دسته بندی محصولات

صبر کن! کجا می خوای بری؟
قبل از اینکه بری از کد تخفیف Fara10
برای 10% تخفیف خرید استفاده کن

قبل از اینکه بری از کد تخفیف Fara10
برای 10% تخفیف خرید استفاده کن

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.

در این مقاله، به معرفی روش MAUT به عنوان یک ابزار قدرتمند برای تصمیمگیری در شرایط عدم قطعیت میپردازیم.
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:
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.

در معادله rij عنصر ماتریس تصمیم برای iامین جایگزین آن در ویژگی jام است. سپس، تصمیم گیرنده وزن صفات را ارائه می دهد.
روش MAUT مزایای متعددی نسبت به روشهای سنتی MCDM دارد، از جمله:
روش MAUT در طیف گستردهای از کاربردها، از جمله موارد زیر مورد استفاده قرار میگیرد:
انتخاب روش MAUT به عنوان یک ابزار تصمیمگیری به عوامل مختلفی بستگی دارد، از جمله:
استفاده از روش MAUT با چالشهایی نیز همراه است، از جمله:
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.

بدیهی است که r*ij مقدار نرمال شده ماتریس تصمیم جایگزین i در ویژگی j است.
معادله (18.4) برای تعیین امتیاز مطلوبیت حاشیه ای استفاده می شود.

که در آن uij نمره مطلوبیت حاشیه ای جایگزین ith را در ویژگی j ام نشان می دهد.
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 گزینه ها به ترتیب نزولی برای رتبه بندی نهایی مرتب می شود و جایگزینی که بالاترین امتیاز مطلوبیت نهایی را دارد بهترین جایگزین است.
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.

علاوه بر این، وزن هر ویژگی در جدول بعدی نشان داده شده است. هدف این است که بهترین مدل تلفن رومیزی را انتخاب کنید.

1) ماتریس تصمیم نرمال شده: مقادیر نرمال شده ماتریس تصمیم بر اساس نوع مثبت یا منفی صفات تعیین می شود.

2)امتیاز سودمندی حاشیه ای: نمرات مطلوبیت حاشیه ای با توجه به مقادیر نرمال شده ماتریس تصمیم گیری به دست می آید.

4) امتیاز نهایی مطلوبیت: امتیاز نهایی مطلوبیت گزینه ها به شرح زیر محاسبه می شود:

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
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.اطلاعات بیشتر درباره فرابگیر را مطالعه کنید.
u0026#1585;u0026#1608;u0026#1588;u0026zwnj;u0026#1607;u0026#1575;u0026#1740; u0026#1587;u0026#1606;u0026#1578;u0026#1740; MCDM u0026#1605;u0026#1575;u0026#1606;u0026#1606;u0026#1583; AHP u0026#1608; QUALIFLEX u0026#1576;u0026#1585; u0026#1585;u0026#1608;u0026#1740; u0026#1575;u0026#1591;u0026#1604;u0026#1575;u0026#1593;u0026#1575;u0026#1578; u0026#1602;u0026#1591;u0026#1593;u0026#1740; u0026#1578;u0026#1605;u0026#1585;u0026#1705;u0026#1586; u0026#1583;u0026#1575;u0026#1585;u0026#1606;u0026#1583;u0026#1548; u0026#1583;u0026#1585; u0026#1581;u0026#1575;u0026#1604;u0026#1740; u0026#1705;u0026#1607; MAUT u0026#1576;u0026#1607; u0026#1591;u0026#1608;u0026#1585; u0026#1582;u0026#1575;u0026#1589; u0026#1576;u0026#1585;u0026#1575;u0026#1740; u0026#1605;u0026#1602;u0026#1575;u0026#1576;u0026#1604;u0026#1607; u0026#1576;u0026#1575; u0026#1593;u0026#1583;u0026#1605; u0026#1602;u0026#1591;u0026#1593;u0026#1740;u0026#1578; u0026#1583;u0026#1585; u0026#1575;u0026#1591;u0026#1604;u0026#1575;u0026#1593;u0026#1575;u0026#1578; u0026#1608; u0026#1578;u0026#1585;u0026#1580;u0026#1740;u0026#1581;u0026#1575;u0026#1578; u0026#1578;u0026#1589;u0026#1605;u0026#1740;u0026#1605;u0026zwnj;u0026#1711;u0026#1740;u0026#1585;u0026#1606;u0026#1583;u0026#1607; u0026#1591;u0026#1585;u0026#1575;u0026#1581;u0026#1740; u0026#1588;u0026#1583;u0026#1607; u0026#1575;u0026#1587;u0026#1578;.
MAUT u0026#1605;u0026#1740;u0026zwnj;u0026#1578;u0026#1608;u0026#1575;u0026#1606;u0026#1583; u0026#1583;u0026#1585; u0026#1591;u0026#1740;u0026#1601; u0026#1711;u0026#1587;u0026#1578;u0026#1585;u0026#1583;u0026#1607;u0026zwnj;u0026#1575;u0026#1740; u0026#1575;u0026#1586; u0026#1605;u0026#1587;u0026#1575;u0026#1574;u0026#1604;u0026#1740; u0026#1705;u0026#1607; u0026#1576;u0026#1575; u0026#1593;u0026#1583;u0026#1605; u0026#1602;u0026#1591;u0026#1593;u0026#1740;u0026#1578; u0026#1607;u0026#1605;u0026#1585;u0026#1575;u0026#1607; u0026#1607;u0026#1587;u0026#1578;u0026#1606;u0026#1583;u0026#1548; u0026#1605;u0026#1575;u0026#1606;u0026#1606;u0026#1583; u0026#1575;u0026#1606;u0026#1578;u0026#1582;u0026#1575;u0026#1576; u0026#1662;u0026#1585;u0026#1608;u0026#1688;u0026#1607;u0026#1548; u0026#1575;u0026#1606;u0026#1578;u0026#1582;u0026#1575;u0026#1576; u0026#1578;u0026#1575;u0026#1605;u0026#1740;u0026#1606;u0026zwnj;u0026#1705;u0026#1606;u0026#1606;u0026#1583;u0026#1607;u0026#1548; u0026#1608; u0026#1575;u0026#1606;u0026#1578;u0026#1582;u0026#1575;u0026#1576; u0026#1605;u0026#1705;u0026#1575;u0026#1606; u0026#1575;u0026#1587;u0026#1578;u0026#1601;u0026#1575;u0026#1583;u0026#1607; u0026#1588;u0026#1608;u0026#1583;.
u0026#1585;u0026#1608;u0026#1588; MAUT u0026#1588;u0026#1575;u0026#1605;u0026#1604; u0026#1605;u0026#1585;u0026#1575;u0026#1581;u0026#1604; u0026#1605;u0026#1582;u0026#1578;u0026#1604;u0026#1601;u0026#1740; u0026#1575;u0026#1586; u0026#1580;u0026#1605;u0026#1604;u0026#1607; u0026#1588;u0026#1606;u0026#1575;u0026#1587;u0026#1575;u0026#1740;u0026#1740; u0026#1605;u0026#1593;u0026#1740;u0026#1575;u0026#1585;u0026#1607;u0026#1575;u0026#1548; u0026#1580;u0026#1605;u0026#1593;u0026zwnj;u0026#1570;u0026#1608;u0026#1585;u0026#1740; u0026#1575;u0026#1591;u0026#1604;u0026#1575;u0026#1593;u0026#1575;u0026#1578;u0026#1548; u0026#1605;u0026#1583;u0026#1604;u0026zwnj;u0026#1587;u0026#1575;u0026#1586;u0026#1740; u0026#1593;u0026#1583;u0026#1605; u0026#1602;u0026#1591;u0026#1593;u0026#1740;u0026#1578;u0026#1548; u0026#1605;u0026#1581;u0026#1575;u0026#1587;u0026#1576;u0026#1607; u0026#1601;u0026#1575;u0026#1740;u0026#1583;u0026#1607;u0026#1548; u0026#1578;u0026#1580;u0026#1605;u0026#1740;u0026#1593; u0026#1601;u0026#1575;u0026#1740;u0026#1583;u0026#1607;u0026#1548; u0026#1608; u0026#1585;u0026#1578;u0026#1576;u0026#1607;u0026zwnj;u0026#1576;u0026#1606;u0026#1583;u0026#1740; u0026#1711;u0026#1586;u0026#1740;u0026#1606;u0026#1607;u0026zwnj;u0026#1607;u0026#1575; u0026#1605;u0026#1740;u0026zwnj;u0026#1588;u0026#1608;u0026#1583;.
u0026#1606;u0026#1585;u0026#1605;u0026zwnj;u0026#1575;u0026#1601;u0026#1586;u0026#1575;u0026#1585;u0026#1607;u0026#1575;u0026#1740; u0026#1605;u0026#1582;u0026#1578;u0026#1604;u0026#1601;u0026#1740; u0026#1605;u0026#1575;u0026#1606;u0026#1606;u0026#1583; DecisionLabu0026#1548; SuperDecisionu0026#1548; u0026#1608; Visual PROMETHEE u0026#1576;u0026#1585;u0026#1575;u0026#1740; u0026#1575;u0026#1606;u0026#1580;u0026#1575;u0026#1605; u0026#1605;u0026#1581;u0026#1575;u0026#1587;u0026#1576;u0026#1575;u0026#1578; MAUT u0026#1608; u0026#1578;u0026#1587;u0026#1607;u0026#1740;u0026#1604; u0026#1601;u0026#1585;u0026#1570;u0026#1740;u0026#1606;u0026#1583; u0026#1578;u0026#1589;u0026#1605;u0026#1740;u0026#1605;u0026zwnj;u0026#1711;u0026#1740;u0026#1585;u0026#1740; u0026#1608;u0026#1580;u0026#1608;u0026#1583; u0026#1583;u0026#1575;u0026#1585;u0026#1583;.