![روش MAUT](https://farabegir.com/wp-content/uploads/2024/07/روش-MAUT.jpg)
تصمیمگیریهای پیچیده با معیارهای متعدد و متضاد، چالشی رایج در بسیاری از زمینهها از جمله مهندسی، مدیریت، و علوم اجتماعی است. روشهای سنتی MCDM مانند AHP و QUALIFLEX، با وجود مزایای خود، در هنگام مواجهه با عدم قطعیت، کارایی لازم را ندارند.
![روش Maut چیست](https://farabegir.com/wp-content/uploads/2024/07/روش-maut-چیست.jpg)
در این مقاله، به معرفی روش MAUT به عنوان یک ابزار قدرتمند برای تصمیمگیری در شرایط عدم قطعیت میپردازیم.
آنچه می خوانید
مقدمهای بر روش MAUT
روش MAUT بر اساس تئوری مطلوبیت چند معیاره (MAUT) بنا شده است. در این تئوری، هر گزینه با مجموع وزنی از فایدههای آن در هر معیار ارزیابی میشود. با این حال، به جای استفاده از مقادیر قطعی، MAUT از توزیعهای احتمالی برای نشان دادن عدم قطعیت مرتبط با هر معیار استفاده میکند. این امر به تصمیمگیرنده اجازه میدهد تا ترجیحات خود را در قبال ریسک و عدم قطعیت به طور دقیقتر بیان کند.
روش تئوری مطلوبیت چند معیاره (MAUT) توسط کینی و رایفا در سال 1976 معرفی شد. سادگی در حل مسائل تصمیم گیری چند ویژگی یکی از مزایای این تکنیک است و آزادی عمل فراوانی را به تصمیم گیرندگان می دهد تا نتیجه را دقیق تر و واقعی تر نشان دهند. این روش دارای ویژگی های زیر است:
- این روش متعلق به روش های جبرانی است.
- صفات مستقل از یکدیگر هستند.
- صفات کیفی به صفات کمی تبدیل می شوند.
اطلاعات ورودی روش MAUT با استفاده از ماتریس تصمیم تعیین می شود. در این ماتریس، گزینه ها و ویژگی ها بر اساس اطلاعات دریافتی از تصمیم گیرنده بیان می شوند، همانطور که در معادله زیر نشان داده شده است.
![ماتریس تصمیم روش MAUT](https://farabegir.com/wp-content/uploads/2024/07/ماتریس-تصمیم-روش-MAUT.jpg)
در معادله rij عنصر ماتریس تصمیم برای iامین جایگزین آن در ویژگی jام است. سپس، تصمیم گیرنده وزن صفات را ارائه می دهد.
مزایای روش MAUT
روش MAUT مزایای متعددی نسبت به روشهای سنتی MCDM دارد، از جمله:
- قابلیت مقابله با عدم قطعیت: MAUT به طور خاص برای مقابله با عدم قطعیت در اطلاعات و ترجیحات تصمیمگیرنده طراحی شده است.
- انعطافپذیری: MAUT میتواند با انواع مختلف معیارها، اعم از کمی و کیفی، کار کند.
- شفافیت: MAUT فرآیند تصمیمگیری را شفافتر میکند و به تصمیمگیرنده اجازه میدهد تا ترجیحات و عدم قطعیت خود را به طور دقیقتر بیان کند.
کاربردهای روش MAUT
روش MAUT در طیف گستردهای از کاربردها، از جمله موارد زیر مورد استفاده قرار میگیرد:
- انتخاب پروژه: انتخاب بهترین پروژه برای سرمایهگذاری با در نظر گرفتن ریسک و عدم قطعیت مرتبط با هر پروژه.
- انتخاب تامینکننده: انتخاب بهترین تامینکننده برای یک محصول با در نظر گرفتن کیفیت، قیمت، و قابلیت اطمینان.
- انتخاب مکان: انتخاب بهترین مکان برای یک تاسیسات جدید با در نظر گرفتن عوامل مختلف مانند دسترسی، هزینه، و تأثیر زیستمحیطی.
عوامل موثر بر انتخاب روش MAUT
انتخاب روش MAUT به عنوان یک ابزار تصمیمگیری به عوامل مختلفی بستگی دارد، از جمله:
- ماهیت مسئله: اگر مسئله تصمیمگیری با عدم قطعیت قابل توجهی همراه باشد، MAUT میتواند گزینه مناسبی باشد.
- نوع اطلاعات: اگر اطلاعات موجود کمی و قطعی باشند، روشهای سنتی MCDM مانند AHP ممکن است مناسبتر باشند.
- مهارت و تخصص تصمیمگیرنده: MAUT به دلیل پیچیدگی محاسباتی، نیاز به دانش و مهارت بیشتری در مقایسه با روشهای سنتی MCDM دارد.
- در دسترس بودن منابع: MAUT ممکن است به زمان و منابع محاسباتی بیشتری نسبت به روشهای سنتی MCDM نیاز داشته باشد.
چالشهای استفاده از روش MAUT
استفاده از روش MAUT با چالشهایی نیز همراه است، از جمله:
- جمعآوری دادهها: جمعآوری اطلاعات مربوط به هر معیار و مدلسازی عدم قطعیت مرتبط با آنها میتواند چالشبرانگیز باشد.
- انتخاب توزیعهای احتمالی: انتخاب توزیعهای احتمالی مناسب برای مدلسازی عدم قطعیت میتواند بر نتایج نهایی تاثیرگذار باشد.
- تفسیر نتایج: تفسیر نتایج MAUT و انتخاب بهترین گزینه از بین گزینههای مختلف میتواند دشوار باشد.
گامهای روش MAUT
گام اول: ماتریس تصمیم عادی شده
ابتدا، مقادیر ماتریس تصمیم، بسته به نوع مثبت یا منفی صفات، نرمال می شوند. معادله (18.2) برای عادی سازی ویژگی های مثبت استفاده می شود و معادله. (18.3) برای عادی سازی مقادیر صفات منفی استفاده می شود.
![نرمال سازی ماتریس در روش MAUT](https://farabegir.com/wp-content/uploads/2024/07/نرمال-سازی-ماتریس-در-روش-MAUT.jpg)
بدیهی است که r*ij مقدار نرمال شده ماتریس تصمیم جایگزین i در ویژگی j است.
گام دوم :امتیاز سودمندی حاشیه ای
معادله (18.4) برای تعیین امتیاز مطلوبیت حاشیه ای استفاده می شود.
![امتیاز سودمندی حاشیه ای](https://farabegir.com/wp-content/uploads/2024/07/امتیاز-سودمندی-حاشیه-ای.jpg)
که در آن uij نمره مطلوبیت حاشیه ای جایگزین ith را در ویژگی j ام نشان می دهد.
گام سوم امتیاز نهایی مطلوبیت
در این مرحله، امتیاز نهایی مطلوبیت هر جایگزین با استفاده از معادله زیر محاسبه می شود. با در نظر گرفتن وزن هر صفت.
![امتیاز نهایی مطلوبیت](https://farabegir.com/wp-content/uploads/2024/07/امتیاز-نهایی-مطلوبیت.jpg)
گام چهارم رتبه بندی نهایی گزینه های جایگزین:
امتیاز نهایی مطلوبیت گزینه ها به ترتیب نزولی برای رتبه بندی نهایی مرتب می شود و جایگزینی که بالاترین امتیاز مطلوبیت نهایی را دارد بهترین جایگزین است.
مثال روش MAUT
واحد تدارکات سازمانی در نظر دارد یک گوشی رومیزی از بین مدل های A1، A2، A3، A4 خریداری کند. کارشناسان ویژگی هایی مانند قیمت (C1)، فضای مورد نیاز (C2)، سهولت استفاده (C3) و ارزیابی کلی امکانات (C4) را تعیین کردند. پس از تبدیل ویژگی های کیفی به ویژگی های کمی، ماتریس تصمیم در شکل زیر نشان داده شده است.
![ماتریس تصمیم انتخاب تلفن رومیزی](https://farabegir.com/wp-content/uploads/2024/07/ماتریس-تصمیم-انتخاب-تلفن-رومیزی.jpg)
علاوه بر این، وزن هر ویژگی در جدول بعدی نشان داده شده است. هدف این است که بهترین مدل تلفن رومیزی را انتخاب کنید.
![اوزان هر کدام از معیارها](https://farabegir.com/wp-content/uploads/2024/07/اوزان-هر-کدام-از-معیارها.jpg)
1) ماتریس تصمیم نرمال شده: مقادیر نرمال شده ماتریس تصمیم بر اساس نوع مثبت یا منفی صفات تعیین می شود.
![ماتریس نرمال روش MAUT](https://farabegir.com/wp-content/uploads/2024/07/ماتریس-نرمال-روش-MAUT.jpg)
2)امتیاز سودمندی حاشیه ای: نمرات مطلوبیت حاشیه ای با توجه به مقادیر نرمال شده ماتریس تصمیم گیری به دست می آید.
![امتیاز سودمندی](https://farabegir.com/wp-content/uploads/2024/07/امتیاز-سودمندی.jpg)
4) امتیاز نهایی مطلوبیت: امتیاز نهایی مطلوبیت گزینه ها به شرح زیر محاسبه می شود:
![امتیاز نهایی](https://farabegir.com/wp-content/uploads/2024/07/امتیاز-نهایی.jpg)
به همین ترتیب U2=0.219, U3=0.549, U4=0.473 بدست می آید.
5) رتبه بندی نهایی گزینه ها: در این مرحله، امتیاز نهایی مطلوبیت گزینه ها به ترتیب نزولی مرتب می شود:
U3>U1>U4>U2
بنابراین گزینه سوم (A3) بهترین مدل گوشی رومیزی برای خرید است. سپس، رتبه بندی نهایی به شرح زیر است:
A3>A1>A4>A2
نتیجه گیری
روش MAUT به عنوان یک ابزار قدرتمند برای تصمیمگیری در شرایط عدم قطعیت، به شما کمک میکند تا با در نظر گرفتن ترجیحات و ریسکپذیری خود، بهترین گزینه را از بین گزینههای مختلف انتخاب کنید. با وجود چالشهایی که در استفاده از این روش وجود دارد، مزایای آن مانند قابلیت مقابله با عدم قطعیت، انعطافپذیری، و شفافیت، آن را به ابزاری ارزشمند برای تصمیمگیری در دنیای پیچیده امروز تبدیل میکند.
برای مشاوره در مورد انتخاب روش مناسب برای تصمیمگیری در یک مسئله خاص، میتوانید با متخصصان در زمینه MCDM مشورت کنید. در صورت نیاز به انجام محاسبات MAUT برای یک مسئله خاص، میتوانید از نرمافزارهای تخصصی مانند DecisionLab و SuperDecision استفاده کنید.
سوالات متداول در مورد روش MAUT
چه تفاوتی بین MAUT و روشهای سنتی MCDM مانند AHP و QUALIFLEX وجود دارد؟
روشهای سنتی MCDM مانند AHP و QUALIFLEX بر روی اطلاعات قطعی تمرکز دارند، در حالی که MAUT به طور خاص برای مقابله با عدم قطعیت در اطلاعات و ترجیحات تصمیمگیرنده طراحی شده است.
در چه نوع مسائلی میتوان از روش MAUT استفاده کرد؟
MAUT میتواند در طیف گستردهای از مسائلی که با عدم قطعیت همراه هستند، مانند انتخاب پروژه، انتخاب تامینکننده، و انتخاب مکان استفاده شود.
چگونه میتوان از روش MAUT برای انتخاب بهترین گزینه استفاده کرد؟
روش MAUT شامل مراحل مختلفی از جمله شناسایی معیارها، جمعآوری اطلاعات، مدلسازی عدم قطعیت، محاسبه فایده، تجمیع فایده، و رتبهبندی گزینهها میشود.
چه نرمافزارهایی برای انجام محاسبات MAUT وجود دارد؟
نرمافزارهای مختلفی مانند DecisionLab، SuperDecision، و Visual PROMETHEE برای انجام محاسبات MAUT و تسهیل فرآیند تصمیمگیری وجود دارد.