نرم افزار1

فرآیند تحلیل سلسله مراتبی و انتخاب بالاترین اولویت:

این بخش ، فرآیند تحلیل سلسله مراتبی اصلی (AHP) را در حین اجرا توصیف می‌کند

در بسته نرم افزاری اکسپرت چویس. ما کاربرد آن را از یک روش  نشان می دهیم

در یک مثال عملی به طور خاص،  در مورد مدل‌سازی مسئله، مقایسه‌های زوجی،

مقیاس های قضاوت، روش های اشتقاق، شاخص های سازگاری، سنتز اوزان و

تجزیه و تحلیل میزان حساسیت. در نهایت، محدودیت های AHP اصلی به همراه روشی جدید

توضیح داده شده است.

مقدمه

فرآیند تحلیل سلسله مراتبی (AHP) یک تصمیم گیری چند معیاره (MCDM) است.

روشی که به تصمیم گیرنده در مواجهه با یک مشکل پیچیده با تضادهای گوناگون  کمک می کند

و با استفاده از معیارهای ذهنی (مانند انتخاب مکان یا سرمایه گذاری، رتبه بندی پروژه ها و غیره).

. چندین مقاله داستان های موفقیت ای اچ پی  را در زمینه های بسیار متفاوت گردآوری کرده اند

(زاهدی ۱۹۸۶؛ گلدن، واسیل و همکاران، ۱۹۸۹؛ شیم ۱۹۸۹؛ وارگاس ۱۹۹۰؛ ساعتی و فورمن

۱۹۹۲; فورمن و گس ۲۰۰۱; Kumar and Vaidya 2006; Omkarprasad and Sushil 2006;

هو ۲۰۰۸; لیبراتوره و نیدیک ۲۰۰۸). قدیمی ترین مرجعی که ما پیدا کرده ایم به آن مربوط می شود. پس از این، مقاله ای در مجله روانشناسی ریاضی (ساعتی

۱۹۷۷) روش  ای اچ پی را دقیقاً شرح داد. اکثریت قریب به اتفاق برنامه ها هنوز از AHP استفاده می کنند

همانطور که در این اولین انتشار توضیح داده شد و از تحولات پشت سرهم  آگاهی ندارند . این

این واقعیت احتمالاً به دلیل نرم افزار پیشرو پشتیبانی کننده AHP، یعنی اکسپرت چویس است

، که همچنان AHP را در خود قرار داده است.

اولین انتشار در این مقاله، تحلیل سلسله مراتبی  را از طریق اکسپرت جویس تشریح کرده و a که

طرحی از جهت گیری های اصلی در تحولات روش شناختی در مقابل الف که بحث در مورد کاربردها است و تحقیقات بیشتر در این زمینه مهم. است

روش اصلی ای اچ پی

مانند چندین روش MCDM دیگر مانند ELECTRE، MacBeth، SMART،

PROMETHEE، UTA، و غیره طبق نظر افرادی مانند  (بلتون و استوارت ۲۰۰۲؛ فیگویرا، گرکو و همکاران ۲۰۰۵))، ای اچ پی مبتنی بر چهار مرحله است: مدل سازی مسئله، ارزش گذاری وزن ها، تجمیع وزن ها، تجزیه و تحلیل میزان حساسیت و…

. در بخش های بعدی این چهار مرحله مورد استفاده توسط ای اچ پی   را بررسی خواهیم کرد

و تحولات آن بر اساس یک مشکل ساده است: انتخاب یک ماشین برای خرید.

 مدل سازی مسئله

مانند تمام فرآیندهای تصمیم گیری، محقق  مدت طولانی با آن زندگی می کند

تصمیم گیرندگان برای ساختار مسئله، که می توان آن را به سه بخش تقسیم کرد: هدف

(خرید خودرو)، معیارها (هزینه اولیه، هزینه نگهداری، پرستیژ، کیفیت و زیرمعیارهای آن)

و جایگزین ها (فیات اونو، نیسان ماکسیما ۴ در، مرسدس بنز ۲۹۰، ولوو ۸۴۰،

فورد فیستا) (شکل ۱). ای اچ پی  امتیاز  اجازه دادن به ساختار سلسله مراتبی را دارد

معیارهایی که تمرکز بهتری را روی معیارها و زیرمعیارهای خاص برای کاربران فراهم می کند

نکته : جهت سفارش پروژه AHP در سایت کافه پروژه میتوانید در زمان بسیار کوتاه ثبت نام نماییدو توضیحات خود را بصورت کامل بنویسید.بعداز ثبت پروژه فریلنسرهای کافه پروژه کار شما را بررسی کرده و پیشنهاد قیمت می دهند.شما میتوانید بهترین قیمت را

هنگام اختصاص دادن  وزن ها

۲.۲ مقایسه های زوجی

در هر گره از سلسله مراتب، یک ماتریس مقایسه های زوجی را جمع آوری می کند

تصمیم گیرنده (به عنوان مثال شکل ۲).

 

 

شکل ۲: ماتریس مقایسه گره اول

روانشناسان استدلال می کنند که بیان کردن نظر فقط در مورد آن آسان تر و دقیق تر است

دو گزینه به طور همزمان در همه گزینه ها وجو دارد . همچنین اجازه می دهد تا برای باقی ماندن  و

بررسی متقابل بین مقایسه‌های گوناگون زوجی . AHP از a استفاده می کند

مانند مقیاس نسبت، که برخلاف روش‌هایی که از مقیاس‌های فاصله‌ای استفاده می‌کنند (کانولاینن و لسکینن،۲۰۰۰)

وقتی که  به هیچ موردی  در مقایسه نیاز ندارد. قضاوت یک مقدار نسبی یا یک ضریب است

a/b از دو کمیت a و b که واحدهای یکسانی دارند (شدت، متر، مطلوبیت و غیره). این

تصمیم گیرنده نیازی به اوردن   یک قضاوت عددی ندارد. در عوض یک  مقایسه کلامی نسبی

قدردانی که در زندگی روزمره ما بیشتر آشناست، کافی است.

اگر ماتریس کاملاً سازگار باشد، قاعده گذر (۱) برای همه مقایسه ها برقرار است

aij:

aij = aik · akj (1)

به عنوان مثال، اگر تیم A تیم B را دو بر صفر و تیم B تیم C را سه بر صفر شکست دهد، آنگاه

با قانون گذر (۱) انتظار می رود که تیم A تیم C را شش بر صفر (۳ · ۲ = ۶) شکست دهد.

با این حال، این به ندرت اتفاق می افتد زیرا جهان ما طبیعتاً ناسازگار است. به عنوان یک

حداقل سازگاری برای استخراج اولویت های معنادار مورد نیاز است، یک آزمون باید انجام شود (نگاه کنید به

بخش ۲.۵). وبر و همکاران (۱۹۹۶) بیان می کند که ترتیب مقایسه ها وارد شده در ماتریس ممکن است بر قضاوت های پشت سرهم  تأثیر بگذارد.

 ترازوی قضاوت

یکی از نقاط قوت AHP امکان ارزیابی عددی و کیفی است

معیارها و گزینه های جایگزین در مقیاس اولویت داده شده  یکسان  است نه سطحی. اینها می توانند باشند

عددی (شکل ۳)، کلامی (شکل ۴) یا گرافیکی (شکل ۵)

شکل ۳: مقیاس عددی

 

 

شکل ۴: مقیاس کلامی

شکل ۵: مقیاس گرافیکی

۲.۴ تقسیم بندی اولویت ها

هنگامی که ماتریس های مقایسه پر شدند، می توان اولویت ها را محاسبه کرد.روش  سنتی

AHP از روش مقدار ویژه استفاده می کند. برای برخی از کاربران این روش کاملا مبهم به نظر می رسد. که برای توضیح آن، از حالت یک ماتریس سازگار با اولویت های شناخته شده pi شروع می کنیم

در این مورد، مقایسه گزینه‌های i و j با pi/pj ارائه می‌شود

، که چند برابر شد

توسط بردار اولویت

p

منجر می شود به:

یا گروه بندی شده

a

p

= n

پ

(۲)

جایی که

p

: بردار اولویت ها

n: بعد ماتریس

الف: ماتریس مقایسه

معادله (۲) فرمول یک مسئله بردار ویژه است. اولویت های محاسبه شده دقیق هستند

برای یک ماتریس سازگار وقتی ناهماهنگی های جزئی معرفی می شوند، اولویت ها باید گوناگون باشند

طبق نظریه ناهماهنگی فقط به مقدار کمی (ساتی ۲۰۰۳).

 سازگاری

از آنجایی که اولویت‌ها تنها در صورتی معنا پیدا می‌کنند که از ماتریس‌های سازگار یا تقریباً سازگار گرفته شده  شده باشند، الف

بررسی سازگاری باید اجرا شود. ساعتی (۱۹۷۷) یک شاخص ثبات (CI) را پیشنهاد کرده است.

که مربوط به روش مقدار ویژه است:

نسبت قوام، نسبت CI و RI، به وسیله:

که در آن RI شاخص تصادفی است (میانگین CI از ۵۰۰ ماتریس پر شده به طور تصادفی).

اگر CR کمتر از ۱۰٪ باشد، ماتریس را می توان دارای یک قابل قبول در نظر گرفت

ثبات.

ساعتی (۱۹۷۷) شاخص های تصادفی نشان داده شده در جدول ۱ را محاسبه کرد.:

جدول ۱: شاخص های تصادفی از ساعتی (۱۹۷۷)

سایر محققان شبیه سازی هایی را با تعداد متفاوتی از ماتریس ها اجرا کرده اند (Lane و Verdini

۱۹۸۹; توممالا و وان ۱۹۹۴; آلونسو و لاماتا ۲۰۰۶) یا ماتریس های ناقص (فورمن

۱۹۹۰). شاخص های تصادفی آنها متفاوت است اما نزدیک به ساعتی است.

تجمع

آخرین مرحله ترکیب اولویت های محلی در همه معیارها به منظورمشخص کردن آن است

اولویت جهانی رویکرد AHP تاریخی (که بعداً حالت توزیعی نامیده می شود)  مقداریک را انتخاب می کند

جمع کردن اضافی   از طریق  عادی سازی مجموع اولویت های محلی برای ایجاد وحدت بین آنها (شکل (۶

 

حالت مطلوب از یک نرمال سازی با تقسیم امتیاز هر گزینه فقط بر روی  آن  معیاراستفاده می کند

امتیاز بهترین جایگزین تحت هر معیار (شکل ۷).

 

شکل ۶: اولویت ها با حالت توزیعی

شکل ۷: اولویت ها با حالت مطلوب

مشاهده می شود که این دو رویکرد لزوماً رتبه بندی همانندی  را توصیه نمی کنند (نگاه کنید به

مستطیل های شکل ۶ و ۷).

اگر از قبل اولویت ها را بدانیم، حالت توزیعی تنها رویکردی است که بازیابی می کند(بلتونو جیر،۱۹۸۳)

با این حال این اولویت ها  اگر یک کپی از رویکرد قبلی   یا یک نسخه نزدیک به نسخه قبلی باشد آن نسخه  جدید به عنوان نسخه جایگزین معرفی یا حذف می شود(دیر،۱۹۹۰) ، ممکن است تغییر رتبه جایگزین ها انجام شود(تروت،۱۹۸۸)

به نظر می رسد. این پدیده از یک سو مورد انتقاد قرار گرفته است از طرف کسانی مانند دیر(۱۹۹۰) و هولدر(۱۹۹۱)،استام(۱۹۹۱)

و توسط  عده دیگری مورد تایید قرار گرفته است مانند (ساتی،۱۹۸۶)

هارکر و وارگاس ۱۹۸۷; هارکر و وارگاس ۱۹۹۰; ساعتی ۱۹۹۰; ساعتی ۱۹۹۱; ساعتی ۱۹۹۴;

پرز ۱۹۹۵; ساعتی ۲۰۰۶). این پدیده فقط در رابطه با ای اچ پی نیست   بلکه برای همه افراد است

مدل هایی که به ای اچ پی اضافه شده اند  افرادی مانند وانگ و لو (۲۰۰۰)ساتی(۲۰۰۰) ترانتانفیلو(۲۰۰۱) و میلر(۲۰۰۰)    راهنمایی هایی در مورد نرمال سازی برای استفاده ارائه کردند. اگر ما در یک

سیستم بسته (یعنی هیچ جایگزینی اضافه یا حذف نخواهد شد)، سپس حالت تقسیم بندی باید استفاده شود. اگر در یک سیستم باز هستیم (یعنی جایگزین ها می توانند اضافه یا حذف شوند) و

ما اجازه می دهیم که اولویت های ما  ما برای جایگزین ها به روش های دیگر دیگر وابسته باشد (در موارد دیگرکلمات، ما پدیده برگشت رتبه را می پذیریم)، ​​سپس حالت توزیعی نشان داده می شود. اگر

ما در یک سیستم باز هستیم و شما نمی خواهید که گزینه های دیگر بر نتیجه تأثیر بگذارد، بخاطر همین  حالت ایده آل سفارش می شود. که  بر اساس  مشاهدات، نرم افزار اکسپرت چویس بوده است

برای پشتیبانی از دو حالت تغییر یافته است.

نکته:جهت انجام پروژه  اکسپرت چویس خود نیازمند آن هستید که آموزش کافه پروژه  را از ابتدا ملاحظه نمایید لذا جهت مشاهده و آموزش های مرتبط با این نرم افزار لازم است کلمه آموزش اکسپرت چویس را در بخش جستجو وارد نمایید و اینتر بزنید

 تجزیه و تحلیل حساسیت

آخرین مرحله از فرآیند تصمیم گیری، تجزیه و تحلیل حساسیت است، جایی که داده های ورودی قرار دارند

به منظور مشاهده  تحت تاثیر قرار دادن  نتایج،  به مقدار کمی اصلاح شده است. اگر رتبه بندی تغییر نکند،

گفته می شود که نتایج قوی است. تجزیه و تحلیل حساسیت بهتر است با یک رابطه دو طرفه  انجام شود

رابط گرافیکی نرم افزار اکسپرت چویس اجازه می دهد تا تجزیه و تحلیل حساسیت های مختلف،انجام بگیرد  که در آن  به عنوان عامل اصلی است

تفاوت در نمایش های گرافیکی مختلف است (شکل ۸).

شکل ۸: نمونه ای از چهار تحلیل احتمالی حساسیت گرافیکی در نرم افزار اکسپرت چویس

  1. محدودیت های AHP اصلی و انتخاب موارد اصلی

 ساختار مسئله

این مرحله مهم است، زیرا ساختارگوناگون  ممکن است منجر به رتبه بندی نهایی گوناگونی  شود.

چندین نویسنده مانند وبر و ایسنفور(۱۹۸۷) و استیول(۱۹۸۸)  و پویهونن هامالاینن و همکاران(۱۹۹۷)

مشاهده کردند که معیارهایی با تعداد زیر معیارهای زیاد نسبت به زمانی که جزئیات کمتری دارند وزن بیشتری دریافت می کنند.

بروگ(۲۰۰۴)یک دستورالعمل کامل برای ساختار یک مشکل به صورت سلسله مراتبی بوجود آورد. و یک کتاب بنام  تدوین سلسله مراتب در کاربردهای مختلف نوشته شده است. (ساعتی و فورمین(۱۹۹۲)هنگام تنظیم سلسله مراتب ای اچ پی بوسیله  تعداد زیادی عنصر، تصمیم گیرنده باید تلاش کند

این عناصر را به صورت خوشه‌ای مرتب کنید تا بطور غیر معمول  با هم تفاوت نداشته باشند(ساتی و ایشی زاکا(۱۹۹۱)

 مقایسه های زوجی

مقایسه ها در یک ماتریس متقابل مثبت ثبت می شوند، مانند شکل ۲. در موارد خاص، مانند اینکه   در مبادلات ارزی، ماتریس های متضاد  را نمی توان استفاده کرد (هوانوی و کولاری و همکاران،۲۰۰۸)

حتی اگر ماتریس ها متضاد  نیستند، مشابه ماتریس های سنتی رفتار می شوند

با انتخاب این امکان ا فراهم نمی شود که متضاد  نباشد.

نکته: یک دیگر از نرم افزارهایی که می تواند در  رابطه با تحلیل داده ها به شما کمک کند لیزرل است که جهت سفارش پروژه لیزرل خود نیازمند آموزش کافه پروژه از ابتدا ملاحظه نمایید جهت مشاهده و آموزش های مرتبط با این نرم افزار لازم است کلمه آموزش lisrel  را در بخش جستجو وارد نمایید و اینتر بزنید

 ترازوی قضاوت

استفاده از مقایسه های کلامی به طور شهودی جذاب، کاربر پسند و رایج تر است

زندگی روزمره ما نسبت به اعداد همچنین ممکن است اجازه دهد برخی از ابهامات غیر پیش پا افتاده باشد

در زبان انگلیسی نیز ابهام مقایسه ها  مورد انتقاد قرار گرفته است (دونگان،

داد و همکاران ۱۹۹۲). به دلیل مقایسه های زوجی در ای اچ پی  یا تحلیل سلسله مراتبی  به مقیاس های نسبت نیاز دارد. بارزیلای (۲۰۰۵)ادعا می کند که ترجیحات را نمی توان با مقیاس های نسبت نشان داد، زیرا به نظر او a صفر مطلق مانند دما یا کشش الکتریکی وجود ندارد. ساعتی (۱۹۹۴) بیان می کند

اگر بخواهیم بتوانیم آن را جمع کنیم، مقیاس های نسبت تنها از طریق  اندازه گیری ممکن است

اندازه گیری، مانند یک جمع وزنی. عمل می کند  و دونگان (۱۹۹۵) از فقدان آن انتقاد کرده اند

یک صفر در مقیاس ترجیحی

برای استخراج اولویت ها، مقایسه های کلامی باید به مقایسه های عددی تبدیل شوند. که در

ای اچ پی یا تحلیل سلسله مراتبی جملات کلامی  به اعداد صحیح از یک به ۹   تبدیل می شوند. از نظر نظریه ساعتی هیچ دلیلی برای محدود شدن به این اعداد و رتبه بندی  کلامی وجود ندارد. اگربطور شفاهی

رتبه بندی  کمی مورد بررسی قرار گرفته است، چندین مقیاس عددی دیگر نیز پیشنهاد شده است

(جدول ۲، شکل ۹ و ۱۰). هارکر و وارگاس (۱۹۸۷) یک رتبه دوم و یک ریشه را ارزیابی کرده اند

ساعتی (۱۳۹۷)مقیاس مربع  را تنها از طریق  یک مثال ساده و به نفع مقیاس ۱ تا ۹  تحلیل  کرد.

با این حال، به نظر می رسد یک مثال برای نتیجه گیری  در رابطه با برتری مقایسه  خطی ۱-۹ کافی نیست.

لوتسما (۱۹۸۹) استدلال کرد که مقیاس هندسی بر مقیاس خطی ۱-۹ برتری  دارد. سالو وهامالاینن(۱۹۹۷)

اشاره می کند که اعداد صحیح از یک تا نه وزن های محیطی  را به دست می دهند که عبارتند از

عددهای پراکنده نابرابر، به طوری که عدم حساسیت در مقایسه عناصری  که وجود دارد

و ترجیحا نزدیک به هم  و بر اساس این مشاهدات، آنها یک مقیاس متعادل را پیشنهاد می کنند

که در آن وزن های محیطی  به طور مساوی در محدوده وزن های  [۰.۱، ۰.۹] پراکنده می شوند. اوایل

ژنگ (۱۹۹۱) مقیاسی را محاسبه کرده است که در آن عناصر معکوس x مقیاس ۱/x خطی هستند.

به جای x در مقیاس  خطی ساعتی. دونگان و همکاران (۱۹۹۲) یک مقیاس اجتنابی  را پیشنهاد کرده اند

اجتناب از مشکل مرزی، به عنوان مثال. اگر تصمیم گیرنده aij = 3 و ajk = 4 را وارد کند، او

مجبور به یک رابطه ناگذرمی باشد    زیرا حد بالای مقیاس ۹ است و او نمی تواند

aik = 12 را وارد کنید. جی و جیانگ (۲۰۰۳) ترکیبی از مقیاس های کلامی و هندسی را پیشنهاد می کنند. و امکان ادغام مقادیر منفی در مقیاس نیز بررسی شده است (ساعتی واوکس دنیر،۲۰۰۳)

( میلت و شونر ۲۰۰۵).

جدول ۲: مقیاس های مختلف برای مقایسه دو گزینه

 

شکل ۹: نمودار مقیاس های قضاوت

شکل ۱۰: نمودار مقیاس های قضاوت بدون مقیاس های هندسی و قدرتی

در بین تمام مقیاس های پیشنهادی، مقیاس خطی با اعداد صحیح یک تا نه و درصدی اغلب در برنامه های کاربردی استفاده شده است. این نیز تنها در اکسپرت چویس پیاده سازی شده است. ساعتی (۱۹۸۰؛ ۱۹۹۱) از آن به عنوان بهترین مقیاس برای نمایش نسبت های وزنی حمایت می کند

با این حال، مثال‌های ذکر شده  از جمله با جایگزین‌های قابل اندازه‌گیری آشکار سروکار دارند

به عنوان حوزه های ارقام، در حالی که ای اچ پی  عمدتاً فرآیندهای تصمیم گیری را به عنوان موضوعات ذهنی در نظر می گیرد.

ما دشواری تأیید اثربخشی مقیاس ها را ابطور ذهنی درک می کنیم

سالو و هامالاینن (۱۹۹۷)مشکلات   برتری مقیاس متعادل را زمانی که مقایسه دو عامل برای  انتخاب «بهترین» مقدار یک بحث بسیار داغ است. در نظر می گیرند

دانشمندان استدلال می کنند که انتخاب بستگی به شخص و مشکل تصمیم گیری دارد(هارکر و وارگاس ،۱۹۸۷)

بنابراین، ما معتقدیم که مقیاس های دیگردر اکسپرت چویس استقبال می شود

کافه پروژه دارای صدها مجری متخصص در حوزه پروژه های تحلیل آماری است.درصورتی که پروژه تحلیل آماری دارید به صفحه انجام پروژه تحلیل آماری مراجعه نمایید.

ممنون از اینکه آموزش های ما را دنبال می کنید این بخش از آموزش نرم افزار اکسپرت چویس به اتمام رسید به زودی آموزش قسمت بعدی نرم افزار بر روی سایت منتشر می شود

فرآیند تحلیل سلسله مراتبی و انتخاب بالاترین اولویت:

این بخش ، فرآیند تحلیل سلسله مراتبی اصلی (AHP) را در حین اجرا توصیف می‌کند

در بسته نرم افزاری اکسپرت چویس. ما کاربرد آن را از یک روش  نشان می دهیم

در یک مثال عملی به طور خاص،  در مورد مدل‌سازی مسئله، مقایسه‌های زوجی،

مقیاس های قضاوت، روش های اشتقاق، شاخص های سازگاری، سنتز اوزان و

تجزیه و تحلیل میزان حساسیت. در نهایت، محدودیت های AHP اصلی به همراه روشی جدید

توضیح داده شده است.

مقدمه

فرآیند تحلیل سلسله مراتبی (AHP) یک تصمیم گیری چند معیاره (MCDM) است.

روشی که به تصمیم گیرنده در مواجهه با یک مشکل پیچیده با تضادهای گوناگون  کمک می کند

و با استفاده از معیارهای ذهنی (مانند انتخاب مکان یا سرمایه گذاری، رتبه بندی پروژه ها و غیره).

. چندین مقاله داستان های موفقیت ای اچ پی  را در زمینه های بسیار متفاوت گردآوری کرده اند

(زاهدی ۱۹۸۶؛ گلدن، واسیل و همکاران، ۱۹۸۹؛ شیم ۱۹۸۹؛ وارگاس ۱۹۹۰؛ ساعتی و فورمن

۱۹۹۲; فورمن و گس ۲۰۰۱; Kumar and Vaidya 2006; Omkarprasad and Sushil 2006;

هو ۲۰۰۸; لیبراتوره و نیدیک ۲۰۰۸). قدیمی ترین مرجعی که ما پیدا کرده ایم به آن مربوط می شود. پس از این، مقاله ای در مجله روانشناسی ریاضی (ساعتی

۱۹۷۷) روش  ای اچ پی را دقیقاً شرح داد. اکثریت قریب به اتفاق برنامه ها هنوز از AHP استفاده می کنند

همانطور که در این اولین انتشار توضیح داده شد و از تحولات پشت سرهم  آگاهی ندارند . این

این واقعیت احتمالاً به دلیل نرم افزار پیشرو پشتیبانی کننده AHP، یعنی اکسپرت چویس است

، که همچنان AHP را در خود قرار داده است.

اولین انتشار در این مقاله، تحلیل سلسله مراتبی  را از طریق اکسپرت جویس تشریح کرده و a که

طرحی از جهت گیری های اصلی در تحولات روش شناختی در مقابل الف که بحث در مورد کاربردها است و تحقیقات بیشتر در این زمینه مهم. است

روش اصلی ای اچ پی

مانند چندین روش MCDM دیگر مانند ELECTRE، MacBeth، SMART،

PROMETHEE، UTA، و غیره طبق نظر افرادی مانند  (بلتون و استوارت ۲۰۰۲؛ فیگویرا، گرکو و همکاران ۲۰۰۵))، ای اچ پی مبتنی بر چهار مرحله است: مدل سازی مسئله، ارزش گذاری وزن ها، تجمیع وزن ها، تجزیه و تحلیل میزان حساسیت و…

. در بخش های بعدی این چهار مرحله مورد استفاده توسط ای اچ پی   را بررسی خواهیم کرد

و تحولات آن بر اساس یک مشکل ساده است: انتخاب یک ماشین برای خرید.

 مدل سازی مسئله

مانند تمام فرآیندهای تصمیم گیری، محقق  مدت طولانی با آن زندگی می کند

تصمیم گیرندگان برای ساختار مسئله، که می توان آن را به سه بخش تقسیم کرد: هدف

(خرید خودرو)، معیارها (هزینه اولیه، هزینه نگهداری، پرستیژ، کیفیت و زیرمعیارهای آن)

و جایگزین ها (فیات اونو، نیسان ماکسیما ۴ در، مرسدس بنز ۲۹۰، ولوو ۸۴۰،

فورد فیستا) (شکل ۱). ای اچ پی  امتیاز  اجازه دادن به ساختار سلسله مراتبی را دارد

معیارهایی که تمرکز بهتری را روی معیارها و زیرمعیارهای خاص برای کاربران فراهم می کند

نکته : جهت سفارش پروژه AHP در سایت کافه پروژه میتوانید در زمان بسیار کوتاه ثبت نام نماییدو توضیحات خود را بصورت کامل بنویسید.بعداز ثبت پروژه فریلنسرهای کافه پروژه کار شما را بررسی کرده و پیشنهاد قیمت می دهند.شما میتوانید بهترین قیمت را

هنگام اختصاص دادن  وزن ها

۲.۲ مقایسه های زوجی

در هر گره از سلسله مراتب، یک ماتریس مقایسه های زوجی را جمع آوری می کند

تصمیم گیرنده (به عنوان مثال شکل ۲).

 

 

شکل ۲: ماتریس مقایسه گره اول

روانشناسان استدلال می کنند که بیان کردن نظر فقط در مورد آن آسان تر و دقیق تر است

دو گزینه به طور همزمان در همه گزینه ها وجو دارد . همچنین اجازه می دهد تا برای باقی ماندن  و

بررسی متقابل بین مقایسه‌های گوناگون زوجی . AHP از a استفاده می کند

مانند مقیاس نسبت، که برخلاف روش‌هایی که از مقیاس‌های فاصله‌ای استفاده می‌کنند (کانولاینن و لسکینن،۲۰۰۰)

وقتی که  به هیچ موردی  در مقایسه نیاز ندارد. قضاوت یک مقدار نسبی یا یک ضریب است

a/b از دو کمیت a و b که واحدهای یکسانی دارند (شدت، متر، مطلوبیت و غیره). این

تصمیم گیرنده نیازی به اوردن   یک قضاوت عددی ندارد. در عوض یک  مقایسه کلامی نسبی

قدردانی که در زندگی روزمره ما بیشتر آشناست، کافی است.

اگر ماتریس کاملاً سازگار باشد، قاعده گذر (۱) برای همه مقایسه ها برقرار است

aij:

aij = aik · akj (1)

به عنوان مثال، اگر تیم A تیم B را دو بر صفر و تیم B تیم C را سه بر صفر شکست دهد، آنگاه

با قانون گذر (۱) انتظار می رود که تیم A تیم C را شش بر صفر (۳ · ۲ = ۶) شکست دهد.

با این حال، این به ندرت اتفاق می افتد زیرا جهان ما طبیعتاً ناسازگار است. به عنوان یک

حداقل سازگاری برای استخراج اولویت های معنادار مورد نیاز است، یک آزمون باید انجام شود (نگاه کنید به

بخش ۲.۵). وبر و همکاران (۱۹۹۶) بیان می کند که ترتیب مقایسه ها وارد شده در ماتریس ممکن است بر قضاوت های پشت سرهم  تأثیر بگذارد.

 ترازوی قضاوت

یکی از نقاط قوت AHP امکان ارزیابی عددی و کیفی است

معیارها و گزینه های جایگزین در مقیاس اولویت داده شده  یکسان  است نه سطحی. اینها می توانند باشند

عددی (شکل ۳)، کلامی (شکل ۴) یا گرافیکی (شکل ۵)

شکل ۳: مقیاس عددی

 

 

شکل ۴: مقیاس کلامی

شکل ۵: مقیاس گرافیکی

۲.۴ تقسیم بندی اولویت ها

هنگامی که ماتریس های مقایسه پر شدند، می توان اولویت ها را محاسبه کرد.روش  سنتی

AHP از روش مقدار ویژه استفاده می کند. برای برخی از کاربران این روش کاملا مبهم به نظر می رسد. که برای توضیح آن، از حالت یک ماتریس سازگار با اولویت های شناخته شده pi شروع می کنیم

در این مورد، مقایسه گزینه‌های i و j با pi/pj ارائه می‌شود

، که چند برابر شد

توسط بردار اولویت

p

منجر می شود به:

یا گروه بندی شده

a

p

= n

پ

(۲)

جایی که

p

: بردار اولویت ها

n: بعد ماتریس

الف: ماتریس مقایسه

معادله (۲) فرمول یک مسئله بردار ویژه است. اولویت های محاسبه شده دقیق هستند

برای یک ماتریس سازگار وقتی ناهماهنگی های جزئی معرفی می شوند، اولویت ها باید گوناگون باشند

طبق نظریه ناهماهنگی فقط به مقدار کمی (ساتی ۲۰۰۳).

 سازگاری

از آنجایی که اولویت‌ها تنها در صورتی معنا پیدا می‌کنند که از ماتریس‌های سازگار یا تقریباً سازگار گرفته شده  شده باشند، الف

بررسی سازگاری باید اجرا شود. ساعتی (۱۹۷۷) یک شاخص ثبات (CI) را پیشنهاد کرده است.

که مربوط به روش مقدار ویژه است:

نسبت قوام، نسبت CI و RI، به وسیله:

که در آن RI شاخص تصادفی است (میانگین CI از ۵۰۰ ماتریس پر شده به طور تصادفی).

اگر CR کمتر از ۱۰٪ باشد، ماتریس را می توان دارای یک قابل قبول در نظر گرفت

ثبات.

ساعتی (۱۹۷۷) شاخص های تصادفی نشان داده شده در جدول ۱ را محاسبه کرد.:

جدول ۱: شاخص های تصادفی از ساعتی (۱۹۷۷)

سایر محققان شبیه سازی هایی را با تعداد متفاوتی از ماتریس ها اجرا کرده اند (Lane و Verdini

۱۹۸۹; توممالا و وان ۱۹۹۴; آلونسو و لاماتا ۲۰۰۶) یا ماتریس های ناقص (فورمن

۱۹۹۰). شاخص های تصادفی آنها متفاوت است اما نزدیک به ساعتی است.

تجمع

آخرین مرحله ترکیب اولویت های محلی در همه معیارها به منظورمشخص کردن آن است

اولویت جهانی رویکرد AHP تاریخی (که بعداً حالت توزیعی نامیده می شود)  مقداریک را انتخاب می کند

جمع کردن اضافی   از طریق  عادی سازی مجموع اولویت های محلی برای ایجاد وحدت بین آنها (شکل (۶

 

حالت مطلوب از یک نرمال سازی با تقسیم امتیاز هر گزینه فقط بر روی  آن  معیاراستفاده می کند

امتیاز بهترین جایگزین تحت هر معیار (شکل ۷).

 

شکل ۶: اولویت ها با حالت توزیعی

شکل ۷: اولویت ها با حالت مطلوب

مشاهده می شود که این دو رویکرد لزوماً رتبه بندی همانندی  را توصیه نمی کنند (نگاه کنید به

مستطیل های شکل ۶ و ۷).

اگر از قبل اولویت ها را بدانیم، حالت توزیعی تنها رویکردی است که بازیابی می کند(بلتونو جیر،۱۹۸۳)

با این حال این اولویت ها  اگر یک کپی از رویکرد قبلی   یا یک نسخه نزدیک به نسخه قبلی باشد آن نسخه  جدید به عنوان نسخه جایگزین معرفی یا حذف می شود(دیر،۱۹۹۰) ، ممکن است تغییر رتبه جایگزین ها انجام شود(تروت،۱۹۸۸)

به نظر می رسد. این پدیده از یک سو مورد انتقاد قرار گرفته است از طرف کسانی مانند دیر(۱۹۹۰) و هولدر(۱۹۹۱)،استام(۱۹۹۱)

و توسط  عده دیگری مورد تایید قرار گرفته است مانند (ساتی،۱۹۸۶)

هارکر و وارگاس ۱۹۸۷; هارکر و وارگاس ۱۹۹۰; ساعتی ۱۹۹۰; ساعتی ۱۹۹۱; ساعتی ۱۹۹۴;

پرز ۱۹۹۵; ساعتی ۲۰۰۶). این پدیده فقط در رابطه با ای اچ پی نیست   بلکه برای همه افراد است

مدل هایی که به ای اچ پی اضافه شده اند  افرادی مانند وانگ و لو (۲۰۰۰)ساتی(۲۰۰۰) ترانتانفیلو(۲۰۰۱) و میلر(۲۰۰۰)    راهنمایی هایی در مورد نرمال سازی برای استفاده ارائه کردند. اگر ما در یک

سیستم بسته (یعنی هیچ جایگزینی اضافه یا حذف نخواهد شد)، سپس حالت تقسیم بندی باید استفاده شود. اگر در یک سیستم باز هستیم (یعنی جایگزین ها می توانند اضافه یا حذف شوند) و

ما اجازه می دهیم که اولویت های ما  ما برای جایگزین ها به روش های دیگر دیگر وابسته باشد (در موارد دیگرکلمات، ما پدیده برگشت رتبه را می پذیریم)، ​​سپس حالت توزیعی نشان داده می شود. اگر

ما در یک سیستم باز هستیم و شما نمی خواهید که گزینه های دیگر بر نتیجه تأثیر بگذارد، بخاطر همین  حالت ایده آل سفارش می شود. که  بر اساس  مشاهدات، نرم افزار اکسپرت چویس بوده است

برای پشتیبانی از دو حالت تغییر یافته است.

نکته:جهت انجام پروژه  اکسپرت چویس خود نیازمند آموزش کافه پروژه از ابتدا ملاحظه نمایید جهت مشاهده و آموزش های مرتبط با این نرم افزار لازم است کلمه آموزش اکسپرت چویس را در بخش جستجو وارد نمایید و اینتر بزنید

 تجزیه و تحلیل حساسیت

آخرین مرحله از فرآیند تصمیم گیری، تجزیه و تحلیل حساسیت است، جایی که داده های ورودی قرار دارند

به منظور مشاهده  تحت تاثیر قرار دادن  نتایج،  به مقدار کمی اصلاح شده است. اگر رتبه بندی تغییر نکند،

گفته می شود که نتایج قوی است. تجزیه و تحلیل حساسیت بهتر است با یک رابطه دو طرفه  انجام شود

رابط گرافیکی نرم افزار اکسپرت چویس اجازه می دهد تا تجزیه و تحلیل حساسیت های مختلف،انجام بگیرد  که در آن  به عنوان عامل اصلی است

تفاوت در نمایش های گرافیکی مختلف است (شکل ۸).

شکل ۸: نمونه ای از چهار تحلیل احتمالی حساسیت گرافیکی در نرم افزار اکسپرت چویس

  1. محدودیت های AHP اصلی و انتخاب موارد اصلی

 ساختار مسئله

این مرحله مهم است، زیرا ساختارگوناگون  ممکن است منجر به رتبه بندی نهایی گوناگونی  شود.

چندین نویسنده مانند وبر و ایسنفور(۱۹۸۷) و استیول(۱۹۸۸)  و پویهونن هامالاینن و همکاران(۱۹۹۷)

مشاهده کردند که معیارهایی با تعداد زیر معیارهای زیاد نسبت به زمانی که جزئیات کمتری دارند وزن بیشتری دریافت می کنند.

بروگ(۲۰۰۴)یک دستورالعمل کامل برای ساختار یک مشکل به صورت سلسله مراتبی بوجود آورد. و یک کتاب بنام  تدوین سلسله مراتب در کاربردهای مختلف نوشته شده است. (ساعتی و فورمین(۱۹۹۲)هنگام تنظیم سلسله مراتب ای اچ پی بوسیله  تعداد زیادی عنصر، تصمیم گیرنده باید تلاش کند

این عناصر را به صورت خوشه‌ای مرتب کنید تا بطور غیر معمول  با هم تفاوت نداشته باشند(ساتی و ایشی زاکا(۱۹۹۱)

.

 مقایسه های زوجی

مقایسه ها در یک ماتریس متقابل مثبت ثبت می شوند، مانند شکل ۲. در موارد خاص، مانند اینکه   در مبادلات ارزی، ماتریس های متضاد  را نمی توان استفاده کرد (هوانوی و کولاری و همکاران،۲۰۰۸)

حتی اگر ماتریس ها متضاد  نیستند، مشابه ماتریس های سنتی رفتار می شوند

با انتخاب این امکان ا فراهم نمی شود که متضاد  نباشد.

نکته: یک دیگر از نرم افزارهایی که می تواند در  رابطه با تحلیل داده ها به شما کمک کند لیزرل است که جهت سفارش پروژه لیزرل خود نیازمند آموزش کافه پروژه از ابتدا ملاحظه نمایید جهت مشاهده و آموزش های مرتبط با این نرم افزار لازم است کلمه آموزشlisre l را در بخش جستجو وارد نمایید و اینتر بزنید

 ترازوی قضاوت

استفاده از مقایسه های کلامی به طور شهودی جذاب، کاربر پسند و رایج تر است

زندگی روزمره ما نسبت به اعداد همچنین ممکن است اجازه دهد برخی از ابهامات غیر پیش پا افتاده باشد

در زبان انگلیسی نیز ابهام مقایسه ها  مورد انتقاد قرار گرفته است (دونگان،

داد و همکاران ۱۹۹۲). به دلیل مقایسه های زوجی در ای اچ پی  یا تحلیل سلسله مراتبی  به مقیاس های نسبت نیاز دارد. بارزیلای (۲۰۰۵)ادعا می کند که ترجیحات را نمی توان با مقیاس های نسبت نشان داد، زیرا به نظر او a صفر مطلق مانند دما یا کشش الکتریکی وجود ندارد. ساعتی (۱۹۹۴) بیان می کند

اگر بخواهیم بتوانیم آن را جمع کنیم، مقیاس های نسبت تنها از طریق  اندازه گیری ممکن است

اندازه گیری، مانند یک جمع وزنی. عمل می کند  و دونگان (۱۹۹۵) از فقدان آن انتقاد کرده اند

یک صفر در مقیاس ترجیحی

برای استخراج اولویت ها، مقایسه های کلامی باید به مقایسه های عددی تبدیل شوند. که در

ای اچ پی یا تحلیل سلسله مراتبی جملات کلامی  به اعداد صحیح از یک به ۹   تبدیل می شوند. از نظر نظریه ساعتی هیچ دلیلی برای محدود شدن به این اعداد و رتبه بندی  کلامی وجود ندارد. اگربطور شفاهی

رتبه بندی  کمی مورد بررسی قرار گرفته است، چندین مقیاس عددی دیگر نیز پیشنهاد شده است

(جدول ۲، شکل ۹ و ۱۰). هارکر و وارگاس (۱۹۸۷) یک رتبه دوم و یک ریشه را ارزیابی کرده اند

ساعتی (۱۳۹۷)مقیاس مربع  را تنها از طریق  یک مثال ساده و به نفع مقیاس ۱ تا ۹  تحلیل  کرد.

با این حال، به نظر می رسد یک مثال برای نتیجه گیری  در رابطه با برتری مقایسه  خطی ۱-۹ کافی نیست.

لوتسما (۱۹۸۹) استدلال کرد که مقیاس هندسی بر مقیاس خطی ۱-۹ برتری  دارد. سالو وهامالاینن(۱۹۹۷)

اشاره می کند که اعداد صحیح از یک تا نه وزن های محیطی  را به دست می دهند که عبارتند از

عددهای پراکنده نابرابر، به طوری که عدم حساسیت در مقایسه عناصری  که وجود دارد

و ترجیحا نزدیک به هم  و بر اساس این مشاهدات، آنها یک مقیاس متعادل را پیشنهاد می کنند

که در آن وزن های محیطی  به طور مساوی در محدوده وزن های  [۰.۱، ۰.۹] پراکنده می شوند. اوایل

ژنگ (۱۹۹۱) مقیاسی را محاسبه کرده است که در آن عناصر معکوس x مقیاس ۱/x خطی هستند.

به جای x در مقیاس  خطی ساعتی. دونگان و همکاران (۱۹۹۲) یک مقیاس اجتنابی  را پیشنهاد کرده اند

اجتناب از مشکل مرزی، به عنوان مثال. اگر تصمیم گیرنده aij = 3 و ajk = 4 را وارد کند، او

مجبور به یک رابطه ناگذرمی باشد    زیرا حد بالای مقیاس ۹ است و او نمی تواند

aik = 12 را وارد کنید. جی و جیانگ (۲۰۰۳) ترکیبی از مقیاس های کلامی و هندسی را پیشنهاد می کنند. و امکان ادغام مقادیر منفی در مقیاس نیز بررسی شده است (ساعتی واوکس دنیر،۲۰۰۳)

( میلت و شونر ۲۰۰۵).

جدول ۲: مقیاس های مختلف برای مقایسه دو گزینه

 

شکل ۹: نمودار مقیاس های قضاوت

شکل ۱۰: نمودار مقیاس های قضاوت بدون مقیاس های هندسی و قدرتی

در بین تمام مقیاس های پیشنهادی، مقیاس خطی با اعداد صحیح یک تا نه و درصدی اغلب در برنامه های کاربردی استفاده شده است. این نیز تنها در اکسپرت چویس پیاده سازی شده است. ساعتی (۱۹۸۰؛ ۱۹۹۱) از آن به عنوان بهترین مقیاس برای نمایش نسبت های وزنی حمایت می کند

با این حال، مثال‌های ذکر شده  از جمله با جایگزین‌های قابل اندازه‌گیری آشکار سروکار دارند

به عنوان حوزه های ارقام، در حالی که ای اچ پی  عمدتاً فرآیندهای تصمیم گیری را به عنوان موضوعات ذهنی در نظر می گیرد.

ما دشواری تأیید اثربخشی مقیاس ها را ابطور ذهنی درک می کنیم

سالو و هامالاینن (۱۹۹۷)مشکلات   برتری مقیاس متعادل را زمانی که مقایسه دو عامل برای  انتخاب «بهترین» مقدار یک بحث بسیار داغ است. در نظر می گیرند

دانشمندان استدلال می کنند که انتخاب بستگی به شخص و مشکل تصمیم گیری دارد(هارکر و وارگاس ،۱۹۸۷)

بنابراین، ما معتقدیم که مقیاس های دیگردر اکسپرت چویس استقبال می شود

کافه پروژه دارای صدها مجری متخصص در حوزه پروژه های تحلیل آماری است.درصورتی که پروژه تحلیل آماری دارید به صفحه انجام پروژه تحلیل آماری مراجعه نمایید.

ممنون از اینکه آموزش های ما را دنبال می کنید این بخش از آموزش نرم افزار اکسپرت چویس به اتمام رسید به زودی آموزش قسمت بعدی نرم افزار بر روی سایت منتشر می شود

نحوه سفارش پروژه در سایت کافه پروژه :

اگر پروژه ای دارید که میخواهید آن را برون سپاری کنید کافی است در سایت کافه پروژه ثبت نام کنید و پروژه خود را ثبت نمایید.پروژه شما هر چه که باشد حتما مجری برای آن وجود دارد.جهت ثبت نام و ثبت سفارش پروژه خود برروی دکمه زیر کلیک نمایید.

بدون دیدگاه

دیدگاهتان را بنویسید

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