|
пользования интервальных суждений, которые приводят к трудоемким оптимизационным и статистическим процедурам, в МАИ часто выполняются следующие действия: а) сравнение диапазонов значений критериев, б) анализ чувствительности полученных результатов к возмущениям в исходных суждениях. Суждения могут рассматриваться как случайные величины, описываемые распределениями вероятности. В МАИ предусмотрены три способа ранжирования альтернатив: относительное, которое упорядочивает несколько альтернатив на основе парных сравнений, что особенно актуально для новых и исследовательских решений; абсолютное, с помощью которого можно оценивать неограниченное количество альтернатив по отдельности, применяя шкалы интенсивности предпочтений, построенные для каждого критерия. Этот тип оценивания и ранжирования особенно полезен в решениях, где существует достаточная информация для оценки относительной важности значений интенсивности. Данный способ удобен для фильтрации большого множества альтернатив, лучшие из которых затем можно ранжировать относительным способом; эталонное тестирование (benchmark), которое упорядочивает альтернативы путем включения в их набор эталонного объекта с известными свойствами и последующим сравнением с ним других альтернатив. 3. Чувствительность собственного вектора к возмущениям в суждениях ограничивает размерность матриц парных сравнений (число элементов одного уровня я<10), поэтому необходимо, чтобы сравниваемые элементы были однородными. 4. Однородность и кластеризация используются для постепенного расширения границ фундаментальной шкалы от одного кластера к другому смежному кластеру, что позволяет расширить размер шкалы. 178 |
Шкалы отношений становятся необходимыми в процессах пропорционального распределения ресурсов, которое дает решение в относительных терминах. 2. Обратно симметричные матрицы парных сравнений позволяют выразить семантические суждения числами из фундаментальной шкалы. Собственный вектор матрицы парных сравнений, который характеризует степень доминирования каждого элемента над другими элементами в матрице, является вектором приоритетов. Элемент, не обладающий заданным свойством, автоматически получает нулевое значения в собственном векторе без включения его в матрицу парных сравнений. Доминирование по всем возможным направленияхМ на графе рассматриваемого решения получается путем возведения суперматрицы, описывающей этот граф, в целочисленные степени с предварительной нормализацией ее столбцов. В МАИ/МАС допускаются отклонения от абсолютной согласованности в суждениях, и вычисляется оценка этого отклонения, которая может содействовать улучшению согласованности суждений и достижению лучшего понимания проблемы. Вместо использования интервальных суждений, которые приводят к трудоемким оптимизационным и статистическим процедурам, в МАИ часто выполняются следующие действия: а) сравнение диапазонов значений критериев, б) анализ чувствительности полученных результатов к возмущениям в исходных суждениях. Суждения могут рассматриваться как случайные величины, описываемые распределениями вероятности. В МАИ предусмотрены три способа ранжирования альтернатив: относительное, которое упорядочивает несколько альтернатив на основе парных сравнений, что особенно актуально для новых и исследовательских решений; абсолютное, с помощью которого можно оценивать неограниченное количество альтернатив по отдельности, применяя шкалы интенсивности 137 предпочтений, построенные для каждого критерия. Этот тип оценивания и ранжирования особенно полезен в решениях, где существует достаточная информация для оценки относительной важности значений интенсивности. Данный способ удобен для фильтрации большого множества альтернатив, лучшие из которых затем можно ранжировать относительным способом; эталонное тестирование (benchmark), которое упорядочивает альтернативы путем включения в их набор эталонного объекта с известными свойствами и последующим сравнением с ним других альтернатив. 3. Чувствительность собственного вектора к возмущениям в суждениях ограничивает размерность матриц парных сравнений (число элементов одного уровня и<10), поэтому необходимо, чтобы сравниваемые элементы были однородными. 4. Однородность и кластеризация используются для постепенного расширения границ фундаментальной шкалы от одного кластера к другому смежному кластеру, что позволяет расширить размер шкалы. 5. Для вывода глобальной шкалы отношений, необходимой для представления обобщенного результата, применяется синтез приоритетов и на иерархиях, и на сетевых структурах с зависимостью и обратной связью. Синтез локальных приоритетов (шкал отношений) обеспечивает корректные результаты только в том случае, если он выполняется для известных шкал путем вычисления взвешенной суммы (аддитивного взвешивания). Поскольку аддитивное взвешивание на иерархической структуре приводит к полилинейной форме, то результат является нелинейным. Применяемое иногда мультипликативное взвешивание, при котором приоритеты альтернатив возводятся в степени, соответствующие приоритетам критериев, с последующим перемножением результатов, имеет четыре главных недостатка: а) оно не позволяет восстановить исходные значения приоритетов альтернатив по критериям; 138 |