات هستند. این وزنها نمونهای از کاربرد اصول فازی در FCMها هستند، که به جای استفاده از اعداد دقیق و قطعی، از اعدادی استفاده میکنند که بیانگر درجهای از تاثیر یا رابطه هستند.
ممکن است این سوال در ذهن شما پیش آید که اعدادی مانند 0.7 یا 0.5- در مثال قبلی در واقع اعداد قطعی هستند و به صورت دقیق در مدل به کار رفتهاند. منظور از جمله “به صورت دقیق و قطعی نیستند و بیشتر نمایانگر درک کلی از این تاثیرات هستند” این است که این اعداد نمایانگر تخمینها یا ارزیابیهای کیفی هستند که بر پایه درک انسانی از سیستم و تاثیرات آن مبتنی شدهاند، و نه حاصل محاسبات دقیق علمی یا آماری.
در حقیقت، وقتی ما در مدلسازی سیستمهای واقعی از اعدادی مانند 0.7 یا 0.5- برای نشان دادن تاثیر یک مفهوم بر دیگری استفاده میکنیم، این اعداد اغلب از طریق تجربه، تخمین، یا قضاوتهای خبرگان به دست میآیند. در برخی مواقع، ممکن است دادههای کمی برای اختصاص یک عدد دقیق به یک رابطه وجود نداشته باشد یا اینکه ماهیت پیچیدگی سیستم اجازه ندهد که ارتباطات به صورت کاملاً کمی بیان شوند.
بنابراین، اگرچه این اعداد به نظر میرسند که قطعی هستند، اما در حقیقت نمایانگر درجاتی از اطمینان یا عدم قطعیت میباشند که توسط مدلساز در نظر گرفته شدهاند. در مقایسه با دادههایی که میتوانند به صورت دقیق اندازهگیری شوند (مثلاً دما به درجه سانتیگراد، یا جریان الکتریکی به آمپر)، وزنهای اختصاص داده شده در FCMها بیشتر بر پایه تصورات و تخمینهای کیفی هستند تا محاسبات کمی و دقیق.
مراحل نقشه شناخت فازی
در نقشههای شناخت فازی، مفاهیم و متغیرها به صورت گرهها در نظر گرفته میشوند و روابط علی بین آنها به وسیله یالهای دارای وزن نشان داده میشود. این یالها میتوانند مثبت یا منفی باشند و نشاندهنده تأثیر مثبت یا منفی یک مفهوم بر دیگری هستند.
مراحل کلی ایجاد یک نقشه شناخت فازی عبارتند از:
1. شناسایی مفاهیم: اولین گام در ساخت FCM شناسایی مفاهیم کلیدی یا متغیرهای پژوهش است. این مفاهیم میتوانند معیارها و یا شاخص هایی باشند که جزو هدف پژوهش به حساب می آیند.
2. تعریف روابط و شدت روابط: پس از تعیین مفاهیم، باید روابط بین آنها مشخص شوند. این روابط میتوانند تأثیرات احتمالی یک معیار بر دیگری را نشان دهند و به صورت اعداد در بازه -1 تا 1 بیان میشوند که میزان قوت یا ضعف این تأثیرات را نمایش میدهند. اعداد منفی نشان دهنده اثر معکوس دو معیار بر روی هم هستند.
3. تحلیل و سناریوسازی: پس از ایجاد نقشه و بررسی روابط، می توان سناریوسازی و تغییرات انجام شده بر هر کدام از متغیرها (معیارها) را بررسی نمود.
نرم افزارهای تجزیه و تحلیل
برای تحلیل پروژه های نقشه شناخت فازی از دو نرم افزار FCMapper و Pajek استفاده می شود که در ادامه توضیحاتی برای این دو نرم افزار آورده شده است.
FCMapper
FCMapper یک ابزار نرمافزاری مخصوص ساخت و اصلاح نقشههای شناختی فازی است. این نرمافزار به کاربران اجازه میدهد تا مفاهیم و ارتباطات بین آنها را به صورت گرافیکی نمایش دهند و سپس میتوانند نقشهها را برای تحلیل بیشتر بهینهسازی کنند. FCMapper به کاربران کمک میکند تا پیچیدگیهای یک سیستم را شناسایی کرده و تأثیر متغیرهای مختلف بر یکدیگر را ارزیابی نمایند. این نرمافزار میتواند در زمینههای مختلفی مانند مدیریت، برنامهریزی استراتژیک و مدلسازی سیستمها کاربرد داشته باشد.
Pajek (پاژک)
Pajek یک برنامه کامپیوتری برای تحلیل و نمایش شبکههای بزرگ است. این نرمافزار برای تحلیل شبکههای اجتماعی و سایر شبکههای پیچیده به کار میرود. Pajek به کاربران امکان میدهد تا دادههای شبکهای را وارد کنند، شبکهها را تجزیه و تحلیل کرده و تصویرگریهای مختلفی از شبکهها را تولید نمایند. اگرچه Pajek به طور مستقیم برای نقشههای شناختی فازی ساخته نشده است، اما میتواند برای تحلیل و نمایش گرافیکی این نقشهها مورد استفاده قرار گیرد، زیرا نقشه شناختی فازی نیز یک نوع شبکه محسوب میشود و Pajek ابزارهای قدرتمندی برای کار با شبکهها ارائه میدهد.
هر دو نرمافزار میتوانند به عنوان ابزارهای تکمیلی برای مطالعه و تجزیه و تحلیل نقشههای شناختی فازی عمل کنند و انتخاب آنها بستگی به نیازها و ترجیحات کاربر دارد. Pajek به دلیل تمرکز بر تحلیل شبکههای پیچیده، ممکن است برای تحلیل دادههای شبکهای که از پیش تعریف شدهاند مناسبتر باشد، در حالی که FCMapper برای ساخت و بهینهسازی نقشههای شناختی فازی از ابتدا طراحی شده است.
پرسشنامه روش FCM
در روش «نقشه شناخت فازی» یا FCM برای جمعآوری دادهها از پرسشنامهای ماتریسی استفاده میشود. این پرسشنامه کمک میکند بفهمیم هر معیار چقدر روی معیارهای دیگر تأثیر دارد. شیوه ساخت پرسشنامه بسیار ساده است:
- یک ماتریس ساخته میشود که سطرها و ستونها همان معیارها هستند.
- هر سلول نشان میدهد معیارِ سطر چه میزان روی معیارِ ستون اثر میگذارد.
- پاسخدهنده عددی بین –1 تا +1 مینویسد:
- +1 یعنی بیشترین تأثیر مثبت
- 0 یعنی هیچ تأثیری وجود ندارد
- –1 یعنی بیشترین تأثیر منفی
- بین اینها (مثلا 0.3 یا –0.5) یعنی تأثیر کم یا متوسط
با این کار، وزن یالهای نقشه شناخت فازی استخراج میشود و میتوان مدل را ساخت.
نمونه پرسشنامه FCM
فرض کنیم چهار معیار داریم:
- آموزش
- انگیزش
- فناوری
- عملکرد سازمان
پرسشنامه ماتریسی به شکل زیر ساخته و تکمیل میشود:
| معیارها | آموزش | انگیزش | فناوری | عملکرد |
| آموزش | 0 | 0.7 | 0.3 | 0.5 |
| انگیزش | 0.4 | 0 | 0.2 | 0.6 |
| فناوری | 0.1 | 0 | 0 | 0.8 |
| عملکرد | -0.2 | 0.3 | 0 | 0 |
در این پرسشنامه، هر عدد نشاندهنده میزان تأثیر یک معیار بر معیار دیگر است. اعداد مثبت مثل 0.7 یا 0.8 نشان میدهند که معیارِ سطر تأثیر مثبت و تقویتی بر معیارِ ستون دارد؛ هرچه مقدار عدد بزرگتر باشد، این اثر قویتر است.
بهعنوان مثال، مقدار 0.7 در خانه “آموزش ← انگیزش” یعنی افزایش آموزش باعث افزایش قابلتوجه انگیزش میشود. در مقابل، اعداد منفی مانند -0.2 بیانگر تأثیر منفی هستند، یعنی افزایش معیار سطر باعث کاهش یا تضعیف معیار ستون میشود؛ مانند “عملکرد ← آموزش = -0.2” که نشان میدهد عملکرد بالاتر ممکن است کمی از زمان یا منابع آموزش بکاهد. عدد صفر هم بهسادگی یعنی هیچگونه رابطه یا اثر مشخصی بین دو معیار وجود ندارد.
ترکیب FCM با روشهای تصمیم گیری چند معیاره
نقشه شناخت فازی به دلیل اینکه با مفاهیم علت معلولی و تاثیرگذاری و تاثیرپذیری در ارتباط است بنابراین نزدیکترین روش به آن روش دیمتل یا روش دیمتل فازی است. بنابراین می توان این دو روش را با هم ترکیب نمود. منظور از ترکیب این است که عملیاتی صورت بگیرد که خروجی دیمتل به عنوان ورودی FCM به کار گرفته شود. بنابراین می توان مراحل این روش ترکیبی را به شرح زیر ارائه نمود:
- تشکیل ماتریس ارتباطات مستقیم دیمتل
- نرمال سازی ماتریس ارتباطات مستقیم
- تشکیل ماتریس ارتباطات کل دیمتل
- تعیین مقدار آستانه و تعیین اثرات معنادار
- تعیین جهت اثرات (اثرات مثبت و منفی)
- ورود داده ها به نرم افزار FCMapper
- رسم شبکه معیارها توسط نرم افزار Pajek
- تعیین و تحلیل سناریوهای پیش رو
مراحل بالا بر اساس تجربیات ارائه شده است و ممکن است در بعضی مقالات یا پایان نامه ها شیوه ای دیگر برای ترکیب آورده شده باشد اما بهترین حالت ترکیب این دو تکنیک که به صورت زنجیره وار به یکدیگر متصل هستند همین مراحل ذکر شده می باشد.
نتیجه گیری
با توجه به توضیحات ارائهشدهدر مقاله در مورد نقشههای شناخت فازی (FCM)، میتوان گفت که این ابزار یک مدل شناختی است که با استفاده از گرافهای علت و معولی، توانایی پردازش داده و سناریوسازی را دارد. کاربردهای گستردهای در تحلیل دادهها دارد و میتواند به بهبود فرآیندهای تصمیمگیری کمک کند. با این حال، چالشهایی نیز وجود دارد مانند جمعآوری دادهها که باید با دقت و دانش کافی برطرف شود. ترکیب این روش با مدل های تصمیم گیری چند معیاره می تواند باعث بهبود و جذابیت بیشتر این روش شود. همچنین دو نرم افزار پرکاربرد برای این روش وجود دارد که شامل نرم افزار FCMapper و Pajek می باشد. در اینفوگرافی زیر تاریخچه، مراحل و کلیه موارد مربوط به fcm آورده شده است.
سؤالات متداول
مطالب پیشنهادی
اگر به دنیای سیستمهای هوشمند، تصمیمگیری پیشرفته و مدلسازی فازی علاقه دارید، پیشنهاد میکنیم دو مطلب زیر را از دست ندهید. این دو پست بهصورت کاملاً کاربردی، به شما کمک میکنند تا از مفاهیم پایه تا ساخت مدلهای پیشرفته فازی و نوروفازی را درک کنید و در پروژههایتان بهکار ببرید.
چنانچه نیازمند مشاوره و تحلیل پروژه خود با این روش هستید با ما تماس بگیرید/9181-885-933-98+
