slide1
Download
Skip this Video
Download Presentation
تجزیه و تحلیل تصمیم گیری

Loading in 2 Seconds...

play fullscreen
1 / 32

تجزیه و تحلیل تصمیم گیری - PowerPoint PPT Presentation


  • 225 Views
  • Uploaded on

تجزیه و تحلیل تصمیم گیری. به نام خدا. فهرست مطالب. یاد آوری: مدلهای MADM مدلهای غیر جبرانی: مدل تسلط Maximin و Maximax ... مدلهای جبرانی SAW TOPSIS. مدل هاي تصميم گيري چند شاخصه. روش هاي غير جبراني. تسلط (Dominance).

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' تجزیه و تحلیل تصمیم گیری' - kylee


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide2
فهرست مطالب
  • یاد آوری: مدلهای MADM
  • مدلهای غیر جبرانی:
    • مدل تسلط
    • Maximin و Maximax
    • ...
  • مدلهای جبرانی
    • SAW
    • TOPSIS
dominance
تسلط (Dominance)

تسلط به معني برتري در تمام شاخص ها است. معمولاَ چنين گزينه اي وجود ندارد و به دنبال گزينه هاي غير مغلوب No dominated هستيم.

slide7

براي انتخاب سبک سفر دو معيار هزينه و زمان در نظر گرفته مي شود. سبک يک هزينه 1000 و زمان 20 داشته و سبک دو هزينه 1500 و زمان 15 دارد. براساس ملاک ماکسي مين کدام سبک انتخاب مي شود؟

slide9

روش لکسيکو گراف در شرايطي بکارگرفته مي شود که اهميت شاخصها براي تصميم گيرنده يکسان نبوده و تفاوت بسيار زيادي دارند. چنانچه اختلاف بين گزينه ها در شاخصها قابل چشم پوشي باشد اين روش ( به شکل نيمه لکسيوگراف) در بعضي موارد به نتايج متناقض مي رسد.

به طور مثال ماتریس بهره وری ذیل را در نظر بگیریم.

معیار یک در رتبه اول قرار دارد و اختلاف یک واحد در شاخصها قابل چشم پوشی است. بهترین گزینه کدام است؟

slide10

ماتريس تصميم زير که به روش خطي بي مقياس شده است را در نظر بگيريد و به پرسش پاسخ دهيد (فرض کنيد انديس شاخصها اولويت آنها را نيز مشخص کند):

چنانچه اختلاف تا 0.2 بين گزينه ها در هر شاخص قابل چشم پوشي باشد، مناسب ترين گزينه کدام خواهد بود؟

slide12
روش مجموع وزني ساده

* در اين روش با در نظر گرفتن وزن شاخص ها، نمره هر گزينه بوسيله ميانگين وزني ارزش هاي آن گزينه در تمامي شاخص ها بدست مي آيد:

slide13
روش SAW روشي ساده و پر کاربرد است
  • فرض خطي بودن تابع مطلوبيت تصميم گيرنده بايد برقرار باشد: ( تناسب و استقلال معيارها)
topsis technique for order preference by similarity to the ideal solution
روش TOPSIS(TechniqueforOrderPreferenceby Similarity to the Ideal Solution)
  • در اين روش دو گزينه فرضي در نظر گرفته مي شود:
  • گزينه ايده آل: گزينه اي فرضي که در هر شاخص، بهترين مقدار موجود را دارد.
  • گزينه ايده آل منفي: گزينه اي فرضي که در هر شاخص، بدترين مقدار موجود را دارد.
  • TOPSIS گزينه ها را براساس فاصله آنها از دو گزينه ايده آل و ايده آل منفي مرتب مي کند. نزديک ترين گزينه به ايده آل ( و دور از ايده آل منفي) بهترين گزينه است.
slide16

ايده آل

معيار تصميم 2

ايده آل منفي

معيار تصميم 1

موقعيت گزينه ها در صفحه معيارها

topsis
مراحل روش TOPSIS
  • قدم اول: ماتريس تصميم با استفاده از روش نورم بي مقياس مي شود.
  • قدم دوم: ماتريس بي مقياس شده وزني از ضرب وزن شاخص ها در اعداد ستون هاي مربوطه، بدست مي آيد

Vij=wj.nij

topsis1
مراحل روش TOPSIS
  • قدم سوم: راه حل ايده آل و ايده آل منفي مشخص مي شوند:
  • راه حل ايده آل:

A* = { v1*, …, vn*}, where

vj*={ max (vij) if j  J ; min (vij) if j  J\' }

i i

  • راه حل ايده آل منفي:

A\' = { v1\', …,vn\' }, where

v‘j = { min (vij) if j  J ; max (vij) if j  J\' }

ii

topsis2
مراحل روش TOPSIS
  • قدم چهارم: مقدار فاصله از ايده آل و ايده آل منفي براي هر شاخص محاسبه مي شود:
  • فاصله از ايده آل:

Si *= [  (vj*– vij)2 ] ½ i = 1, …, m

j

  • فاصله از ايده آل منفي

S\'i = [  (vj\' – vij)2 ] ½ i = 1, …, m

j

topsis3
مراحل روش TOPSIS
  • قدم پنجم: مقدار نزديکي نسبي به راه حل ايده آل محاسبه مي شود

Ci مقداري بين صفر و يک است، يک هنگامي است که گزينه i روي نقطه ايده آل و صفر هنگامي است که اين گزينه روي ايده آل منفي باشد. هرچه مقدرا به يک نزديک تر باشد گزينه رتبه بالاتري مي گيرد.

slide21
مثال

مناسب ترين خودرو را با استفاده از روش TOPSIS مشخص کنيد.

slide22
مثال

ماتريس بي مقياس شده:

slide23
مثال

ماتريس بي مقياس شده وزني و راه حل هاي ايده آل و ايده آل منفي

slide25
روش تخصيص خطي

مساله MADM را مي توان يک مساله تخصيص خطي فرض کرد:

slide26
تخصيص خطي

اگر رتبه j به گزينه i تخصيص داده شود

در غير اين صورت

جمع وزن شاخص هايي که در آن گزينه i داراي رتبه j است.

slide27
مثال:

ماتريس رتبه ها

slide29
مثال: (ادامه)

ماتريس تخصيص

slide31
کاربرد ديگر روش L-A

تخصيص خطي را مي توان بمنظور ادغام نظر صاحب نظران بکار گرفت

ad