دانلود رایگان ترجمه مقاله AHP فازی برای تعیین وزن نسبی معیارهای ارزیابی (نشریه الزویر ۲۰۱۰)

این مقاله انگلیسی ISI در نشریه الزویر در ۹ صفحه در سال ۲۰۱۰ منتشر شده و ترجمه آن ۲۵ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

AHP فازی برای تعیین وزن نسبی معیارهای ارزیابی و TOPSIS فازی برای رتبه بندی جایگزین ها

عنوان انگلیسی مقاله:

Fuzzy AHP to determine the relative weights of evaluation criteria and Fuzzy TOPSIS to rank the alternatives

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۰
تعداد صفحات مقاله انگلیسی ۹ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی صنایع
گرایش های مرتبط با این مقاله بهینه سازی سیستم ها و برنامه ریزی و تحلیل سیستم ها
چاپ شده در مجله (ژورنال) محاسبات نرم کاربردی – Applied Soft Computing
کلمات کلیدی MADM، تصمیم گیری فازی، AHP فازی، تاپسیس فازی
ارائه شده از دانشگاه گروه مهندسی صنایع، دانشگاه علم و صنعت مازندران، بابل، ایران
رفرنس دارد  
کد محصول F1252
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۵ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه شده است   
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت عدد درج شده است  
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب
چکیده
۱-مقدمه
۲-چارچوب ارزیابی
۳- روش FAHP و FTOPSIS
۳-۱ مدل AHP فازی
۳-۲ تابع عضویت فازی
۳-۳ اصول تاپسیس
۳-۴ مدل تاپسیس فازی
۴- مثال های تجربی و بحث ها
۴-۱ مثال های تجربی برای روش AHP
۴-۲ مثال های تجربی برای روش AHP فازی
۴-۳ مثال های تجربی برای روش تاپسیس
۴-۴ مثال های تجربی برای روش تاپسیس فازی
۵-نتایج محاسباتی
۶-نتیجه گیری
 

 

بخشی از ترجمه
 چکیده
هدف این مطالعه، پیشنهاد یک رویکرد تصمیم گیری چند معیاره فازی(FMCDM) به منظور ارزیابی گزینه های جایگزین از حیث ترتیب ارجحیت کاربران می باشد. دو روش FMCDM برای حل مسئله MCDM پیشنهاد می شوند: فرایند سلسله مراتبی تحلیل فازی(FAHP) برای تعیین وزن های نسبی معیار های ارزیابی استفاده شده و نسخه روش فازی برای ارجحیت بر اساس تشابه با راه حل ایده آل(FTOPSIS) برای رتبه بندی جایگزین ها استفاده می شود. نتایج تجربی نشان می دهد که روش های پیشنهادی، رویکرد های عملی و مناسب برای حل مسئله هستند. وقتی که رتبه بندی عملکرد مبهم و غیر دقیق باشد، این MCDM فازی یک راه حل ایده ال و مطلوب است.
 
۱- مقدمه
MADM اشاره به یافتن بهترین ایده از میان همه جایگزین های ممکن در حضو معیار های تصمیم گیری مختلف و اغلب متضاد دارد. روش های مبتنی بر اولویت، غیر رتبه ای و فاصله محور و ترکیبی را می توان به عنوان انواع مهم روش های فعلی در نظر گرفت(۱). تصمیم گیری چند منظوره(MODM) متشکل از مجموعه ای از اهداف متضادی می باشد که هم زمان نمی توان به آن ها دست یافت. این روش همواره بر فضا های تصمیم پیوسته تاثیر گذاشته و می تواند با روش های برنامه نویسی ریاضی حل شود. به طور کلی MODM با ۱- ارجحیت ها و اولویت های مربوط به اهداف تصمیم گیران و ۲- روابط بین اهداف و ویژگی ها سرو کار دارد. یک جایگزین را می توان یا از حیث ویژگی های آن و یا از حیث میزان دست یابی به اهداف تصمیم گیرنده توصیف کرد(۱۱).
MODM مسئله انتخاب یک گزینه را از میان مجموعه ای از جایگزین ها حل می کند که از حیث ویژگی های خاص خود تعیین می شوند. MODM یک رویکرد کیفی به دلیل وجود معیار های ذهنی و کارشناسی است. این روش مستلزم اطلاعاتی در خصوص اولویت های میان نمونه های یک ویژگی و اولویت ها و سلایق در بین ویژگی های موجود است. تصمیم گیرنده می تواند رتبه بندی را برای ویژگی ها از حیث اهمیت و وزن بیان کرده یا تعریف کند. هدف MODM دست یابی به یک جایگزین بهینه ای است که بیشترین درجه رضایت را برای همه ویژگی های مربوطه خود دارد(۱۱).
یکی از برجسته ترین رویکرد های MODM، فرایند سلسله مراتبی تحلیلی(AHP)(2-39) می باشد که ریشه در دست یابی به اوزان نسبی در میان عوامل و مقادیر کل هر جایگزین بر اساس این وزن ها دارد. در مقایسه با سایر روش های MODM، یک روش AHP به طور گسترده ای در تصمیم گیری چند معیاره استفاده شده است و به طور موفق در بسیاری از مسائل تصمیم گیری عملی به کار گرفته شده است(۴۰). علی رغم محبوبیت بالای روش AHP، این روش اغلب به دلیل ناتوانی خود در حل مسائل تصمیم گیری غیر قطعی و غیر دقیق همواره مورد نقد قرار گرفته است(۳). تاپسیس، که یک روش دیگر MCDM است، بر اساس انتخاب بهترین جایگزین می باشد و دارای کوتاه ترین فاصله از جایگزین ایده ال مثبت و طولانی ترین فاصله از جایگزین ایده ال منفی است. اطلاعات دقیق تر در مورد روش تاپسیس را می توان در مطالعات هوانگ و یان(۴) یافت.
مقایسات کارشناسان در اشکال ابتدایی روش های AHP و تاپسیس در مورد معیار ها، زیر معیار ها و جایگزین ها به شکل اعداد دقیق نشان داده می شود. با این حال، در بسیاری از موارد کاربردی، ارجحیت و اولویت کارشناسان غیر قطعی بوده و آن ها در انجام مقایسات عددی اکراه داشته یا ناتوان می باشند. تصمیم گیری فازی یک روش قوی برای تصمیم گیری در محیط فازی است. روش های تصمیم گیری کلاسیک تنها با داده های دقیق و ترتیبی کار می کنند از این روی جایی برای داده های فازی ومبهم وجود ندارد. انسان توانایی خوبی در پردازش داده های کیفی دارد که این موضوع به او در انجام تصمیمات در محیط های فازی کمک می کند.
هدف اصلی این مقاله، پیشنهاد چارچوب های TOPSIS و AHP جدید برای رسیدگی به عدم قطعیت و عدم دقت ارزیابی هایی است که در آن ها مقایسات کارشناسان به صورت اعداد فازی نمایش داده می شود. در این مقاله، ما از روش فرایند سلسله مراتبی تحلیلی فازی(FAHP) برای تعیین اوزان نهایی جایگزین ها و نیز مقایسات انجام شده توسط گروهی از کارشناسان بهره خواهیم گرفت. با این حال، برای ارزیابی جایگزین های مسائل چند معیاره، وزن های مختلف داده شده به ویژگی ها نقش مهمی در فرایند تصمیم گیری ایفا می کنند.
استام و سالیوا(۴) از روش های رتبه بندی اولویت چند گانه ضربی برای AHP استفاده کردند. ساتی(۲) نشان داد که بردار ویژه یک ماتریس مقایسه زوجی نشان دهنده اوزان اولویت محلی عناصر مقایسه شده( معیار ها، زیر معیار ها و جایگزین ها) می باشد ابوسینا و امر(۴۲)، رویکرد تاپسیس را برای حل مسائل برنامه نویسی غیر خطی بزرگ مقیاس چند منظوره(MOLSNLP) توسعه دادند. آگوران و همکاران(۵) بر ارزیابی پیوستگی قضاوت های کارشناسان در سیستم پشتیبان تصمیم گیری AHP(DSS) تاکید کردمد. هالووی و وایت(۴۳) با عدم قطعیت از فرایند پرسش-پاسخ به عنوان یک روش تصمیم گیری متوالی استفاده کرده و یک برنامه نویسی پویا را برای آن توسعه دادند. یکی از رایج ترین رویکرد ها در MCDM، روش وزنی افزایشی ساده(SAW) می باشد که در آن همه معیار ها توسط یک عدد حقیقی مناسب وزن دهی شده و اهمیت آن ها را نشان می دهد. علی رغم سادگی آن، روش SAW با برخی مشکلات نیز مواجه است: اثر متقابل میان ویژگی ها و صفات مجاز نیست، از این روی ، اصل استقلال ترجیحی لازم است. به علاوه برخی از از مشکلات در خصوص تخصیص وزن وجود دارد. به این ترتیبف برخی از روش های جدید نظیر AHP پیشنهاد می شوند(۲) و سایر ابزار ها نظیر منطق فازی و تئوری اپراتور های تجمع فازی(۶) برای بهبود روش های تصمیم گیری چند منظوره استفاده شده اند.
برای ارزیابی کیفیت خدمات خطوط هوایی، تزار و همکاران(۷) از روش AHP برای محاسبه اوزان معیار ها و از روش TOPSIS برای تعیین رتبه بندی جایگزین ها استفاده کردند. فنگ و وانگ(۱۹) از روش تاپسیس برای ارزیابی عملکرد خطوط هوایی مختلف استفاده کردند. روش های تاپسیس و تاپسیس فازی در شرایط مختلف استفاده شده است و معمولا در حل مسائل تصمیم گیری چند شاخصه استفاده می شوند( MADM(8-9).
ایسیکلار و بایکوزکان(۱۰) از رویکرد تصمیم گیری چند معیاره برای ارزیابی جایگزین های تلفن موبایل استفاده کردند.. در این مقاله، هدف ما حل مسائل فوق ولی در یک محیط فازی است. یانک و هوانگ(۱۱) بر ارزیابی طرح های ترتیب جایگزین تاکید کردند. ما از مسئله آن ها استفاده می کنیم ولی آن را با روش های FAHP و FTOPSIS حل می کنیم. روش پیشنهادی ما متشکل از دو مرحله است: در اولین مرحله، فرایند سلسله مراتبی تحلیلی فازی برای تعیین اوزان نسبی معیار های ارزیابی استفاده می شود. در دومین مرحله، روش تاپسیس فازی (FTOPSIS) برای رتبه بندی جایگزین ها استفاده می شود.
ادامه مقاله به شکل زیر سازمان دهی شده شده است. چارچوب ارزیابی در شکل ۲ مطرح شده است.بخش بعدی به بررسی روش های مورد استفاده برای محاسبه اوزان معیار و انتخاب بهترین جایکزین ها می پردازد. بخش چهارم به طور دقیق به بررسی این روش ها برای حل مسائل تعریف شده در این مقاله می پردازد. نتایج محاسباتی در بخش ۵ نشان داده شده و بخش ۶ شامل نتیجه گیری و تحقیقات آینده است.

 

بخشی از مقاله انگلیسی

Abstract

The aim of this study is to propose a Fuzzy multi-criteria decision-making approach (FMCDM) to evaluate the alternative options in respect to the user’s preference orders. Two FMCDM methods are proposed for solving the MCDM problem: Fuzzy Analytic Hierarchy Process (FAHP) is applied to determine the relative weights of the evaluation criteria and the extension of the Fuzzy Technique for Order Preference by Similarity to Ideal Solution (FTOPSIS) is applied to rank the alternatives. Empirical results show that the proposed methods are viable approaches in solving the problem. When the performance ratings are vague and imprecise, this Fuzzy MCDM is a preferred solution.

۱ Introduction

MCDM refers to finding the best opinion from all of the feasible alternatives in the presence of multiple, usually conflicting, decision criteria. Priority-based, outranking, distance-based and mixed methods could be considered as the primary classes of the current methods [1]. Multiple objective decision-making (MODM) consists of a set of conflicting goals that cannot simultaneously be achieved. It concentrates invariably on the continuous decision spaces, and can be solved by mathematical programming techniques. MODM deals generally with (i) preferences relating to the decision maker’s objectives and (ii) the relationships between objectives and attributes. An alternative could be described either in terms of its attributes or in terms of the attainment of the decision maker’s objectives [11].

MADM deals with the problem of choosing an option from a set of alternatives, which are characterized in terms of their attributes. MADM is a qualitative approach due to the existence of the criteria subjectivity. It requires information on the preferences among the instances of an attribute, and the preferences across the existing attributes. The decision maker may express or define a ranking for the attributes in terms of importance/weights. The aim of the MADM is to obtain the optimum alternative that has the highest degree of satisfaction for all of the relevant attributes [11].

One of the most outstanding MCDM approaches is the Analytic Hierarchy Process (AHP) [2,39], which has its roots in obtaining the relative weights among the factors and the total values of each alternative based on these weights. In comparison with other MCDM methods, the AHP method has widely been used in multi-criteria decision-making and has been applied successfully in many practical decision-making problems [40]. In spite of AHP method popularity, this method is often criticized because of its inability in handling the uncertain and imprecise decision-making problems [3]. TOPSIS, another MCDM method, is based on choosing the best alternative, which has the shortest distance from the positive-ideal alternative and the longest distance from the negative-ideal alternative. More detailed information about the TOPSIS method can be found in Hwang and Yoon [4].

In the primitive forms of the AHP and TOPSIS methods, experts’ comparisons about the criteria, sub-criteria, and alternatives are represented in the form of exact numbers. However, in many practical cases, the experts’ preferences are uncertain and they are reluctant or unable to make numerical comparisons. Fuzzy decision-making is a powerful tool for decision-making in fuzzy environment. Classical decision-making methods work only with exact and ordinary data, so there is no place for fuzzy and vague data. Human has a good ability for qualitative data processing, which helps him/her to make decisions in fuzzy environments.

The main objective of this paper is to propose new AHP and TOPSIS methods’ frameworks for dealing with the evaluations’ uncertainty and imprecision in which the expert’s comparisons are represented as fuzzy numbers. In this paper, we will use Fuzzy Analytic Hierarchy Process (FAHP) method for determining the final weights of alternatives, also by using a group of experts’ comparisons. However, for evaluating the alternatives of multicriteria problems, different attribute weights have an important role in the decision-making process.

Stam and Silva [41] use multiplicative priority rating methods for the AHP. Saaty [2] showed that eigenvector of one pairwise comparison matrix represents the local priority weights of the compared elements (criteria, sub-criteria, and alternatives). Abosinna and Amer [42] extend TOPSIS approach to solve multiobjective large-scale nonlinear programming (MOLSNLP) problems. Aguaron et al. [5] focused on evaluating the consistency of the experts’ judgments in AHP decision support system (DSS). Holloway and White [43], with uncertainty, used the question– response process as a sequential decision-making method and developed a dynamic programming for it. One of the most diffused approaches in MCDM is the simple additive weight method (SAW), in which all the criteria is weighted by a suitable real number, representing the importance of them. In spite of its simplicity, the SAW method has some problems: no interaction among the attributes is admitted, so the preferential independence axiom is required. Moreover, some difficulties exist about the weights assignment. So later, some new methods such as AHP are suggested [2], and other tools such as Fuzzy logic, and the theory of aggregation operators [6] have been used to improve multiobjective decision-making methods.

For evaluating airlines’ service quality, Tsaur et al. [7] use AHP method to calculate the criteria weights and use TOPSIS method to determine the alternatives’ ranking. Feng and Wang [19] uses TOPSIS method for evaluating the performance of different airlines. TOPSIS and Fuzzy TOPSIS methods have been applied in different applications, and are commonly used in solving multiple attribute decision problems (MADM) [8,9].

Isiklar and Buyukozkan [10] use a multi-criteria decisionmaking approach to evaluate mobile phone alternatives. In this paper, we try to solve their problem but in a fuzzy environment. Yang and Hung [11] focuses on the evaluation of alternative layout designs. We use their problem but we solve it with FAHP and FTOPSIS procedures. Our proposed methodology consists of two steps: in the first step, Fuzzy Analytic Hierarchy Process (FAHP) is applied to determine the relative weights of the evaluation criteria. In the second step, fuzzy TOPSIS method (FTOPSIS) is applied to rank the alternatives.

The rest of this paper is organized as follows: The evaluation framework is presented in Section 2. The next section illustrates the methods used to compute the criteria weights and to select the best alternative. Section 4 illustrates these methods in detail for the special defined problem of this paper. Computational results are represented in Section 5 and Section 6 includes the conclusions and future researches.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا