در شکل گسسته مسائل تصمیم گیری چند معیاره (MCDM)، ما معمولا با یک ماتریس تصمیم گیری از اطلاعات برخی از گزینه ها بر اساس برخی معیارها مواجه می شویم. در این مطالعه، یک روش جدید برای ارزیابی همزمان معیارها و جایگزین ها (SECA) در یک مسئله پیشنهاد شده است. برای ساختن این نوع ارزیابی، یک مدل برنامه ریزی غیر خطی چند هدفه ارائه شده است. این مدل بر اساس حداکثر سازی عملکرد کلی گزینه ها با توجه به اطلاعات متنوعی از ماتریس تصمیم گیری در بین معیارها است.انحراف معیار برای اندازه گیری معیار داخلی در نظر گرفته شده است، و همبستگی برای در نظر گرفتن اطلاعات تغییر پذیری بین معیار استفاده می شود. با حل مدل چند هدفه، ما می توانیم امتیاز عملکرد کلی گزینه ها و وزن معیارها را به طور همزمان تعیین کنیم. برای اعتبارسنجی روش پیشنهاد شده، یک مثال عددی مورد استفاده قرار می گیرد و سه تجزیه و تحلیل ایجاد می شود. در ابتدا، وزنهای محاسبه شده توسط این تکنیک را تجزیه و تحلیل می کنیم، سپس، ثبات نمرات عملکرد و نتایج رتبه بندی گزینه ها مورد بررسی قرار می گیرد، و در نهایت، نتایج رتبه بندی روش پیشنهادی با برخی از روش های موجود تصمیم گیری مقایسه می شود. در مقایسه باید تمام زوایای قضیه مورد نظر بررسی شوند و ارزیابی دقیق ومنطقی ایجاد شود و همه مقایسه ها نقد و تحلیل شوند.
فیلم آموزش تکنیک SECA آماده شده است جهت تهیه بر روی لینک زیر کلیک کنید
در فیلم زیر توضیحات این آموزش آورده شده است. این آموزش بر اساس نرم افزار اکسل و لینگو می باشد. کد لینگو نیز در محصول قرار داده شده است که حتی بدون نوشتن یک خط کد از جانب شما، کلیه محاسبات به صورت خودکار انجام می شود.
روشهای تصمیمگیری چند معیاره و تکنیک توسط بسیاری از محققان مورد استفاده و توسعه قرار گرفتهاست و برای بسیاری از مسائل دنیای واقعی کاربرد دارد. روشها و روشهای MCDM معمولاً به دو دسته طبقهبندی میشوند: تصمیمگیری چند شاخصه (madm) و تصمیمگیری چند هدفه (MODM). از روشهای MODM برای رسیدگی به مسایل پیوسته استفاده میشود و از روشهای madm برای رسیدگی مسائل گسسته استفاده میشود (رضایی، 2015). با این حال، MCDM یک اصطلاح رایج برای توصیف روشهای madm (گسسته) است، و به این دلیل که تمرکز این مطالعه بر روی این کلاس است، ما از این اصطلاح استفاده میکنیم. در این کلاس معمولاً با یک ماتریس تصمیمگیری مواجه میشویم که شامل اطلاعات در مورد تعدادی از گزینه ها با توجه به تعدادی از معیارها یا شاخص ها است. هدف از روشهای تصمیم گیری ارزیابی گزینهها و یا معیارها است.
مروری بر برخی از تکنیکهای MCDM
چندین روش MCDM در طول دهههای گذشته پیشنهاد شدهاند. در اینجا، به طور خلاصه برخی از روشهای مهم را مرور میکنیم که برای تعیین وزن معیارها و ارزیابی گزینه ها براساس اطلاعات ماتریس تصمیمگیری مورد استفاده قرار میگیرند.
تکنیک SAW یک روش قدیمی است که به احتمال زیاد متداولترین روش برای ارزیابی گزینهها میباشد. MacCrimmon (1968) یکی از اولین محققانی است که این روش را به طور خلاصه بیان کردهاست. در این روش، عملکرد هر گزینه با ضرب امتیاز هر گزینه در هر معیار با وزن اختصاصیافته به آن و سپس تجمیع این امتیازات بر تمام معیارها تعیین میشود. استفاده از این روش ساده و آسان است.
تکنیک TOPSIS یک روش جبرانی است که توسط هوانگ و یون در سال 1981 معرفی شد. در این روش، گزینه ها براساس فواصل خود از دو نقطه مرجع به نام های ایده آل و ضد ایده آل تعیین می شود. این روش یکی از روشهای پرکاربرد مورد استفاده در میان پژوهشگران میباشد که کاربردهای زیادی از جمله انتخاب تامین کننده در زنجیره تامین، انتخاب بهترین سیستم نگهداری و تعمیرات، انتخاب مکان برای احداث کارخانه و. .. استفاده می شود.
روش ویکور، که توسط Opricovic (1998) پیشنهاد شده است، یک روش مبتنی بر نقطه مرجع است که قادر به حل مسائل تصمیم گیری با معیارهای مثبت و منفی است. نقطه مرجع این روش یک راه حل ایده آل است و گزینه ها ها بر اساس فاصله منهتن و چبیشف از این نقطه ارزیابی می شوند. روش vikor تا حدودی شبیه روش TOPSIS است، اما برخی از تفاوت های مهم وجود دارد که توسط Opricovicand Tzeng (2004) توضیح داده شد. این روش همچنین در بسیاری از مسائل مربوط به MCDM در جهان واقعی مانند انتخاب موقعیت فرودگاه نظامی، ارزیابی ریسک پروژه های ساختمانی، حمل و نقل دریایی، مدیریت انرژی، ارزیابی عملکرد مالی کاربرد دارد.
علاوه بر روشهای MCDM که برای ارزیابی گزینهها استفاده میشود. روشهای دیگری نیز برای تعیین وزن معیارها وجود دارد. انحراف معیار (SD) و آنتروپی دو روش متداول هستند که وزنهای معیارها را براساس اطلاعات واریانس درون معیاری تعیین میکنند و وزنهای کوچکتری را به معیاری اختصاص میدهند که مقادیر مشابه در بین گزینههای دیگر داشته باشد. این روشها در بسیاری از مطالعات مورد استفاده قرار گرفتهاند. تکنیک CRITIC (اهمیت معیار از طریق همبستگی بین معیارها) روش دیگری است که اطلاعات درون و بین معیار را در نظر میگیرد. همبستگی بین معیارها برای اندازهگیری تغییرات بین معیارها استفاده میشود. در این روش، مقادیر کمتر همبستگی تاثیر مثبتی بر وزن هر یک از معیارها دارد.
روش فعلی که قصد پرداختن به آن را داریم، روش جدید MCDM برای ارزیابی همزمان معیارها و گزینهها (SECA) در یک مساله تصمیمگیری چند معیاره ارائه شدهاست. یک مدل ریاضی غیرخطی چندهدفه برای انجام فرآیند ارزیابی توسعه داده شدهاست. این مدل شامل سه تابع هدف میباشد. اولین هدف مربوط به حداکثرسازی عملکرد کلی گزینهها و اهداف دوم و سوم در داخل (توسط انحراف معیار) و بین دو معیار (توسط همبستگی) است. با بهینهسازی مدل ریاضی توسعهیافته، امتیاز کلی گزینهها و وزنهای معیارها قابل دستیابی است. روش ارائهشده در این تحقیق برای اعتبارسنجی روش پیشنهادی مورد استفاده قرار گرفتهاست. براساس این مثال، اعتبار اوزان معیارها و پایداری امتیازات عملکرد کلی گزینه ها و نتایج رتبهبندی تحلیل شدهاست. همچنین مقایسهای بین نتایج رتبهبندی روش پیشنهادی با نتایج حاصل از روشهای SAW، واسپاس، کوپراس، تاپسیس، ویکور و EDAS انجام شدهاست.
روش SECA (ارزیابی همزمان معیارها و گزینه ها)
روش سکا (SECA) در سال 2018 توسط دکتر مهدی کشاورز قرابایی و همکاران طی مقاله ای با عنوان “ارزیابی همزمان معیارها و گزینه ها در تصمیم گیری چند معیاره ارائه شد.
عنوان انگلیسی مقاله: Simultaneous Evaluation of Criteria and Alternatives (SECA) for Multi-CriteriaDecision-Making
جهت دانلود مقاله این روش بر روی عبارت مقاله بیس SECA کلیک کنید.
در این بخش، یک روش جدید برای رسیدگی به مسائل تصمیم گیری چند معیاره پیشنهاد شده است. هدف از اين روش، تعيين امتیاز کل گزینه ها و وزن معيارها به طور همزمان است. برای رسیدن به این هدف یک مدل ریاضی غیر خطی چند هدفه در این بخش فرموله شده است. برای تدوین مدل ریاضی، دو نوع مرجع برای وزن معیارها توصیف شده است. نوع اول براساس اطلاعات تنوع درون معیار تعریف شده توسط انحراف استاندارد است و دوم مربوط به اطلاعات تنوع بین معیارها است که براساس میزان همبستگی تعیین می شود. مدل چند هدفه به دنبال به حداکثر رساندن عملکرد کلی هر یک از گزینه ها و به حداقل رساندن انحراف معیارهای وزن از نقاط مرجع است. برای به حداکثر رساندن عملکرد کلی هر گزینه، یک مدل ترکیبی وزنی به عنوان یک هدف مورد استفاده قرار می گیرد. همچنین، ما می توانیم از مجموع انحرافات مربعی از نقاط مرجع برای تعریف اهداف دیگر مدل استفاده کنیم.
تفاوت اصلی روش SECA با دیگر تکنیک های تصمیم گیری در این است که در این روش بر اساس ماتریس تصمیم وزن و رتبه گزینه ها با هم محاسبه می شود در صورتی که در مابقی روشها ابتدا باید وزن معیارها از روشهای دیگر محاسبه شود و سپس به عنوان ورودی به دیگر تکنیک ها داده شود.
نکته: تکنیک PSI نیز همانند این روش جدید در الگوریتم خود وزن و رتبه گزینه ها را با هم محاسبه می کند البته الگوریتم آن ساده و آسان می باشد.
مراحل روش SECA
فرض کنید که ما یک مساله MCDM با n گزینه ها و معیارهای m داریم و وزن هر معیار (Wj) نامشخص است. ماتریس تصمیم به صورت زیر می باشد.
که در این رابطه Xij ارزیابی iمین گزینه نسبت به jمین معیار است.
سپس باید ماتریس تصمیم که در رابطه 1 ایجاد شده است را نرمال کنیم. نرمال سازی بر اساس روابط زیر صورت می گیرد.
در رابطه 3، BC شامل معیارهای هستند که جنبه سود (یا معیار مثبت) دارند و NC شامل معیارهایی هستند که جنبه هزینه (یا منفی) دارند.
انحراف معیار عناصر هر بردار میتواند اطلاعات متغیر درونی معیار را بدست آورد. برای دستیابی به اطلاعات متغیر بین معیار از ماتریس تصمیمگیری، باید همبستگی بین هر جفت از بردارهای معیارها را محاسبه کنیم. سپس رابطه زیر میتواند درجه اختلاف بین معیار j ام و معیارهای دیگر را نشان دهد.
افزایش تغییرپذیری در بردار یک معیار (j)، و همچنین افزایش میزان درجه اختلاف میان معیار j و معیارهای دیگر، اهمیت (وزن) این معیار را افزایش می دهد. بر این اساس، مقادیر نرمال شده j و j به عنوان نقاط مرجع برای وزن معیارها تعریف می شود. این مقادیر را می توان به صورت زیر محاسبه کرد:
بر اساس توضیحاتی که در بالا گفته شد یک مدل برنامه ریزی چند هدفه غیرخطی حاصل میشود که در زیر آورده شده است.
در مدل (7)، معادله اول، عملكرد کلی هر گزینه را افزایش می دهد و معادلات دوم و سوم، انحراف معیارهای وزن را از نقاط مرجع برای هر معیار به حداقل می رساند. معادله (7.4) تضمین می کند که مجموع وزن ها برابر با 1 است. معادله (7.5) و (7.6) وزن معیارها را برای برخی مقادیر در فاصله [1، ε] تعیین می کنند. لازم به ذکر است که ε یک پارامتر مثبت کوچک در نظر گرفته شده به عنوان معیار پایینی برای وزن معیار است. در این روش، مقدار این پارامتر برابر با 0.003 قرار داده شده است. برای بهینه سازی مدل (7)، می توانیم از تکنیک تابع هدف به محدودیت استفاده کنیم. و یک رابطه تک هدفه ایجاد کنیم که در رابطه 8 بیان شده است.
با توجه به عملکرد هدف مدل 8، حداقل امتیاز کلی عملکرد گزینه ها به حداکثر می رسد. از آنجا که انحراف از نقاط مرجع باید حداقل باشد، آنها از عملکرد هدف با ضریب B تفریق می شوند. این ضریب بر اهمیت دستیابی به نقاط مرجع معیارهای وزن تاثیر می گذارد. نمره عملکرد کلی هر گزینه (Si) و وزن هدف هر معیار (wj) با حل مدل 8 تعیین می شود.
تجزیه و تحلیل روش
در این بخش با ذکر یک مثال به پیاده سازی روش مذکور می پردازیم ابتدا نتایج مثال را با استفاده از روش SECA تجزیه و تحلیل نموده و سپس با چند روش تصمیم گیری دیگر مقایسه می شود. کلیه محاسبات در نرم افزار لینگو صورت گرفته است. ابتدا ماتریس تصمیم را بر اساس مثالی تشکیل می دهیم که در جدول 1 آورده شده است.
همانطور که مشاهده می شود معیارهای C1 تا C3 جز معیارها مثبت و مابقی معیارهای جنبه منفی دارند. سپس باید این ماتریس تصمیم را نرمال کرد جهت نرمال سازی از رابطه 3 استفاده می شود که ماتریس نرمال شده در جدول 2 آورده شده است. با نرمال سازی کلیه داده ها در بازه بین صفر تا 1 قرار می گیرند.
سپس بر اساس مدل رابطه 8، این مساله در نرم افزار Lingo حل می شود که نتایج آن در جدول 3 به ازای مقادیر مختلف بتا (B) آورده شده است.
همانطور که جدول 3 نشان می دهد به ازای مختلف مقادیر بتا وزن گزینه ها متفاوت است. در حالتی که مقدار بتا بیشتر از 3 می شود وزن ها دارای ثبات بیشتری هستند پس بر این اساس می توان مقدار بتا برابر 3 (β=3) را به عنوان بهترین ضریب در نظر گرفت.
همچنین در این بخش، بر اساس داده های ارائه شده در جدول 2، نتایج کلی عملکرد هر گزینه (Si) با حل مدل (8) به دست می آید و همان مقادیری که ما برای تحلیل وزن معیارها استفاده می کنیم. نمرات کلی عملکرد به دست آمده در جدول زیر ارائه شد است. در جدول زیر رتبه بندی گزینه ها بر اساس مقادیر مختلف بتا صورت گرفته است.
همچنین، نمایی گرافیکی نمرات عملکرد گزینه ها در شکل زیرنشان داده شده است. همانطور که در شکل زیر (و جدول بالا) مشاهده می کنیم، زمانی که مقادیر بزرگتر مقادیر بتا بزرگتر از 3 باشد عملکرد گزینه ها بیشتر قابل تشخیص و پایدار تر است.
همانطور که در جدول 7 دیده می شود، زمانی که مقادیر بزرگتر از 1 است، ما یک رتبه کاملا پایدار داریم. به طور کلی می توان گفت که (β=3) نیز آستانه خوبی برای تعیین نمرات عملکرد کلی و صفات جایگزین است.
روش SECA فازی
روش FUZZY SECA همان تکنیک سکا می باشد که در محیط فازی پیاده سازی شده است. پیاده سازی در محیط فازی اولین بار توسط کشاورز قرابایی و همکاران در سال 2022 ارائه شد در این حالت ابتدا ماتریس تصمیم فازی به یک ماتریس فاصله ای تبدیل می شود سپس دو مدل بهینه سازی تشکیل شده که در زیر آورده شده است. این دو مدل توسط لینگو حل شده و اوزان معیارها و امتیاز گزینه ها محاسبه می شود.
چنانچه نیازمند مشاوره و یا تحلیل پروژه خود با این روش هستید با ما تماس بگیرید| 09338859181
سلام امکانش هست برای پیاده سازی در گمز توضیح بدید
سلام. پیاده سازی این مساله در لینگو به نسبت راحتتر است. پیشنهاد میشه با همین لینگو کار کنید
سلام وقت بخیر
برای این روش فیلم آموزشی منتشر نمیکنید؟
سلام. چشم در اولین فرصت که سرمون خلوت بشه در برناممون هست