przegląd wieloatrybutowych metod podejmowania decyzji
DESCRIPTION
Przegląd wieloatrybutowych metod podejmowania decyzji. Opracował: Mirosław Kwiesielewicz PWSZ Elbląg. Wybór samolotu bojowego. Atrybuty - X j. Arytmetyczna Normalizcja. Normalizacja arytmetyczna. Normalizacja. Normalizacja. Normalizacja. +Normalizacja. Metoda MAXIMIN. Wybór wariantu - PowerPoint PPT PresentationTRANSCRIPT
Przegląd wieloatrybutowych metod podejmowania decyzji
Opracował:Mirosław KwiesielewiczPWSZ Elbląg
Wybór samolotu bojowego
Wariant Prędkość
max.[Mach]
Zasięg
[NM]
Ładow-ność[funt]
KosztEksp.106 $
Niezawod-ność
ZdolnośćManewrow
a
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A2 2.5 2700 18000 6.5 Niska Średnia
A3 1.8 2000 21000 4.5 Wysoka Wysoka
A4 2.2 1800 2000 5.0 Średnia Średnia
Atrybuty - Xj
ArytmetycznaNormalizcja
Atrybut
Wariant
X1 X2 X3 X4 X5 X6
A1 2.0 1500 20000 5.5 5 9
A2 2.5 2700 18000 6.5 3 5
A3 1.8 2000 21000 4.5 7 7
A4 2.2 1800 2000 5.0 5 5
jix
xr
m
iij
ijij ,,
1
Normalizacja arytmetyczna
44 1 rr Normalizacja
Normalizacja
Atrybut
Wariant
X1 X2 X3 X4 X5 X6
A1 2.0 1500 20000 5.5 5 9
A2 2.5 2700 18000 6.5 3 5
A3 1.8 2000 21000 4.5 7 7
A4 2.2 1800 2000 5.0 5 5
ji
i
x
xr
ij
ijij ,,
max
Normalizacja ji
i
x
xr
ij
ijij ,,
max
44 1 rr +Normalizacja
Metoda MAXIMIN
Wybór wariantu
Problem wspólnej skali normalizacja
minjrAA ijji
i ,,2,1,,,2,1,minmax;*
ji
i
x
xr
ij
ijij ,,
max
Inne propozycje normalizacji
Dla atrybutu czwartego
Wtedy
mi
xx
xx
xx
xxr
iji
j
iji
j
jj
jijij
,,2,1
,min
,max
gdzie
,
min
*
min*
min
,min*
*
jj
ijjij xx
xxr
mi
nj
rijji
,,2,1
,,,2,1
minmax
Przykład MAXIMIN
x1 X2 x3 x4 x5 X6
A1 0.80 0.56 0.95 0.82 0.71 1.0
A2 1.00 1.00 0.86 0.69 0.43 0.56
A3 0.72 0.74 1.00 1.00 1.00 0.78
A4 0.88 0.67 0.95 0.90 0.71 0.56
min
max
Metoda MAXIMAX
Wybór wariantu
mi
nj
rAA ijji
i
,,2,1
,,2,1
maxmax;*
Przykład MAXIMAX
x1 X2 x3 x4 x5 X6
A1 0.80 0.56 0.95 0.82 0.71 1.0
A2 1.00 1.00 0.86 0.69 0.43 0.56
A3 0.72 0.74 1.00 1.00 1.00 0.78
A4 0.88 0.67 0.95 0.90 0.71 0.56
max
max
Rozwiązanie kompromisowe
minj
rrAA ijj
ijji
i
,,2,1,,,2,1
max1minmax;*
- indeks pesymizm - optymizm
maximin maximax
Metoda satysfakcjonująca
Stanowisko wizytującego w szkole francuskiej amerykańskiego nauczyciela historiiNie można skompensować tutaj niewystarczającej znajomości francuskiego perfekcyjną znajomością historii, ani odwrotnieSzkoła decyduje się wyeliminować kandydatów o niewystarczającej wiedzy w obydwu zakresachDecydent musi znać minimalne, akceptowalne wartości dla obydwu atrybutów, które spełniają rolę wartości progowych
Wariant decyzyjny Ai jest akceptowany, gdy
njxx jij ,,2,1,0
Przykład obliczeniowy
Wariant X1 x2 x3 x4 x5 x6
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A2 2.5 2700 18000 6.5 Niska Średnia
A3 1.8 2000 21000 4.5 Wysoka Wysoka
A4 2.2 1800 20000 5.0 Średnia Średnia
)srednia srednia,,0.6,20000,1500,0.2(0 x
Uwagi
Metoda ta nie jest stosowana do wyboru wariantów decyzyjnychSłuży ona głównie do zakwalifikowania ich do zbioru kategorii akceptowalnych i nie akceptowalnych
Metoda wydzielania
Wybierany jest wariant decyzyjny, którego poziom przekracza największą wartość dla jednego z atrybutówWybór wariantów „utalentowanych” pod jednym z kierunków
Wariant decyzyjny Ai jest akceptowany, gdy
dla j=1 lub 2 lub 3 lub ... lub n0jij xx
Przykład obliczeniowy
Wariant X1 x2 x3 x4 x5 x6
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A2 2.5 2700 18000 6.5 Niska Średnia
A3 1.8 2000 21000 4.5 Wysoka Wysoka
A4 2.2 1800 20000 5.0 Średnia Średnia
) wysokabardzo wysoka,bardzo,5.4,21000,2500,4.2(0 x
Metoda leksykograficznaAtrybuty powinny być uszeregowane od najważniejszego do najmniej ważnegoNiech X1 – najważniejszy, X2 mniej ważny, itd..
Wybiera się wariant
Jeśli otrzymamy zbiór jednoelementowy, to jest on najbardziej preferowanym wariantem, jeśli nie to
Jeśli otrzymamy pojedynczy element to STOP, jeśli nie to.......j.w., aż do otrzymania pojedynczego elementu.
mixAA ii
i ,,2,1},max;{ 11
112 },max;{ AixAA i
ii
Przykład obliczeniowy
Wariant X1 x2 x3 x4 x5 x6
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A2 2.5 2700 18000 6.5 Niska Średnia
A3 1.8 2000 21000 4.5 Wysoka Wysoka
A4 2.2 1800 20000 5.0 Średnia Średnia
Ważność atrybutów X1, X3, X2 ...
Dodatkowe założenie (półporządek leksykograficzny)
Różnica 0.3 macha lub mniejsza nie jest znacząca
Wariant X1 x2 x3 x4 x5 x6
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A2 2.5 2700 18000 6.5 Niska Średnia
A3 1.8 2000 21000 4.5 Wysoka Wysoka
A4 2.2 1800 20000 5.0 Średnia Średnia
Dodatkowe założenie
Różnica 1000 funtów lub mniejsza nie jest znacząca
Wariant X1 x2 x3 x4 x5 x6
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A2 2.5 2700 18000 6.5 Niska Średnia
A3 1.8 2000 21000 4.5 Wysoka Wysoka
A4 2.2 1800 20000 5.0 Średnia Średnia
Metoda permutacjiTablica decyzyjna
Wektor wag
mn
n
n
mmm
n
x
x
x
x
x
x
x
x
x
A
A
AXXX
2
1
2
22
12
1
21
11
2
1
21
D
nn
www
XXX
21
21
w
Permutacje dla 3 wariantów
Istnieje 6 możliwości
3211 ,, AAAP
2312 ,, AAAP
3123 ,, AAAP
1324 ,, AAAP
2135 ,, AAAP
1236 ,, AAAP
Testowanie porządku dla wariantu 5
Zbiór zgodnego częściowego uporządkowania
Zbiór niezgodnego częściowego uporządkowania
Jeśli występuje uporządkowanie to dla przypiszemy , natomiast dla przypiszemy
2135 ,, AAAP
212313 ,, AAAAAA
212313 ,, AAAAAA
lk AA
lhkh xx ljkj xx jw
hw
Zbiory zgodności i niezgodności
Załóżmy, że w permutacji Pi zachodzi , czyli
k-ty wariant jest bardziej preferowany od l-tegoWtedy permutacji Pi przypisujemy liczbę Ri
gdzie
(zbiór zgodności)
(zbiór niezgodności)
lk AA
kl klCj Dj
jji miwwR !,,2,1,
lkmlkxxjC ljkjkl ,,,2,1,,;
lkmlkxxjD ljkjkl ,,,2,1,,;
Rozważany przykładpermutacja 24314 ,,, AAAAP
Wariant X1 x2 x3 x4 x5 x6
A1 2.0 1500 20000 5.5 Średnia BardzoWysoka
A3 1.8 2000 21000 4.5 Wysoka Wysoka
waga 0.2 0.1 0.1 0.1 0.2 0.3
31 AA
31 AA
0.2+
0.1+
0.1+ 0.1+ 0.2
0.3
=0.5
=0.5
31c
13c
Macierz dla rozważanej permutacji 24314 ,,, AAAAP
0
7.0
7.0
7.0
3.0
0
8.0
6.0
6.0
2.0
0
5.0
3.0
7.0
5.0
0
2
4
3
13431
4c
4.16.20.44 kl klCj Dj
jj wwR
sumy
Wagi zgodne z porządkiem
Wagi niezgodne
z porządkie
m
Wariant najlepszy
Najlepsze uporządkowanie wariantów odpowiada permutacji która posiada największą wartość Ri
W rozważanym przypadku jest to porządek 214317 ,,, AAAAP
Prosta addytywna metoda wagowa
Najbardziej znana i najczęściej stosowanaKażdemu z atrybutów przyporządkowuje się wagę Najlepszy wariant decyzyjny jest obliczany jako
n
jj
n
jijj
ii
w
xw
AA
1
1* max;
PrzykładAtrybut
Wariant
X1 X2 X3 X4 X5 X6
A1 2.0 1500 20000 5.5 5 9
A2 2.5 2700 18000 6.5 3 5
A3 1.8 2000 21000 4.5 7 7
A4 2.2 1800 2000 5.0 5 5
Porządek przeciwny
4
min
4*,6,5,3,2,1,
i
ii
j
ijij x
xrj
x
xr Normalizacja
Macierz znormalizowanaAtrybut
Wariant
X1 X2 X3 X4 X5 X6
A1 0.80 0.56 0.95 0.82 0.71 1.00
A2 1.00 1.00 0.86 0.69 0.43 0.56
A3 0.72 0.74 1.00 1.00 1.00 0.78
A4 0.88 0.67 0.95 0.90 0.71 0.36
Wektor wag )3.02.01.01.01.02.0(w
Wynik
Czyli
0738,852.0,709.0,835.0 4321 AAAA
241317 ,,, AAAAP
Metoda Electre
ELECTRE – Elimination et Choice Translating Reality)
Metoda wykorzystuje koncepcję relacji outrankingu , która mówi, że nawet jeśli dwa warianty nie dominują się wzajemnie matematycznie, decydent akceptuje ryzyko traktowania wariantu , jako prawie na pewno lepszego od wariantu
lk AA
kA
lA
Podstawy metody Electre
Metoda opiera się na porównaniach parami wariantów decyzyjnychSprawdza: stopień w jakim wagi preferencji są w
zgodzie z relacją dominacji par (zgodność)
Stopień w jakim obliczenia wagowe różnią się między sobą (niezgodność)
Krok 1. Obliczenie znormalizowanej macierzy decyzyjnej
mn
n
n
mmm
n
r
r
r
r
r
r
r
r
r
A
A
AXXX
2
1
2
22
12
1
21
11
2
1
21
R
gdzie jix
xr
m
iij
ijij ,,
1
Przykład
X1 X2 X3 X4 X5 X6
A1 2.0 1500 20000 5.5 5 9
A2 2.5 2700 18000 6.5 3 5
A3 1.8 2000 21000 4.5 7 7
A4 2.2 1800 2000 5.0 5 5
37274811.4605.5056.4392.5139.
5217.6736.4143.5380.4882.4204.
3727.2887.5983.4550.6591.5839.
6708.4811.5063.5056.3662.4671.
R
Krok 2. Obliczenie macierzy ważonej znormalizowanej
mnn
nn
nn
mmm
n
rw
rw
rw
rw
rw
rw
rw
rw
rw
A
A
AXXX
2
1
22
222
122
11
211
111
2
1
21
V
nn
www
XXX
21
21
wGdzie wektor wag
Przykład)3.02.01.01.01.02.0(w
1118.0962.0460.0506.0439.1028.
1565.1347.0414.0531.0488.0841.
1118.0577.0598.0455.0659.1168.
2012.0962.0506.0506.0366.0934.
V
Krok 3. Określenie zbioru zgodności i niezgodności
Dla każdej pary wariantów decyzyjnych k i l zbiór atrybutów dzielony jest na dwa podzbiory: zbiór zgodności ( preferowane nad
)
zbiór niezgodności
kA lA
lkmlkxxjC ljkjkl ,,,2,1,,;
lkmlkxxjD ljkjkl ,,,2,1,,;
Przykład C12
1118.0962.0460.0506.0439.1028.
1565.1347.0414.0531.0488.0841.
1118.0577.0598.0455.0659.1168.
2012.0962.0506.0506.0366.0934.
V
C12={3, 4, 5 ,6}D12={1, 2}
Krok 4. Wyznaczenie macierzy zgodności
Wyznaczenie indeksu zgodności
Macierz zgodności
wane)znormalizo (gdy wagi lub ,
1
kl
kl
Cjjkln
jj
Cjj
kl wcw
w
c
m
m
mm
c
c
c
c
c
c 2
1
2
12
1
21C
PrzykładC12={3, 4, 5 ,6}
)3.02.01.01.01.02.0(w
7.012
12 Cj
jwc
suma
m
m
mm
c
c
cc
2
1
21
7.0
3.0C
Krok 5. Wyznaczenie macierzy niezgodności
Wyznaczenie indeksu zgodności
Macierz niezgodności
klkl
ljkjJj
ljkjDj
kl DCJvv
vvd kl
,max
max
m
m
mm
xd
d
d
d
d
d 2
1
2
12
1
21D
Przykład
3277.
0894,.0385,.0092,.0051,.0239,.0234.max
0293,.0234.max
max
max12
ljkjJj
ljkjDj
vv
vvd kl
1118.0962.0460.0506.0439.1028.
1565.1347.0414.0531.0488.0841.
1118.0577.0598.0455.0659.1168.
2012.0962.0506.0506.0366.0934.
V
m
m
mm
xd
d
dd
2
1
21
3277.
1D
Wyznaczone macierze
8.0
6.0
6.0
2.0
3.0
5.0
7.0
7.0
7.0
7.0
5.0
3.0C
4183.0
.1
1051.0
.1
.1
8613.0
5714.0
4247.0
3277.0
.1
.1
.1xD
Wyznaczenie macierzy dominacji zgodności
Tworzona jest z macierzy zgodności w oparciu o pewien próg zgodności
Z macierzy C tworzy się macierz F taką, że
m
lkk
m
kll
kl
mm
cc
1 1 1 ccf
ccf
klkl
klkl
gdy ,0
gdy ,1
Przykład obliczeniowy
1
1
1
0
0
0
1
1
1
1
0
0F
8.0
6.0
6.0
2.0
3.0
5.0
7.0
7.0
7.0
7.0
5.0
3.0C 55.0341 1
m
lkk
m
kll
klcc
Wyznaczenie macierzy dominacji niezgodności
Tworzona jest z macierzy niezgodności w oparciu o pewien próg zgodności
Z macierzy D tworzy się macierz G taką, że
m
lkk
m
kll
kl
mm
dd
1 1 1 ddg
ddg
klkl
klkl
gdy ,0
gdy ,1
Przykład obliczeniowy
1
0
1
0
0
0
1
1
1
0
0
0G757.0341 1
m
lkk
m
kll
kldd
4183.0
.1
1051.0
.1
.1
8613.0
5714.0
4247.0
3277.0
.1
.1
.1xD
Wyznaczenie zagregowanej macierzy dominacji
1
0
1
0
0
0
1
1
1
0
0
0E
E=FxG
1
1
1
0
0
0
1
1
1
1
0
0F
1
0
1
0
0
0
1
1
1
0
0
0G
Eliminacja najgorszych wariantów na podstawie zagregowanej macierzy dominacji
1
0
1
0
0
0
1
1
1
0
0
0E
24
4323
4121
,
,
AA
AAAA
AAAA
21 AA
43 AA