تعداد صفحه : 140

همراه با فایل پی دی اف

فرمت فایل : word ( قابل ویرایش ) میباشد.

فهرست:

مقدمه. ۱

فصل اول. ۴

مقیاس دو قطبی فاصله ای- ۵

بی مقیاس کردن- ۵

بی مقیاس کردن با استفاده از نرم ۶

بی مقیاس کردن خطی- ۶

بی مقیاس کردن فازی- ۷

ارزیابی اوزان (Wj) برای شاخص ها ۷

تکنیک آنتروپی- ۷

روش LINMAP- 8

روش کمترین مجذورات وزین شده ۸

تکنیک بردار ویژه ۱۰

MADM فازی- ۱۱

تعریف زیرمجموعه فازی- ۱۱

روشهای رتبه بندی فازی Ui (فازی) ۱۹

رتبه بندی با به کارگیری درجه بهینگی- ۱۹

روش باآس-کواکرناآک– ۱۹

روش بالدوین- ۲۱

رتبه بندی با به کارگیری فاصله همینگ– ۲۴

رتبه بندی توسط مقاطع – ۲۴

روش آدامو- ۲۵

روش باکلی- ۲۵

روش مابوچی- ۲۵

رتبه بندی فازی با روش لفظی- ۲۸

فصل دوم ۲۹

تکنیک های MADM کلاسیک– ۳۰

مدل های غیر جبرانی- ۳۰

روش تسلط- ۳۲

روش ماکسی مین- ۳۲

روش ماکسی ماکس– ۳۲

روش رضایت بخش شمول- ۳۳

روش رضایت بخش خاص— ۳۴

روش لکسیکوگراف– ۳۴

روش نیمه لکسیکوگراف– ۳۵

روش حذف– ۳۵

روش پرموتاسیون- ۳۶

روش رتبه ای از پرموتاسیون- ۳۷

مدل های جبرانی- ۳۸

زیرگروه نمره گذاری و امتیازدهی- ۳۸

روش مجموع ساده وزین (SAW) 38

روش مجموع وزین و رده بندی شده ۳۹

روش مجموع ساده وزین با کنش متقابل- ۴۰

زیرگروه سازشی- ۴۳

روش LINMAP- 43

روش TOPSIS- 46

روش MRS- 49

روشMDS- 51

زیرگروه هماهنگ– ۵۳

روش ELECTRE- 54

روش تخصیص خطی- ۵۶

روش AHP- 58

AHP گروهی- ۶۰

ساختار غیر رده ای و توام با بازخور- ۶۰

فصل سوم ۶۴

تکنیک های جدید MADM– 65

روش های فازی با مجموع وزین- ۶۵

روش باآس– ۶۶

روش کواکرناآک– ۶۷

روش دوبوس– ۶۸

روش چنگ– ۷۰

روش بونیسون- ۷۱

استفاده از AHP به صورت فازی- ۷۲

روش باکلی- ۷۳

TOPSIS فازی- ۷۷

ELECTRE GD- 79

ELECTRE TRI 83

FMADM برای GDM– 87

TOPSIS برای GDM– 95

GRA (Grey Relational Analysis)- 97

AIRM– 99

رویکرد ER (Evidential Reasoning) 100

DS-AHP- 111

MP-MADM– 112

فصل چهارم ۱۱۶

دسته بندی تکنیک های MADM– 117

دسته بندی براساس نوع اطلاعات دریافتی از DM– 118

دسته بندی براساس نوع کاربرد روش– ۱۲۱

دسته بندی براساس فازی و غیر فازی بودن- ۱۲۳

دسته بندی براساس تعداد DM– 125

دسته بندی بر مبنای قطعی یا احتمالی بودن اطلاعات- ۱۲۸

دسته بندی براساس کامل یا ناقص بودن اطلاعات ورودی- ۱۲۹

دسته بندی براساس تعداد دوره های تصمیم گیری- ۱۳۱

منابع. ۱۳۳

 منابع

[۱] قدسی پور، حسن، مباحثی در تصمیم گیری چند معیاره برنامه ریزی چند هدفه، مرکز نشر دانشگاه صنعتی

     امیر کبیر، ۱۳۸۲٫

[۲] اصغرپور، محمدجواد، تصمیم گیری های چند معیاره، انتشارات دانشگاه تهران، ۱۳۷۷٫

[۳] Mahdavi et al., Designing a model of fuzzy TOPSIS in multiple criteria    decision making, APPL.Math.Comput. (2008), doi: 10.1016/j.amc. 2008.05.047.

[4] J.C.Leyva-Lopez, E.Fernandez-Gonzalez, A new method for group decision support based on ELECTRE Ⅲ methodology, European Journal of Operational Research 148 (2003) 14-27.

[5] V.Movsseav, R.Slowinski, P.Zielniewicz ELECTRE TRI 2.0a Methodology guide and user’s manual, Mathematical & Computer Modeling, 37 (2006) 10-23

[6] A.I.Olcer, A.Y.Odabasi, A new fuzzy multiple attributive group decision making methodology and its application to propulsion/manoeuvring system selection problem, European Journal of Operational Research 166 (2005) 93-114.

[7] H.S.Shih, H.J.Shyur, E.S.Lee, An extention of TOPSIS for group decision making, Mathematical and Computer Modelling 45 (2007) 801-813.

[8] Y.Kuo, T.Yang, G.W.Huang, The use of grey relational analysis in solving multiple attribute decision-making problems, Computer & Industrial Engineering 55 (2008) 80-93.

[9] V.N.Huynh, Y.Nakamori, T.B.Ho, T.Murai, Multiple Attribute Decision Making Under Uncertainty: The Evidential Reasoning Approach Revisited, European Journal of Oprational Research 174 (2006) 1914-1943

[10] Z.Hua, B.Gong, X.Xu, ADS-AHP approach for multi-attribute decision making problem with incomplete information, Expert systems with Applications 34 (2008) 2221-2227.

[11] Z.Xu, on multi-period multi-attribute decision making, Knowledge-based systems 21 (2008) 164-171.

[12] C.H.Yeh, A problem-based selection of multi-attribute decision making methods, int1.Trans.in Op.Res. 9 (2002) 169-181.

[13] E.Bernroider, V.Stix, Amethod using weight restriction in data envelopment analysis for ranking and validity issues in decision making, Computer & Operations Research 34 (2007) 2637-2647.

چکیده:

در این تحقیق سعی بر این است که دسته بندی جدیدی از تکنیک های تصمیم گیری چند معیاره گسسته (MADM[1] ) ارائه شود. در این راستا ابتدا، مباحث مقیاس دو قطبی فاصله ای‌، بی مقیاس کردن، ارزیابی اوزان برای شاخص ها و MADM فازی بیان شده تا مطالب فصل های بعدی مفهوم تر شود. بر پایه  این مقدمات، تکنیک های MADM کلاسیک مورد بررسی قرار گرفته و بدین منظور، دسته بندی ذکر شده در کتاب «تصمیم گیری های چند معیاره» تالیف دکتر اصغرپور مرور می شود که بر اساس این چشم انداز تکنیک های MADM کلاسیک به دو دسته عمده تقسیم می شوند: جبرانی و غیرجبرانی.

با توجه به اینکه در این روشها، مقادیر ماتریس تصمیم گیری اعداد قطعی (غیر فازی) هستند، مجموعه این روشها، «تکنیک های MADM کلاسیک» خوانده می شود.

پس از بررسی تکنیک های MADM کلاسیک، سعی شد، متدهای جدید MADM شناسایی و بررسی شود که نتیجه این تحقیقات و بررسی ها در فصل سوم آورده شده است.

با توجه به اینکه هدف از این تحقیق ارائه دسته بندی های جدیدی از تکنیک های MADM است، این تکنیک ها بررسی و در نهایت، ۷ نوع دسته بندی مختلف ارائه و توجیه شده است.

کلید واژه ها: تصمیم گیری های چند معیاره، MADM، دسته بندی تکنیکهای MADM.

مقدمه:

انسان در زندگی روزمره خود تصمیمات بسیاری می گیرد. این تصمیمات از مسائل شخصی و فردی تا مسائل بزرگ و کلان را شامل می شود. در اکثر مسائل تصمیم سازی، عموما اهداف و عوامل متعددی مطرح است و فرد تصمیم ساز سعی می کند که بین چند گزینه موجود (محدود یا نامحدود) بهترین گزینه را انتخاب نماید. انسان به طور ناخواسته در شبانه روز تعداد زیادی از این گونه تصمیمات می گیرد که برخی از آنها به دلیل هزینه بالای خطا در آنها، نیاز به بررسی و دقت بیشتری دارند [۱].

تصمیم گیری در محیط های پیچیده ناپایدار یکی از مسائل بسیار مهم در مدیریت نوین به شمار می ‌رود. در این موارد تصمیم گیرنده با گزینه‌هایی متفاوت تحت معیارهای مختلفی که از محیط داخلی و خارجی محیط سازمان متأثر می‌شوند روبرو است. در این مورد مدلهای تصمیم‌گیری چند معیاره به‌عنوان یکی از ابزارهای کارا جهت اخذ تصمیم مناسب به نظر می ‌رسد.

مباحث تصمیم گیری های چند معیاره یک بخش مهم از دانش تصمیم گیری مدرن را تشکیل می دهد. این مباحث به طور گسترده در زمینه های متعددی مانند: اجتماعی، اقتصادی، نظامی، مدیریتی و … به کار می رود.

محققین در دهه های اخیر توجه خود را معطوف به مدل های چند معیاره (MCDM[1]) برای تصمیم گیری های پیچیده کرده اند. در این تصمیم ها به جای استفاده از یک معیار سنجش بهینگی از چندین معیار سنجش ممکن است استفاده گردد.

این مدلهای تصمیم گیری به دو دسته عمده تقسیم می شوند: مدلهای چند هدفه (MODM[2]) و مدلهای چند شاخصه (MADM)، به طوریکه مدلهای چند هدفه به منظور طراحی و مدلهای چند شاخصه برای انتخاب گزینه برتر استفاده می شوند.

مدلهای چند هدفه (MODM) به فرم کلی است:

 : F(x) = {f1(x), f2(x),…, fk(x)}بهینه کنید

              x En

مقایس سنجش برای هر هدف ممکن است با مقیاس سنجش برای بقیه اهداف متفاوت بوده و بسادگی نتوان آنها را مثلا با یکدیگر جمع نمود.

منظور در این گونه مدل های طراحی عبارت از بهینه کردن تابع کلی مطلوبیت[۳] برای DM[4] می باشد.

 به طوری کهAi نشان دهنده گزینه i ام، Xj نشان دهنده شاخص j ام و rij نشان دهنده ارزش شاخص j ام برای گزینه i ام  میباشد.

در مدلهای MADM شاخص ها اغلب از مقیاس های مختلف بوده و غالبا در تعارض با یکدیگر هستند، لذا گزینه ای که بتواند ایده آل هر شاخص را تامین نماید، معمولا غیر ممکن است. در نتیجه در مدلهای  MADM به دنبال پیدا کردن مناسب ترین گزینه به طور نسبی هستند.

گزینه ای که ارجح ترین ارزش یا مطلوبیت از هر شاخص را تامین نماید گزینه ای است ذهنی که به ازای هر شاخص یا مشخصه، مطلوبیت را ماکسیمم کند. که به صورت زیر تعریف می شود:

     X*j = maxi Uj(rij) ; i = 1,2, …, m به طوریکهA* ~ { X*,X*,…,X*n}

 Uj نشان دهنده مطلوبیت (یا ارزش) از مشخصه jام است.

یک گزینه MADM ممکن است توسط شاخص های کمی یا شاخص های کیفی توصیف شود.

در شاخص های کمی، مقیاس های اندازه گیری ممکن است با یکدیگر متفاوت باشند (مانند فاصله به متر و هزینه به ریال).

به این دلیل انجام عملیات اصلی ریاضی باید بعد از بی مقیاس کردن صورت پذیرد که در ادامه توضیح داده می شود. برای اندازه گیری شاخص های کیفی نیز از مقیاس های فاصله ای یا رتبه ای استفاده می شود [۲].

مفاهیم اولیه:

با توجه به اینکه هدف از انجام این پایان نامه شناسایی تکنیک های جدید و دسته بندی آنهاست، آشنایی با مباحث اولیه مربوط به تکنیک های MADM ضروری به نظر می رسد از این رو موضوعاتی مانند بی مقیاس کردن و ارزیابی اوزان برای شاخص ها در حدی که مطالب ذکر شده در فصل های بعد را قابل فهم نماید، دراین فصل ارائه شده است.

مقیاس دوقطبی فاصله ای[۵] [۲]:

اندازه گیری یک شاخص کیفی به این روش بر اساس یک مقیاس ده نقطه ای می باشد به صورتی که صفر مینیمم ارزش ممکن و ۱۰ ماکسیمم ارزش ممکن از شاخص مورد نظر را مشخص می کند و نقطه وسط (عدد ۵) مشخص کننده نقطه شکست مقیاس بین مساعدها و نامساعدها است.

در این مقیاس ارزشهای صفر و ۱۰ کمتر مورد استفاده قرار می گیرد و ارزشهای ۲، ۴، ۶ و ۸ نیز به عنوان ارزشهای واسطه به کار می روند. اندازه گیری به روش مقیاس دو قطبی فاصله ای برای شاخص های با جنبه مثبت مانند زیبایی، انعطاف پذیری یا … به روش زیر می باشد:

در این مقیاس فرض بر این است که مثلا امتیاز ۹ سه برابر مناسبتر از امتیاز ۳ و اختلاف بین زیاد و کم با اختلاف بین متوسط و خیلی زیاد برابر است. (هر دو به اندازه ۴ امتیاز)

عملیات جمع و ضرب نیز در مقیاس فوق مجاز می باشد.

 بی مقیاس کردن[۶] [۲]:

به منظور قابل مقایسه شدن مقیاس های مختلف اندازه گیری، از «بی مقیاس کردن» استفاده می شود تا بدین وسیله بتوان عناصر شاخص ها را به صورت بدون بعد اندازه گیری کرد.

بدین منظور از سه روش «بی مقیاس کردن با استفاده از نرم»،«بی مقیاس کردن خطی»  و «بی مقیاس کردن فازی» استفاده می کنیم.

الف) بی مقیاس کردن با استفاده از نرم:

در این روش عناصر موجود در ماتریس تصمیم گیری را بر نرم موجود از ستون jام (به ازای شاخص xj ) تقسیم می کنیم تا  کلیه ستون های ماتریس، دارای واحد طول مشابه شده و مقایسه کلی آنها آسان شود.

 در این روش نمی توان شاخص ها را به طور مستقیم با هم مقایسه کرد زیرا تبدیل فوق غیر خطی بوده، طول مقیاسهای اندازه گیری مساوی نخواهد شد و ترتیب نسبی نتایج بخصوص برای مقادیر مینیمم و ماکسیمم یکسان باقی نمی ماند.

 ب) بی مقیاس کردن خطی:

در این روش به ازای جنبه مثبت برای کلیه شاخص ها، هر ارزش rij، به ماکسیمم rijموجود از ستون jام تقسیم می شود.

ج) بی مقیاس کردن فازی:

در این روش نیز nij بین صفر و یک است و نقطه ضعف احتمالی تبدیل فوق اینست که منجر به یک تغییر متناسب در نتایج  نمی شود.

 ارزیابی اوزان (wj) برای شاخص ها [۲]:

به منظورارزیابی اهمیت نسبی شاخص ها (wj) از چهار روش زیر استفاده می شود:

الف- روش آنتروپی

ب- روش LINMAP

ج- روش کمترین مجذورات وزین شده

د- روش بردار ویژه

که از چهار روش فوق، دو روش اول نیاز به ماتریس تصمیم گیری دارند.

 الف) تکنیک آنتروپی:

محتوی اطلاعات یک ماتریس تصمیم گیری از یک مدل MADM را ابتدا به صورت نرمالیزه شده (Pij) محاسبه می کنیم.

 ب) روش LINMAP:

در این روش m گزینه با n شاخص به وسیله m نقطه برداری در یک فضای n بعدی نشان داده شده و فرض بر این است که DM گزینه های نزدیک به نقطه ایده آل را در این فضا انتخاب خواهد کرد. این روش در ادامه در زمره تکنیک های حل و ارزیابی MADM تشریح می شود.

فرمت فایل : word ( قابل ویرایش ) میباشد.