مدل فازی در تصمیم گیری چند معیاره

مدل فازی در تصمیم گیری چند معیاره (MCDM) راهی برای مقابله با عدم قطعیت و ابهام در فرآیند تصمیم گیری است. از مدل فازی، که نوعی منطق است که به جای درست یا غلط، درجاتی از واقعیت را بین 0 و 1 را امکان پذیر می کند. مدل های فازی می توانند اطلاعات نادرست یا ناقص را مدیریت کنند و راه حل های تقریبی ارائه دهند که به تجربه انسان نزدیک است.

انواع مختلفی از مدل های فازی در تصمیم گیری چند معیاره (MCDM) وجود دارد، بسته به اینکه چگونه قوانین فازی، مجموعه های فازی و روش های ادغام را تعریف می کنند.

برخی از مدل های فازی رایج

• Fuzzy FUCOM (Full Consistency Method) که از نسبت سازگاری برای تعیین وزن معیارها و گزینه ها استفاده می کند.
• فازی MARCOS (اندازه گیری گزینه ها و رتبه بندی بر اساس راه حل سازش) که از راه حل تطبیقی برای رتبه بندی گزینه ها بر اساس فاصله آنها از نقاط ایده آل و نامطلوب استفاده می کند.
• عملگر میانگین بونفرونی فازی (BM) که نوعی عملگر میانگین‌گیری فازی است که می‌تواند تعاملات بین معیارها و گزینه‌ها را به تصویر بکشد.
• تاپسیس فازی (تکنیک برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل)، که توسعه فازی روش TOPSIS کلاسیک است که از اعداد فازی برای نشان دادن رتبه ها و وزن ها استفاده می کند.
• AHP فازی (فرایند تحلیل سلسله مراتبی)، که نمونه ترکیبی فازی با روش AHP کلاسیک است که از مقایسه های زوجی فازی برای استخراج وزن معیارها و جایگزین ها استفاده می کند.

مدل‌های فازی در MCDM برای حل مسائل پیچیده که شامل معیارهای متضاد متعدد و اطلاعات غیر قطعی هستند، مفید است. این مدل ها می توانند دانش و تجربه انسانی را در فرآیند مدل سازی بگنجانند. چند نمونه از کاربردهای مدل های فازی در MCDM عبارتند از:

• انتخاب ماشین آلات حمل و نقل و جابجایی در پایانه های کانتینری
• ارزیابی ارائه دهندگان خدمات ابری
• انتخاب منابع انرژی تجدید پذیر
• انتخاب تامین کنندگان

انتخاب بین روش های مدل فازی

هیچ پاسخ قطعی برای نحوه انتخاب بین انواع مختلف مدل های فازی وجود ندارد، زیرا مدل های مختلف ممکن است بسته به زمینه مسئله، داده های موجود و ترجیحات تصمیم گیرنده مزایا و معایب متفاوتی داشته باشند. با این حال، برخی از دستورالعمل های کلی که ممکن است به شما کمک کند عبارتند از:

• ماهیت و ساختار مسئله را در نظر بگیرید. آیا این یک مشکل دارای چند ویژگی است یا چند هدف؟ چند معیار و گزینه درگیر است؟ معیارها و گزینه های جایگزین چگونه به هم مرتبط می شوند؟ متغیرهای ورودی و خروجی چگونه تعریف می شوند؟ این سوالات ممکن است به شما کمک کند تا یکی از مدل های فازی را که برای مشکل شما مناسب هستند، انتخاب کنید.
• نوع و میزان عدم قطعیت و ابهام در مسئله را در نظر بگیرید. اطلاعات نامشخص و مبهم چگونه استفاده می شود؟ آیا آنها به صورت اعداد فازی، مجموعه های فازی، اصطلاحات زبانی یا اشکال دیگر بیان می شوند؟ قوانین فازی، توابع عضویت و روش‌های فازی‌سازی چگونه تعیین می‌شوند؟
• عملکرد و ارزیابی مدل فازی را در نظر بگیرید. چگونه اثربخشی و کارایی مدل فازی را اندازه گیری می کنید؟ چگونه گزینه های جایگزین را مقایسه و رتبه بندی می کنید؟ چگونه مدل فازی را بازنگری می کنید؟ چگونه مدل فازی را تفسیر و توضیح می دهید؟

محدودیت های مدل های فازی

• این مدل ها ممکن است فاقد دقت و صحت لازم باشند، زیرا بر استدلال تقریبی و قضاوت های ذهنی تکیه دارند.
• اعتبارسنجی آنها ممکن است دشوار باشد، زیرا هیچ معیار روشنی برای انتخاب قوانین فازی بهینه، توابع عضویت و روش های فازی سازی وجود ندارد.
• ممکن است از نظر محاسباتی دشوار باشند، زیرا برای پردازش متغیرهای ورودی و خروجی به تعداد زیادی قوانین فازی و محاسبات نیاز دارند.
• ممکن است مبهم و ناسازگار باشند، زیرا محققان احتمال دارد راه های متفاوتی را برای حل یک مسئله با استفاده از منطق فازی پیشنهاد کنند.
• ممکن است برای سه شاخص محدودیت های خاصی داشته باشند، نمرات رضایت (عضویت)، نارضایتی (عدم عضویت) و امتناع/ممتنع (عدم قطعیت). ³
• مدل ها ممکن است تعاملات بین معیارها و گزینه ها را درک نکنند.

حل مشکل های مدل فازی

هیچ پاسخ قطعی برای غلبه بر محدودیت های مدل های فازی وجود ندارد، زیرا محدودیت های مختلف ممکن است بسته به زمینه مشکل، داده های موجود و ترجیحات تصمیم گیرنده به راه حل های متفاوتی نیاز داشته باشند.

با این حال، برخی از پیشنهادات کلی که ممکن است به شما کمک کند عبارتند از:

• برای بهبود دقت مدل‌های فازی، ممکن است سعی کنید از منابع اطلاعات قابل اعتمادتر ومطمعن تر استفاده کنید، قوانین فازی دقیق‌تر و منسجم‌تر، توابع عضویت و روش‌های فازی‌سازی را انجام دهید و از تحلیل حساسیت برای آزمایش دقت و پایداری استفاده کنید.
• برای تسهیل اعتبارسنجی و تأیید مدل‌های فازی، در صورت امکان سعی کنید از معیارها یا شاخص‌هایی برای اندازه‌گیری عملکرد و کیفیت مدل‌های فازی استفاده کنید، مانند میزان رضایت، درجه توافق، درجه تضاد، درجه عدم قطعیت و میزان پیچیدگی همچنین می‌توانید نتایج مدل‌های فازی را با نتایج روش‌ها یا مدل‌های دیگر، مانند مدل‌های احتمالی، مدل‌های مبتنی بر قانون، یا مدل‌های MCDM مقایسه کنید.
• برای کاهش سختی محاسبات مدل‌های فازی، سعی کنید ساختار مسئله و فرمول‌بندی مدل فازی را ساده کنید، مانند کاهش تعداد معیارها و گزینه‌ها، استفاده از قوانین فازی کمتر یا ساده‌تر، توابع عضویت و روش‌های فازی‌سازی و استفاده از آن. الگوریتم ها و ابزارهای نرم افزاری کارآمدتر.
• برای جلوگیری از ابهام و ناهماهنگی مدل‌های فازی، سعی کنید از تعاریف و اصطلاحات واضح‌تر و دقیق‌تر استفاده کنید، از برخی استانداردها یا دستورالعمل‌ها برای تطبیق مدل فازی بهره گیری کنید و از برخی تکنیک‌ها برای حل تعارض‌ها یا اختلاف نظرهای مختلف استفاده کنید.