آموزش جامع روش WASPAS

در دنیای تصمیم‌گیری چندمعیاره (MCDM)، محققان همواره به دنبال روشی بودند که خطای محاسباتی را به حداقل برساند. روش WASPAS (واسپاس) که مخفف Weighted Aggregated Sum Product Assessment است، با ترکیب دو مدل قدرتمند روش SAW (مدل مجموع وزنی) و مدل ضرب وزنی (WPM)، به این هدف دست یافته است. منطق این روش بر این استوار است که ترکیب این دو نگاه (جمعی و ضربی)، پایداری رتبه‌بندی گزینه‌ها را در برابر تغییرات کوچک در وزن معیارها تضمین می‌کند.

استفاده از این متد در دسته رتبه‌بندی گزینه‌ها به ویژه برای مقالات ISI و پروژه‌های حساس توصیه می‌شود. برای شروع کار با این روش، شما ابتدا نیاز به وزن معیارها دارید که می‌توانید آن را از روش‌های خبره‌محور مانند روش BWM یا روش‌های داده‌محور مانند روش انتروپی شانون استخراج کنید. روش WASPAS (واسپاس) با دریافت این وزن‌ها، گزینه‌ها را با دقتی بالاتر از روش TOPSIS اولویت‌بندی می‌کند.

در تحلیل‌های حرفه‌ای آموزش مدیریت، این روش به عنوان یکی از پایدارترین ابزارهای تصمیم‌گیری شناخته می‌شود. اگر با ماتریس‌های تصمیم بزرگ سروکار دارید، استفاده از فایل اکسل روش WASPAS به شما کمک می‌کند تا پارامتر حساس lambda را به درستی تنظیم کرده و از صحت نتایج در بخش آمار و تحلیل داده اطمینان حاصل کنید.

مفهوم روش WASPAS (واسپاس) و فلسفه ترکیب مدل‌ها

روش WASPAS (واسپاس) یکی از روشهای نوین تصمیم گیری چند شاخصه است. که در سال 2012 توسط آقای زاوادسکاس و همکاران در پژوهشی معرفی شد. این روش ترکیبی از دو مدل WSM (مدل مجموع وزنی) و WPM (مدل ضرب وزنی) می باشد. این روش دارای دقت بیشتر در مقایسه با روشهای مستقل است.

این روش همانند روشهای آراس ، کوپراس ، تاپسیس و یا ویکور است. یعنی شامل ماتریس معیار-گزینه می باشد. و برای رتبه بندی گزینه ها نیازمند وزن معیارها است. این وزن معیارها میتوان از روش AHP یا روشهایی نظیر آنتروپی شانون ، آنتروپی خاکستری و یا روش جدید بهترین بدترین (BWM) محاسبه کرد. پرسشنامه روش واسپاس نیز دقیقا همانند پرسشنامه تاپسیس و یا ویکور است. یعنی همان پرسشنامه هست بدون هیچ تغییری.

ادبیات روش WASPAS (واسپاس)

Bagocius و همکارانش (2014) از روش WASPAS برای رتبه بندی و انتخاب بهترین مکان برای مزارع بادی و ارزیابی انواع توربین های بادی استفاده کردند. در حالی که Vafaeipour و همکارانش(2014) از ترکیب روش سوارا (SWARA) و واسپاس برای اولویت بندی مناطق و شهرها برای تعیین موقعیت نیروگاه های خورشیدی در آینده استفاده کردند.

Lashgari و همکاران(2014) از ماتریس برنامه ریزی استراتژیک کمی و روش WASPAS استفاده کردند که امکان تصمیم گیری منطقی را در انتخاب بهترین استراتژی ها برای توسعه برون سپاری فراهم می کند.

گام های روش WASPAS (واسپاس)

1- نرمال کردن ماتریس تصمیم

در این گام با استفاده از فرمولهای زیر ماتریس تصمیم را نرمال می کنیم. نرمال کردن برای معیارهای مثبت از فرمول اول و برای معیارهای منفی از فرمول دوم استفاده می کنیم.

معیارهای مثبت، معیارهایی هستند که افزایش آن ها برای سیستم مفید باشد به عنوان مثال معیار “کیفیت”. و معیارهای منفی معیارهایی هستند که کاهش آن ها برای سیستم مفید باشد مثل “هزینه”. در این روش نرمال سازی تمامی شاخص ها به معیار مثبت تبدیل می شوند.

2- محاسبه اهمیت نسبی

گزینه ها بر اساس روش WSM از طریق فرمول شماره 3- در واقع این رابطه همان ماتریس وزن دار هست که

ماتریس نرمال در وزن معیارها ضرب شده است.

3- محاسبه اهمیت نسبی گزینه ها

بر اساس روش WPM از طریق فرمول شماره 4 – این رابطه نیز بیان می کند که ماتریس نرمال باید به توان

وزن معیارها برسد.

4- محاسبه معیار مشترک

در این گام با به نسبت مساوی و از طریق فرمول 3 و 4 اهمیت گزینه ها محاسبه می شود.

بر اساس مقدار Qi میتوان گزینه ها را رتبه بندی نمود. اما دقت و تاثیرگذاری روش WASPAS در این است که اهمیت نسبی گزینه iام از طریق محاسبه لاندا در فرمول زیر محاسبه شود. به منظور افزایش دقت و اثربخشی رتبه بندی فرآیند تصمیم گیری ، در روش WASPAS، یک معادله تعمیم یافته تر برای تعیین اهمیت نسبی کل گزینه i ام ، مانند زیر ایجاد شده است:

برای محاسبه لاندای بهینه بر مبنای انحراف معیارها از فرمول های زیراستفاده می شود.

در حال حاضر ، گزینه های نامزد بر اساس مقادیر Q رتبه بندی می شوند، یعنی بهترین گزینه جایگزین این است که بالاترین مقدار Q را داشته باشد. وقتی مقدار λ برابر با 0 باشد ، روش WASPAS به WPM تبدیل می شود ، و هنگامی که λ برابر با 1  است، به روش WSM تبدیل می شود.

بسیاری از دانشجویان در محاسبه توان‌های اعشاری در مدل ضربی دچار اشتباه می‌شوند. به همین دلیل، تسلط بر فرمول‌نویسی اکسل یا استفاده از ابزارهای آماده در این روش بسیار کلیدی است. خروجی نهایی واسپاس، یک شاخص ترکیبی است که هرچه مقدار آن بزرگتر باشد، آن گزینه اولویت بالاتری دارد. این دقت ریاضی باعث شده تا واسپاس در کنار روش‌هایی مثل روش VIKOR، به یکی از محبوب‌ترین روش‌های انتخابی محققان تبدیل شود.

مثال روش WASPAS (واسپاس)

مثال روش واسپاس از مقاله زیر استخراج شده است.

Multi-Objective Optimization Of End Milling Process Parameters In Machining Of En 31 Steel: Application Of Ahp Embedded With Vikor And Waspas Methods November 2018

معیار سوم از نوع منفی می باشد. (ماتریس نرمال) به صورت زیر به دست می آیند:

مقادیر Q1 از طریق eq.3 محاسبه می شود.

مقادیر Q2 از طریق eq.4 محاسبه و شاخص ها رتبه بندی می شوند.

چرا واسپاس از سایر روش‌ها دقیق‌تر است؟

مزیت اصلی روش WASPAS در «پایداری آماری» آن نهفته است. در روش‌های تک‌بعدی مانند SAW، ممکن است یک عدد بسیار بزرگ در یک معیار، ضعف‌های بزرگ در سایر معیارها را بپوشاند. اما در مدل ضربی واسپاس، اگر گزینه‌ای در یک معیار امتیاز بسیار پایینی داشته باشد، کل امتیاز ضربی آن به شدت افت می‌کند. ترکیب این دو حالت، یک فیلتر دو مرحله‌ای ایجاد می‌کند که تنها گزینه‌های واقعاً برتر را در رتبه‌های بالا قرار می‌دهد.

در مقایسه با روش‌های پیچیده‌ای مثل روش PROMETHEE، واسپاس هم‌زمان سادگی محاسباتی و دقت بالا را ارائه می‌دهد. این متد به خوبی با روش‌های نوین وزن‌دهی معیارها مثل روش FUCOM ترکیب می‌شود تا یک مدل تصمیم‌گیری کامل و بی‌نقص ایجاد کند. در سایت فرابگیر، ما پیشنهاد می‌کنیم برای پروژه‌هایی که دارای معیارهای با واحدهای اندازه‌گیری بسیار متفاوت هستند، حتماً از این متد استفاده نمایید.

در نهایت، یادگیری و پیاده‌سازی روش WASPAS به شما این امکان را می‌دهد که در گزارش‌های علمی خود ادعا کنید نتایج رتبه‌بندی از چندین فیلتر ریاضی عبور کرده است. این روش در صنایع سنگین، مدیریت زنجیره تأمین و انتخاب تکنولوژی کاربرد وسیعی دارد. برای تسلط بیشتر بر این مبحث، می‌توانید به بخش آموزش مدیریت سایت ما مراجعه کرده و مثال‌های عددی متنوعی را بررسی کنید.

تحلیل حساسیت و ارزیابی پایداری رتبه‌بندی در WASPAS

یکی از مهم‌ترین بخش‌ها در هر پروژه تصمیم‌گیری چندمعیاره (MCDM)، اطمینان از صحت رتبه‌بندی در صورت تغییر پارامترهای تصمیم است. در روش WASPAS، این کار از طریق تحلیل حساسیت بر روی پارامتر $\lambda$ انجام می‌شود. برخلاف روش‌هایی مثل روش SAW که یک خروجی ثابت دارند، در واسپاس محقق می‌تواند با تغییر مقدار لاندا از ۰ تا ۱، اثر مدل‌های جمعی و ضربی را بر جایجایی رتبه گزینه‌ها بررسی کند. این تحلیل به تصمیم‌گیرندگان در بخش آموزش مدیریت کمک می‌کند تا بفهمند آیا بهترین گزینه انتخاب شده، در شرایط مختلف (تغییر استراتژی از جمعی به ضربی) همچنان برتری خود را حفظ می‌کند یا خیر.

علاوه بر این، در مباحث پیشرفته تحقیق در عملیات، پایداری نتایج واسپاس را با تغییر در وزن‌دهی معیارها نیز می‌سنجند. به عنوان مثال، اگر وزن‌های استخراج شده از روش BWM یا روش انتروپی شانون با خطای کمی همراه باشند، روش واسپاس به دلیل ماهیت ترکیبی خود، کمترین نوسان را در رتبه‌بندی نهایی نشان می‌دهد. این ویژگی باعث شده تا در آکادمی نرم‌افزار فرابگیر، ما این متد را به عنوان یکی از مطمئن‌ترین روش‌ها برای پروژه‌هایی که دارای داده‌های حساس و متغیر هستند، معرفی کنیم.

استفاده از فایل اکسل روش WASPAS این امکان را به شما می‌دهد که در چند ثانیه، نمودارهای تحلیل حساسیت را ترسیم کرده و در فصل چهارم پایان‌نامه یا بخش تحلیل داده‌های مقاله خود قرار دهید. این سطح از گزارش‌دهی در آمار و تحلیل داده، نشان‌دهنده تسلط محقق بر جزئیات روش‌شناسی است و احتمال پذیرش مقاله در ژورنال‌های معتبر را به شدت افزایش می‌دهد. در واقع، واسپاس با ارائه این انعطاف‌پذیری، پلی میان سادگی محاسباتی و عمق تحلیلی ایجاد کرده است.

سوالات متداول در مورد روش واسپاس

نتیجه‌گیری

روش WASPAS یکی از هوشمندانه‌ترین انتخاب‌ها برای پژوهشگرانی است که به دنبال دقت و پایداری در رتبه‌بندی گزینه‌ها هستند. این روش با بهره‌گیری از نقاط قوت مدل‌های جمعی و ضربی، راه حلی جامع برای مسائل پیچیده تصمیم‌گیری چندمعیاره (MCDM) ارائه می‌دهد. تسلط بر این متد و استفاده از ابزارهای کمکی مانند فایل اکسل، می‌تواند کیفیت خروجی‌های شما را در بخش تحقیق در عملیات و مقالات ISI به سطح ممتازی برساند.