۲-۹-۱-۲ Fuzzy AHP
تئوری فازی برای مواجهه با اکثر پدیده های جهان واقع که در آنها عدم قطعیت وجود دارد مورد استفاده قرار می گیرد و بسیاری از مجموعه ها، اعداد و اتفاق های دنیای واقعی را می توان با منطق فازی توجیه کرد. درFuzzy AHPبا تعمیم مفاهیم فازی در تعیین ماتریس های مقایسه زوجی دخالت داده می شود[۳۳و۳۴و۱۶].

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

مراحل روش تحلیل سلسله مراتبی فازی
مراحل روش تحلیل سلسله مراتبی فازی به روش چانگ^[۳۷] به شرح زیر است:
مرحله۱: رسم نمودار سلسله مراتبی
مرحله۲: تعریف اعداد فازی به منظور انجام مقایسه های زوجی
مرحله۳: تشکیل ماتریس مقایسه زوجی با به کارگیری اعداد فازی
ماتریس مقایسه زوجی به صورت زیر خواهد بود:
که این ماتریس حاوی اعداد فازی زیر است:
اگر کمیته تصمیم گیرنده دارای چندین تصمیم گیرنده باشد، درایه های ماتریس مقایسه زوجی جامع که در روش تحلیلی سلسله مراتبی فازی به کار می رود، یک عدد فازی مثلثی است که مولفه اول آن حداقل نظرسنجی ها، مولفه دوم آن میانگین نظرسنجی ها و مولفه سوم آن حداکثر نظرسنجی ها می باشد.
مرحله۴: محاسبه برای هریک از سطرهای ماتریس مقایسه زوجی
که خود یک عدد فازی مثلثی است از رابطه زیر محاسبه می شود:
که در این رابطه i بیان گر شماره سطر و j بیان گر شماره ستون می باشد. در این رابطه اعداد فازی مثلثی ماتریس های مقایسه زوجی هستند. مقادیر،
را می توان به ترتیب از روابط زیر محاسبه کرد:
در روابط بالا ، و به ترتیب مولفه های اول تا سوم اعداد فازی هستند.
مرحله۵: محاسبه درجه بزرگی ها نسبت به همدیگر
به طورکلی اگر و دوعدد فازی مثلثی باشند، طبق شکل ۲-۱۲ درجه بزرگی نسبت به به صورت زیر تعریف می شود:

شکل ۲-۱۲: درجه بزرگی دوعدد فازی نسبت به هم
از طرف دیگر میزان بزرگییک عدد فازی مثلثی از k عدد فازی مثلثی دیگر از رابطه زیر به دست می آید:
مرحله۶: محاسبه وزن معیارها و گزینه ها در ماتریس های مقایسه زوجی
بدین منظور از رابطه زیر استفاده می شود:
بنابراین بردار وزن نرمالیزه نشده به صورت زیر خواهد بود:
مرحله۷: محاسبه بردار وزن نهایی
برای محاسبه بردار وزن نهایی باید بردار وزن محاسبه شده در مرحله قبل را نرمالیزه کرد. بنابراین:
۲-۹-۱-۳ ANP^[38]
روشANPتعمیم روشAHPاست. در مواردی که سطوح پایینی روی سطوح بالایی اثرگذارند و یا عناصری که در یک سطح قرار دارند مستقل از هم نیستند، دیگر نمی توان از روشAHPاستفاده کردANP .شکل کلی تری ازAHPاست[۳۵]٬ اما به ساختار سلسله مراتبی نیاز ندارد و در نتیجه روابط پیچیده تر بین سطوح مختلف تصمیم را به صورت شبکه ای نشان می دهد و تعاملات و بازخورد های میان معیارها و آلترناتیوها را در نظر می گیرد.
۲-۹-۱-۴ SAW^[39]
در روش(SAW)سعی به برآورد تابع مطلوبیتی به ازای هر گزینه است تا گزینه ای با بیشترین مطلوبیت انتخاب شود. در این روش فرض بر استقلال ارجحیت و مجزا بودن آثار شاخص ها از یکدیگر است. در این روش با محاسبه اوزان اهمیت شاخص ها می توان به راحتی به ارجحیت گزینه ها دست یافت.
۲-۹-۱-۵ LINMAP^[40]
این روش به دنبال یافتن گزینه ایست که کمترین فاصله را با ایده آل ترین حالت ممکن داشته باشد. در این روش mگزینه و n شاخص از یک مسئله مفروض به صورت mنقطه برداری در یک فضای n بعدی مورد توجه است که از طریق یافتن فاصله اقلیدسی گزینه ها با بهترین گزینش، ارجح ترین گزینه انتخاب می شود.
۲-۹-۱-۶ FTOPSIS^[41]
این روش بر این مفهوم تکیه دارد که بهترین گزینه، گزینه ایست که نزدیکترین فاصله به گزینه ایده آل مثبت و بیشترین فاصله از ایده آل منفی را داشته باشد. روش TOPSISبرای اولین بار توسط HWANG and YOON در سال ۱۹۸۱ ارائه شد. این روش در واقع تکنیکی است که شبیه ترین گزینه به گزینه ایده آل را برمی‌گزیند. گزینه ایده آل که گاهی گزینه ایده آل مثبت نیز نامیده می شود راه حلی است کهسود و ارزش معیار را بیشینه و هزینه معیار را کمینه می کند. راه حل ایده آل منفی که گاهی راه حل ضد ایده آل نیز نامیده می‌شود هزینه را برای یک معیار بیشینه و سود را برای آن کمینه می کند]۲۱[. بهترین گزینه از بین تمامی گزینه ها در واقع نزدیک ترین آن ها به راه حل ایده آل مثبت و هم چنین دورترین از راه حل ایده آل منفی است. روش TOPSISسنتی توانایی برخورد با جهان واقعی و متغیرهای زبانی انسانی را نداشته به همین خاطر روش TOPSISفازی مطرح شد تا با عدم قطعیت و ابهام موجود در روابط انسانی مقابله کند. در فصل چهارم ما از توابع عضویت مثلثی برای توابع TOPSISفازی استفاده کردیم. این روش از مراحل نیز تشکیل شده است [۳۷]:
۱)انتخاب متغیرهای زبانی برای گزینه ها و هم چنین معیارها.
۲)محاسبه ماتریس تصمیم فازی وزن دار نرمال شده^[۴۲]
۳)محاسبه راه حل ایده آل مثبت^[۴۳](FPIS,) و راه حل ایده آل منفی^[۴۴](FNIS,) با بهره گرفتن از تعریف زیر :
۴)محاسبه فاصله هر یک از گزینه ها از و از طریق فرمول زیر :
۵)محاسبه میزان نزدیکی به راه حل ایده آل^[۴۵]:
۲-۹-۱-۷VIKOR^[46]
در این روش به منظور رتبه بندی و یافتن بهترین گزینه از مفهوم بدترین گزینه استفاده می کند و میزان سازش میان فاصله گزینه ها نسبت به بهترین گزینه و به این علت جزء روش های برنامه ریزی سازشی طبقه بندی می شود[۹]. این روش در مقایسه با روش تاپسیس، در محاسبه فواصل گزینه ها میزان اهمیت فاصله مطلوب نسبت به بهترین حالت و بدترین حالت را در نظر می گیرد.
۲-۹-۱-۸ELECTRE^[47]
در این روش به جای رتبه بندی گزینه ها از مفهوم جدیدی معروف به مفهوم غیررتبه ای استفاده می شود. به طور مثال ممکن است از نظر ریاضی گزینه ای هیچ ارجحیتی به دیگر گزینه نداشته باشد اما تصمیم گیرنده و تحلیلگر بهتر بودن آن گزینه به دیگری را بپذیرد. در این روش کلیه گزینه ها با بهره گرفتن از مقایسات غیر رتبه ای مورد ارزیابی قرار گرفته و بدان طریق گزینه های غیرموثر حذف می شوند. کلیه مراحل اجرای این روش بر مبنای یک مجموعه هماهنگ و یک مجموعه غیرهماهنگ پایه ریزی می شوند که به این دلیل این روش معروف به آنالیز هماهنگی هم می باشد[۳۵و۲۳].
۲-۹-۱-۹PROMETHEE^[48]
این روش بر دو مفهوم ترجیح و بی تفاوتی استوار است به این معنی که گزینهA بر گزینهB ترجیح و برتری دارد اگراز نظر توابع ترجیح - که میزان ارجحیت گزینهA بر گزینهB از نظر تصمیم گیرنده را ارائه می دهد- مقدار تابع ترجیح گزینهA بیشتر از تابع ترجیح گزینهB باشد. همینطور گزینهA نسبت به گزینهB بی تفاوت است اگر مقدار تابع ترجیح گزینهA با تابع ترجیح گزینهB برابر باشد. پس از تعیین وضعیت دو به دوی گزینه ها نسبت به هم در یک گراف رتبه بندی نمایش داده خواهند شد.
۲-۹-۲ مدل های غیر جبرانی
در این مدل تعامل و مبادله میان شاخص ها مجاز نیست یعنی به طور مثال نقطه ضعف موجود در یک شاخص ها توسط مزیت موجود در یک شاخص دیگر جبران نمی شود. مطلوبیت این مدل ها زمانی روشن می شود که تحلیلگر با محدود بودن اطلاعات مواجه و یا دسترسی به تصمیم گیرندگان محدود باشد.از جمله روش های غیر جبرانی می توان به روش تسلط، روش حذف، روش لکسیکوگراف، روش رضایت بخش شمول، روش رضایت بخش خاص، روشMax-Min و روشMin-Min اشاره کرد[۳۱].
۲-۹-۳ مدل هایی که در مرز جبرانی و غیرجبرانی قرار می گیرند
۲-۹-۳-۱ PERMUTATION