آموزش جامع روش SAW فازی

در میان انبوه روش‌های تصمیم‌گیری چندمعیاره، روش SAW فازی که به آن «مجموع ساده وزین» (Simple Additive Weighting) نیز می‌گویند، به عنوان سنگ‌بنای مدل‌های MCDM شناخته می‌شود. منطق این روش بسیار شفاف است: «امتیاز نهایی هر گزینه، حاصل‌جمع ضرب امتیاز آن گزینه در وزن معیارهاست.» زمانی که این منطق با منطق فازی ترکیب می‌شود، قدرت عجیبی در مدیریت ابهام و نظرات کیفی کارشناسان پیدا می‌کند.

تفاوت اصلی این روش با متدهایی مثل روش VIKOR فازی در این است که SAW یک روش جبرانی محض است. یعنی ضعف یک گزینه در یک معیار می‌تواند به طور کامل توسط قدرت آن در معیار دیگر جبران شود. ورود اعداد فازی مثلثی به این متد، اجازه می‌دهد تا عباراتی همچون «بسیار خوب» یا «متوسط» بدون از دست رفتن ماهیت خاکستری‌شان، در محاسبات ریاضی شرکت کنند و دقیق‌ترین خروجی را ارائه دهند.

---

روش SAW فازی؛ ساده‌ترین و محبوب‌ترین متد تصمیم‌گیری

این روش در سال 2008 توسط چو و همکاران ابداع شد. در سال ۲۰۲۶، روش SAW فازی به دلیل سادگی در درک و پیاده‌سازی، اولین انتخاب دانشجویان برای فصل چهارم پایان‌نامه و پروژه‌های رتبه‌بندی است. این روش به قدری منعطف است که می‌تواند با سایر روش‌های وزن‌دهی نظیر روش BWM فازی ترکیب شود تا اعتباری دوچندان به نتایج پژوهش ببخشد.

مزایای روش SAW فازی: چرا همچنان پرکاربرد است؟

اولین مزیت این روش، شفافیت و سادگی محاسباتی آن است. برخلاف روش‌های پیچیده‌ای مثل روش PROMETHEE فازی که درگیر توابع ترجیح و مقایسات جفت‌وجور بی‌پایان است، SAW فازی با یک ساختار خطی و مستقیم، رتبه‌بندی را انجام می‌دهد. این سادگی باعث می‌شود مدیران غیرفنی نیز به راحتی منطق پشت رتبه‌بندی را درک کرده و به آن اعتماد کنند.

مزیت دوم، انعطاف‌پذیری در تعداد گزینه‌ها و معیارها است. در این روش، افزایش تعداد گزینه‌ها بار محاسباتی را به صورت نمایی سنگین نمی‌کند. این ویژگی باعث شده تا در مسائل بزرگ (مثلاً رتبه‌بندی ۵۰ تأمین‌کننده)، SAW فازی عملکردی سریع‌تر و پایدارتر نسبت به روش‌هایی مثل روش AHP فازی داشته باشد که در آن تعداد مقایسات جفت‌وجور با افزایش گزینه‌ها به شدت بالا می‌رود.

همچنین، SAW فازی به خوبی با نرمال‌سازی خطی سازگار است. این نوع نرمال‌سازی باعث می‌شود که تناسب بین اعداد فازی حفظ شود و رتبه‌بندی نهایی به واقعیتِ داده‌ها بسیار نزدیک بماند. این دقت در حفظ فواصل، مشابه آن چیزی است که در روش MARCOS فازی برای دقت در رتبه‌بندی اهمیت دارد.

---

معایب و محدودیت‌های روش مجموع ساده وزین فازی

بزرگترین چالش روش SAW فازی، ماهیت کاملاً جبرانی آن است. به این معنا که اگر یک گزینه در یک معیار حیاتی امتیاز بسیار پایینی داشته باشد، اما در سایر معیارهای کم‌اهمیت امتیازات بالایی کسب کند، ممکن است در رتبه اول قرار بگیرد. این موضوع در مسائل حساس (مثل انتخاب سیستم ایمنی) می‌تواند خطرناک باشد. در چنین مواردی، استفاده از روش‌هایی که بر روی نقاط ضعف تمرکز دارند، مثل شاخص R در روش VIKOR فازی، پیشنهاد می‌شود.

دومین محدودیت، نیاز مبرم به داده‌های هم‌مقیاس است. اگر فرآیند نرمال‌سازی به درستی انجام نشود، معیارهایی که اعداد بزرگتری دارند (مثلاً قیمت به ریال در برابر کیفیت از ۱ تا ۱۰) به طور ناعادلانه‌ای بر رتبه‌بندی اثر می‌گذارند. لذا دقت در انتخاب متد نرمال‌سازی فازی در این روش بسیار کلیدی است.

در نهایت، SAW فازی در مواجهه با عدم قطعیت‌های شدید ممکن است به اندازه روش‌های پیچیده، پایداری نشان ندهد. از آنجایی که این روش جریمه‌ای برای ضعف‌های بزرگ در نظر نمی‌گیرد، تحلیل حساسیت بر روی وزن معیارها در این روش حیاتی است. بدون داشتن یک ابزار کمکی مانند فایل اکسل SAW فازی، انجام چندین باره محاسبات برای تحلیل حساسیت بسیار خسته‌کننده خواهد بود.

---

کاربردهای گسترده SAW فازی در صنعت و خدمات

این روش در تمامی حوزه‌هایی که نیاز به اولویت‌بندی سریع و دقیق دارند، حضور فعال دارد. یکی از اصلی‌ترین کاربردها، ارزیابی عملکرد کارکنان در سازمان‌های بزرگ است. به دلیل سادگی، بخش منابع انسانی می‌تواند معیارهای کیفی (اخلاق، کار تیمی) و کمی (ساعت کار) را با هم ترکیب کرده و با استفاده از SAW فازی، عادلانه‌ترین رتبه‌بندی را ارائه دهد.

در حوزه بازاریابی و انتخاب بازار هدف، شرکت‌ها از این روش برای رتبه‌بندی مناطق جغرافیایی یا بخش‌های مشتریان استفاده می‌کنند. این روش به دلیل سرعت بالا، اجازه می‌دهد تا در محیط‌های رقابتی که داده‌ها مدام تغییر می‌کنند، به سرعت تصمیمات جدید اتخاذ شود. این کاربرد در کنار روش‌های وزن‌دهی عینی مثل روش MEREC فازی نتایج بسیار جذابی به همراه دارد.

همچنین در مهندسی عمران و انتخاب مصالح، SAW فازی به دلیل شفافیت در فرمول‌ها بسیار مورد استقبال قرار گرفته است. مهندسان می‌توانند به راحتی وزن‌های مختلفی به دوام، قیمت و زیبایی بدهند و بهترین متریال را انتخاب کنند. در اکثر مقالات داخلی و کنفرانس‌ها، از این روش به عنوان روش پایه یا روش مقایسه‌ای در کنار روش CoCoSo فازی استفاده می‌شود.

---

گام‌های اجرایی و الگوریتم محاسباتی روش SAW فازی

گام ۱: تشکیل ماتریس تصمیم فازی. ابتدا گزینه‌ها و معیارها را شناسایی کرده و امتیازات را به صورت اعداد فازی مثلثی xij = {lij, mij, uij} وارد می‌کنیم.

گام ۲: نرمال‌سازی ماتریس تصمیم فازی.

• برای معیارهای مثبت (سود): امتیاز هر گزینه تقسیم بر بزرگترین کران بالا (u) آن معیار می‌شود.
• برای معیارهای منفی (هزینه): کوچکترین کران پایین (l) معیار، تقسیم بر امتیاز هر گزینه می‌شود.نتیجه این گام، ماتریس نرمال‌شده rij است که تمامی اعداد آن بین ۰ و ۱ هستند.

گام ۳: محاسبه ماتریس وزین فازی. وزن هر معیار (w_j) را در ستون مربوطه ضرب می‌کنیم تا ماتریسvij به دست آید. وزن‌ها معمولاً از روش‌هایی مثل [AHP فازی] استخراج می‌شوند.

گام ۴: محاسبه امتیاز نهایی هر گزینه Pi. برای هر گزینه، مقادیر فازی وزین در تمام معیارها را با هم جمع می‌کنیم.

گام ۵: دی‌فازی‌سازی و رتبه‌بندی. امتیازات فازی نهایی را با روش‌هایی مثل «مرکز ثقل» یا «بزرگترین کران» به عدد قطعی تبدیل کرده و گزینه‌ها را از بزرگ به کوچک رتبه‌بندی می‌کنیم.

در برخی از مقالات رتبه بندی از طریق روش مساحت محاسبه می شود تا بتوانیم اولویت تصمیم گیری را پیدا کنیم.

Z_{ik =}P_{i –} P_k

توجه: هر کدام از آلترناتیورها که دارای Pi بیشتری باشد، به عنوان گزینه مطلوبتر شناخته می شود بنابراین در مقایسه گزینه های iوk اگر مقدار Z_ij مثبت باشد ( مساحت بخش مثبت بیشتر از مساحت بخش منفی باشد) در این صورت گزینه i نسبت به گزینه k از اولویت بیشتری برخوردار است.

---

مثال عددی روش SAW فازی

فردی با مساله تصمیم گیری بین سه آلترناتیو و با توجه به پنج معیار زیر برخورد نموده است. اطلاعات در دسترس تصمیم گیرنده در جدول زیر خلاصه شده است. توجه داشته باشید که معیار اول دارای جنبه منفی می باشد. معیار اول از جنس هزینه و معیارهای دیگر از جنس سود می باشند. مطلوب است اولویت بندی گزینه های مورد نظر از طریق روش SAW فازی.

	C1			C2			C3			C4			C5
A1	7000000	7000000	7000000	6.3	8	9	5.7	7.7	9	7.7	9.3	10	3	5	7
A2	4000000	4000000	4000000	9	10	10	7	9	10	7	9	10	5.7	7.7	9
A3	5000000	5000000	5000000	7	9	10	7	9	10	8.3	9.7	10	7	9	10
اوزان	0.83	0.97	1	0.7	0.9	1	0.57	0.77	0.93	0.5	0.7	0.9	0.7	0.9	1

به علت داشتن ماتریس تصمیم و وزن های معیارها، بر اساس روابط اشاره شده در گام دوم، اقدام به نرمالایز کردن جدول تصمیم گیری می کنیم که نتیجه به صورت جدول زیر می شود.

شاخص C1 منفی است پس:

A₁₁=min (7000000, 4000000, 5000000)/7000000 = 0.57

A₁₂=min (7000000, 4000000, 5000000)/4000000 = 1

A₁₃=min (7000000, 4000000, 5000000)/5000000 = 0.8

شاخص های C2, C3, C4, C5 چون مثبت می باشند به صورت زیر محاسبه می شوند:

A₂₁=6.3 / max (9, 10, 10) = 0.63 | A₂₂=9 / max (9, 10, 10) = 0.9 | A₂₃=7 / max (9, 10, 10) = 0.7

جدول نهایی به صورت زیر خواهد بود:

نرمال شده	C1	C2	C3	C4	C5
A1	0.57	0.57	0.57	0.63	0.8	0.9	0.57	0.77	0.9	0.77	0.93	1	0.3	0.5	0.7
A2	1.00	1.00	1.00	0.9	1	1	0.7	0.9	1	0.7	0.9	1	0.57	0.77	0.9
A3	0.80	0.80	0.80	0.7	0.9	1	0.7	0.9	1	0.83	0.97	1	0.7	0.9	1

حال مرحله سوم را انجام می دهیم تا در نهایت برای هر یک از گزینه ها مقدار مجموع اعدا فازی را محاسبه کنیم. نتیجه حاصل برای این مساله به صورت زیر می باشد:

Vij= r_ij*w_j      Pi= ∑r_ij*w_j

P1^L= 0.57*0.83+0.63*0.7+0.57*0.57+0.77*0.5+0.3*0.7 = 1.84 | P1^m= 2.97 | P1^u= 3.91

P1 = (1.84, 2.97, 3.91) | P2 = (2.61, 3.89, 4.73) | P3 = (2.46, 3.77, 4.63)

حال که مقادیر نهایی بدست آمد از طریق روش مساحت شروع به محاسبه گزینه برتر می نماییم. در گام اول اختلاف میان در دو آلرتانیو با یکدیگر محاسبه می شود.

P1 – P2 = (1.84 – 4.73, 2.97 – 3.89, 3.91 – 2.61) = (-2.9, -0.92, 1.3)

P1 – P3 = (1.84 – 4.63, 2.97 – 3.77, 3.91 – 2.46) = (-2.8, -0.8, 1.45)

P2 – P3 = (2.61 -4.63, 3.89 -3.77, 4.73 – 2.46) = (-2.02, 0.12, 2.27)

الف) محاسبه مساحت P1 – P2

• مساحت کل  = 0.5 (حد بالا – حد پایین) | Total = 0.5 ( 1.3-(-2.9)) =2.10
• P1-مساحت  =  0.5*حدبالا ( حدبالا / حد بالا – حد وسط) | P1 = 0.5 * 1.3 ( 1.3 / 1.3-(-0.92) =0.38
• P2-مساحت = مساحت کل – P1 مساحت | P2 = 2.10 – 0.38  = 1.72

مقدار P2 > P1  -> 1.72 > 0.38   پس گزینه P2 بر P1 ارجح است.

ب) محاسبه مساحت P1 – P3  

مقدار P3 > P1  -> 1.66 > 0.47   پس گزینه P3 بر P1 ارجح است.

ج) محاسبه مساحت P2 – P3

مقدار P2 > P3  -> 1.2 > 0.95   پس گزینه P3 بر P2 ارجح است.

بدین ترتیب اولویت گزینه ها بر اساس روش SAW فازی به صورت A2>A3>A1 خواهد بود.

فایل اکسل روش SAW فازی (محاسبات خودکار)

اگر می‌خواهید پروژه‌ی خود را در کمترین زمان و با دقت ۱۰۰ درصدی به پایان برسانید، داشتن یک ابزار محاسباتی آماده ضروری است. تیم فرابگیر فایل اکسل اختصاصی روش SAW فازی را طراحی کرده است که تمامی مراحل نرمال‌سازی، ضرب وزین و رتبه‌بندی را به صورت خودکار انجام می‌دهد. این فایل به شما کمک می‌کند تا به جای درگیری با فرمول‌های تکراری، بر روی تحلیل نتایج و نگارش مقاله خود تمرکز کنید.

---

نتیجه‌گیری: قدرت در سادگی است

روش SAW فازی اثبات کرده است که همیشه پیچیده‌ترین روش، بهترین روش نیست. این متد با ترکیب منطق ریاضی مستقیم و انعطاف‌پذیری منطق فازی، ابزاری ساخته است که هم در محیط‌های آکادمیک و هم در تصمیمات استراتژیک صنعتی، کارایی فوق‌العاده‌ای دارد. سادگی در پیاده‌سازی و شفافیت در تفسیر نتایج، دو عاملی هستند که SAW فازی را برای دهه‌ها در صدر لیست متدهای MCDM نگه داشته‌اند.

اگر به دنبال روشی هستید که بدون درگیری با مفاهیم پیچیده برتری (Outranking) یا فواصل هندسی، یک رتبه‌بندی منطقی و قابل دفاع ارائه دهید، SAW فازی بهترین انتخاب است. این روش به ویژه زمانی که با روش‌های نوین وزن‌دهی عینی ترکیب شود، نتایجی ارائه می‌دهد که سخت‌گیرترین داوران علمی نیز آن را تایید می‌کنند.

در نهایت، موفقیت در به کارگیری این روش به دو عامل بستگی دارد: دقت در جمع‌آوری نظرات خبرگان و استفاده از ابزارهای محاسباتی استاندارد. با رعایت این دو نکته، شما می‌توانید از یک تحلیل‌گر ساده به یک استراتژیست تصمیم‌گیر تبدیل شوید که ابهام را به اعداد و اعداد را به تصمیمات سازنده تبدیل می‌کند.

---

سوالات متداول درباره روش مجموع ساده وزین (SAW) فازی