1 / 50

Przegląd wieloatrybutowych metod podejmowania decyzji

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

jubal
Download Presentation

Przegląd wieloatrybutowych metod podejmowania decyzji

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Przegląd wieloatrybutowych metod podejmowania decyzji Opracował: Mirosław Kwiesielewicz PWSZ Elbląg

  2. Wybór samolotu bojowego Atrybuty - Xj

  3. ArytmetycznaNormalizcja

  4. Normalizacja arytmetyczna Normalizacja

  5. Normalizacja

  6. Normalizacja +Normalizacja

  7. Metoda MAXIMIN • Wybór wariantu • Problem wspólnej skali normalizacja

  8. Dla atrybutu czwartego Wtedy Inne propozycje normalizacji

  9. Przykład MAXIMIN min max

  10. Metoda MAXIMAX • Wybór wariantu

  11. Przykład MAXIMAX max max

  12. Rozwiązanie kompromisowe  - indeks pesymizm - optymizm maximin maximax

  13. Metoda satysfakcjonująca • Stanowisko wizytującego w szkole francuskiej amerykańskiego nauczyciela historii • Nie można skompensować tutaj niewystarczającej znajomości francuskiego perfekcyjną znajomością historii, ani odwrotnie • Szkoła decyduje się wyeliminować kandydatów o niewystarczającej wiedzy w obydwu zakresach • Decydent musi znać minimalne, akceptowalne wartości dla obydwu atrybutów, które spełniają rolę wartości progowych Wariant decyzyjny Ai jest akceptowany, gdy

  14. Przykład obliczeniowy

  15. Uwagi • Metoda ta nie jest stosowana do wyboru wariantów decyzyjnych • Służy ona głównie do zakwalifikowania ich do zbioru kategorii akceptowalnych i nie akceptowalnych

  16. Metoda wydzielania • Wybierany jest wariant decyzyjny, którego poziom przekracza największą wartość dla jednego z atrybutów • Wybór wariantów „utalentowanych” pod jednym z kierunków Wariant decyzyjny Ai jest akceptowany, gdy dla j=1 lub 2 lub 3 lub ... lub n

  17. Przykład obliczeniowy

  18. Metoda leksykograficzna • Atrybuty powinny być uszeregowane od najważniejszego do najmniej ważnego • Niech 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.

  19. Przykład obliczeniowy Ważność atrybutów X1, X3, X2 ...

  20. Dodatkowe założenie (półporządek leksykograficzny) • Różnica 0.3 macha lub mniejsza nie jest znacząca

  21. Dodatkowe założenie • Różnica 1000 funtów lub mniejsza nie jest znacząca

  22. Metoda permutacji • Tablica decyzyjna • Wektor wag

  23. Permutacje dla 3 wariantów • Istnieje 6 możliwości

  24. Testowanie porządku dla wariantu 5 • Zbiór zgodnego częściowego uporządkowania • Zbiór niezgodnego częściowego uporządkowania • Jeśli występuje uporządkowanie to dla przypiszemy , natomiast dla przypiszemy

  25. Zbiory zgodności i niezgodności • Załóżmy, że w permutacji Pi zachodzi , czyli k-ty wariant jest bardziej preferowany od l-tego • Wtedy permutacji Pi przypisujemy liczbę Ri gdzie (zbiór zgodności) (zbiór niezgodności)

  26. Rozważany przykładpermutacja 0.1+ 0.1+ 0.1+ 0.2 =0.5 0.2+ 0.3 =0.5

  27. Macierz dla rozważanej permutacji Wagi zgodne z porządkiem Wagi niezgodne z porządkiem sumy

  28. Wariant najlepszy • Najlepsze uporządkowanie wariantów odpowiada permutacji która posiada największą wartość Ri • W rozważanym przypadku jest to porządek

  29. Prosta addytywna metoda wagowa • Najbardziej znana i najczęściej stosowana • Każdemu z atrybutów przyporządkowuje się wagę • Najlepszy wariant decyzyjny jest obliczany jako

  30. Przykład Porządek przeciwny Normalizacja

  31. Macierz znormalizowana Wektor wag Wynik Czyli

  32. 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

  33. Podstawy metody Electre • Metoda opiera się na porównaniach parami wariantów decyzyjnych • Sprawdza: • stopień w jakim wagi preferencji są w zgodzie z relacją dominacji par (zgodność) • Stopień w jakim obliczenia wagowe różnią się między sobą (niezgodność)

  34. Krok 1. Obliczenie znormalizowanej macierzy decyzyjnej gdzie

  35. Przykład

  36. Krok 2. Obliczenie macierzy ważonej znormalizowanej Gdzie wektor wag

  37. Przykład

  38. 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

  39. Przykład C12 D12={1, 2} C12={3, 4, 5 ,6}

  40. Krok 4. Wyznaczenie macierzy zgodności • Wyznaczenie indeksu zgodności • Macierz zgodności

  41. Przykład C12={3, 4, 5 ,6} suma

  42. Krok 5. Wyznaczenie macierzy niezgodności • Wyznaczenie indeksu zgodności • Macierz niezgodności

  43. Przykład

  44. Wyznaczone macierze

  45. Tworzona jest z macierzy zgodności w oparciu o pewien próg zgodności Z macierzy C tworzy się macierz F taką, że Wyznaczenie macierzy dominacji zgodności

  46. Przykład obliczeniowy

  47. Tworzona jest z macierzy niezgodności w oparciu o pewien próg zgodności Z macierzy D tworzy się macierz G taką, że Wyznaczenie macierzy dominacji niezgodności

  48. Przykład obliczeniowy

  49. Wyznaczenie zagregowanej macierzy dominacji E=FxG

  50. Eliminacja najgorszych wariantów na podstawie zagregowanej macierzy dominacji

More Related