Podręcznik omawia sposoby podejmowania decyzji zarządczych w różnych sytuacjach problemowych, jakie pojawiają się w systemach gospodarczych. Podano podstawowe pojęcia, klasyfikację problemów i odpowiednie metody ich rozwiązywania, metody ich konstruowania i opisu. Dużą wagę przywiązuje się do zautomatyzowanego wsparcia procedur decyzyjnych i zadań w warunkach rozmytych. Cechą publikacji jest sposób rozwiązywania typowe zadania z uzasadnieniem metod wyboru racjonalnego rozwiązania.
Podręcznik został przygotowany zgodnie z programem kursu „Decyzje zarządcze”, który jest zawarty w specjalności „Zarządzanie organizacjami i społeczeństwem”. gminy”. Przeznaczony dla studentów kierunków ekonomicznych wszystkich form kształcenia, może być przydatny dla wszystkich zainteresowanych problematyką efektywnego podejmowania decyzji w zarządzaniu, biznesie i produkcji. Rekomendowany przez Radę Stowarzyszenia Pedagogiczno-Metodologicznego Rosyjskich Uniwersytetów Kształcenia w Kierunku Zarządzania jako podręcznik w specjalności „Zarządzanie organizacją”.

Częste problemy podejmowanie decyzji zarządczych.
Naukowe podstawy teorii podejmowania decyzji jako wycinka ogólnej teorii systemów oraz Analiza systemu powstały w czasie II wojny światowej. Jej założycielami są J. von Neumann i O. Morgenstern, którzy w 1944 roku opublikowali materiały dotyczące nowego kierunku - teorii gier. Później zagraniczni eksperci R. Ackoff, F. Emery, St. Optner, R. Lewis, X. Rife, St. Piwo, J. Forrester i inni, a także domowe - A. G. Vendelin, D. M. Gvishiani, O. I. Larichev, I. M. Syroezhin i inni wnieśli znaczący wkład w rozwój i wzbogacenie tej teorii.

Wszelka działalność zarządcza, w tym w zakresie ekonomii, zarządzania i marketingu, jest ściśle związana z podejmowaniem odpowiednich decyzji w różnych sytuacjach zarządczych.

Dlatego w ogólnym przypadku przez decyzję rozumie się zespół wpływów kierowniczych (działania ze strony decydenta (DM)) na obiekt (system, kompleks itp.) zarządzania, który umożliwia doprowadzenie ten obiekt do pożądanego stanu lub osiągnięcia postawionego przed nim celu.

Proces decyzyjny (DP) jest jednym z etapów działania zarządcze, na którym wybierane jest najkorzystniejsze rozwiązanie ze zbioru rozwiązań dopuszczalnych lub zbiór rozwiązań jest uporządkowany według ich ważności.

Spis treści
Wstęp
Rozdział 1. Ogólne problemy podejmowania decyzji zarządczych
Rozdział 1. Problemy podejmowania decyzji w zarządzaniu systemami gospodarczymi”
1.1. Ogólne problemy podejmowania decyzji zarządczych
1.2. Modelowanie procesów zarządzania
1.3. Model reprezentacji informacji w zarządzaniu systemami gospodarczymi
1.4. Model informacji w procesie decyzyjnym
1.5. Efektywność zarządzania w nowoczesnych warunkach
1.6. Podejmowanie decyzji w wyjątkowych sytuacjach problemowych
Rozdział 2. Podstawowe pojęcia i kategorie teorii decyzji
2.1. Podstawowe definicje i określenie problemu decyzyjnego
2.2. Klasyfikacja problemów decyzyjnych
2.3. Klasyfikacja decyzji zarządczych
Rozdział 3 Technologia decyzyjna
3.1. Formowanie i ocena decyzji
3.2. Przygotowanie do wyboru rozwiązania
3.3. Proces technologiczny podejmowanie decyzji
3.4. Modelowanie procedur decyzyjnych
Rozdział 4. Opis i analiza sytuacji problemowej
4.1. Metody opisu sytuacji problemowej
4.2. Procedury analizy sytuacji problemu
4.3. Zadanie pomiaru charakterystyki sytuacji problemowej
4.4. Metody subiektywnych pomiarów cech
4.5. Kryteria wyboru: metody tworzenia kryterium integralnego
Sekcja 2. Metody podejmowania decyzji w ustrukturyzowanych sytuacjach problemowych
Rozdział 5 Podejmowanie decyzji w sytuacjach strukturalnych
5.1. Metody rozwiązywania problemów typu /. Poszukaj optymalnego rozwiązania
5.2. Rozwiązanie analityczne problemu optymalizacji liniowej (metoda simpleks)
5.3. Zautomatyzowane rozwiązanie problemu optymalizacji liniowej (Excel)
5.4. Metody rozwiązywania problemów typu JA. Zasada gwarantowanego wyniku
5.5. Zasada optymizmu (Maximax)
5.6. Zasada Hurwitza
5.7. Zasada Savage'a (minimax żal)
Rozdział 6
6.1. Podejmowanie decyzji w problemach typu G
6.2. Procedura selekcji w problemach strukturalnych typu GA
Rozdział 7
7.1. Przykład 1
7.2. Przykład 2
7.3. Komputerowe rozwiązanie problemu selekcji
Sekcja 3. Metody rozwiązywania złożonych sytuacji problemowych
Rozdział 8
8.1. Zestawienie i rodzaje zadań wielokryterialnych
8.2. Metody rozwiązywania problemów wielokryterialnych z nieustrukturyzowanymi kryteriami
8.3. Metody analitycznej konstrukcji metryk odległości
Rozdział 9
9.1. Uzasadnienie sposobu wyboru decyzji inwestycyjnej
9.2. Wybór najlepszego projektu metodą leksykograficzną
9.3. Wybór projektu na podstawie przesuniętej metody idealnej
9.4. Zadanie wyboru sprzętu
Rozdział 10
10.1. Metoda drzewa docelowego (metoda analizy hierarchii)
10.2. Rozwiązywanie problemów metodą analizy hierarchii
Rozdział 11
11.1. Zastosowanie metod optymizmu, pesymizmu, Hurwitz, Savage
11.2. Zastosowanie metody „przesuniętego ideału”
11.3. Stosowanie metody analizy hierarchii
Rozdział 12
12.1. Przykład 1 Rozwiązanie
12.2. Przykład 2 rozwiązanie
Sekcja 4. Metody podejmowania decyzji w sytuacjach nieustrukturyzowanych
Rozdział 13
13.1. Problemy wyboru w warunkach ryzyka i niepewności
13.2. Klasyfikacja niepewności w problemach sterowania
13.3. Podejmowanie decyzji w warunkach pewności probabilistycznej (ryzyko)
13.4. Metody analizy konsekwencji zdarzeń i drzew decyzyjnych
13.5. Metody selekcji przy pełnej lub częściowej niepewności
Rozdział 5. Eksperckie (grupowe) metody wyboru w złożonych problemach decyzyjnych
Rozdział 14
14.1. Stwierdzenie i sformalizowanie grupowych problemów decyzyjnych (problemy typu G)
14.2. Klasyfikacja problemów z wyborem grup
14.3. Metodyka przeprowadzania procedury wyboru grupy
Rozdział 15
15.1. Metody podejmowania decyzji przez grupę ekspertów
15.2. Rodzaje grupowego zatwierdzania decyzji ekspertów
Rozdział 16
16.1. Metody koordynacji grupy przy podejmowaniu decyzji
16.2. Model estymacji grupowej wybranych obiektów
16.3. Modele dopasowywania ocen ekspertów
Rozdział 17
17.1. Ocena stopnia kompetencji eksperckich
17.2. Przykład rozwiązania problemu typu GA
Rozdział 6. Automatyzacja procedur decyzyjnych
Rozdział 18
18.1. Wymagania i cel systemów wspomagania decyzji
18.2. Funkcje systemów wspomagania decyzji
18.3. Technologia aplikacji systemów wspomagania decyzji
Rozdział 19
19.1. Cechy, charakterystyka i implementacja systemów ekspertowych
19.2. Praca z typowymi sytuacjami zarządczymi (moduł standardowych sytuacji ES)
19.3. Logiczna struktura funduszu informacyjnego i algorytm działania modułu WSN
19.4. Struktura systemu wsparcia modelu.

Strona 1

ANALIZA SYSTEMÓW INFORMACJI MEDYCZNEJ DLA ZAKŁADÓW MEDYCZNYCH I PREWENCYJNYCH TYPU SANATORIUM.

Informatyzacja działalności zakładów opieki zdrowotnej od dawna jest pilną potrzebą. Przetwarzanie szeregu informacji finansowych, medycznych i statystycznych, które stale rośnie, stało się możliwe tylko przy użyciu nowoczesnych technologii informatycznych i informatycznych. Wzrosła nie tylko ilość informacji, ale również wzrosły wymagania dotyczące szybkości ich przetwarzania. Organizacje wyższego szczebla co roku zwiększają wymagania dotyczące przekazywania tzw. „raportów elektronicznych” (czyli raportów w w formie elektronicznej). Systematycznie rośnie rola elektronicznej wymiany danych pomiędzy podmiotami opieki zdrowotnej za pomocą poczty elektronicznej i Internetu.

Obecnie każda placówka medyczna (HCI) jest w pewnym stopniu objęta informatyzacją. W większości są to lokalne, niepowiązane ze sobą systemy automatyki dla różnych obszarów działalności placówek służby zdrowia. W praktyce informatyzacja regionalnej ochrony zdrowia obejmuje wyłącznie usługi finansowo-ekonomiczne zakładów opieki zdrowotnej: dział księgowości, planowania i ekonomii, medycyna ubezpieczeniowa. Aby poprawić jakość i dostępność opieka medyczna w placówkach służby zdrowia konieczna jest kompleksowa automatyzacja wszelkiego rodzaju czynności w placówce.

Dziś rynek systemów informacji medycznej (MIS) oferuje wystarczająco dużo różne rozwiązania w szerokim przedziale cenowym i z różnymi funkcjonalnościami. W trakcie badania przebadaliśmy 30 medycznych systemów informacyjnych. Spośród nich 12 to produkty ukraińskiego producenta, 18 to produkty rosyjskie. Większość systemów, a mianowicie 13, jest przeznaczona dla sanatoriów.

Celem naszych badań było porównanie systemów informacji medycznej dla placówek medycznych i profilaktycznych typu sanatoryjnego według ogólnie przyjętych kryteriów i wyznaczenie optymalnego z wykorzystaniem teorii rozwiązywania zadań wielokryterialnych.

Wybór optymalnego systemu został przeprowadzony z punktu widzenia kupującego na podstawie danych dostępnych w sieci otwartej. Ten problem został rozwiązany metodą „przesuniętego ideału”. Ta metoda, opisana w , jest przeznaczona do rozwiązywania zadań wyboru optymalnego obiektu, w przypadku duża liczba obiekty i kryteria porównania.

W trakcie badania porównano 19 systemów informacji medycznej, które zostały znalezione w: otwarte źródła najbardziej szczegółowe informacje. Porównanie systemów przeprowadzono według ogólnie przyjętych kryteriów porównawczych. Mianowicie:

kompletność funkcjonalności systemu;

Koszt programu (za jeden Miejsce pracy);

· konieczność inwestycji w zakup systemu zarządzania bazą danych (DBMS);

koszt DBMS;

· dostosowanie do ustawodawstwa Ukrainy.

Metoda „przesuniętego ideału” operuje cechami obiektów, które są wyrażone w liczbach, dlatego jakościowe kryteria porównywania systemów zostały przeliczone na liczby (tab. 1).

Tabela 1. Konwersja kryteriów porównawczych do postaci cyfrowej.

Metoda ma na celu wybranie jednego lub podzbioru najbardziej preferowanych obiektów. Charakterystyczne cechy metody to:

obecność procedury tworzenia „idealnego” obiektu ( W + ), który jest rodzajem celu, do którego należy dążyć. Taki „ideał” z reguły nie jest osiągalny i tak naprawdę nie istnieje, ale warto go mieć, aby decydent zrozumiał swoje cele;

w każdej iteracji wyklucza się obiekty, które nie twierdzą, że są najbardziej preferowane, tj. „najlepsze” obiekty nie są wyróżniane, ale „najgorsze” są wykluczane.

Ogólnie algorytm metody jest następujący ( Ryż 2.2 ): Zdominowane obiekty są wykluczane jako pierwsze, ponieważ wśród nich nie może być najbardziej preferowany.

Powstaje „idealny” przedmiot W +(1) od najbardziej preferowanych wartości kryteriów oraz „antyideał” od wartości najmniej preferowanych. Wyznaczane są odległości od obiektów z oryginalnego zestawu do „antyideału”, na podstawie których wybierane są obiekty „najgorsze”. Wśród takich obiektów z reguły znajdują się obiekty, które mają jedną najbardziej preferowaną wartość (obiekty W 1 oraz W 6 na Ryż 2.2 ).

Po wykluczeniu „najgorszych” obiektów ponownie przechodzimy do etapu „idealnej” formacji i to się zmienia (na rysunku to W +(2) ) zbliżanie się do rzeczywistych obiektów.

Procedura kończy się, gdy pozostaje niewielka liczba obiektów, które są uważane za najkorzystniejsze.

Należy zauważyć, że porównując realne przedmioty z „ideałem”, decydent odczuwa niezadowolenie, spowodowane niedostępnością uformowanego „ideału”. To niezadowolenie nazywa się konflikt przed decyzją.

Po wybraniu najbardziej preferowanego obiektu decydent staje się niezadowolony, spowodowany tym, że wybrany został właśnie ten, a nie inny. To niezadowolenie nazywa się konflikt po rozwiązaniu.

W pierwszych iteracjach metody konflikt przeważa nad rozwiązaniem. W kolejnych iteracjach „ideał” zbliża się do realnych obiektów, a konflikt przed decyzją słabnie. Jednak konflikt po decyzji może się nasilać. Wskazuje to na niewystarczającą wiedzę decydenta o rozwiązywanym problemie.

Rozważmy szczegółowo algorytm metody, której schemat blokowy pokazano w rys.2.3.

Niech oryginalny zestaw obiektów zawiera P przedmioty. Wszystkie kryteria k j (j=l,…, m) mierzone w skali interwałowej lub ilorazowej.

W pierwszym etapie powstaje „idealny” przedmiot
, gdzie – maksymalna wartość preferencji kryterium wśród wszystkich obiektów, tj.
jeśli preferencja obiektu rośnie wraz ze wzrostem k j , lub
jeśli preferencja obiektu wzrasta wraz ze spadkiem kryterium. Jeśli „ideał” należy do zbioru obiektów, to będzie najbardziej preferowany. Ale ponieważ MCZ jest zwykle rozwiązywany na zbiorze efektywnych obiektów, „idealny” obiekt nie będzie należał do pierwotnego zbioru.

Na tym samym etapie powstaje „najgorszy” obiekt
najmniej preferowanych wartości.

W drugim etapie przejście od fizycznych jednostek miary kryteriów do jednostek względnych odbywa się zgodnie z wyrażeniem:

W jednostkach względnych wszystkie kryteria zmienią się w przedziale , natomiast mniej , tematy bliższy obiekt według kryterium k j do „antyideału”.

Pierwsze dwa etapy wykonywane są automatycznie, bez udziału decydenta. Na trzecim etapie decydent, na podstawie swoich osądów na temat ważności kryteriów, ustala wagi kryteriów W j (j = 1,...,m).

W przypadku trudności decydent może użyć podejście informacyjne w celu określenia ważności kryteriów.W kolejnym, czwartym etapie, obliczane są odległości obiektów do „antyideału”. Następujące wyrażenie jest używane jako metryka:

(2.2)

Używając w ( 2.2 )różny R, możesz uzyskać różne dane. Tak, w p= 1, otrzymujemy operator addytywny, a kiedy
(2.2 ) wchodzi w
.im większa wartość , tym obiekt jest dalej od „antyideału” i bliższy „ideałowi”.

Z Należy zauważyć, że inne metryki mogą być używane jako metryka do porównywania obiektu z „idealnym”. operatorzy agregacji.

Na kolejnym, piątym etapie, ustawiając różne wartości R decydent definiuje różne metryki w celu porównania z „idealnym”. Na każdym R, tj. dla każdej metryki wszystkie obiekty są uporządkowane w kolejności bliskości do „idealnej” wartości . decydent w dialogu, zmiana p, bada wpływ różnych metryk na kolejność obiektów.

Ponadto, na szóstym etapie, decydent podejmuje decyzję o wykluczeniu obiektów, które nie są najbardziej preferowane. Oczywiście są to obiekty, które przy różnych metrykach (różne R) znajdują się na końcu uporządkowanych wierszy. Rzeczywiście, jeśli niezależnie od wybranej metryki, obiektowi daleko do „ideału”, to istnieją wszelkie powody, aby go wykluczyć.

Po wykluczeniu obiektów następna iteracja rozpoczyna się od utworzenia „idealnego” obiektu już na pozostałym podzbiorze obiektów.

Procedura kończy się, gdy po kolejnym wyjątku pozostanie niewielka liczba obiektów, co będzie najkorzystniejsze.

Należy zauważyć, że przy każdej iteracji wskazane jest przeanalizowanie rozrzutu kryteriów. Faktem jest, że wśród wykluczonych obiektów z reguły znajdują się obiekty zawierające maksymalne i minimalne wartości kryteriów. Tym samym przy każdej iteracji zmniejsza się obszar zmiany kryteriów, a co za tym idzie ich rozrzut znacznie się zmienia. Następnie używając podejście informacyjne, możemy wyróżnić kryteria nieinformacyjne i w celu uproszczenia zadania wykluczyć takie kryteria.

Podsumowując, zauważamy, że ta metoda jest najbardziej wydajna w przypadku problemów o dużych rozmiarach.

- 275,50 KB

Ministerstwo Edukacji i Nauki Federacji Rosyjskiej

FGOU HPE „Mordovia State University im. N.P. Ogaryova”

Wydział Matematyki

Katedra Matematyki Stosowanej

RAPORT

studenci IV roku Wydziału Matematyki

(specjalność „Zastosowana Matematyka i Informatyka”)

Korovina A.V.

o przejściu praktyki przemysłowej w tym okresie

od 09.01.2011 do 15.05.12

Eksperckie metody decyzyjne

Raport został opracowany przez Korovina A.V.

404 grupa, d/o

Raport został zaakceptowany przez dr Safonkina V.I.

Sarańsk

2012

1.	Wstęp………………………………………………………………………......				3
2.	Rozwiązanie zadań wielokryterialnych………………………………………….......				4
	2.1.		Zestawienie zadań wielokryterialnych ……………………………..........		4
	2.2.		Metody rozwiązywania problemów wielokryterialnych ……………………………		5
3.	Eksperckie metody podejmowania decyzji………………………………………......				14
	3.1.		Etapy oceny eksperckiej sytuacji problemowej …………..
	3.2.		Stwierdzenie problemu dla decydentów grupowych ………………………………. .....
	3.3.		Rodzaje zatwierdzania grupowego ……………………………………………
		3.3.1.		zasada dyktatora………………………………………………………
		3.3.2.		zasada głosowania………………………………………………… …...
		3.3.3.		zasady wyboru poza systemem………………………………………...
	3.4.		Formowanie decyzji w grupach ………………………………… …......
	3.5.		Przetwarzanie wyników ocen eksperckich ………………………………
		3.5.1.		metody statystycznego przetwarzania ocen eksperckich…………….
4.		Wniosek…………………………………………………… ………………...
5.		Wykaz wykorzystanej literatury…………………………………………......

1. Wstęp

W praktyce zarządzania systemami gospodarczymi często zdarzają się takie sytuacje problemowe, dla których informacje są częściowo lub całkowicie nieznane lub trudno dostępne do opisania sytuacji problemowej lub których nie można z wystarczającą dokładnością sformalizować. W takim przypadku takie problemy są zwykle rozwiązywane przy pomocy zaangażowanej grupy ekspertów, którzy analizują i oceniają istniejącą sytuację problemową i generują określony zestaw alternatyw dla jej rozwiązania. Istotą metody podejmowania decyzji z udziałem ekspertów jest uzyskiwanie ocen eksperckich indywidualnie dla każdego eksperta i formułowanie uogólnionej opinii o najlepszym przedmiocie (rozwiązaniu) dla całej grupy jako całości.

Technologia rozwiązywania problemów decyzyjnych przez grupę ekspertów jest podobna do technologii indywidualnego wyboru i zawiera te same uogólnione procedury i operacje: świadomość i identyfikacja problemu, jego analiza; przygotowanie informacyjne decyzji; poszukiwanie i podejmowanie decyzji; wdrażanie decyzji itp.

Rozważmy odrębne procedury doboru grupowego, charakteryzujące specyfikę metod eksperckich.

2. Rozwiązywanie problemów wielokryterialnych

2.1. Zestawienie zadań wielokryterialnych

Zadania decyzyjne nazywane są wielokryterialnymi, których liczba kryteriów osiągnięcia celu wynosi więcej niż dwa:

K (K 1 , K 2 , ..., K m ),

a same zadania charakteryzują się kilkoma alternatywami:

Y = (A l , A 2 , ..., A n )

Tabela 1.1.

Macierz opisu zadania wielokryterialnego

Obiekty (alternatywy) Kryteria K1 K2 … Km 1 … 2 … … … … … … Jakiś …

Takie zadania zazwyczaj opisuje macierz podana w tabeli. 1.1.

Matematyczna interpretacja problemu wielokryterialnego polega na tym, że obiekty są reprezentowane przez punkt w przestrzeni kryterialnej (K 1 ,K 2 ,...,K m ). Problemy, dla których wartości kryteriów zmieniają się dyskretnie, nazywane są dyskretnymi problemami decyzyjnymi. Przykład wyświetlenia problemu dyskretnego dla trzech obiektów w dwuwymiarowej przestrzeni kryteriów (k 1 , k 2 ) pokazano na rys. 1.1.

Ryż. 1.1.

Graficzna interpretacja problemu wielokryterialnego

(3 obiekty, 2 kryteria)

Jeżeli wartości kryteriów zmieniają się w sposób ciągły, to problem należy do problemu optymalizacji wektorowej. W tym przypadku graficzna interpretacja takiego problemu przedstawiana jest jako pewien obszar w przestrzeni kryteriów.

W zależności od wymaganego rozwiązania problemy wielokryterialne można podzielić na następujące klasy:

• zadania selekcyjne (wybór najbardziej preferowanego obiektu);
• zadania ewaluacyjne (ocena obiektu według kryterium integralnego);
• problemy wyznaczania rozwiązań optymalnych w sensie Pareto.

Do rozwiązywania problemów należących do różnych klas wymagane są odpowiednie metody rozwiązywania. Rozważmy szereg praktycznych metod rozwiązywania problemów wielokryterialnych.

1.2. Metody rozwiązywania problemów wielokryterialnych

Zgodnie z podejściami do rozwiązywania problemów wielokryterialnych wyróżnia się trzy główne grupy metod: leksykograficzny, interaktywny, aksjomatyczny.

Metody rozwiązania związane z pierwsza grupa, opierają się na założeniu dominacji kryteriów. Problem rozwiązywany jest w kilku cyklach, na każdym z których realizowane są dwa etapy: ranking kryteriów; wybór obiektów samodzielnie ważne kryterium.

Współ. druga grupa obejmują głównie metody i algorytmy wyboru najbardziej preferowanego obiektu (rozwiązania), które są głównie interaktywnymi procedurami, które zależą od specyfiki rozwiązywanego problemu.

Metody trzecia grupa(aksjomatyczne) wykorzystują przepisy opracowane w teorii użyteczności. W tym przypadku konieczne jest zdefiniowanie i ustawienie właściwości niejawnej funkcji preferencji, tj. ustalenie struktury preferencji, którą decydent działa podczas wybierania i oceny obiektu. Na podstawie zidentyfikowanych właściwości wybiera się pewną funkcję analityczną (funkcję użyteczności), która opisuje strukturę preferencji decydenta. Jednocześnie decydent powinien być dobrze zorientowany w treści zadania. Metoda ta jest najbardziej czasochłonna w porównaniu z poprzednimi, ale pozwala na uzyskanie bardziej sensownych oszacowań obiektów.

Przyjrzyjmy się bliżej niektórym z tych metod.

Metody leksykograficzne. Przy rozwiązywaniu problemów tą metodą kryteria (k 1 , k 2 , ..., k m ) są uszeregowane według stopnia ważności, tak aby indeks 1 (ranga) był przypisany do najważniejszego kryterium. Ponadto procedura wyboru obiektów jest przeprowadzana zgodnie z tym kryterium. Pozostałe kryteria (k 2 , k 3 , ..., k m ) podlegają ograniczeniom typu znanym ze struktury problemu: a 2 ≤ k 2 ≤ b 2 ; a3 ≤ k3 ≤ b3; …; a m ≤ k m ≤ b m

Jeżeli którekolwiek kryterium nie spełnia określonych ograniczeń, zostaje wyłączone z rozpatrzenia. W konsekwencji powstaje zestaw prawidłowych obiektów (alternatywy), na przykład: przy wyborze lodówki możesz ustawić następujące kryteria jako kryteria:

k 1 - całkowita objętość (m 3);

k 2 - objętość zamrażarka(m 3);

k 3 - moc (kW);

k 4 - cena (ruble) itp.

Jeżeli zgodnie z kryterium k 1 , nie jest możliwe jednoznaczne wybranie obiektu a iÎ A następnie dokonuje się wyboru według kolejnego najważniejszego kryterium - k 2 itd.

Stan : schorzenie przewaga sensownie oznacza to, że: jeśli uporządkujesz obiekty według kryterium k 1, to kolejność ta nie zmieni się przy uwzględnieniu kryteriów k 2 , k 3 , itd., czyli k 1 jest tak ważne, że dominuje wśród wszystkich inni.

W grupie metod interaktywnych najczęstszymi zasadami wyboru są: preferowany obiekt(metoda „przesuniętego ideału”). Metoda ta obejmuje dużą grupę algorytmów realizujących rozwiązanie takich problemów. Wspólnymi cechami, które łączą tę metodę, są obecność „idealnego obiektu” i obecność procedur przesiewowych.

Tworząc „przedmiot idealny”, jest całkiem możliwe, że jego obraz może nie należeć do rzeczywistego zbioru obiektów (A l , A 2 , ..., A n ) lub w ogóle nie istnieć. W tym przypadku porównuje się obiekty ze zbioru (Al ,A 2 ,...,A n ) z modelem uformowanego idealnego obiektu i przeprowadza się procedurę przesiewową. Budując model „obiektu idealnego” ważne jest skorzystanie z wiedzy i doświadczenia specjalisty użytkownika (DM), gdyż dokładniej rozumie on właściwości i parametry zaczerpnięte z najlepszych obiektów rzeczywistych i stanowiące treść „ idealny obiekt”.

Procedura przesiewania charakteryzuje się wykluczeniem z początkowego zbioru obiektów (Al , A 2 , ..., An ) podzbiorów, które nie zawierają pożądanego najbardziej preferowanego obiektu.

Ogólnie procedura znalezienia najbardziej preferowanego obiektu składa się z kilku etapów.

1. Formowanie „przedmiotu idealnego”.
2. Analiza zbioru obiektów w celu ustalenia korespondencji
   „idealny przedmiot”.
3. Interaktywne wykluczenie ze zbioru wyjściowego tych obiektów (A l ,A 2 ,...,A n ), które w analizie uznano za oczywiście nie najlepsze.
4. Przejdź do kroku 1, aby uzyskać zmniejszony zestaw obiektów.

Rozważ przykład rozwiązania problemu decyzyjnego za pomocą przesuniętej metody idealnej.

Przykład 1

1. Opis sytuacji problemowej S 0
1. Opis problemu.

Określ najbardziej obiecującą maszynę CNC do wprowadzenia na rynek w serii.

1. Czas na PR: T = 1 tydzień.
2. Zasoby dla PR: informacje o cechach maszyn.
3. Kryteria (K):

K 1 - średni czas pracy (s);

K 2 - niezawodność czasu między awariami (tys. godzin);

K 3 - koszt maszyny (tys. rubli).

1. Wiele ograniczeń (B).

Znane są górne i dolne granice dla zmiany wartości kryteriów.

1. Wiele alternatywnych opcji.

Tabela 1.2

Wariant macierzy

Opis pracy

W praktyce zarządzania systemami gospodarczymi często zdarzają się takie sytuacje problemowe, dla których informacje są częściowo lub całkowicie nieznane lub trudno dostępne do opisania sytuacji problemowej lub których nie można z wystarczającą dokładnością sformalizować. W takim przypadku takie problemy są zwykle rozwiązywane przy pomocy zaangażowanej grupy ekspertów, którzy analizują i oceniają istniejącą sytuację problemową i generują określony zestaw alternatyw dla jej rozwiązania. Istotą metody podejmowania decyzji z udziałem ekspertów jest uzyskiwanie ocen eksperckich indywidualnie dla każdego eksperta i formułowanie uogólnionej opinii o najlepszym przedmiocie (rozwiązaniu) dla całej grupy jako całości.

2.1.
Zestawienie zadań wielokryterialnych…………………………………..........
4

2.2.
Metody rozwiązywania problemów wielokryterialnych……………………………
5
3.
Metody eksperckie podejmowanie decyzji…………………………………......
14

3.1.
Etapy oceny eksperckiej sytuacji problemowej…………..

3.2.
Stwierdzenie problemu dla decydentów grupowych………………………………......

3.3.
Rodzaje homologacji grupowej…………………………………………………

3.3.1.
zasada dyktatora………………………………………………………………

3.3.3.
pozasystemowe zasady wyboru………………………………………...

3.4.
Formowanie decyzji w grupach…………………………………………......

3.5.
Przetwarzanie wyników ocen eksperckich………………………………

3.5.1.
metody statystycznego przetwarzania ocen eksperckich…………….

4.
Wniosek……………………………………………………………………...

5.
Wykaz wykorzystanej literatury…………………………………………......

Wysyłanie dobrej pracy do bazy wiedzy jest proste. Skorzystaj z poniższego formularza

Dobra robota do strony">

Studenci, doktoranci, młodzi naukowcy, którzy wykorzystują bazę wiedzy w swoich studiach i pracy będą Ci bardzo wdzięczni.

Hostowane na http://www.allbest.ru/

Zastosowanie metod wielokryterialnej analizy procesów biznesowych

Wstęp

biznes decyzyjny wielokryterialny

U źródła współczesna teoria optymalizacja procesów biznesowych to wybór najlepsza alternatywa organizowanie procesów biznesowych poprzez przeprowadzanie jakościowej lub ilościowej analizy alternatyw. Taka analiza jest często wielokryterialna, ponieważ kilka kryteriów musi być ocenianych jednocześnie, które mogą być sprzeczne, takie jak koszt, jakość, koszty, ryzyko, wydajność itp. W życiu codziennym taki wybór oparty na kilku kryteriach jest zwykle dokonywany intuicyjnie, a jego konsekwencje mogą być całkiem akceptowalne dla decydenta (DM). Jednak przy wyznaczaniu zadań biznesowych intuicja nie może być jedynym narzędziem podejmowania decyzji, gdyż zadania te są znacznie większe, aw wysoce konkurencyjnym środowisku organizacje muszą uzyskać jak najbardziej obiektywną ocenę alternatyw. Uzyskanie takiej oceny wymaga dokładnego przestudiowania wszystkich kryteriów wyboru, określenia zależności między nimi oraz ustalenia priorytetów.

Stosowność Niniejsze opracowanie wynika z faktu, że w analizie procesów biznesowych problemy bardzo często przybierają postać wielokryterialną. Przykładowo przy wyborze dostawcy analiza procesu biznesowego zakupów wymaga oceny parametrów takich jak jakość produktu, koszt, obsługa posprzedażowa, stabilność finansowa itp. Analiza procesu biznesowego zarządzania inwestycjami obejmuje ocenę ryzyka, oczekiwanego zwrotu, wielkości inwestycji oraz atrakcyjności regionu, w którym prowadzona jest działalność inwestycyjna. Analiza procesu biznesowego rekrutacji, która ma miejsce w większości organizacji, obejmuje ocenę parametrów, takich jak doświadczenie kandydata, wykształcenie, wiek, żądane wynagrodzenie itp. Ponadto, nowoczesne tendencje Rozwój teorii zarządzania ma na celu uwzględnienie różnych aspektów przedsiębiorstwa, zarówno finansowych, jak i niefinansowych. Definiowanie i badanie szeregu wskaźników z wielu perspektyw często prowadzi do problemów, które przybierają formę wielokryterialną. Na przykład tak popularne narzędzie zarządzania, jak zrównoważona karta wyników, opracowane przez R. Kaplana i D. Nortona, oznacza równe traktowanie przez firmy co najmniej czterech perspektyw: finansów, klientów, wewnętrznych procesów biznesowych, szkoleń i rozwoju. W każdej z tych perspektyw autorzy zalecają zidentyfikowanie co najmniej pięciu kluczowych wskaźników wydajności (KPI). Takie podejście umożliwia formowanie skuteczna strategia firmy jednak monitorując realizację tej strategii, jak podkreślają sami autorzy, często trudno jest ocenić liczne wskaźniki. Jeden z praktycznych przykładów podanych w książce pokazuje, jak analizować skuteczność projektu w firmie, zidentyfikowano 16 kluczowych wskaźników tego projektu, które zostały ocenione przez klientów firmy. Jednak wyciągnięcie wniosku o sukcesie projektu według tych szacunków stało się wielokryterialnym zadaniem dla kierownictwa firmy, do rozwiązania którego zastosowano metody oparte na rankingu i liniowej splocie kryteriów. R. Kaplan i D. Norton podali również przykład zadania, z którym kierownictwo firmy nie mogło sobie poradzić ze względu na jego wielokryteriowość. Zadanie polegało na zoptymalizowaniu procesu biznesowego dostaw, a w celu zwiększenia wartości wskaźnika „dostawa na czas” firma znacząco wydłużyła interwał czasowy dostaw, w wyniku czego klient był niezadowolony, a proces biznesowy uległ „fałszywa optymalizacja”. Tego błędu można było uniknąć, stosując wielokryterialne metody optymalizacji.

Dzisiaj teoria podejmowania decyzji zawiera wiele podejść i metod podejmowania decyzji w środowisku wielokryterialnym, które decydent może wykorzystać do rozwiązania różnych problemów wielokryterialnych. Jednocześnie jednak problem wyboru metody najbardziej odpowiedniej do rozwiązania konkretnego problemu pozostaje niezwykle aktualny. Z uwagi na fakt, że metody optymalizacji wielokryterialnej wykazują szereg różnic zarówno w uzyskiwanych wynikach (liczba znalezionych rozwiązań, prezentacja rozwiązań itp.) jak i w ich zastosowaniu (ilość niezbędnych informacji o preferencjach decydenta, metody zbierania informacji itp.), nie wszystkie metody można zastosować do rozwiązania konkretnego problemu. Ogólnie zadania można łączyć w grupy według ich przynależności do określonego obszaru tematycznego. W związku z niewłaściwym wyborem metody rozwiązania mogą pojawić się cztery poważne problemy: po pierwsze, skutki zastosowania niewłaściwej metody będą dla decydenta niezadowalające lub wręcz błędne. Po drugie, ze względu na słabe wyniki, można niesłusznie potępić użyteczne metody, jak np. metoda ELECTRE w Cohon i Marks (1977). Po trzecie, zastosowanie niewłaściwej metody oznacza stratę czasu, wysiłku i pieniędzy wydawanych w procesie podejmowania decyzji. Wreszcie, w wyniku błędów w aplikacji, potencjalni użytkownicy mogą w ogóle odmówić zastosowania jakiegokolwiek MMRM do praktycznych problemów.

cel niniejszego opracowania jest opracowanie klasyfikacji metod wielokryterialnego podejmowania decyzji w przedmiocie zastosowania w ramach analizy procesów biznesowych.

Aby osiągnąć ten cel, konieczne jest rozwiązanie następujących kwestii zadania:

1. Przeprowadzić analizę źródeł odzwierciedlających różne podejścia do podejmowania decyzji w środowisku wielokryterialnym w celu zbadania istniejących metod analizy wielokryterialnej.

2. Przeprowadzić analizę oprogramowania mającą na celu rozwiązywanie problemów wielokryterialnych.

3. Przeprowadzić analizę źródeł, które odzwierciedlają przykłady praktycznego zastosowania metod wielokryterialnej analizy procesów biznesowych.

4. Zidentyfikować metody analizy wielokryterialnej mające zastosowanie do obszaru procesów biznesowych.

5. Opracować klasyfikację metod według przedmiotu zastosowania w zakresie procesów biznesowych.

7. Rozwiąż praktyczny problem wielokryterialny, który pojawia się w procesie biznesowym „Określanie strategii sprzedaży” firmy „VARS Expo” Sp.

obiekt niniejszego opracowania to procesy biznesowe, które wymagają podejmowania decyzji w środowisku wielokryterialnym.

Podmiot Badania naukowe to zastosowanie metod analizy wielokryterialnej do optymalizacji procesów biznesowych wymagających podejmowania decyzji w środowisku wielokryterialnym.

Podstawy metodologiczne z tej pracy stanowiły publikacje naukowe czołowych naukowców krajowych i zagranicznych, a także artykuły odzwierciedlające aktualne standardy z zakresu zastosowania wielokryterialnych metod analizy procesów biznesowych. Do rozwiązania postawionych zadań wykorzystano metody teorii podejmowania decyzji w warunkach wielokryterialnych.

Teoretyczne znaczenie Badania mają na celu opracowanie klasyfikacji metod wielokryterialnej analizy procesów biznesowych według przedmiotu zastosowania.

Praktyczne znaczenie Badania polegają na możliwości wykorzystania opracowanej klasyfikacji w analizie procesów biznesowych w celu doboru metody najbardziej odpowiedniej do rozwiązania konkretnego problemu optymalizacji wielokryterialnej.

Strukturapraca zawiera następujące sekcje: wstęp, przegląd literatury i analiza oprogramowania, część główna, zakończenie, bibliografia. Główna część opracowania składa się z trzech rozdziałów, z których dwa odzwierciedlają część teoretyczną opracowania, a jeden – praktyczną. Rozdział pierwszy poświęcony jest wyborowi metod analizy wielokryterialnej do rozważenia i ich opisowi. Drugi rozdział porównuje metody analizy wielokryterialnej z charakterystyką problemu, decydentem i wynikającym z niego rozwiązaniem. Na podstawie uzyskanego porównania w ramach analizy procesów biznesowych w oparciu o referencyjny model 13-procesowy opracowano klasyfikację metod według przedmiotu zastosowania oraz podano zalecenia dotyczące stosowania metod. Rozdział trzeci odzwierciedla przykład praktycznego zastosowania metod do rozwiązania problemu wielokryterialnego, który pojawia się w procesie biznesowym „Określanie strategii sprzedaży” firmy VARS Expo LLC. Podsumowując, podsumowano wyniki uzyskane w trakcie badania.

1. Analiza oprogramowania

O złożoności rozwiązywania zadań wielokryterialnych decyduje m.in. duża ilość informacji, które należy wziąć pod uwagę i przetworzyć przy podejmowaniu decyzji. Osoba często nie jest w stanie poradzić sobie z tym zadaniem bez skorzystania z pomocy nowoczesnej technologii komputerowej. W tym zakresie, do wspomagania podejmowania decyzji w środowisku wielokryterialnym, powstało wiele produktów programowych lub systemów wspomagania decyzji (DSS), których działanie oparte jest na metodach MCDA (multi-criteria Decision Analysis). Główne funkcje wykonywane przez te oprogramowanie to ranking decyzji według preferencji i wyboru najlepsze rozwiązanie. Jednak poza znalezieniem rozwiązania i przetworzeniem dużej ilości informacji (co jest niezbędne do skutecznego wykorzystania w praktyce metod analizy wielokryterialnej), takie oprogramowanie zwykle zapewnia również użytkownikowi możliwość analizy uzyskanych wyników. Szczególną wartość ma graficzny interfejs użytkownika, który zapewnia możliwość wizualizacji zarówno procesu, jak i wyników, aby proces podejmowania decyzji był jak najbardziej oczywisty i przejrzysty.

W związku z faktem, że ta praca ma na celu zbadanie i sklasyfikowanie metod analizy wielokryterialnej, które mają dobre zastosowanie w praktyce, analiza i porównanie istniejącego oprogramowania stworzonego do wspomagania decyzji wydaje się konieczne i ważne. Rozsądne jest rozpoczęcie analizy od określenia kryteriów porównania i oceny.

Różne produkty programowe mogą zapewniać użytkownikowi różne opcje zarówno podczas samego procesu podejmowania decyzji, jak i podczas analizy wyników. Oczywiście organizację procesu decyzyjnego charakteryzuje przede wszystkim: metody analizy wielokryterialnej obsługiwane przez produkt. To od obsługiwanych metod zależy procedura poszukiwania rozwiązań, a co za tym idzie możliwość zastosowania produktu w różnych sytuacjach. Ponadto, ponieważ praca ta ma na celu zastosowanie metod wielokryterialnych bezpośrednio do procesów biznesowych, jest to niezwykle istotne poziom profesjonalizmukompetencje(specjalna wiedza i umiejętności) niezbędne do pomyślnego użytkowania produktu. Wiele programów jest przeznaczonych do użytku przez profesjonalistów z zakresu analizy wielokryterialnej, a bez doświadczenia i wiedzy w tym zakresie użytkownik nie będzie w stanie efektywnie korzystać z takich produktów. Jednak jednym z głównych celów klasyfikacji metod opracowanych w niniejszym artykule jest pomoc niespecjalistom w dziedzinie analizy wielokryterialnej (np. decydentom) w doborze odpowiednich metod. Dlatego też porównania produktów będą również dokonywane na podstawie wymaganej wiedzy i umiejętności specjalistycznych. Trzecie kryterium porównania to grupowe wsparcie decyzji. Zwykle decydent w analizie wielokryterialnej rozumiany jest jako jednostka, ale w biznesie decyzje rzadko zależą od jednej osoby. Najczęściej za decyzje odpowiada określona grupa (zarząd, spółka akcyjna, komisja problemowa itp.), której preferencje każdego członka należy uwzględnić przy podejmowaniu decyzji. Kolejnym kryterium odzwierciedlającym praktyczność użytkowania produktu jest: dostępność przez Internet. I wreszcie, ważnym czynnikiem dla użytkownika, który nie ma poważnego doświadczenia z takimi programami, jest: możliwość importu i / lubeksport dane lub wyniki w programie Excel. Osobno warto rozważyć proces analizy uzyskanych wyników, a mianowicie: tekstowe i graficzne metody wizualizacji informacji obsługiwane produkty.

Obecnie istnieje ogromna różnorodność programów i systemów oprogramowania do analizy wielokryterialnej. Celem przeglądu oprogramowania w tej pracy jest identyfikacja podobieństw i różnic pomiędzy dostępnymi produktami w celu opracowania rekomendacji ich użycia. Dlatego zasadne wydaje się zwrócenie uwagi na produkty programowe, które mają różne przeznaczenie i wspierają różne metody, a jednocześnie są aktywnie wykorzystywane lub znane zarówno wśród ekspertów od analizy wielokryterialnej, jak i wśród specjalistów z innych dziedzin odpowiedzialnych za podejmowanie decyzji (co oczywiście jest wskaźnikiem praktycznej wydajności produktu). Dwanaście takich produktów zostało wybranych do analizy poprzez porównanie recenzji oprogramowania i artykułów porównawczych w międzynarodowych publikacjach naukowych (French i Xu, 2005; McGinley. P, 2014; Vassilev et al., 2005; Weistroffer et al., 2005), a także biorąc pod uwagę uwzględniać oceny i recenzje publikowane na stronach internetowych poświęconych oprogramowaniu do analizy wielokryterialnej (Capterra, EWG-MCDA, Wikipedia). Wybór oparto również na dostępności wersji próbnej lub demonstracyjnej produktu. Wyniki analizy porównawczej znajdują odzwierciedlenie w tabelach zawierających parametry pogrupowane według dwóch głównych funkcji oprogramowania: organizacji samego procesu decyzyjnego (patrz Tabela 1) oraz analizy wyników (patrz Tabela 2).

Tabela 1. Porównanie oprogramowania według cech procesu decyzyjnego

Nazwa oprogramowania	Obsługiwane metody MCDA	Wymagany kompetencje zawodowe	Wsparcie decyzji grupowych	Dostęp przez Internet	Możliwość importu/eksportu do Excela
	PAPRYKA, AHP, MAUT
	AHP, przybliżenie granicy Pareto
Kryterium Decyzja Plus	AHP, SMART, MAUT, Swing
	PROMETHEE, UŻYTECZNOŚĆ
	MAUT, drzewo decyzyjne, AHP, metoda sekwencji. koncesje
	drzewo decyzyjne
Decyzje logiczne	AHP, MAUT, huśtawka

Jak widać z tabel, prawie wszystkie rozważane produkty dają doskonałe możliwości analizy wyników, ale mają znaczne różnice w organizacji procesu decyzyjnego. Programy obsługują inny zestaw metod, ale ponad połowa z nich posiada wśród obsługiwanych metod AHP lub AHP (Analytic hierarchy process / Hierarchy analysis method), co jest dość oczekiwane, ponieważ metoda ta jest dobrze stosowana w praktyce w różne branże a ponadto nie wymaga specjalnego przeszkolenia. Korzystnie wypada w porównaniu z innymi metodami, ponieważ łączy podejście matematyczne i aspekty psychologiczne, a także pozwala na porównanie odmiennych parametrów, co jest niezwykle istotną zaletą, gdy praktyczne zastosowanie. W produktach obsługujących tę metodę istnieją dwa podejścia do porównywania alternatyw parami. W ramach pierwszego podejścia kompilowana jest macierz ocen jednych kryteriów w stosunku do innych, a w ramach drugiego wymieniane są wszystkie możliwe kombinacje kryteriów, a dla każdego z nich decydent musi ocenić, ile jedno kryterium jest ważniejsze od drugiego. W wyniku uzyskanych szacunków kryteria są uszeregowane według ważności.

Ponadto widać, że większość programów obsługujących AHP obsługuje również MAUT (Multi Attribute Utility Theory / Multicriteria Utility Theory). Jednocześnie w badaniach metodologicznych metody te są zwykle wyraźnie rozdzielone. Fakt ten sugeruje, że pomimo tego, że takie oprogramowanie opiera się na teorii podejmowania decyzji w środowisku wielokryterialnym, produkt może być sprzeczny z teorią, łącząc szeroką gamę metod z różnych szkół w celu pomyślnego zastosowania w praktyce. Świadczy o tym również jednoczesne wsparcie metod MAUT i Swing przez cztery produkty.

Nieco mniej popularna jest metoda kolejnych ustępstw, która implikuje stosowanie pewnych przedziałów, które odzwierciedlają dopuszczalne odchylenia wartości parametrów od priorytetowych. Najprawdopodobniej wynika to z trudności obiektywnego określenia takich interwałów w praktyce. Ponadto niektóre z rozważanych programów opierają się na drzewie decyzyjnym, które charakteryzuje się specyficznym algorytmem konstrukcyjnym, łatwym do zrozumienia, ale nie zawsze zapewniającym optymalność całego drzewa. Wreszcie, metoda aproksymacji granicy Pareto znajduje się również w omawianych programach i jest bardzo skuteczna w dostarczaniu wizualizacji, na przykład na wykresie bąbelkowym, jak to ma miejsce w Clafer Multi-Objective Optimizer.

Analizując pozostałe parametry porównawcze należy zauważyć, że większość produktów software'owych przeznaczona jest do użytku przez specjalistów z zakresu analizy wielokryterialnej, gdyż poziom niezbędnych kompetencji zawodowych do pracy z nimi jest bardzo wysoki. Jednak produkty takie jak 1000Minds, Clafer MOO, D-Sight, Decision Lens i MakeItRational mogą być wykorzystywane do podejmowania decyzji nawet w przypadku braku specjalistycznej wiedzy.Należy pamiętać, że decyzje grupowe wspierane są tylko w trzech z rozważanych produktów - 1000 Minds, D -Sight i MakeItRational. Pierwsza przewiduje tylko głosowanie online, druga przypisuje wagę opinii każdego członka grupy, a ostatnia oblicza średnią wartość dla grupy, biorąc pod uwagę wszystkie indywidualne opinie. Większość produktów jest opartych na sieci WWW (z wyjątkiem Criterium DecisionPlus, Hiview3, Logical Decisions i M-MACBETH), a prawie połowa umożliwia importowanie i eksportowanie danych i wyników do programu Excel.

Tabela 2. Porównanie oprogramowania według charakterystyk analizy wyników

Nazwa oprogramowania	Grafy wizualne	Suma wartości	Analiza wrażliwości	Mapy 2D	Pisemny raport
Wieloobiektowy Clafer. Optymalizator
Kryterium Decyzja Plus
Decyzje logiczne

Tabela 5 odzwierciedla fakt, że wszystkie rozważane produkty programowe zapewniają możliwość graficznej wizualizacji wyników. Podejścia obecne w co najmniej kilku produktach obejmują wizualizację alternatyw za pomocą pająków, tornado, termometrów, wykresów kołowych i bąbelkowych. W produktach software’owych opartych na metodzie koncesyjnej wyniki prezentowane są jako dopuszczalne przedziały wartości i mogą zawierać relacje dominacji oraz graficzne przedstawienie obszaru rozwiązań optymalnych. Większość programów wspiera tradycyjną metodę analizy wrażliwości, część z nich wykorzystuje również do analizy podejścia statystyczne, które polega na dokonywaniu różnych zmian w modelu parametrycznym i obserwacji późniejszej zmiany wyników. Pozwala to uzyskać probabilistyczną kolejność alternatyw lub odsetek przypadków, w których jedna alternatywa dominuje nad inną. W metodzie koncesyjnej samo zastosowanie przedziałów można już uznać za rodzaj analizy wrażliwości. W większości programów występuje pewien rodzaj dwuwymiarowych map. Kryteria odpowiadają osiom, alternatywy odpowiadają punktom z odpowiednimi współrzędnymi na wykresie. Niektóre programy zapewniają możliwość wygenerowania pisemnego raportu odzwierciedlającego główne wyniki i wyjaśniającego je użytkownikowi.

2 . Wielokryterialne metody podejmowania decyzji

2.1 Wybór metod do rozważenia

Dyscyplina naukowa podejmowania decyzji w warunkach wielokryterialnych jest stosunkowo młoda: pierwsze prace w ramach tej dyscypliny pojawiły się w latach 70., a odniesienia do zastosowania MMRM do rozwiązywania problemów praktycznych pojawiły się w latach 80. (Wallenius i in., ). . Mimo to, na ten moment Opracowano już ponad siedemdziesiąt różnych metod rozwiązywania problemów wielokryterialnych (Aregai Tecle, ). Szczegółowe rozpatrzenie wszystkich istniejących metod nie wydaje się konieczne i możliwe w ramach tej pracy, dlatego zestaw rozważanych metod jest ograniczony. Kryteria stosowane do wyboru metod obejmują:

1. Popularność metody(mierzone na podstawie tego, jak często metoda była wymieniana w literaturze naukowej w latach 1970-2016)

2. Możliwość zastosowania metody do problemów praktycznych(mierzone na podstawie analizy literatury dotyczącej zastosowania MMRM do zadań w różnych obszarach biznesowych)

3. Oryginalność metody(metody oparte na technikach występujących w innych bardziej popularnych metodach nie są brane pod uwagę)

1. Metoda analizy hierarchii (AHP)

2. Programowanie nieliniowe (NLP)

3. Programowanie kompromisowe (CP)

4. Teoria gier kooperacyjnych (CGT)

5. Przemieszczona metoda idealna (DISID)

6. Metoda ELEKTR (ELEC)

7. Metoda oceny i analizy wrażliwości (ESAP)

8. Programowanie docelowe (CPU/GP)

9. Wielokryterialna teoria użyteczności (MAUT)

10. Wielokryterialna Q-Analiza (MCQA)

11. Probabilistyczna metoda wypracowywania kompromisów (PROTR)

12. Metoda Zayonza-Walleniusa (Z-W)

13. Metoda macierzystych

14. Metoda SWT

15. Metoda PROMETHEE (PRM)

Popularność i przydatność tych metod do różnych problemów w szerokim zakresie obszarów jest wyraźnie przedstawiona w tabeli (patrz Załącznik 1), gdzie każda metoda jest porównywana z publikacjami naukowymi opisującymi jej zastosowanie, oraz specyficzne zadania, które zostały osadzone w tych pracach.

2.2 Krótki opis metod

Metoda analizy hierarchii (AHP)

Metoda analizy hierarchii jest matematycznym narzędziem decyzyjnym uwzględniającym aspekty psychologiczne. Metodę opracował T. Saati. Pozwala usprawnić dostępne alternatywy, które należy ocenić zgodnie z różnymi kryteriami ilościowymi i jakościowymi. Porządkowanie odbywa się na podstawie informacji o preferencjach decydenta, która jest wyrażona liczbowo i pozwala uzyskać wartości łącznej wartości alternatyw dla wszystkich parametrów. Najlepsza jest alternatywa o najwyższej łącznej wartości. Metoda jest szeroko stosowana w praktyce. Aby z niego skorzystać, wykonaj następujące kroki:

1) Rozłóż problem, kompilując jego hierarchiczny model, który powinien zawierać same alternatywy, parametry ich oceny i ostateczny cel znalezienia rozwiązania

2) Porównaj w parach wszystkie elementy hierarchii, ustalając ich priorytet na podstawie preferencji decydenta

3) Zsyntetyzuj wartość alternatyw za pomocą splotu liniowego

4) Oceń spójność orzeczeń

5) Podejmij decyzję na podstawie wyników

Zalety MAI:

Prostota porównań parami, znajomość procedury dla decydentów

Brak bezpośredniej oceny alternatyw

Obsługa zarówno parametrów ilościowych, jak i jakościowych

Sprawdzanie spójności orzeczeń

Szerokie zastosowanie w praktyce

Wady MAI:

Ograniczona liczba alternatyw i parametrów ich oceny (praca z duża liczba m trudne dla decydenta)

Możliwość zniekształcenia preferencji ze względu na ten sam rodzaj reprezentacji numerycznej

Nierozsądny wybór splotu kryteriów addytywnych lub multiplikatywnych

2.3 Programowanie nieliniowe (NLP)

Programowanie nieliniowe jest szczególnym przypadkiem programowania matematycznego i implikuje nieliniową postać funkcji celu lub ograniczenia. Problem rozwiązany tą metodą można sformułować jako problem znalezienia optymalnej wartości pewnej funkcji celu w warunkach, gdzie są parametry, są ograniczeniami, n jest liczbą parametrów, s jest liczbą ograniczeń.

Funkcja celu może być wklęsła lub wypukła. W pierwszym przypadku decydent zmierzy się z problemem maksymalizacji, w drugim – z problemem minimalizacji. Jeżeli ograniczenie jest podane przez funkcję wypukłą, to problem jest uważany za wypukły i najczęściej jest rozwiązywany za pomocą ogólnych metod optymalizacji wypukłej. Jeżeli problem jest niewypukły, to stosuje się specjalne sformułowania zadań programowania liniowego lub metody rozgałęzione i ograniczone, które pozwalają rozwiązać problem za pomocą przybliżeń liniowych lub wypukłych. Takie przybliżenia tworzą dolną granicę całkowitej wartości w obrębie sekcji. W kolejnych sekcjach pewnego dnia zostanie znalezione rzeczywiste rozwiązanie, którego wartość jest zbliżona do najlepszej dolnej granicy znalezionej dla dowolnego przybliżonego rozwiązania. Takie rozwiązanie będzie optymalne, ale niekoniecznie jedyne. Możliwe jest zatrzymanie takiego algorytmu w dowolnym momencie z pewnością, że optymalne rozwiązanie znajduje się w dopuszczalnym odchyleniu od znalezionego najlepszego rozwiązania; takie rozwiązania nazywane są e-optymalnymi.

W programowaniu nieliniowym można wyróżnić sekcje niezależne, takie jak wypukłe, kwadratowe, całkowite, stochastyczne, dynamiczne itp.

2.4 Programowanie kompromisowe (CP)

Idea metody programowania kompromisowego jest podobna do metody programowania celu. Technika metody polega na określeniu odległości od „idealnego” punktu. Aby znaleźć najlepsze rozwiązanie, konieczne jest zminimalizowanie „odległości” od idealnego rozwiązania. Punkt (rozwiązanie) najbliższy idealnemu pod każdym względem jest rozwiązaniem kompromisowym. Kompromisem może być też zestaw rozwiązań.

Procedura znajdowania najlepszego rozwiązania obejmuje następujące kroki:

1) Określ parametry oceny alternatyw i wagi tych parametrów.

2) Skompiluj macierz oceny alternatyw, zapisując informacje o alternatywach dla każdego z parametrów oceny.

3) Określ kierunek optymalizacji dla każdego z kryteriów (preferowana jest maksymalizacja lub minimalizacja wartości).

4) Normalizuj macierz w taki sposób, aby przybrała postać macierzy wypłat (lub macierzy wypłat).

5) Znajdź najlepszą i najgorszą wartość alternatyw dla każdego z kryteriów.

6) Znajdź uogólnioną wartość każdej alternatywy dla wszystkich parametrów oceny, używając wag kryteriów i różnicy między wartością alternatywy dla każdego kryterium a najlepszą wartością dla tego kryterium.

7) Najlepszym rozwiązaniem jest alternatywa, której wartość jest najbardziej zbliżona do ideału.

Zalety kompromisowej metody programowania:

Przydatność w rozwiązywaniu problemów w przestrzeni rozwiązań, w której decydent ma tendencję do zaufania swojej intuicji i doświadczeniu

2.5 Teoria gier kooperacyjnych (CGT)

Gra kooperacyjna to gra polegająca na połączeniu wysiłków graczy. Teoria gier kooperacyjnych bada konflikty, które pojawiają się między graczami podczas podejmowania wspólnej decyzji. Ponieważ kryteriów podejmowania takiej decyzji jest zwykle kilka i często są one sprzeczne, teoria jest wykorzystywana jako jedna z metod podejmowania decyzji w środowisku wielokryterialnym. Teoria bada, jakie wyniki stowarzyszenia graczy mogą być osiągalne i na jakich warunkach.

Główne zadania wynikające z nauki gier kooperacyjnych:

1) Definicja funkcji charakteryzującej preferencje graczy

2) Znalezienie optymalnego rozwiązania w zakresie podziału całkowitego zysku stron

3) Sprawdzenie stabilności dynamicznej roztworu

Znalezione rozwiązanie może być unikalne, jeśli podział całkowitego zysku można przeprowadzić tylko w jeden sposób, charakteryzujący się maksymalną użytecznością dla obu stron. Jeśli istnieje kilka takich metod separacji, optymalne rozwiązanie może być wielowartościowe. Przypadek pojedynczego rozwiązania optymalnego jest typowy dla jądra N i wektora Shapleya, rozwiązanie wielowartościowe - dla jądra C i jądra K.

2.6 Przesunięta idealna metoda (DISID)

Metoda ta została opracowana w celu określenia najlepszych rozwiązań w zbiorze rozwiązań dopuszczalnych i charakteryzuje się następującymi cechami:

Procedura tworzenia „idealnego” rozwiązania, które wyznacza kierunek optymalizacji. Zwykle takie rozwiązanie jest nieosiągalne, ale dobrze odzwierciedla cele decydenta.

Wyeliminuj rozwiązania, które są najmniej preferowane w każdej iteracji. W ten sposób najlepsze rozwiązanie znajduje się poprzez stopniowe eliminowanie najgorszych rozwiązań na każdym etapie procedury.

Stosując tę ​​metodę można wyróżnić następujące kroki:

1) Wykluczenie rozwiązań zdominowanych.

2) Utworzenie „idealnego” rozwiązania i określenie „najgorszego” rozwiązania.

3) Wyznaczenie odległości między punktami możliwych rozwiązań a punktem rozwiązania „najgorszego”

4) Powtarzanie cyklu 1-3 etapów, aż pozostanie dopuszczalna niewielka liczba najbardziej optymalnych rozwiązań.

Jednocześnie porównywanie alternatyw z ukształtowanym rozwiązaniem „idealnym” często powoduje niezadowolenie decydenta z istniejących alternatyw, co nazywa się konfliktem przed decyzją. Konflikt podecyzyjny to niezadowolenie, które pojawia się po wykluczeniu niektórych alternatyw z rozważań. W początkowych iteracjach występuje silny konflikt przed rozwiązaniem, który stopniowo zmniejsza się w wyniku zbliżenia istniejących rozwiązań do „idealnego”, konflikt po rozwiązaniu przeciwnie narasta, co wskazuje na to, że decydent nie zbadał wystarczająco problemu.

2.7 Metoda ELEKTR

Procedura selekcji w metodzie ELECTRE składa się z 6 kroków:

1) Ustalenie minimalnych i maksymalnych wartości alternatyw dla każdego z kryteriów

2) Ustalanie wag kryteriów

3) Konstrukcja grafu dla każdego z kryteriów, w której wierzchołkami są niektóre obiekty zbioru rozwiązań, a łuki odzwierciedlają stopień dominacji jednego obiektu nad drugim

4) Opracowanie macierzy wartości tzw. wskaźników zgodności i niezgodności w oparciu o ważność kryteriów i preferencję decyzji

5) Ustalenie wartości wyższości dla każdej pary obiektów, jeżeli wartość wskaźnika zgodności jednego z rozwiązań przekracza określoną wartość progową, a wartość wskaźnika niezgodności nie osiąga tej wartości

6) Konstrukcja ogólnego wykresu wyższości z uwzględnieniem ustalonych ograniczeń

2.8 Metoda oceny i analizy wrażliwości (ESAP)

Metoda oceny i analizy wrażliwości została pierwotnie opracowana jako technika planowania w dziedzinie środowisko ocenić alternatywy zarządzania zasoby wodne. ESAP opiera się na określeniu wag kryteriów w celu uzyskania prawidłowej oceny alternatyw. Ocena dostępności i atrakcyjności alternatywy jest dokonywana poprzez połączenie informacji o oddziaływaniu na zasoby przyrodnicze i kulturowe oraz informacji o znaczeniu (określonym wagami kryteriów) i preferowanych wartościach tych zasobów. Informacje należy zbierać przeprowadzając wywiady z kilkoma osobami lub grupą osób w celu określenia wrażliwości ich szacunków na różnice w osądach dotyczących znaczenia i preferowanych wartości zasobów, a także na niepewność co do konsekwencji wyboru tej lub innej alternatywy. Teraz ta metoda jest stosowana nie tylko w planowaniu środowiskowym, ale także w innych obszarach.

2.9 Programowanie docelowe (CPU/GP)

Metoda programowania docelowego służy do rozwiązywania problemów MCO i opiera się na rankingu kryteriów według ich znaczenia dla decydentów. Główne zadanie znajdowania rozwiązań obejmuje kilka kolejnych podzadań optymalizacji każdego z kryteriów. Jednocześnie taka optymalizacja jest realizowana według funkcji celu, a poprawa wartości o jedno kryterium nie może być osiągnięta kosztem pogorszenia wartości o ważniejsze kryterium. Tym samym efektem końcowym będzie odkrycie najlepszego rozwiązania problemu. Zwykle do rozwiązywania problemów liniowych stosuje się metodę programowania docelowego. Jednocześnie różni się od metody programowania liniowego sformalizowaniem wielu celów nie jako funkcji celu, ale jako ograniczeń. Dlatego stosując metodę należy określić pożądane wartości funkcji celu i te zmienne odchylenia od tych wartości, które odzwierciedlają stopień osiągnięcia głównego celu poszukiwania rozwiązania.

2.10 Wielokryterialna Teoria Użyteczności (MAUT)

Teoria użyteczności wielokryterialnej jest jedną z najpopularniejszych metod uzasadnionych aksjomatycznie. Teorię tę rozwinęli R. Keaney, G. Rife, P. Fishburne. Teoria ta opiera się na aksjomatach, które opisują preferencje decydentów i są przedstawiane graficznie jako funkcja użyteczności. Najszerzej stosowany aksjomaty użyteczności w środowisku wielokryterialnym obejmuje aksjomaty:

Pełna porównywalność

przechodniość

Rozpuszczalność

Niezależność z preferencji

Niezależność przez użyteczność

Archimedesa

Pomimo oczywistej pracochłonności metody, należy zauważyć, że można ją uzasadnić matematycznym uzasadnieniem znalezionych rozwiązań. Ponadto metoda ma zastosowanie przy ocenie dowolnej liczby alternatyw, a procedury dialogu z decydentami w wielokryterialnej teorii użyteczności są bardzo dobrze rozwinięte.

Główne etapy metody obejmują:

1) Opracowanie listy kryteriów

2) Budowanie funkcji użyteczności dla każdego z kryteriów

3) Sprawdzenie warunków określających formę wspólna funkcja pożytek

4) Budowanie relacji między ocenami opcji dla każdego z kryteriów a ogólną atrakcyjnością opcji dla decydentów

5) Ocena wszystkich dostępnych opcji i wybór najlepszej opcji

2.11 Wielokryterialne Q- ALEanaliza (MCQA)

Ta metoda analizy wielokryterialnej jest wykorzystywana do stworzenia efektywnej procedury dialogu pomiędzy skonfliktowanymi stronami. MCQA-I, MCQA-II i MCQA-III umożliwiają uszeregowanie kryteriów oceny alternatyw pod względem ważności oraz samych alternatyw pod względem atrakcyjności dla decydentów. Analiza Q została opracowana przez Ronalda Atkina (1974, 1977) jako podejście do badania cech strukturalnych systemów społecznych, w których dwa zestawy wskaźników, cech lub cech są ze sobą powiązane. Następnie analizę Q zastosowano w różnych dziedzinach, takich jak teoria szachów (Atkin i Witten, 1975), elastyczne systemy produkcyjne (Robinson i Duckstein, 1986), sporty wyczynowe (Gould i Gatrell, 1980) oraz urbanistyka (Beaumont, 1984). ). Analiza Q jest uznanym użytecznym narzędziem w badaniach ekologicznych, na przykład w ocenie ekosystemów rzecznych (Casti i in., 1979) oraz w badaniu relacji drapieżnik-ofiara (Casti, 1979). Analiza Q była również wykorzystywana w psychologii klinicznej (Macgill i Springer, 1984), geologii (Griffiths, 1983), badaniach systemów transportowych (Johnson, 1976), dystrybucji wody (Duckstein, 1983) i wielu innych kontekstach (Casti, 1979) . Analiza Q okazała się szczególnie przydatna w rozwiązywaniu problemów związanych ze złożonymi systemami, na przykład modelowaniem obrazów medycznych. Takie podejście wymaga rygorystycznej definicji zbiorów danych i ich relacji oraz wzywa do zbadania konsekwencji ich wzajemnych połączeń w systemie. Po ustaleniu w przybliżeniu dokładnych zbiorów danych i zbadaniu ich relacji, analiza Q obejmuje dość proste obliczenia, które nie są potrzebne Dodatkowe informacje o systemie. Metoda analizy Q zapewnia algebraiczną infrastrukturę topograficzną do redukcji danych, pomagając uprościć makroskopowe koncepcje projektowania systemów. W tym celu możliwe jest zdefiniowanie i zinterpretowanie wskaźników, takich jak stopień łączności, decentralizacja i złożoność. Podejście analizy Q zapewnia również uporządkowanie informacji. Analiza Q może być również powiązana z analizą dynamiki behawioralnej generowanej z matrycy strukturalnej (tzw. backcloth); ten rodzaj badań (zwany trafficem) czerpie z dyscypliny zwanej potocznie dynamiką wielościenną (Casti i in., 1979; Johnson, 1981).

2.12 Probabilistyczna metoda wypracowywania kompromisów (PROTR)

Ta metoda optymalizacji wielokryterialnej służy głównie do rozwiązywania problemów nieliniowych w oparciu o preferencje decydenta. Metoda polega na konstrukcji poszczególnych funkcji użyteczności w celu znalezienia najlepszego rozwiązania problemu.

Procedura poszukiwania rozwiązania składa się z 12 kolejnych etapów:

1) Opracowanie wektora funkcji celu

2) Opracowanie wektorów najlepszych i najgorszych wartości kryteriów

3) Sformułowanie funkcji substytucji

4) Uzyskanie rozwiązania wyjściowego poprzez maksymalizację tej funkcji i opracowanie na jej podstawie wektora celu

5) Definicja wielokryterialnej funkcji użyteczności

6) Sformułowanie nowej funkcji podstawienia

7) Generowanie alternatywnego rozwiązania poprzez maksymalizację nowej funkcji podstawienia i opracowanie na jej podstawie wektora celu

8) Opracowanie wektora łączącego docelowe wartości wektorów z prawdopodobieństwem ich osiągnięcia

9) Podjęcie przez decydenta decyzji, czy wszystkie wartości kryteriów są zadowalające. Jeśli tak, to otrzymany wektor jest rozwiązaniem problemu, jeśli nie, to wykonywany jest krok 10

10) Wybór wektora, w którym związek wartości docelowej z prawdopodobieństwem jej osiągnięcia jest najbardziej niezadowalający oraz określenie nowego prawdopodobieństwa

11) Utworzenie nowego zestawu prawidłowych wartości

12) Sformułowanie nowej funkcji podstawienia i powtórzenie cyklu od 6 do 12 etapu wymagana ilość raz.

2.13 Metoda Zajonca-Walleniusa (Z-W)

Metoda Zajonca-Walleniusa opiera się na procedurze zawężania zbioru wartości wektorów wag.

Kroki tej procedury można opisać w następujący sposób:

1) Rozwój wektorów wag

2) Obliczenie wartości kryterium globalnego (z reguły wartość odpowiada jednemu z wierzchołków wielokąta tworzącego zbiór poprawnych wartości)

3) Obliczanie wartości wag kryteriów w sąsiednich wierzchołkach, pod którymi ten wierzchołek może być rozwiązaniem optymalnym

4) Obliczenie wartości wektora oszacowań w tych wierzchołkach dla każdego z kryteriów

5) Porównanie parami wektorów kryteriów decydentów

6) Formowanie ograniczeń wartości wag kryterialnych na podstawie osądów decydenta

7) Wyznaczenie punktu środkowego w zakresie dopuszczalnych mas

8) Powtórz cykl 2-8

Porównując, decydent może wyrazić następujące osądy:

Bardziej korzystny jest sąsiadujący wektor kryteriów;

Bardziej preferowany jest wektor kryteriów początkowych;

Nie ma wyraźnej preferencji.

Dzięki temu wyszukiwanie jest systematyczne, co sprawia, że ​​wyniki są najbardziej obiektywne.

2.14 Metoda macierzystych

Metoda STEM jest iteracyjną procedurą wyszukiwania rozwiązań, w której najlepsze rozwiązanie uzyskuje się po kilku iteracjach. Każdy cykl obejmuje etap obliczeniowy i etap podejmowania decyzji, czyli obejmuje interakcję między analitykiem a decydentem.

Metoda opiera się na minimalizacji odległości Czebyszewa od idealnego punktu w przestrzeni rozwiązań. Parametry określające wzór na odległość i przestrzeń mierzalną można zmieniać metodą normalizacji współczynników wagowych na podstawie preferencji decydenta wyrażonych na poprzednim etapie poszukiwania rozwiązań. Procedura wyszukiwania pozwala decydentowi na wybór dobre decyzje i określić względne znaczenie kryteriów. W każdej iteracji decydent może poprawić wartości alternatyw według pewnych kryteriów, ustępując innym. Jednocześnie decydent musi wskazać maksymalną dopuszczalną wysokość koncesji dla każdego kryterium. Aby przeprowadzić kolejną iterację, po otrzymaniu decyzji, decydent musi wyrazić swoje preferencje co do tych kryteriów, dla których chciałby poprawić wartość, oraz tych, dla których wartość jest już dla niego satysfakcjonująca.

2.15 Metoda SWT

Metoda SWT jest metodą optymalizacji wielokryterialnej, która pozwala na znalezienie wszystkich niezbędnych rozwiązań optymalnych w sensie Pareto zgodnie z wektorem optymalizacji problemu. Stosując metodę należy wziąć pod uwagę, że w modelowaniu, definiowaniu, ocenianiu, porównywaniu często sprzecznych kryteriów nie należy mylić roli analityka systemowego z rolą decydenta. Podczas gdy analityk jest odpowiedzialny za generowanie rozwiązań optymalnych w sensie Pareto i odpowiadających im wartości alternatyw, nie ma on swobody w ustalaniu akceptowalnych i preferowanych ustępstw według różnych sprzecznych kryteriów. Decydent jest odpowiedzialny za wyrażanie osądów preferencji na podstawie analizy obliczeniowej przeprowadzonej przez analityka. Ponadto, gdy już uzyskano dowolny zestaw wartości kryteriów, znacznie łatwiej jest uzyskać od decydenta oszacowanie względnej wartości koncesji (wzrost lub spadek wartości) między dwoma kryteriami niż oszacowanie ich bezwzględnej wartości. wartości średnie.

2.16 Metoda PROMETHEE (PRM)

PROMETHEE to dobrze zaprojektowany system wspomagania decyzji, który pozwala ocenić i wybrać alternatywę z określonego zestawu, w oparciu o kryteria odzwierciedlające zalety i wady alternatyw, a także pozwala uszeregować te alternatywy według ich atrakcyjności dla decydentów .

PROMETHEE nie wymaga ścisłych ocen rzeczywistej struktury preferencji decydentów. Przy ocenie alternatyw kluczowym zadaniem jest uzyskanie informacji o tym, czy jakaś alternatywa jest co najmniej tak samo atrakcyjna jak inna. Na podstawie tzw. relacji preferencji, które określa się w pierwszym kroku, przeprowadzany jest ranking alternatyw.

Rozważ główne kroki:

1) Definiowanie funkcji preferencji

Punktem wyjścia jest utworzenie macierzy oceny, która odzwierciedla atrakcyjność alternatyw dla każdego z kryteriów. Na podstawie informacji zawartych w macierzy punktacji, alternatywy są porównywane parami w odniesieniu do każdego z kryteriów. Wyniki są wyrażane przez funkcje preferencji, które są obliczane dla każdej pary opcji i mogą mieścić się w zakresie od 0 do 1. Podczas gdy 0 oznacza brak różnicy między opcjami, 1 oznacza dużą różnicę.

2) Ocena stopnia preferencji dla opcji

Macierz wartości całkowitych jest kompilowana na podstawie wartości uzyskanych przez pomnożenie wartości alternatyw dla każdego kryterium przez wagę odpowiedniego kryterium. W tej macierzy suma wszystkich wartości z rzędu odzwierciedla stopień dominacji (atrakcyjności) alternatywy. Suma wszystkich wartości w kolumnie wskazuje, jak bardzo alternatywa jest pomijana przez innych. Ranking liniowy można uzyskać, odejmując wartość subdominant od dominującej.

Od decydenta wymaga się ustalenia wag kryteriów i wybrania funkcji preferencji. PROMETHEE nie sugeruje specjalnego sposobu określenia tych wag, ale zakłada, że ​​decydent jest w stanie prawidłowo ustawić wagi, przynajmniej gdy liczba kryteriów nie jest zbyt duża. Definicja czynników ważenia jest zawsze subiektywna. Dlatego analiza wrażliwości, która odzwierciedla, jak bardzo wybrane wagi wpływają na wynik, staje się ważną częścią procesu decyzyjnego.

W ramach metody PROMETHEE opracowano różne narzędzia i moduły. Następujące 3 narzędzia mogą być szczególnie przydatne do analizy zadania oceniającego:

PROMETHEE I za częściową ocenę alternatyw,

PROMETHEE II za pełny ranking,

GAIA do wizualizacji rozwiązań.

3. Opracowanie klasyfikacji metod

Problem wyboru najbardziej odpowiedniej metody wielokryterialnej do zastosowania w konkretnej sytuacji sam w sobie jest problemem wielokryterialnym, ponieważ istnieje kilka kryteriów wyboru i są one z natury sprzeczne (AI-Shemmeri i in., ). Dlatego wymienione metody należy oceniać według odpowiednich kryteriów, aby móc je porównać. Aby określić te kryteria, należy wziąć pod uwagę aspekty, które powodują różnice w stosowaniu metod. Zwyczajowo wyróżnia się następujące aspekty lub grupy kryteriów (Mollaghasemi i Pet-Edwards, ):

1) Charakterystyka zadania

2) Charakterystyka decydenta

3) Charakterystyka otrzymanego rozwiązania

Najodpowiedniejszą do zastosowania w konkretnej sytuacji metodą jest ta, której technika najlepiej odpowiada charakterystyce rozwiązywanego problemu i decydenta, a uzyskane wyniki mogą być poprawnie zinterpretowane i użyteczne dla decydenta.

Zatem piętnaście metod przyjętych do rozważenia należy oceniać według pewnych kryteriów opisujących trzy wybrane aspekty. Każdy aspekt (grupa kryteriów) w tej pracy jest poświęcony odpowiedniej sekcji, która zawiera opis kryteriów i tabelę porównawczą metod według tych kryteriów. Ocena metod opiera się na porównaniu MMRM w pracach Aregai Tecle i Ozernoy V.M. , a także przegląd zastosowania metod rozwiązywania problemów praktycznych w pracach Bardossy'ego, Khalili, Bransa i innych.

3.1 Ocena zgodności metod z charakterystyką rozwiązywanego problemu

Przede wszystkim należy określić zgodność zastosowanej metody z charakterystyką rozważanego problemu. Zadania wielokryterialne można opisać kilkoma parami wzajemnie wykluczających się cech. Na przykład, jeśli problem jest problemem programowania matematycznego, to rozwiązanie można uzyskać poprzez systematyczne poszukiwanie możliwych alternatyw w dopuszczalnym zbiorze decyzji, podczas gdy problemy analizy decyzji zwykle zakładają istnienie skończonej i stosunkowo małej liczby alternatyw, którego ocena prowadzi do efektywnego rozwiązania. Inna para wzajemnie wykluczających się cech, odzwierciedlająca dostępność informacji ilościowych i jakościowych niezbędnych do rozwiązania problemu MCO, może mieć również duże znaczenie przy wyborze odpowiedniego MMRM. Jeżeli problem zawiera kryteria jakościowe, to nie można go rozwiązać za pomocą technik programowania matematycznego. Dynamiczny charakter zadania również znacznie ogranicza zestaw możliwych do zastosowania metod, ponieważ istnieje tylko kilka MMRM, które obsługują tego typu zadania (Szidarovszky i Duckstein, , ). Skala problemu, mierzona liczbą kryteriów i alternatyw, nakłada ścisłe ograniczenia koncepcyjne i obliczeniowe na zestaw dostępnych metod. I wreszcie, przy porównywaniu metod należy również wziąć pod uwagę strukturalne zależności między parametrami problemu, opisującymi jego liniowość lub nieliniowość, ponieważ wiele MMRM jest zaprojektowanych wyłącznie do rozwiązywania problemów programowania liniowego.

Zatem ocena stosowalności MMRM zgodnie z charakterystyką rozwiązywanego problemu powinna być dokonana poprzez udzielenie pozytywnej lub negatywnej odpowiedzi na sześć pytań o następujące możliwości MMRM:

1) Rozwiązywanie problemów zawierających kryteria jakościowe

2) Wybór spośród skończonej liczby alternatyw

3) Rozwiązywanie problemów nieliniowych

4) Rozwiązywanie problemów na dużą skalę (z dużą liczbą kryteriów i alternatyw)

5) Rozwiązywanie problemów z nieskończoną liczbą alternatyw

6) Rozwiązanie problemów dynamicznych

W tabeli porównawczej MMRM według stosowalności zgodnie z charakterystyką rozwiązywanego problemu (patrz Tabela 3) odpowiedzi pozytywne i negatywne na powyższe pytania przedstawiono w postaci binarnej, czyli odpowiednio przez liczby 1 i 0 . Dla jasności komórki z pozytywną odpowiedzią są podświetlone kolorem. Ocena została oparta na doświadczeniach stosowania MMRM przez autorów wielu prac naukowych i specjalistów z zakresu MCO, takich jak Aregai Tecle, Gershon i Duckstein, Brans, Brink i in. (1986), Khalili i in.

Tabela 3. Korespondencja metod z charakterystyką problemu

	Przetwarzanie informacji jakościowych	Problem nieliniowy	duże wyzwanie	Zadanie dynamiczne	Nieskończona liczba alternatyw	Skończona liczba alternatyw

3.2 Ocena zgodności metod z cechami decydentów

Oczywiście należy również rozważyć zgodność zastosowanej metody z możliwościami decydenta. Stopień zaangażowania decydenta w interaktywny proces podejmowania decyzji oraz ilość czasu, w którym decydent może być dostępny na interakcję, to niezwykle ważne cechy, które mogą poważnie ograniczyć zestaw odpowiednich MMRM. Ponadto ważne jest, aby wziąć pod uwagę zdolność decydenta do wskazania swoich preferencji przed rozpoczęciem procesu poszukiwania najlepszego rozwiązania. Jeśli preferencji nie można wyrazić, to metody późniejsze, dla których niezbędne informacje o preferencjach należy uzyskać przed rozpoczęciem poszukiwania rozwiązań, nie mogą być uznane za odpowiednie do rozwiązania tego problemu.

Stopień zrozumienia przez decydenta zasad funkcjonowania MMRM może również ograniczać ich stosowanie. Metody wymagające specjalnej wiedzy z zakresu MCO mogą być mniej atrakcyjne dla decydentów niż metody intuicyjne, głównie ze względu na złożoność interpretacji uzyskanych wyników. Na przykład, aby zastosować metodę SWO, poważny profesjonalny trening w dziedzinie CIE, natomiast metoda ELECTRE wręcz przeciwnie, nie wymaga praktycznie żadnej specjalnej wiedzy, a jest stosowana tylko z wartościami dyskretnymi.

Ponadto należy wziąć pod uwagę cechy odnoszące się bezpośrednio do analityka (specjalisty w dziedzinie MCO) odpowiedzialnego za rozwiązanie zadania. Na przykład konieczne jest ustalenie, czy analityk posiada specjalistyczną wiedzę w zakresie korzystania z oprogramowania wspomagającego podejmowanie decyzji.

Wyniki porównania MMRM pod kątem stosowalności zgodnie z charakterystyką decydenta przedstawiono w tabeli 4 (zob. tabela 4). Oceny dokonano w skali od 1 do 10. Dla jasności komórki zawierające najwyższe wartości dla każdego z kryteriów wyróżniono kolorem.

Tabela 4. Tabela korelacji metod z charakterystyką decydenta

	Wymagany poziom wiedzy decydenta w zakresie MCO	Stopień interakcji z decydentami	Dostępny czas DM	Wymagana ilość informacji o preferencjach decydentów	Niezbędny poziom kompetencji specjalisty w zakresie MCO
	praca magisterska, dodana 26.04.2011 Klasyfikacja metod analizy według grup. Gromadzenie i przechowywanie informacji niezbędnych do podejmowania decyzji. Przygotowanie wyników analizy operacyjnej i intelektualnej w celu ich efektywnego postrzegania przez konsumentów i podejmowania na ich podstawie adekwatnych decyzji. prace kontrolne, dodano 15.02.2010 Analiza podobnych opracowań w zakresie budowy „systemów wspomagania selekcji”. Istota podejścia wielokryterialnego. Technologia tworzenia interfejsu użytkownika. Planowanie rozwoju programu przy użyciu różnych metod. Budowanie grafu sieci. praca dyplomowa, dodana 26.01.2013 Klasyfikacja systemów informatycznych do zarządzania działalnością przedsiębiorstwa. Analiza rynku i charakterystyka systemów klasy Business Intelligence. Klasyfikacja metod decyzyjnych stosowanych w DSS. Wybór platformy Business Intelligence, kryteria porównawcze. praca dyplomowa, dodana 27.09.2016 Charakterystyka metod rozwiązywania układów liniowych równań algebraicznych, główne typy metod numerycznych oraz wykorzystanie oprogramowania Delphi 5.0 jako najbardziej efektywnego. Istota metod Gaussa, Gaussa-Jordana i Jacobiego, cechy metody Seidela. praca semestralna, dodano 25.06.2010 r. Zasady steganografii komputerowej. Klasyfikacja metod ukrywania informacji. Popularność najmniej znaczącej metody zastępowania bitów. Istota sposobów rozszerzania palety i ukrywania bloków. Stosowanie metod do obrazów GIF. Implementacja algorytmów. praca semestralna, dodano 17.02.2013 Krótki opis obiektu sterowania, przegląd i analiza istniejących analogów realizujących jego funkcje. Opracowanie architektury systemu oprogramowania, testowanie i ocena efektywności aplikacji. Wdrażanie i używanie oprogramowania. praca semestralna, dodana 02.05.2015 Kompleksy człowiek-maszyna specjalnie zaprojektowane do podejmowania decyzji. Proces decyzyjny i jego etapy. Metody poszukiwania nowych rozwiązań: drzewo decyzyjne, tablice morfologiczne, konferencje idei. Zasada matematycznej oceny trendów. praca semestralna, dodana 30.07.2009 Przegląd architektury DBMS SQL Server. Opisz i przeanalizuj obszary, w których wykorzystywane są narzędzia Business Intelligence, takie jak wielowymiarowa analiza danych i eksploracja danych. Recenzja narzędzia językowe, metody i eksperymentalne zastosowanie uzyskanych informacji. praca dyplomowa, dodana 07.09.2014 Struktura systemu wielokryterialnego zarządzania bezpieczeństwem obiektu technogenicznego. Uwzględnienie wzajemnych relacji podsystemów bezpieczeństwa. Eksperckie metody podejmowania decyzji oparte na porównaniach alternatyw wielokryterialnych. Istota analitycznego podejścia hierarchicznego.