روش ماباک (MABAC)
در روش های تصمیم گیری چند شاخصه (MADM)، گاهی هدف وزن دهی به عوامل پژوهش و گاهی رتبه بندی گزینه های پژوهش است روشی که در این مطلب به آن خواهیم پرداخت در زمره روشهای رتبه بندی گزینه است. روش ماباک (MABAC) از جدیدترین تکنیک های تصمیم گیری چند معیاره است که جهت رتبه بندی گزینه ها در مدل های تصمیم گیری چند معیاره استفاده می شود این روش اولین بار توسط Pacumar & Cirovic (2015) ارائه شد.
مزایای استفاده از روش MABAC به شرح زیر است: (1) دارای دستگاه ریاضی ساده و نتایج پایدار است. (2) نتایج کاملی را می توان به راحتی با این روش بدست آورد زیرا ارزش های احتمالی سود و ضرر را در نظر می گیرد. و (3) ترکیب این روش با رویکردهای دیگر امکان پذیر است. از این رو ، روش MABAC این توانایی را دارد که نیازهای یک ابزار اولویت بندی معتبر را برآورده سازد.
گام های این روش به صورت خلاصه در شکل زیر آورده شده است.
گام های روش ماباک (MABAC)
1- تعیین معیارها و گزینه های پژوهش
اولین گام در این روش تعیین عوامل و گزینه های پژوهش است. در این قسمت می توان از مرور ادبیات و یا روش هایی همچون روش دلفی و یا دلفی فازی استفاده نمود تا عوامل پژوهش به درستی استخراج شوند.
2- تشکیل ماتریس تصمیم
دومین گام تشکیل ماتریس تصمیم است ماتریس تصمیم در این روش به صورت معیار-گزینه است یعنی یک ماتریس که ستون های آن را معیارهای مساله و سطرها را گزینه ها تشکیل می دهند. و هر سلول نیز در واقع امتیاز هر گزینه نسبت به هر معیار است. این امتیاز می توان از طریق اعداد واقعی و یا از طریق طیف های کلامی داده شود.
3- نرمال سازی ماتریس تصمیم
در این گام باید ماتریس تصمیم مرحله دوم را نرمال کرد نرمال سازی با استفاده از روابط زیر صورت می گیرد چنانچه معیارها جنبه مثبت داشته باشند از رابطه اول و چنانچه معیارها جنبه منفی داشته باشند از رابطه دوم استفاده می شود.
4- وزن دار کردن ماتریس نرمال
در این گام با استفاده از رابطه زیر ماتریس نرمال را وزن دار می کنیم. در رابطه زیر W وزن معیارها است که باید از روش های دیگر نظیر روش آنتروپی شانون، روش AHP و یا تکنیک های جدیدتر همانند روش BWM و یا روش SWARA بدست آید.
که در آن nij عناصر ماتریس نرمال شده (N) را نشان می دهد ،wi ضرایب وزنی معیار را نشان می دهد.
5- تعیین مرز ناحیه شباهت ماتریس (g)
در این بخش با استفاده از رابطه زیر برای هر معیار یک مرز ناحیه شباهت مشخص می شود در واقع باید از امتیازات هر معیار میانگین هندسی گرفته شود تا مرز ناحیه شباهت بدست آید.
جایی که vij عناصر ماتریس وزنی (V) را نشان می دهد ، m تعداد کل گزینه های جایگزین را نشان می دهد.
پس از محاسبه مقدار gi براساس معیارها ، یک ماتریس از مناطق تقریبی G در فرم n x 1 ایجاد می شود.
6- محاسبه فاصله گزینه ها تا مرز ناحیه شباهت
در این بخش با استفاده از رابطه زیر فاصله گزینه ها را تا ناحیه g بدست می آید. در واقع باید ماتریس وزن دار را از ماتریس g کم کرد.
پس از مشخص شدن ماتریس Q، می توان با استفاده از حد بالایی مساحت (+G) و حد پایین مساحت (-G) وضعیت هر گزینه را مشخص کرد بر این اساس گزینه Ai متعلق به اجتماع مجموعه مذکور است که در شکل زیر نمایش داده شده است. بر این اساس حد بالای مساحت (+G) ناحیه ای است که گزینه ایده آل مثبت در آن قرار دارد و حد پایین مساحت (-G) ناحیه ای است که گزینه ضد ایده آل در آن قرار دارد.
میزان تعلق گزینه Ai به اجتماع بالا بر اساس رابطه زیر بدست می آید. بر اساس منطق روش ماباک، برای این که گزینه ای بهتر از بقیه باشد می بایست در منطقه بالای تخمین قرار بگیرد.
برای انتخاب گزینه Ai به عنوان بهترین فرم از مجموعه ، لازم است که حداکثر معیارهای ممکن به منطقه تقریبی فوقانی (+G) تعلق داشته باشد. مقدار بالاتر +qi∈G نشان می دهد که گزینه جایگزین به گزینه جایگزین ایده آل نزدیکتر است ، در حالی که مقدار پایین تر –qi∈G نشان می دهد که گزینه جایگزین به گزینه جایگزین ضد ایده آل نزدیکتر است.
7- رتبه بندی نهایی گزینه ها
در این گام با استفاده از رابطه زیر امتیاز نهایی هر گزینه را مشخص کرده و بر اساس آن گزینه ها رتبه بندی می شوند.
محاسبه مقادیر توابع معیار توسط گزینه ها به عنوان مجموع فاصله های جایگزین از مناطق تقریبی مرزی qi بدست می آید. با جمع کردن عناصر ماتریس Q در هر سطر ، مقادیر نهایی تابع معیار گزینه ها بدست می آید.
که n تعداد معیارها را نشان می دهد ، و m تعداد گزینه های جایگزین است.
جهت دانلود ویدیوی آموزش ماباک به همراه پیاده سازی در اکسل کلیک کنید. در زیر توضیحاتی در مورد این آموزش آورده شده است.
روش ماباک فازی و خاکستری
پیاده سازی روشهای تصمیم گیری چند معیاره در محیط های فازی و خاکستری، باعث غلبه بر عدم قطعیت های تصمیم گیری و ابهامات آن می شود پس نتایج دقیق تری برای مدل خواهند داشت روش ماباک (MABAC) نیز به راحتی قابل پیاده سازی در محیط های فازی (fuzzy) و خاکستری (Grey) است.در این محیط ها قوانین مرتبط با این روشها استفاده می شود.
چنانچه نیازمند مشاوره رایگان و یا انجام پروژه خود با این روش هستید با ما تماس بگیرید| 09338859181
مطالب مشابه و مرتبط
سلام وقتتون بخیر
آیا امکان استفاده از این روش برای مسائل اولویت بندی ریسک وجود داره؟
برای انتخاب این روش یا روش مایرکا بنظرم چون احتمال انتخاب آلترناتیو ها مساوی درنظر گرفته میشه برای انتخاب ریسک نمیشه استفاده کرد.
درسته یا امکان استفاده هست؟
سلام. بله میشه
با عرض سلام ادب خدمت جنابعالی
اینجانب مهدی باقری دانشجوی مقطع ارشد مدیریت بازرگانی گرایش تجارت الکترونیک می باشم
از انجا که در مورد تکنیک تصمیم گیری ماباک تحقیق می کنم لذا نیاز به اطلاعاتی چون تاریخچه ,هدف,کاربری,مفاهیم نظری تکنیک,پیشینه تکنیک,الگوریتم و مراحل حل تکنیک و مثالهایی در این زمینه دارم.
لذا خواهشمند است در صورت امکان لطف نموده و مقاله هایی و فارسی و لاتین در این زمینه را برای اینجانب ایمل فرمایی.
با تشکر از جنابعالی
سلام.
برای سرچ مقالات کافیست در گوگل اسکولار (scolar.google.com) به فارسی یا انگلیسی سرچ کنید تعداد زیادی مقاله براتون میاره
سلام
مهندس سورس و منبع مقاله رو میشه واسم بفرستید
از طریق فرم تماس با ما در ارتباط باشید. یا در تلگرام به بنده پیام دهید