تصمیم گیری چند هدفه فازی

تصمیم گیری چند هدفه فازی (Fuzzy Multi-Objective Decision Making) یکی از شاخه‌های پیشرفته بهینه‌سازی ریاضی و تحقیق در عملیات است که برای حل مسائلی با اهداف متضاد در محیط‌های مبهم طراحی شده است. در دنیای واقعی، مدیران به ندرت با مسائلی روبرو می‌شوند که تنها یک هدف (مثلاً فقط کاهش هزینه) داشته باشد. معمولاً اهدافی نظیر افزایش کیفیت، کاهش زمان تحویل و بهبود رضایت مشتری نیز همزمان مطرح هستند. اما چالش اصلی اینجاست که این اهداف اغلب با داده‌های غیرقطعی و قضاوتی همراه هستند که منطق فازی تنها ابزار کارآمد برای مدل‌سازی آن‌هاست.

تفاوت بنیادین بین MODM فازی و روش‌های رایج تصمیم‌گیری چند معیاره (MADM) مانند آموزش روش TOPSIS فازی یا آموزش روش AHP فازی در ماهیت «فضای جواب» نهفته است. در روش‌های MADM، ما با تعدادی گزینه محدود و مشخص روبرو هستیم که باید آن‌ها را رتبه‌بندی کنیم. اما در تصمیم گیری چند هدفه فازی، ما با یک فضای جواب پیوسته و بی‌نهایت روبرو هستیم. در اینجا ما به دنبال «ساختن» بهترین ترکیب از متغیرهای تصمیم هستیم؛ به طوری که بهترین توازن (Trade-off) را میان چندین تابع هدف برقرار کند.

استخراج یک جواب بهینه در محیط MODM به معنای یافتن نقطه‌ای است که اصطلاحاً به آن «جواب پارتو» یا «جواب ناغلبه» می‌گویند. در منطق فازی، این جواب‌ها بر اساس آموزش جامع رتبه بندی اعداد فازی تحلیل می‌شوند تا مشخص شود کدام ترکیب از متغیرها، بیشترین سطح رضایت (Satisfaction Level) را برای تصمیم‌گیرنده فراهم می‌کند. در سال ۲۰۲۶، این متدها پایه اصلی سیستم‌های پشتیبان تصمیم (DSS) در صنایع هوشمند و مدیریت زنجیره تامین هستند.

---

مبانی ریاضی و نقش عملگرهای T-norm در ترکیب اهداف

در قلب هر مسئله تصمیم گیری چند هدفه فازی، مفهوم T-norm یا اشتراک فازی قرار دارد. زمانی که ما چندین تابع هدف داریم، در واقع به دنبال یافتن نقطه‌ای هستیم که «اشتراک» رضایت از تمام این اهداف در بالاترین سطح ممکن باشد. همان‌طور که در منطق فازی مطرح است، برای برقراری ارتباط بین اهداف از عملگرهای اشتراک استفاده می‌شود. این عملگرها مشخص می‌کنند که سیستم چگونه باید تضاد بین اهداف را مدیریت کند.

یکی از پرکاربردترین عملگرها در این حوزه، عملگر Minimum است. این عملگر بر اساس استراتژی «بدترین حالت» عمل می‌کند؛ یعنی مدل تلاش می‌کند کمترین میزان رضایت در بین تمام اهداف را تا جای ممکن بالا بکشد. این رویکرد تضمین می‌کند که هیچ تابعی در وضعیت بحرانی قرار نگیرد. در مقابل، عملگرهایی مانند «ضرب جبری» وجود دارند که اجازه می‌دهند قدرت بالادر یک هدف، ضعف در هدف دیگر را تا حدودی جبران کند. انتخاب این عملگرها بستگی مستقیم به استراتژی مدیر در تصمیم گیری چند معیاره فازی دارد.

در تحلیل‌های پیشرفته، استفاده از T-normها به ما کمک می‌کند تا مدل را از حالت چند هدفه به حالت تک هدفه تبدیل کنیم. این فرآیند که به آن «یکپارچه‌سازی اهداف» می‌گویند، اولین قدم برای حل مدل در نرم‌افزارهای بهینه‌سازی است. بدون درک درست از اشتراک فازی، مدل‌سازی اهداف متضاد مانند «کاهش هزینه» و «افزایش کیفیت» غیرممکن خواهد بود. ما در بخش‌های بعدی خواهیم دید که چگونه عملگر مینیمم پایه و اساس مدل مشهور زیمرمن را تشکیل می‌دهد.

---

کالبدشکافی توابع عضویت و فرآیند عادی‌سازی

یکی از حیاتی‌ترین گام‌ها در حل مسائل MODM فازی، تبدیل توابع هدف با واحدهای مختلف به مقیاس بی‌نام (Dimensionless) بین ۰ و ۱ است. برای هر تابع هدف، ما باید دو نقطه کلیدی را شناسایی کنیم: نقطه ایده‌آل (PIS) که بهترین مقدار ممکن برای آن هدف است (M_i) و نقطه ضد ایده‌آل (NIS) که بدترین مقدار قابل قبول است (m_i). این فرآیند مشابه فرآیند وزن‌دهی در آموزش روش بهترین-بدترین (BWM) فازی است که در آن فواصل از نقاط مرجع سنجیده می‌شود.

برای استخراج این نقاط، از روشی به نام «بهینه‌سازی انفرادی» استفاده می‌کنیم. ابتدا هر تابع هدف را به صورت مجزا و با در نظر گرفتن تمام محدودیت‌های مسئله حل می‌کنیم. برای مثال، اگر هدف ما حداکثر کردن سود است، مقدار ماکزیمم آن را به دست می‌آوریم و آن را M_i می‌نامیم. سپس مقدار این هدف را در زمانی که بقیه اهداف در بهترین حالت خود هستند چک می‌کنیم تا بدترین مقدار (m_i) مشخص شود. این بازه [m_i, M_i] در واقع قلمرو تغییرات تابع عضویت ما را شکل می‌دهد.

تابع عضویت خطی، رایج‌ترین شکل مدل‌سازی در این متد است. فرمول آن برای اهداف از نوع بیشینه‌سازی (Maximization) به صورت زیر است:

این تابع بیان می‌کند که اگر مقدار هدف به M_i برسد، میزان رضایت ۱ است و اگر به m_i برسد، میزان رضایت ۰ خواهد بود. درک این تابع برای یادگیری آموزش جامع مجموعه های فازی ضروری است، زیرا تمام منطق محاسباتی بر اساس همین درجات عضویت بنا می‌شود.

---

تصمیم گیری چند هدفه فازی | متد بلومن-زیمرمن (Zimmermann)

متد زیمرمن، مشهورترین و پرکاربردترین تکنیک برای تبدیل یک مسئله چند هدفه فازی به یک مسئله برنامه ریزی خطی قطعی (Single Objective) است. این متد بر اساس استراتژی Max-Min بنا شده است. زیمرمن در سال ۱۹۷۸ ثابت کرد که در یک محیط فازی، تصمیم‌گیرنده به دنبال بیشینه کردنِ «حداقلِ رضایت» از تمام اهداف و محدودیت‌هاست. این نگاه، نوعی نگرش محتاطانه و عادلانه است که تضمین می‌کند هیچ هدفی به طور کامل فدای هدف دیگر نمی‌شود.

فرآیند ریاضی متد زیمرمن با معرفی یک متغیر کمکی به نام lambda (لاندا) آغاز می‌شود. lambda در واقع نشان‌دهنده سطح رضایت مشترک تمام اهداف است. در این مدل، ما مجموعه‌ای از محدودیت‌های جدید ایجاد می‌کنیم که در آن‌ها تابع عضویت هر هدف باید بزرگتر یا مساوی lambda باشد. سپس هدف نهایی مدل، بیشینه کردن خودِ lambda خواهد بود. این ساختار باعث می‌شود که خروجی مدل نه یک عدد قطعی برای اهداف، بلکه یک «درجه اقناع» کلی برای کل سیستم باشد.

ساختار ریاضی مدل زیمرمن به شرح زیر است:

این مدل به دلیل خطی بودن، به راحتی در محیط‌هایی مثل آموزش جامع برنامه ریزی خطی فازی قابل ادغام است. مزیت بزرگ این روش این است که داوران مقالات علمی و مدیران صنعتی به خوبی با آن آشنایی دارند و جواب‌های آن از پایداری بالایی برخوردار است.

---

تصمیم گیری چند هدفه فازی | متد تورابی-حسینی (TH)

متد تورابی-حسینی که با نام اختصاری TH در متون علمی شناخته می‌شود، یکی از قدرتمندترین متدهای حل مسائل MODM فازی است که محدودیت‌های متد زیمرمن را برطرف کرد. در حالی که متد زیمرمن (Max-Min) یک روش غیرجبرانی است و تنها روی ضعیف‌ترین هدف تمرکز می‌کند، متد TH به تصمیم‌گیرنده اجازه می‌دهد تا بین «حداقل رضایت» و «میانگین وزنی رضایت» تعادل برقرار کند. این متد در سال‌های اخیر به دلیل انعطاف‌پذیری بالا، به انتخاب اول پژوهشگران در مقالات ISI تبدیل شده است.

منطق ریاضی متد TH بر اساس ترکیب دو بخش اصلی است. بخش اول، همان متغیر lambda (لاندا) است که نشان‌دهنده کمترین سطح رضایت در میان تمام اهداف است (مشابه متد زیمرمن). بخش دوم، مجموع وزنی درجات عضویت تمام اهداف است که با ضریب (1-gamma) در مدل ظاهر می‌شود. پارامتر gammaکه «ضریب جبرانی» نامیده می‌شود، عددی بین ۰ و ۱ است که توسط مدیر تعیین می‌گردد. اگر gamma بزرگ باشد، مدل بر ارضای حداقلی تمام اهداف تاکید دارد و اگر کوچک باشد، مدل اجازه می‌دهد اهداف قوی‌تر ضعف اهداف دیگر را جبران کنند.

ساختار مدل TH به صورت زیر فرموله می‌شود:

استفاده از این متد در کنار خوشه بندی فازی برای دسته‌بندی استراتژی‌های بهینه، می‌تواند دقت تحلیل‌های مدیریتی را دوچندان کند. در واقع، متد TH به ما اجازه می‌دهد تا بفهمیم چقدر حاضر هستیم از آرمان یک هدف بگذریم تا اهداف دیگر به سطح عالی برسند.

---

تصمیم گیری چند هدفه فازی | برنامه ریزی آرمانی فازی

برنامه ریزی آرمانی فازی یا FGP، زمانی استفاده می‌شود که تصمیم‌گیرنده به جای بیشینه‌سازی مطلق اهداف، به دنبال رسیدن به مقادیر مشخصی از آرمان‌ها (Goals) باشد. در این رویکرد، ما برای هر هدف یک مقدار مطلوب در نظر می‌گیریم و تلاش می‌کنیم انحرافات مثبت و منفی از این آرمان‌ها را به حداقل برسانیم. تفاوت اصلی FGP در محیط فازی این است که خودِ آرمان‌ها و حدود تحمل انحرافات نیز به صورت مبهم تعریف می‌شوند.

در مدل برنامه ریزی آرمانی فازی، ما از توابع عضویت برای مدل‌سازی میزان نزدیکی به آرمان‌ها استفاده می‌کنیم. اگر هدف ما رسیدن به سود ۵۰۰ میلیونی باشد، تابع عضویت به ما می‌گوید که رسیدن به ۴۸۰ میلیون چقدر رضایت‌بخش است (مثلاً ۰.۸). این متد به ویژه در مسائل تخصیص بودجه و برنامه‌ریزی تولید بسیار کارآمد است، زیرا مدیران معمولاً اعدادی را به عنوان هدف ذهنی دارند و می‌خواهند مدلی داشته باشند که بیشترین نزدیکی را به آن اعداد فراهم کند.

یکی از مزایای FGP فازی، قابلیت اولویت‌بندی آرمان‌هاست. ما می‌توانیم با استفاده از متدهای آموزش جامع روش ANP فازی، وزن یا اولویت هر آرمان را استخراج کرده و سپس در مدل ریاضی قرار دهیم. این ترکیب از روش‌های رتبه‌بندی و بهینه‌سازی، جامع‌ترین رویکرد در تصمیم‌گیری چند معیاره فازی (Fuzzy MCDM) را ایجاد می‌کند. در این حالت، مدل نه تنها به دنبال بهینگی فنی، بلکه به دنبال انطباق حداکثری با استراتژی‌های سازمان است.

---

مثال عددی جامع؛ حل یک مسئله تولید ۲ هدفه

برای درک بهتر فرآیند حل، فرض کنید یک کارگاه تولیدی دو محصول A و B تولید می‌کند. هدف اول (سود) و هدف دوم (رضایت مشتری) به صورت توابع زیر تعریف شده‌اند. همچنین محدودیت‌های منابع (مواد اولیه و ساعت کار) به صورت مرزهای قطعی در نظر گرفته شده‌اند:

• هدف ۱ (سود): f_1(x) = 10x_1 + 15x_2
• هدف ۲ (رضایت): f_2(x) = 5x_1 + 2x_2
• محدودیت منابع: x_1 + x_2 <= 100 و 2x_1 + x_2 <= 150

گام ۱: تعیین نقاط ایده‌آل و ضد ایده‌آل

با حل جداگانه هر تابع، متوجه می‌شویم که بیشترین سود (M_1) برابر ۱۵۰۰ و کمترین آن (m_1) برابر ۵۰۰ است. برای هدف دوم نیز بیشترین رضایت (M_2) برابر ۳۷۵ و کمترین آن (m_2) برابر ۲۰۰ است. این اعداد بازه توابع عضویت ما را می‌سازند.

گام ۲: تشکیل توابع عضویت

با استفاده از فرمول‌های بخش چهارم، توابع عضویت سود (mu_1) و رضایت (mu_2) را بر اساس متغیرهای x_1 و x_2 می‌سازیم. این توابع اکنون بین ۰ و ۱ مقیاس‌بندی شده‌اند و آماده ورود به مدل زیمرمن یا TH هستند.

گام ۳: حل مدل و تفسیر نتایج

اگر از متد زیمرمن استفاده کنیم و مدل را در نرم‌افزار حل نماییم، به یک جواب تعادلی می‌رسیم (مثلاً x_1=50, x_2=50). در این نقطه، سطح رضایت کل (lambda) به دست می‌آید. اگر مقدار lambda برابر ۰.۶ باشد، یعنی توانسته‌ایم ۶۰٪ از حداکثر آرزوهای خود را در هر دو هدف همزمان ارضا کنیم. این تحلیل به مدیر اجازه می‌دهد تا بفهمد محدودیت‌های منابع چقدر مانع رسیدن به اهداف ایده‌آل شده‌اند.

---

کاربرد تصمیم گیری چند هدفه فازی در نرم‌افزارهای بهینه‌سازی

پیاده‌سازی مدل‌های چند هدفه فازی در نرم‌افزارهای تخصصی، گامی است که تئوری را به عمل متصل می‌کند. نرم‌افزار Lingo به دلیل زبان مدل‌سازی ساده، بهترین گزینه برای مدل‌های خطی و متد زیمرمن است. در Lingo، شما ابتدا توابع هدف و نقاط ایده‌آل را تعریف می‌کنید، سپس با تعریف متغیر L (همان لاندا)، محدودیت‌های عضویت را می‌نویسید. کدنویسی در لینگو به شما امکان می‌دهد تا با تغییر اوزان، تحلیل حساسیت (Sensitivity Analysis) دقیقی روی جواب‌ها انجام دهید.

برای مسائل بزرگ‌تر و پیچیده‌تر که شامل متغیرهای عدد صحیح یا غیرخطی هستند، نرم‌افزار GAMS پیشنهاد می‌شود. GAMS با بهره‌گیری از حل‌کننده‌های قدرتمند (Solvers) می‌تواند مسائل MODM فازی را در ابعاد صنعتی حل کند. در این نرم‌افزار، معمولاً متد epsilon-Constraint فازی پیاده‌سازی می‌شود که در آن یکی از اهداف اصلی در تابع هدف قرار گرفته و بقیه اهداف به صورت محدودیت‌های فازی (با در نظر گرفتن سطوح آلفا) مدل‌سازی می‌شوند.

در سال ۲۰۲۶، استفاده از کتابخانه‌های پایتون مانند PuLP یا Pyomo نیز برای حل مسائل تصمیم گیری چند معیاره فازی بسیار رایج شده است. مزیت پایتون در این است که می‌توانید به راحتی مدل ریاضی را به دیتابیس‌های سازمان متصل کنید و نتایج بهینه‌سازی را به صورت داشبوردهای مدیریتی بصری نمایش دهید. این یکپارچگی، سرعت تصمیم‌گیری را در لحظات بحرانی به شدت افزایش می‌دهد.

---

تصمیم گیری چند هدفه فازی | مفهوم سطوح آلفا-برش (alpha-cut)

یکی از مفاهیم کلیدی که مرز بین بهینه‌سازی قطعی و فازی را مشخص می‌کند، مفهوم alpha-cut است. در مسائل MODM واقعی، تصمیم‌گیرندگان همیشه به دنبال یک عدد ثابت نیستند، بلکه می‌خواهند بدانند اگر سطح اطمینان یا سخت‌گیری خود را تغییر دهند، فضای جواب چه تغییری می‌کند. برش آلفا به ما اجازه می‌دهد تا یک مجموعه فازی را به مجموعه‌های قطعی تبدیل کنیم. به زبان ساده، آلفا نشان‌دهنده حداقل درجه عضویتی است که تصمیم‌گیرنده برای قبولی یک جواب در نظر می‌گیرد.

وقتی ما یک سطح آلفا (مثلاً alpha=0.7) تعیین می‌کنیم، در واقع مدل را مجبور می‌کنیم که تنها جواب‌هایی را جستجو کند که حداقل ۷۰٪ با آرمان‌های ما مطابقت داشته باشند. این کار باعث می‌شود که مدل‌های تصمیم گیری چند معیاره فازی از حالت تک‌جوابی خارج شده و به صورت یک بازه (Interval) جواب ارائه دهند. تحلیل این بازه‌ها به مدیر کمک می‌کند تا در شرایط بحرانی (که نیاز به انعطاف بیشتری دارد)، سطح آلفا را پایین آورده و فضای جواب وسیع‌تری در اختیار داشته باشد.

استفاده از alpha-cut در مسائل MODM منجر به ایجاد مدل‌های استوار (Robust) می‌شود. در واقع، با تغییر آلفا از ۰ تا ۱، ما می‌توانیم مجموعه‌ای از جواب‌های بهینه را تولید کنیم که به آن «آنالیز پایداری فازی» می‌گویند. این تکنیک به ویژه در ترکیب با آموزش جامع دی‌فازی‌سازی اهمیت پیدا می‌کند؛ چرا که در نهایت باید یک عدد قطعی برای اجرا به بخش عملیاتی ابلاغ شود.

---

تصمیم گیری چند هدفه فازی | الگوریتم‌های فراابتکاری (Metaheuristics)

زمانی که ابعاد مسئله بزرگ می‌شود (مثلاً بهینه‌سازی شبکه توزیع یک شرکت ملی با هزاران متغیر) یا زمانی که توابع هدف و محدودیت‌ها غیرخطی هستند، متدهای کلاسیک مانند زیمرمن دیگر پاسخگو نیستند. در اینجاست که پای الگوریتم‌های فراابتکاری فازی به میان می‌آید. الگوریتم‌هایی مانند NSGA-II (الگوریتم ژنتیک با مرتب‌سازی ناغلبه) و MOPSO (بهینه‌سازی توده ذرات چندهدفه) نسخه‌های فازی شده‌ای دارند که برای حل MODM طراحی شده‌اند.

در این رویکرد، ما از منطق فازی در دو جبهه استفاده می‌کنیم:

• ارزیابی برازش (Fitness Evaluation): هر کروموزوم یا ذره در الگوریتم، بر اساس توابع عضویت فازی ارزیابی می‌شود.
• انتخاب جواب برتر: از آنجایی که الگوریتم‌های چندهدفه مجموعه‌ای از جواب‌ها (Pareto Front) را ارائه می‌دهند، ما از یک سیستم استنتاج فازی برای انتخاب «بهترینِ بهترین‌ها» از بین جواب‌های پارتو استفاده می‌کنیم.

ترکیب الگوریتم‌های فراابتکاری با آموزش منطق فازی به ما این امکان را می‌دهد که مسائلی با پیچیدگی بسیار بالا (NP-Hard) را در زمان معقول حل کنیم. به عنوان مثال، در مسئله زمان‌بندی پروژه‌های بزرگ، که هم هزینه و هم زمان فازی هستند، الگوریتم‌های تکاملی فازی می‌توانند برنامه‌ای ارائه دهند که کمترین ریسک شکست را داشته باشد.

---

تصمیم گیری چند هدفه فازی | تحلیل حساسیت (Sensitivity Analysis)

تحلیل حساسیت در مسائل MODM فازی حیاتی‌تر از مسائل قطعی است. در یک مدل فازی، جواب بهینه به شدت به “اوزان اهداف” و “شکل توابع عضویت” وابسته است. سوال اصلی این است: «اگر ذهنیت مدیر نسبت به اهمیت سود کمی تغییر کند، آیا استراتژی تولید ما به کلی دگرگون می‌شود یا خیر؟». اگر جواب با تغییرات کوچکِ پارامترها تغییر نکند، می‌گوییم جواب استوار (Robust) است.

در فرآیند تحلیل حساسیت، ما معمولاً پارامتر gamma در متد TH یا اوزان w_i را تغییر می‌دهیم و رفتار تابع هدف کل را رصد می‌کنیم. یکی از ابزارهای کمکی در این بخش، استفاده از آموزش روش ANP فازی است تا بفهمیم وابستگی‌های درونی اهداف چگونه روی خروجی نهایی تاثیر می‌گذارند. خروجی این تحلیل معمولاً به صورت نمودارهای عنکبوتی (Spider Web) یا نمودارهای میله‌ای حساسیت نمایش داده می‌شود.

همچنین، تحلیل حساسیت روی مقادیر سمت راست محدودیت‌ها (مقادیر b_i فازی) انجام می‌شود. در سیستم‌های صنعتی، منابع همیشه در نوسان هستند. مدلی که در فرابگیر آموزش می‌دهیم، به کاربر یاد می‌دهد که چگونه “حاشیه امنیت فازی” را برای محدودیت‌های خود محاسبه کند تا در صورت کاهش ناگهانی منابع، کل سیستم بهینه‌سازی فرو نپاشد.

---

تصمیم گیری چند هدفه فازی | جمع‌بندی

تصمیم گیری چند هدفه فازی (MODM) پلی است میان ریاضیات خشک کلاسیک و واقعیت‌های منعطف انسانی. ما در این مقاله جامع، از مبانی T-norm آغاز کردیم، به کالبدشکافی متدهای زیمرمن و TH پرداختیم، و در نهایت به مرزهای دانش یعنی الگوریتم‌های فراابتکاری رسیدیم. یادگیری این مباحث، مهارتی کلیدی برای هر تحلیل‌گر داده و مدیر صنعتی در عصر هوش مصنوعی است.

برای تسلط کامل، پیشنهاد می‌کنیم مسیر زیر را در سایت فرابگیر دنبال کنید:

• مطالعه مبانی در مقاله آموزش جامع مجموعه های فازی.
• یادگیری روش‌های وزن‌دهی در مقاله بهترین-بدترین فازی (FBWM).
• اجرای عملی مدل‌ها با ابزارها و کدهایی که در بخش‌های بعدی معرفی خواهیم کرد.

دانلود فایل‌های اکسل روش‌های تصمیم‌گیری فازی برای اجرای سریع پروژه‌ها

اگر قصد دارید روش‌های تصمیم‌گیری فازی را بدون طراحی فرمول‌ها از ابتدا اجرا کنید، استفاده از فایل‌های اکسل آماده بهترین انتخاب است. در این مجموعه می‌توانید فایل‌های کاربردی مانند فایل اکسل روش SAW فازی، فایل اکسل روش VIKOR فازی، فایل اکسل روش PROMETHEE فازی، فایل اکسل روش DELPHI فازی، فایل اکسل روش ANP فازی و فایل اکسل روش BWM فازی را دریافت کرده و محاسبات خود را با سرعت و دقت بیشتری انجام دهید.

علاوه بر این، فایل‌های آماده برای روش‌های جدیدتر نیز در دسترس هستند؛ از جمله فایل اکسل روش WASPAS فازی، فایل اکسل روش CoCoSo فازی، فایل اکسل روش EDAS فازی، فایل اکسل MEREC فازی، فایل اکسل روش COPRAS فازی، فایل اکسل روش LMAW فازی و فایل اکسل روش MARCOS فازی که برای پایان‌نامه‌ها، مقالات علمی و پروژه‌های سازمانی بسیار کاربردی هستند.

برای پژوهشگرانی که از فرایند تحلیل سلسله‌مراتبی استفاده می‌کنند نیز دو نسخه مختلف از فایل‌های آماده ارائه شده است؛ فایل اکسل روش AHP فازی و فایل اکسل روش AHP فازی بوکلی، تصمیم گیری چند معیاره فازی، مسائل تصمیم گیری چند هدفه، تصمیم گیری فازی چیست؟ که هر دو همراه با فرمول‌های آماده و ساختار استاندارد طراحی شده‌اند تا اجرای روش‌های تصمیم‌گیری فازی را ساده‌تر و سریع‌تر کنند.

---

سوالات متداول درباره تصمیم گیری چند هدفه فازی