روش IDOCRIW

در دنیای پیچیده امروز، تصمیم‌گیری‌های مهم اغلب با چالش مواجه می‌شوند؛ چرا که عوامل متعدد و گاه متضادی در این تصمیم‌گیری‌ها دخیل هستند. روش‌های تصمیم‌گیری چند معیاره، به عنوان ابزاری کارآمد برای حل این چالش‌ها مطرح شده‌اند. یکی از این روش‌ها که در سال‌های اخیر توجه بسیاری از پژوهشگران و تصمیم‌گیران را به خود جلب کرده، روش IDOCRIW است.

IDOCRIW مخفف عبارت Integrated Determination of Objective CRiteria Weights است و به معنای تعیین یکپارچه وزن‌های معیارهای عینی می‌باشد. این روش، روشی نوین و قدرتمند برای محاسبه وزن معیارها در مسائل تصمیم‌گیری چند معیاره است. IDOCRIW با ترکیب دو روش آنتروپی و شاخص تاثیر از دست رفته (CILOS)، به تعیین دقیق‌تر وزن معیارها کمک می‌کند. در واقع، این روش با در نظر گرفتن همزمان اطلاعات کمی و کیفی موجود در مسئله، به تخصیص وزن‌های عادلانه‌تر و منطقی‌تر به معیارها می‌پردازد.

اهمیت IDOCRIW در آن است که با ارائه یک چارچوب سیستماتیک و دقیق، به تصمیم‌گیران کمک می‌کند تا با اطمینان بیشتری به انتخاب گزینه مطلوب بپردازند. این روش نه تنها در حوزه‌های علمی و پژوهشی، بلکه در صنایع مختلف از جمله مدیریت، مهندسی، اقتصاد و … نیز کاربرد فراوانی دارد. در ادامه، به بررسی دقیق‌تر این روش و کاربردهای آن خواهیم پرداخت.

روش IDOCRIW چیست؟

IDOCRIW یک روش تصمیم‌گیری چند معیاره است که برای تعیین وزن‌های معیارها در مسائل تصمیم‌گیری با چندین معیار متضاد به کار می‌رود. این روش بر اساس ترکیب دو روش آنتروپی شانون و شاخص تاثیر از دست رفته (CILOS) عمل می‌کند. روش آنتروپی شانون برای اندازه‌گیری عدم قطعیت در داده‌ها استفاده می‌شود و شاخص CILOS نیز برای محاسبه میزان تاثیر از دست رفته هر معیار به کار می‌رود.

این روش برای اولین بار توسط زاوادسکاس و پادوزکو در سال 2016 معرفی و ارائه شد. آنها با ترکیب دو روش قدرتمند آنتروپی شانون و شاخص تاثیر از دست رفته (CILOS)، روشی نوین برای تعیین وزن معیارها ارائه کردند.

در روش IDOCRIW، ابتدا ماتریس تصمیم‌گیری تشکیل می‌شود که در آن، گزینه‌های مختلف در سطرها و معیارهای تصمیم‌گیری در ستون‌ها قرار می‌گیرند. سپس، با استفاده از روش آنتروپی، وزن اولیه هر معیار محاسبه می‌شود. در مرحله بعد، با استفاده از شاخص CILOS، میزان تاثیر از دست رفته هر معیار تعیین می‌شود. در نهایت، با ترکیب وزن‌های اولیه و میزان تاثیر از دست رفته هر معیار، وزن نهایی هر معیار محاسبه می‌شود.

مزایای روش IDOCRIW

• سادگی و سهولت استفاده: IDOCRIW دارای مراحل ساده و قابل فهمی است و به نرم‌افزارهای پیچیده‌ای نیاز ندارد.
• در نظر گرفتن همزمان اطلاعات کمی و کیفی: این روش به طور همزمان از اطلاعات کمی (اعداد) و کیفی (نظرات خبرگان) استفاده می‌کند.
• دقت بالا در تعیین وزن معیارها: با ترکیب روش‌های آنتروپی و CILOS، وزن معیارها با دقت بالایی محاسبه می‌شود.
• کاربرد گسترده: روش IDOCRIW در صنایع مختلف و برای حل مسائل مختلف تصمیم‌گیری قابل استفاده است.

مقایسه روش IDOCRIW با سایر روش‌ها

روش IDOCRIW نسبت به سایر روش‌های تصمیم‌گیری چند معیاره، مزایای زیر را دارد:

• در نظر گرفتن عدم قطعیت: با استفاده از روش آنتروپی، این روش به عدم قطعیت موجود در داده‌ها توجه می‌کند.
• ساده‌تر بودن محاسبات: محاسبات IDOCRIW نسبت به برخی روش‌های دیگر ساده‌تر است.
• کاربرد گسترده‌تر: روش IDOCRIW برای طیف وسیع‌تری از مسائل قابل استفاده است.

کاربردهای روش IDOCRIW در صنایع مختلف

روش IDOCRIW به دلیل سادگی و دقت بالا، در صنایع مختلف کاربرد فراوانی دارد. برخی از مهم‌ترین کاربردهای این روش عبارتند از:

• انتخاب پروژه: در انتخاب پروژه‌های سرمایه‌گذاری، IDOCRIW می‌تواند به ارزیابی و رتبه‌بندی گزینه‌های مختلف کمک کند.
• ارزیابی تامین‌کنندگان: برای انتخاب بهترین تامین‌کننده، می‌توان از IDOCRIW استفاده کرد و معیارهای مختلف مانند قیمت، کیفیت، زمان تحویل و … را در نظر گرفت.
• ارزیابی ریسک: در ارزیابی ریسک پروژه‌ها، IDOCRIW می‌تواند به شناسایی و اولویت‌بندی ریسک‌ها کمک کند.
• تصمیم‌گیری در حوزه منابع انسانی: در فرآیند استخدام، ارتقاء شغلی و ارزیابی عملکرد کارکنان، می‌توان از روش IDOCRIW استفاده کرد.
• برنامه‌ریزی تولید: در برنامه‌ریزی تولید، IDOCRIW می‌تواند به انتخاب بهترین ترکیب محصولات و تعیین مقدار تولید بهینه کمک کند.
• مدیریت زنجیره تامین: در مدیریت زنجیره تامین، روش IDOCRIW می‌تواند به انتخاب بهترین مسیر توزیع، تعیین مکان انبارها و … کمک کند.

کاربردهای نوین روش IDOCRIW در هوش مصنوعی و یادگیری ماشین

IDOCRIW، به عنوان یک روش قدرتمند در تصمیم‌گیری چند معیاره، پتانسیل بالایی برای کاربرد در حوزه‌های نوظهور مانند هوش مصنوعی و یادگیری ماشین دارد. در ادامه به برخی از این کاربردها اشاره می‌کنیم:

1. انتخاب الگوریتم و مدل:

• انتخاب بهترین الگوریتم یادگیری ماشین: در پروژه‌های یادگیری ماشین، انتخاب الگوریتم مناسب (مانند رگرسیون خطی، جنگل تصادفی، شبکه‌های عصبی) بسیار مهم است. روش IDOCRIW می‌تواند با در نظر گرفتن معیارهایی مانند دقت، سرعت، پیچیدگی و قابل تفسیر بودن، به انتخاب بهترین الگوریتم کمک کند.
• انتخاب معماری شبکه عصبی: در شبکه‌های عصبی عمیق، انتخاب معماری مناسب (تعداد لایه‌ها، تعداد نورون‌ها در هر لایه، نوع تابع فعال‌سازی و …) تأثیر بسزایی بر عملکرد مدل دارد. روش IDOCRIW می‌تواند به انتخاب بهترین معماری کمک کند.

2. بهینه‌سازی فرایند یادگیری:

• تعیین نرخ یادگیری: نرخ یادگیری یکی از مهم‌ترین پارامترهای در آموزش شبکه‌های عصبی است. روش IDOCRIW می‌تواند به تعیین بهترین نرخ یادگیری کمک کند.
• انتخاب تابع هزینه: تابع هزینه نقش مهمی در بهینه‌سازی پارامترهای مدل دارد. روش IDOCRIW می‌تواند به انتخاب بهترین تابع هزینه کمک کند.
• تنظیم پارامترهای هایپر: پارامترهای هایپر مانند تعداد درختان در جنگل تصادفی یا تعداد همسایه‌ها در الگوریتم k-NN، بر عملکرد مدل تأثیر می‌گذارند. روش IDOCRIW می‌تواند به تنظیم بهینه این پارامترها کمک کند.

3. ارزیابی عملکرد مدل‌ها:

• مقایسه مدل‌های مختلف: روش IDOCRIW می‌تواند برای مقایسه عملکرد چندین مدل مختلف استفاده شود. با تعریف معیارهای ارزیابی مناسب (مانند دقت، حساسیت، ویژگی و …)، می‌توان بهترین مدل را انتخاب کرد.
• انتخاب بهترین مدل برای یک کاربرد خاص: در بسیاری از موارد، چندین مدل با عملکرد خوب وجود دارد. روش IDOCRIW می‌تواند به انتخاب بهترین مدل برای یک کاربرد خاص با توجه به نیازهای خاص آن کاربرد کمک کند.

4. انتخاب ویژگی‌ها:

• انتخاب ویژگی‌های مهم: در بسیاری از داده‌ها، تعداد ویژگی‌ها بسیار زیاد است. روش IDOCRIW می‌تواند به انتخاب مهم‌ترین ویژگی‌ها برای آموزش مدل کمک کند.
• کاهش ابعاد داده‌ها: با انتخاب ویژگی‌های مهم، می‌توان ابعاد داده‌ها را کاهش داده و در نتیجه سرعت آموزش مدل را افزایش داد.

5. تفسیر مدل‌ها:

• تفسیر اهمیت ویژگی‌ها: روش IDOCRIW می‌تواند به تفسیر اهمیت هر یک از ویژگی‌ها در مدل کمک کند. این امر به درک بهتر عملکرد مدل و بهبود آن کمک می‌کند.

محدودیت‌های روش IDOCRIW

با وجود مزایای فراوان، روش IDOCRIW نیز دارای برخی محدودیت‌ها است:

• وابستگی به داده‌ها: دقت نتایج روش IDOCRIW به کیفیت و کمیت داده‌های ورودی بستگی دارد. اگر داده‌ها ناقص یا نادرست باشند، نتایج نیز قابل اعتماد نخواهند بود.
• اهمیت نظر خبرگان: در تعیین وزن‌های اولیه معیارها، نظر خبرگان نقش مهمی دارد. اگر نظر خبرگان با واقعیت مطابقت نداشته باشد، نتایج نیز ممکن است دچار خطا شوند.
• عدم در نظر گرفتن وابستگی بین معیارها: در روش IDOCRIW، فرض بر این است که معیارها از یکدیگر مستقل هستند. در حالی که در بسیاری از مسائل واقعی، معیارها با هم مرتبط هستند.
• سادگی مدل: روش IDOCRIW یک مدل ساده برای تصمیم‌گیری چند معیاره است و ممکن است برای حل مسائل پیچیده کافی نباشد.

مراحل اجرای روش IDOCRIW

روش IDOCRIW شامل مراحل زیر است:

تشکیل ماتریس تصمیم‌گیری: در این مرحله، گزینه‌های مختلف و معیارهای تصمیم‌گیری در قالب یک ماتریس قرار می‌گیرند. هر سطر این ماتریس مربوط به یک گزینه و هر ستون آن مربوط به یک معیار است. اعداد داخل ماتریس نشان‌دهنده میزان برآورده شدن هر معیار برای هر گزینه است.

نرمال‌سازی ماتریس: به دلیل متفاوت بودن مقیاس‌های مختلف معیارها، نیاز است که ماتریس تصمیم‌گیری نرمال‌سازی شود. نرمال‌سازی باعث می‌شود که همه مقادیر در یک محدوده مشخص قرار گیرند.

محاسبه آنتروپی: با استفاده از فرمول آنتروپی شانون، میزان عدم قطعیت هر معیار محاسبه می‌شود. معیارهایی که اطلاعات بیشتری دارند، آنتروپی کمتری دارند.

محاسبه وزن اولیه معیارها: در این مرحله، ابتدا نرخ انحراف درجه آنتروپی در ابتدا توسط فرمول زیر محاسبه می شود.

با استفاده از مقدار آنتروپی هر معیار، وزن اولیه آن محاسبه می‌شود. معیارهایی که اطلاعات بیشتری دارند، وزن بیشتری نیز خواهند داشت.

محاسبه ماتریس مربع اول: ابتدا از معادله زیر برای مثبت کردن ویژگی های منفی ماتریس تصمیم استفاده می کنیم.

سپس مقادیر نرمال شده ماتریس تصمیم با استفاده از معادله زیر محاسبه می شود و مقادیر ماتریس مربع مطابق معادله تعیین می شوند.

مقدار akij حداکثر مقادیر معیارهای j را از ماتریس تصمیم با ردیف های ki می گیرد تا یک ماتریس مربع با شروط ذکر شده aij=akij و ajj = aj را تشکیل دهد. ردیف iم ماتریس مربع شامل عناصر ردیف ki ماتریس تصمیم است.

لازم به ذکر است که برخی از ردیف ها در ماتریس مربع می توانند مانند ردیف های ماتریس تصمیم باشند. زمانی این اتفاق صورت می پذیرد که بالاترین مقادیر معیارهای مختلف در یک ردیف باشد.

محاسبه ماتریس تاثیرات از دست رفته: با توجه به مقادیر به دست آمده از مرحله قبل، ماتریس تاثیرات از دست رفته با معادله زیر تعیین می شود.

مقدار pij نشان‌دهنده افت تأثیر نسبی ویژگی j است اگر به‌عنوان بهترین مقدار انتخاب شود.

ماتریس سیستم وزنی: با توجه به مقادیر pij، ماتریس سیستم وزن در ماتریس زیر تشکیل می شود.

معیار تاثیر کاهش وزن (Q): در این مرحله، با معادله زیر وزن صفات [q1,q2,…qn] از طریق حل معادله تعیین می شود.

محاسبه وزن نهایی معیارها: با ترکیب وزن اولیه آنتروپی شانون و شاخص CILOS، وزن نهایی هر معیار محاسبه می‌شود. وزن نهایی نشان‌دهنده اهمیت نسبی هر معیار در تصمیم‌گیری است.

رتبه‌بندی گزینه‌ها: با استفاده از وزن‌های نهایی معیارها، گزینه‌ها رتبه‌بندی می‌شوند. گزینه‌هایی که امتیاز کلی بالاتری داشته باشند، در رتبه‌های بالاتر قرار می‌گیرند.

مثال روش IDOCRIW

یک سازمان در نظر دارد یک ساختمان اداری جدید در بین طرح های A1، A2، A3 و A4 بسازد. مسئولین این شرکت در نظر دارند با توجه به نظرات کارشناسان اولویت‌بندی ویژگی‌هایی مانند هزینه (C1)، متراژ ساختمان (C2)، فاصله از خانه سازمانی (C3) و کیفیت ساختمان (C4) را بررسی و اولویت‌بندی کنند. ماتریس تصمیم در شکل زیر نشان داده شده است. مطلوب است که ویژگی ها را اولویت بندی کرده و ویژگی ترجیحی را تعیین کنید.

1) ماتریس تصمیم نرمال شده: در ابتدا، مقادیر ماتریس تصمیم را نرمال می کنیم.

2) درجه آنتروپی: درجه آنتروپی برای هر ویژگی تعیین می کنیم.

E1 =0.988 , E2 = 0.979 , E3 = 0.955, E4 =0.971

3) وزن آنتروپی (W): در ابتدا نرخ انحراف درجه آنتروپی را محاسبه و سپس اوزان را محاسبه می کنیم.

W1 =0.112, W2 = 0.196, W3= 0.421, W4=0.271

4) ماتریس مربع: مقادیر صفات منفی برای ماتریس رابطه مستقیم در جدول زیر حداکثر شده است تا همه صفات مثبت شوند.

سپس در ادامه روش، تمام مقادیر نرمال می شوند و حداکثر مقدار هر ستون به صورت زیر مشخص می شود:

a11 = 0.319, a22 = 0.333, a33 = 0.349, a44= 0.344

در نهایت، ماتریس مربع به صورت زیر تشکیل می گردد.

5) ماتریس تلفات ضربه نسبی: مقادیر ماتریس تلفات ضربه نسبی با توجه به مقادیر ماتریس مربع تعیین می شود.

6) ماتریس سیستم وزن: ماتریس سیستم وزن نیز در ادامه نشان داده شده است.

7) معیار وزن کاهش ضربه (q): در این مرحله بردار وزن [q1,q2,q3,q4] تشکیل می شود. مقدار وزن هر ویژگی به صورت زیر تعیین می شود:

q1= 0.334, q2= 0.220, q3= 0.196, q4= 0.250

8) وزن کل (x): وزن کل صفات با توجه به وزن آنتروپی (q) و وزن کاهش ضربه ملاک (W) به شرح زیر محاسبه می شود:

w1= 0.162, w2= 0.187, w3= 0.358, w4= 0.293

9) رتبه بندی نهایی صفات: در این مرحله وزن های مجموع هر صفت به ترتیب نزولی مرتب می شوند:

w3>w4>w2>w1

بنابراین صفت سوم (C3) نسبت به سایر صفات از اولویت بالاتری برخوردار است و صفات به صورت زیر رتبه بندی می شوند:

C3>C4>C2>C1

آینده روش IDOCRIW

با توجه به مزایای فراوان روش IDOCRIW، انتظار می‌رود که این روش در آینده توسعه بیشتری پیدا کند. برخی از زمینه‌های تحقیقاتی آینده در این زمینه عبارتند از:

• توسعه روش IDOCRIW برای مسائل با عدم قطعیت بالا: با توجه به اینکه در بسیاری از مسائل واقعی، اطلاعات با عدم قطعیت همراه است، توسعه روش IDOCRIW برای اینگونه مسائل ضروری است.
• توسعه روش IDOCRIW برای مسائل با معیارهای وابسته: با در نظر گرفتن وابستگی بین معیارها، می‌توان دقت روش IDOCRIW را افزایش داد.
• توسعه نرم‌افزارهای تخصصی برای اجرای روش IDOCRIW: توسعه نرم‌افزارهای کاربرپسند، باعث تسهیل استفاده از این روش در صنایع مختلف خواهد شد.

نحوه انتخاب مناسب‌ترین روش تصمیم‌گیری چند معیاره

انتخاب مناسب‌ترین روش تصمیم‌گیری چند معیاره به عوامل مختلفی مانند تعداد معیارها، نوع داده‌ها، اهمیت دقت نتایج و … بستگی دارد. در انتخاب روش مناسب، باید به نکات زیر توجه کرد:

• سادگی و سهولت استفاده: روشی که انتخاب می‌شود باید ساده و قابل فهم باشد.
• دقت نتایج: روش انتخاب شده باید نتایج دقیقی را ارائه دهد.
• قابلیت انعطاف‌پذیری: روش انتخاب شده باید قابلیت انطباق با مسائل مختلف را داشته باشد.
• در دسترس بودن نرم‌افزار: وجود نرم‌افزار مناسب برای اجرای روش انتخاب شده، بسیار مهم است.

نتیجه گیری

روش IDOCRIW یک روش قدرتمند و کارآمد برای تصمیم‌گیری چند معیاره است. این روش با ترکیب دو روش آنتروپی و CILOS، به تعیین دقیق‌تر وزن معیارها کمک می‌کند. با وجود برخی محدودیت‌ها، روش IDOCRIW در صنایع مختلف کاربرد فراوانی دارد و انتظار می‌رود که در آینده توسعه بیشتری پیدا کند.

برای مشاوره در مورد انتخاب روش مناسب برای تصمیم‌گیری در یک مسئله خاص، می‌توانید با متخصصان در زمینه MCDM مشورت کنید.

سوالات متداول در مورد روش IDOCRIW