دانلود رایگان ترجمه مقاله رویکرد تصمیم گیری گروهی با روابط ترجیحی غیر قطعی ناقص همگن – الزویر ۲۰۱۴

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی:

چکیده
برای مسائل تصمیم گیری گروهی کاربردی، تصمیم گیران اقدام به ارایه روابط ترجیحی غیر قطعی ناهمگن به دلیل عدم قطعیت ناشی از محیط تصمیم گیری و روابط فرهنگ و سوابق آموزشی می کنند.گاهی اوقات، تصمیم گیران ممکن است دارای دانش عمیق از مسائل حل شده نبوده و روابط ترجیحی ناقص را ارایه می کنند.در این مقاله بر مسائل تصمیم گیری گروهی با روابط ترجیحی غیر قطعی ناقص همگن از جمله روابط ترجیحی مضربی غیر قطعی، روابط ترجیحی فازی غیر قطعی، روابط ترجیحی زبانی غیر قطعی و روابط ترجیحی فازی شهودی تاکید می شود. برای حل چنین مسائل تصمیم گیری GDM، یک روش آنالیز تصمیم گیری پبشنهاد می شود. بر اساس پیوستگی مضربی روابط ترجیحی غیر قطعی، مدل بهینه سازی دو منظوره با هدف بیشینه سازی هر دو اجماع گروهی و پیوستکی فردی هر تصمیم گیر ارایه می شود. با حل مدل بهینه سازی، اوزان اولیه انواع جایگزین ها را می توان به دست آورد. در نهایت، برخی نمونه ها برای نشان دادن امکان پذیری و کارایی روش پبشنهادی استفاده می شوند.
لغات کلیدی: تصمیم گیری گروهی، رابطه ترجیحی غیر قطعی ناقص، وزن اولویت، بهینه سازی
۲-مقدمات
در این بخش، ما یک سری مفاهیم و مقدمات پایه را در رابطه با روابط ترجیحی غیر قطعی ناقص از جمله روابط ترجیحی مضربی غیر قطعی، روابط ترجیحی فازی غیر قطعی، روابط ترجیحی زبانی غیر قطعی و روابط ترجیحی فازی شهودی ارایه می دهیم.
۶- بحث مدل پیشنهادی
در این بخش ما به بررسی محدودیت ها و مزیت های ی مدل تصمیم گیری پیشنهادی می پردازیم. به طور کلی، مدل پیشنهادی دارای مزیت های جالب ذیل است:
۱-این مدل پیشنهادی، گام جدیدی در جهت ترکیب روابط ترجیح غیر قطعی ناقص است. و به تصمیم گیران امکان می دهد تا اطلاعات ترجیحی خود را نسبت به روش های دیگر به طور انعطاف پذیری بیان کنند. از طریق بررسی منابع می توان ذکر کرد که بیشتر مطالعات موجود در خصوص GDM با اطلاعات ناهمگن تاکید بر اشتقاق اوزان اولویت با ساختار ترجیحی خاص دارد( برای مثال، فان و زانک ۲۰۱۰، و زو ۲۰۱۱). و مطالعات اندکی در خصوص GDM ناهمکن با ساختار ترجیح عدم قطعیت وجود داشته است. گایو و پنک ۲۰۱۱ استفاده از روابط ترجیح ناهمکن را برای آنالیز swot پیشنهاد کردند با این حال این روش را در شرایط روابط ترجیح ناقص نمی تواند کارایی داشته باشد. زیا و زو (۲۰۱۱) و لیو و همکاران (۲۰۱۲) برخی روش ها را برای تکمیل مولفه های فازی غیر قطعی و روابط چندگانه ارایه کرده و سپس از آن ها برای گروه بندی بهره بردند. با این حال این روش ها باید مکمل با نخستین عناصر از دست رفته باشند و نمی توان از آن ها برای حل روابط ناهمگن ناقص با روابط ترجیحی استفاده کرد. اگرچه، زو و چن ( ۲۰۰۸ ب)، به بررسی مسائل تصمیم گیری گروهی با ساختار های ترجیح غیر قطعی مشخص پرداختند از جمله مقادیر بهره وری فاصله ای، روابط ترجیح فازی فاصله ای، و روابط ترجیح فازی بازه ای، این مطالعه بر مسائل gdm چند معیاره پرداخته و نمی تواند اوزان الویت را از روابط ترجیح ناهمکن که در این جا نیز ذکر شد اشتقاق کند.
۲- ایده های اساسی رویکرد پیشنهادی بسیار صریح و ساده است. بر اساس پیوستکی چندگانه فرمت های مختلف روابط ترجیحی، یک مدل بهینه سازی با هدف کمینه سازی هر دو شاخص اجماع گروه و شاخص پیوستکی فردی برای اشتقاق اوزان اولویت استفاده می شوند. از این روی نتیجه به دست آمده بسیار منطقی است. چون اوزان اولویت با حل مدل های بهینه سازی بدست می اید، تبدیلات کم تر از روابط ترجیح ناهمگن با یک نوع رابطه ترجیحی نیاز است که از اتلاف اطلاعات جلوگیری می کند.
۳- مدل پیشنهادی را می توان به عنوان مدل کلی تصمیم گیری در نظر گرفت. در صورتی که همه عناصر ماتریس های شاخص ۱ باشند، مدل پیشنهادی را می توان برای مسائل GDM با روابط ترجیح عدم قطعیت ناهمگن پیشنهاد کرد. به علاوه، مدل پیشنهادی را می توان برای حل مسائل GDM با ترکیبی از چهار نوع روابط ترجیح ذکر شده در مقاله استفاده کرد.
۴- از مثال های فوق، می توان پی برد که اوزان الویت بدست آمده از روش پیشنهادی در بازه های واحد نهفته است. از این روی، روش پیشنهادی را می توان با فرایند سلسله مراتب تحلیلی ( ساتی ۱۹۹۸) برای حل مسائل تصمیم گیری چند معیاره تحت محیط تصمیم گیری غیر قطعی به خصوص زمانی که روابط ترجیح ناقص در مسئله تصمیم گیری نقش دارند تلفیق کرد.
با این حال، مدل پیشنهادی هنوز دارای برخی محدودیت هاست. اول از همه، در صورتی که تعداد جایگزین ها یا تصمیم گیرنده ها بسیار بزرگ باشد، تعداد محدودیت های مدل بیشتر خواهد بود. در این صورت، تصمیم گیری کمی پیچیده تر خواهد بود. از این روی نکته جالب ساده سازی مدل و یا بررسی دیگر مدل های تصمیم گیری ساده تر است. دوما، برای تلفیق روابط غیر قطعی ترجیح زبانی، آن ها را به روابط ترجیح فازی غیر قطعی تبدیل می کنیم که منجر به از دست رفت اطلاعات می شود. در نهایت، روش پیشنهادی چهار فرمت از ساختار های ترجیح عدم قطعیت را در نظر می گیرد که قادر به ترکیب با ساختار های ترکیبی در شکل مقادیر بهره وری بازه ای و اردینال های ترجیح عدم قطعیت نیست. همه این مسائل در آینده حل خواهند شد.
۷- نتیجه گیری
برای مسائل تصمیم گیری گروهی کاربردی، تصمیم گیران اقدام به ارایه روابط ترجیحی غیر قطعی ناهمگن به دلیل عدم قطعیت ناشی از محیط تصمیم گیری و روابط فرهنگ و سوابق آموزشی می کنند.گاهی اوقات، تصمیم گیران ممکن است دارای دانش عمیق از مسائل حل شده نبوده و روابط ترجیحی ناقص را ارایه می کنند.در این مقاله بر مسائل تصمیم گیری گروهی با روابط ترجیحی غیر قطعی ناقص همگن از جمله روابط ترجیحی مضربی غیر قطعی، روابط ترجیحی فازی غیر قطعی، روابط ترجیحی زبانی غیر قطعی و روابط ترجیحی فازی شهودی تاکید می شود. برای حل چنین مسائل تصمیم گیری GDM، یک روش آنالیز تصمیم گیری پبشنهاد می شود. بر اساس پیوستگی مضربی روابط ترجیحی غیر قطعی، مدل بهینه سازی دو منظوره با هدف بیشینه سازی هر دو اجماع گروهی و پیوستکی فردی هر تصمیم گیر ارایه می شود. با حل مدل بهینه سازی، اوزان اولیه انواع جایگزین ها را می توان به دست آورد.
اگرچه مثال های ارایه شده در این مقاله، مربوط به مسئله انتخاب جایگزین های سرمایه گذاری برای شرکت چند ملیتی بود، مدل GDM پیشنهادی را می توان به دیگر مسائل تصمیم گیری کاربردی نظیر انتخاب عرضه کننده، ارزیابی عملکرد شرکت و استفاده از تابع کیفیت به خصوص زمانی که تصمیم گیران از کشور ها و فرهنک و تحصیلات متفاوتی می باشند و یا زمانی که تصمیم گیران به اجماع کلی در خصوص استفاده از نوع روابط ترجیح نمی رسند تعمیم داد.
(ترجمه بخش ۱ این مقاله، موجود نیست)

بخشی از مقاله انگلیسی:

abstract For practical group decision making problems, decision makers tend to provide heterogeneous uncertain preference relations due to the uncertainty of the decision environment and the difference of cultures and education backgrounds. Sometimes, decision makers may not have an in-depth knowledge of the problem to be solved and provide incomplete preference relations. In this paper, we focus on group decision making (GDM) problems with heterogeneous incomplete uncertain preference relations, including uncertain multiplicative preference relations, uncertain fuzzy preference relations, uncertain linguistic preference relations and intuitionistic fuzzy preference relations. To deal with such GDM problems, a decision analysis method is proposed. Based on the multiplicative consistency of uncertain preference relations, a bi-objective optimization model which aims to maximize both the group consensus and the individual consistency of each decision maker is established. By solving the optimization model, the priority weights of alternatives can be obtained. Finally, some illustrative examples are used to show the feasibility and effectiveness of the proposed method. 2014 Elsevier Ltd. All rights reserved. 1. Introduction The increasing complexity of the socio-economic environment makes it less and less possible for a single decision maker (DM) to consider all relevant aspects of a decision making problem (Kim, Choi, & Kim, 1999). Therefore, many decision making problems in the real world are usually conducted by decision groups, and group decision making (GDM) problem has long been identified as a hot topic in decision science research area (Hwang & Lin, 1987). For a typical GDM problem, decision makers are usually asked to provide their preferences over a set of alternatives (criteria). As an effective tool, preference relation has been widely used to express decision makers’ preference information through pairwise comparisons. Up to now, many formats of preference relations have been developed (Xu, 2007b), such as multiplicative preference relation (Herrera, Herrera-Viedma, & Chiclana, 2001; Saaty, 1980), fuzzy preference relation (Herrera-Viedma, Chiclana, Herrera, & Alonso, 2007; Tanino, 1984) and linguistic preference relation (Herrera, Herrera-Viedma, & Verdegay, 1996; Xu, 2006; Xu, 2008). But due to the uncertainty of decision environment and the lack of decision makers’ knowledge, preference relations given by decision makers sometimes are uncertain ones (Liu, Zhang, & Wang, 2012; Xu, 2004b). As a result, many publications have focused on deriving priority weights from uncertain preference relations (Chen & Zhou, 2012; Gong, Li, Zhou, & Yao, 2009; Wang, Yang, & Xu, 2005; Wu, Li, Li, & Duan, 2009; Xu & Chen, 2008a). For some complex GDM problems defined with high uncertainty, decision makers may be of different culture and education background and may have different levels of knowledge about the decision making problems (Herrera-Viedma, Herrera, & Chiclana, 2002; Palomares, Rodríguez, & Martínez, 2013). On the other hand, decision makers sometimes are distributed in different areas and it may be difficult for them to reach an agreement on which type of preference relations can be used. In such situations, decision makers may tend to express their preference using different formats of preference relations according to their own will. In recent years, group decision making with heterogeneous preference information has received more and more attention (Delgado, Herrera, Herrera-Viedma, & Martínez, 1998; Espinilla, Palomares, Martínez, & Ruan, 2012; Fan, Xiao, & Hu, 2004; Li, Huang, & Chen, 2010; Pérez, Alonso, Cabrerizo, Lu, & Herrera-Viedma, 2011). For instance, Herrera-Viedma et al. (2002) presented a consensus model for multi-person decision making problems with different http://dx.doi.org/10.1016/j.cie.2014.02.004 0360-8352/ 2014 Elsevier Ltd. All rights reserved. q This manuscript was processed by Area Editor Imed Kacem. ⇑ Corresponding author. Tel.: +86 411 84708007; fax: +86 411 84707425. E-mail addresses: zhangzhen@mail.dlut.edu.cn (Z. Zhang), guochonghui@tsinghua.org.cn (C. Guo). 1 Tel.: +86 411 84708007; fax: +86 411 84707425. Computers & Industrial Engineering 71 (2014) 27–۳۶ Contents lists available at ScienceDirect Computers & Industrial Engineering journal homepage: www.elsevier.com/locate/caie preference structures to help experts change their opinions and obtain a degree of consensus. Herrera, Martínez, and Sánchez (2005) developed an aggregation process to combine different types of preference relations, such as linguistic, numerical and interval-valued information. Fan, Ma, Jiang, Sun, and Ma (2006) established a goal programming model to solve group decision making problems where the preference information on alternatives is represented in multiplicative preference relations and fuzzy preference relations. Wang and Fan (2007) investigated the aggregation of fuzzy preference relations and multiplicative preference relations. In their approach, they presented two optimization aggregation approaches to determine the relative weights of individual fuzzy preference relations so that they can be aggregated into a collective fuzzy preference relation. Dong, Xu, and Yu (2009) proposed a linguistic multi-person decision making model based on linguistic preference relations which can integrate fuzzy preference relations, different types of multiplicative preference relations and multigranular linguistic preference relations. In order to deal with GDM problems with heterogeneous incomplete preference relations, including multiplicative preference relations, fuzzy preference relations and linguistic preference relations, Fan and Zhang (2010) established a goal programming model to derive the collective evaluation of alternatives. Like Fan and Zhang (2010)’s study, Xu (2011) considered four formats of incomplete preference relations and established a quadratic programming model to obtain the ranking of alternatives. Pérez, Cabrerizo, and Herrera-Viedma (2010) presented a mobile decision support system for dynamic group decision making with fuzzy preference relations, orderings, utility functions and multiplicative preference relations, in which mobile technologies are applied and the set of alternatives can change throughout the process. Pérez, Cabrerizo, and HerreraViedma (2011b) also developed a mobile GDM model for changeable decision environments which allows decision makers to express their preferences using heterogeneous preference relations, including fuzzy preference relations and multi-granularity linguistic preference relations. In a recent work, Palomares et al. (2013) proposed a consensus model in which decision makers can express their opinions by using different types of information, capable of dealing with large groups of decision makers, which incorporates the management of the group’s attitude towards consensus by means of the proposed Attitude-OWA operator. From the above analysis, a lot of studies have been conducted to deal with GDM with heterogeneous preference relations and previous studies have significantly advanced the field of GDM. However, most of the research focuses on GDM problems with certain preference relations. There is very little literature addressing GDM problems with heterogeneous uncertain preference relations. On the other hand, for actual GDM problems there may be cases in which decision makers do not have an in-depth knowledge of the problem to be solved. In such cases, decision makers may not put their opinions forward about certain aspects of the problem, and as a result incomplete preference relations may be obtained (Alonso, Herrera-Viedma, Chiclana, & Herrera, 2009; Alonso, Herrera-Viedma, Chiclana, & Herrera, 2010; Herrera-Viedma et al., 2007; Zhang & Guo, 2013). Considering such situations, the main contribution of this paper is to propose a GDM approach to deriving priority weights from heterogeneous incomplete uncertain preference relations, including uncertain multiplicative preference relations, uncertain fuzzy preference relations, uncertain linguistic preference relations and intuitionistic fuzzy preference relations, which can allow decision makers to express their preference information over alternatives more flexibly. For this purpose, this paper first defines the group consensus index and the collective individual consistency index for the four types of incomplete uncertain preference relations under group decision making environment. Afterwards, a bi-objective optimization model, which aims to obtain both the maximum group consensus and collective individual consistency, is proposed to derive the priority weights. To do so, the rest of this paper is organized as follows. Section 2 presents some concepts and preliminaries related to incomplete uncertain preference relations. In Section 3, we give a description of the group decision making problem with heterogeneous incomplete uncertain preference relations. Section 4 proposed a bi-objective optimization model to address the group decision making problem. In Section 5, we give some illustrative examples to show the feasibility and effectiveness of the proposed method. Section 6 gives a discussion on the advantages and limitations about the proposed approach. Finally, we conclude this paper in Section 7.