PROMETHEE METODA

Petar Paradik

Sadraj
Uvod Viekriterijski problem Viedimenzionalne preferencije Intenzitet preferencije Rangiranje Veza s Bordinom metodom Primjeri Literatura

Uvod
Metoda PROMETHEE (Preference Ranking Organization METHod for Enrichment Evaluations) spada u grupu metoda za viekriterijsko odluivanje u skupu alternativa opisanih s vie atributa. Postoje dvije osnovne verzije metode koje emo prouiti :
PROMETHEE I (djelomino rangiranje) PROMETHEE II (potpuno rangiranje)

Metodu je razvio Jean-Pierre Brans i prezentirao 1982 godine. Iste godine metoda je se poela primjenjivati na probleme vezane za zdravstvo!

Viekriterijski problem
Viekriterijski problem se moe formalizirati kao: max{ ( f1 (a), ... , f k (a)) a A } , gdje je A = { a1 , ... , a n } konaan skup alternativa, a f i su vrijednosti po kriterijima. Od donositelja odluke oekujemo da identificira alternativu koja optimizira sve kriterije. Rjeenje viekriterijskog problema ne ovisi samo o vrijednostima kriterija, nego i o samom donositelju odluke.

PROMETHEE
Primjenu metode PROMETHEE karakteriziraju tri koraka:
Konstrukcija fuzzy relacije za svaki kriterij f i (preference modelling). Konstrukcija globalne preferencije na skupu A (aggregation). Konstrukcija poretka (exploitation).

Sada nam je cilj detaljnije opisati pojedini korak.

(1) Preference modelling

U prvom koraku donositelj odluke mora izabrati funkciju preferencije Pi , za svaku dimenziju (kriterij) f i . Funkcija preferencije je neopadajua funkcija takva da Pi : R [0, 1] . Na temelju funkcije preferencije konstruiramo fuzzy relaciju preferencije Si : A A [0, 1] kao Si (a, b) = Pi ( f i (a ) f i (b)) = Pi (d )

Si (a, b) izraava intenzitet preferencije preferencijom b .

a nad

Preference modelling
Si (a, b) = Pi ( f i (a ) f i (b)) = Pi (d )
Koristimo se sljedeom interpretacijom: Si (a, b) = 0 znai indiferenciju izmeu a i b
(nema preferencije a nad b). Si (a, b) 0 znai slabu preferenciju a nad b. Si (a, b) 1 znai jaku preferenciju a nad b. Si (a, b) = 1 znai strogu preferenciju a nad b.

Kako izgleda funkcija Pi ? Postoji est standardnih tipova (kriterija) funkcije Pi .

(1) Obian Kriterij (Usual Criterion)

Pi(d)

U ovom sluaju postoji indiferincija izmeu alternativa a i b ako i samo ako je fi(a) = fi(b). U suprotnom donositelj odluke ima strogu preferenciju za alternativu koja ima veu vrijednost.

0 , d = 0 Pi (d ) = 1, d 0

d = f i (a) f i (b)

(2) Kvazi Kriterij (U-shape Criterion)

Pi(d)

Dvije alternative su za donositelja odluke indiferentne sve dok razlika njihovih vrijednosti ne prekorai prag d. Nakon toga, radi se o strogoj preferenciji. Donositelj odluke treba odrediti vrijednost parametra q.

d q

0, 0 d q Pi (d ) = 1, d > q

d = f i (a) f i (b)

(3) Kriterij s linearnom preferencijom (V-shape Criterion)

Pi(d)

Sve dok je d manji od p prefererencija donositelja odluke linearno raste s d, a kad d postane strogo vei od p nastaje situacija stroge preferencije. Donositelj odluke mora odrediti vrijednost parametra p.

Pi (d ) =

d ,0 d p p
1, d > p

d = f i (a) f i (b)

(4) Kriterij s razinama konstantne preferencije (Level Criterion)

Pi(d)
1

U ovom sluaju prag indiferencije q i prag slabe preferencije p su istovremeno definirani. Donositelj odluke mora odrediti vrijednost parametara p i q.

d q p

Pi (d ) =

0, d q
1 ,q < d p 2

1, d > p

d = f i (a) f i (b)

(5) Kriterij s linearnom preferencijom i podruijem indiferencije (V-shape with indiference Criterion) Donositelj odluke smatra da njegova preferencija odluke linearno raste izmeu pragova q i p. Donositelj odluke mora odrediti vrijednost parametara p i q.
Pi(d)
1

d q p

Pi (d ) =

0, d q
d q ,q < d p pq

1, d > p

d = f i (a) f i (b)

(6) Gaussov Kriterij (Gaussian Criterion)

Pi(d)

Donositelj odluke smatra da njegova preferencija odluke ima izgled gaussove krivulje. Donositelj odluke mora odrediti vrijednost parametra .

Pi (d ) = 1 e

d2 2 2

d = f i (a) f i (b)

(2) Aggregation
Prepostavimo da je donositelj odluke uspjeno proveo prvi korak, te da je dodatno odredio teine i, za svaki kriterij fi. Teina i je mjera relativne vanosti kriterija fi, te n vrijedi da je

i =1

= 1.

Sada konstruiramo intenzitet preferencije S kao:

S ( a , b ) = i S i ( a , b ) .
i =1

(2) Aggregation
S(a, b) predstavlja globalni intenzitet donositelja odluke da odabere alternativu a kad uzme u obzir sve kriterije: S (a, b) 0 oznaava slabu preferenciju a nad b za sve kriterije. S (a, b) 1 oznaava jaku preferenciju a nad b za sve kriterije. Prije nego to prijeemo na trei i posljednji korak, definiramo ulazni i izlazni tok.

Ulazni i izlazni tok

Za svaku a A definiramo ulazni i izlazni tok: Ulazni tok - + (a) = 1 S (a . , x) n 1 xA 1 Izlazni tok - (a) = . , a) S (x n 1 xA to je vei +, to alternativa a vie dominira nad ostalim alternativama u skupu alternativa A. to je vei , to ostale alternative vie dominiraju nad alternativim a u skupu alternativa A. Na temelju ulaznog i izlaznog toka moemo izvriti rangiranje odnosno poredak (trei korak) u PROMETHEE I i PROMETHEE II.

(3) Exploitation (PROMETHEE I)

Sada konano definiramo globalnu relaciju preferencije ( f I ), globalnu relaciju ekvivalencije ( ~ I ) i relaciju neusporedivosti ( RI ) na sljedei nain: + + akko (a ) > (b) i (a ) < (b) a fI b + + ili (a ) = (b) i (a ) < (b) + + ili (a ) > (b) i (a ) = (b) a ~ I b akko + (a) = + (b) i (a) = (b) a RI b akko + (a) > + (b) i (a) > (b) ili + (a ) < + (b) i (a ) < (b) (f I , ~ I , RI ) se naziva parcijalni poredak.

(3) Exploitation (PROMETHEE II)

Izvravamo potpuni poredak u PROMETHEE II. U tu svrhu definiramo tok kao:

(a) = + (a) (a)

Definiramo globalnu relaciju preferencije (f II ) i globalnu relaciju ekvivalencije ( ~ II ) kao:

a f II b a ~ II b

akko akko

(a ) > (b) (a ) = (b)

(f II , ~ II ) se naziva potpuni poredak

PROMETHEE II
Zapiimo

na malo drugaiji nain:

(a) = + (a) (a)

= S ( a , x ) S ( x, a ) = S ( a , x ) S ( x, a )
xA xA xA xA

= wi Si (a, x) wi Si ( x, a)

= wi [ Si (a, x) Si ( x, a)]

x A i =1 n

x A i =1

= wi [ Si (a, x) Si ( x, a )] = wi i (a )
i =1 xA i =1

xA i =1 n

Generalizirana Bordina metoda

Bordina metoda je prestavljena kao metoda kojom agregiramo slabi ureaj na temelju profila linearnih ureaja. Zapravo, Bordina metoda se moe upotrijebiti za konstrukciju bilo koje binarne relacije pa i fuzzy relacije (PROMETHEE). Neka p profil fuzzy relacija, tj. p = ( S1 , ..., S n ) Definiramo ba(Si) kao:

ba ( Si ) = Si (a, x) S i ( x, a )
x A xA

Dakle, to je vei ba(Si) to je alternativa a bolja u fi .

Generalizirana Bordina metoda

Definiramo Bordin uspjeh alternative a kao:
Ba ( p ) = ba ( Si )
i =1 n

Tada vrijedi: a p b akko Ba ( p) Bb ( p) Postoji pet aksioma koji opisuju Generaliziranu Bordinu metodu. Tri od tih pet su potpuno identini onima u standardnoj Bordinoj metodi. Dva su malo drugaija jer sada umjesto linearnog ureaja (Bordina metoda) imamo fuzzy relacije.

Generalizirana Bordina metoda

Aksiomi:
(Slabi ureaj) Globalna relacija preferencije je slaba. (Generalizirana vjerodostojnost) Ako imamo samo jedan kriterij i ako je S1 linearan ureaj, tada je globalna relacija preferencije p jednaka relaciji preferencije S1. (Generalizirana istovjetnost) Za bilo koji par alternativa (a, n b) neka je rab definirano kao: rab ( p) = Si (a, b) Ako za svaki par (a, b) alternativa vrijedi rab ( p ) = rba ( p ), tada su sve alternative ekvivalentne. (Neutralnost) Krajnji rezultat ne ovisi o vrijednosti kriterija, nego samo o poziciji alternative u n meusobnih relacija. (Konzistentnost) Kao u standardnoj Bordinoj metodi...
i =1

Generalizirana Bordina (GBM) metoda i PROMETHE II

Teorem (Marchant1, 1996.) Neka je F skup fuzzy relacija. Pretpostavimo da elimo agregirati profil fuzzy relacija u F. Jedina funkcija agregacije (metoda) koja zadovoljava sve aksiome je Generalizirana Bordina metoda. Ovaj teorem izrazito vaan ne samo za GBM, nego i za PROMETHEE II! Pokuajmo sada povezati GBM i PROMETHEE II.

1Marchant,

T., "Valued relations aggregation with the Borda method", Journal of multi-criteria decision analysis, 5, pp. 127-132 (1996).

Generalizirana Bordina (GBM) metoda i PROMETHE II

Promatrajmo slijedee:
(a ) = wi i (a) (PROMETHEE II)
Ba ( p) = ba ( Si )
i =1

i =1 n

(GBM)

Paljivim promatranjem uvjerit emo se da nakon to su funkcije preferencije Pi odabrane, PROMETHEE II metoda nije nita drugo nego oteirana verzija GBM! Prethodni teorem nam stoga mnogo govori o PROMETHEE II. Ugrubo govorei, u trenutku kada se donositelj odluke odluio za Pi i sloio se sa aksiomima koji karakteriziraju GBM, on mora koristiti PROMETHEE II!

Generalizirana Bordina metoda (GBM) i PROMETHE II

Postoji samo jedan mali problem. U GBM nema teina, dok u PROMETHEE II ima. Moe se pokazati da ako su teine wi cijeli brojevi, tada dodjeljivanje teine wi i-tom kriteriju je ekvivalentno uzimanju u obzir problema koji nema teine i u kojem je svaki kriterij i je uzet u obzir wi puta. Broj kriterija u ovom sluaju nije vie n, nego je jednak zbroju svih kriterija wi. Ako teine nisu cijeli brojevi nego racionalni, tada oni mogu biti transformirani u cijele.

PRIMJER 1 (advokatska firma)

kriteriji, udaljenost klijenti opremljenost veliina najam (min) (% ) (A, B, C) (m2) ($) alternative a b c d e 45 25 20 25 30 50 80 70 85 75 A B C A C 800 700 500 950 700 1850 1700 1500 1900 1750

Cilj nam je odabrati alternativu koja optimizira sve kriterije. Napravit emo nekoliko testiranja u kojima emo mijenjati teine kriterija kao i funkcije preferencije.

(1) TESTIRANJE
min/max min obina 0.2 udaljenost (min) 45 25 20 25 30 max obina 0.2 klijenti (%) 50 80 70 85 75 max obina 0.2 opremljenost (A, B, C) A B C A C max obina 0.2 veliina (m2) 800 700 500 950 700 min obina 0.2 najam ($) 1850 1700 1500 1900 1750

0, d = 0 o.k.: P ( d ) = 1, d 0 i

funkcija preferencije parametar q parametar p teina kriteriji, alternative a b c d e

(1) TESTIRANJE
Si(a, b)= Pi(d) 0 0 1 1 0 fi(a)-fi(b) (=d) 1 100 n

alternativa a fi(a) 45 50 A 800 1850

kriteriji

alternativa b fi(b) 25 80 B 700 1700

fi(b)-fi(a) (=d) -20 30 -150

Si(b, a)= Pi(d) 1 1 0 0 1

udaljenost klijenti opremljenost veliina najam

S (a, b) = i Si (a, b) = 0.2 0 + 0.2 0 + 0.2 1 + 0.2 1 + 0.2 0 = 0.4 S (b, a) = i Si (b, a) = 0.2 1 + 0.2 1 + 0.2 0 + 0.2 0 + 0.2 1 = 0.6
i =1 i =1 n

(1) TESTIRANJE
alternative a b c d e a 0 0.6 b 0.4 0 0 0 0 c d e

Na taj nain usporedimo sve alternative i popunimo gornju tablicu.

(1) TESTIRANJE
alternative a b c d e a 0 0.6 0.6 0.6 0.6 0.6 -0.25 b 0.4 0 0.4 0.6 0 0.35 0.2 c 0.4 0.6 0 0.6 0.4 0.5 -0.05 d 0.2 0.2 0.4 0 0.2 0.25 0.4 e 0.4 0.8 0.4 0.8 0 0.6 -0.3

+ (alt)
0.35 0.55 0.45 0.65 0.3

(alt) (alt)
+

1 S ( a, x ) (alternative) = n 1 xA 1 S ( x, a ) (alternative) = n 1 xA

(1) TESTIRANJE PROMETHEE I (parcijalno rangiranje):

PROMETHE II (potpuno rangiranje):

(2) TESTIRANJE

0 , d = 0 o: P i (d) = 1, d 0
l : Pi (d ) =

min/max funkcija preferencije parametar q parametar p teina kriteriji, alternative a b c d e

min linearna 20 0.2 udaljenost (min) 45 25 20 25 30

max linearna 35 0.2 klijenti (%) 50 80 70 85 75

max obina 0.2 opremljenost (A, B, C) A B C A C

max linearna 400 0.2 veliina (m2) 800 700 500 950 700

min linearna 256 0.2 najam ($) 1850 1700 1500 1900 1750

d , 0 d p p
1, d > p

(2) TESTIRANJE PROMETHEE I (parcijalno rangiranje):

PROMETHE II (potpuno rangiranje):

(3) TESTIRANJE

0 , d = 0 o: P i (d) = 1, d 0
l : Pi (d ) =

min/max funkcija preferencije

min linearna 20 0.16 udaljenost (min) 45 25 20 25 30

max linearna 35 0.16 klijenti (%) 50 80 70 85 75

max obina 0.16 opremljenost (A, B, C) A B C A C

max linearna 400 0.16 veliina (m2) 800 700 500 950 700

min linearna 256 0.34 najam ($) 1850 1700 1500 1900 1750

d , 0 d p parametar q p
1, d > p parametar p teina kriteriji, alternative a b c d e

(3) TESTIRANJE PROMETEE I (parcijalno rangiranje) PROMETEE II (potpuno rangiranje)

PRIMJER 2 (odabir automobila)

kriteriji, alternative Audi A4 2.0 TFSI BMW 123D Lexus IS 220D Base Subaru Impreza 2.5i WRX Volkswagen Passat CC 2.0 TSI Volvo S80 2.5 T Kinetic cijena () 38,581 43,830 35,600 42,644 36,589 43,000 snaga (ks) 180 204 177 230 200 231 potronja (prosjek) 6.6 5.4 6.1 10.4 7.9 8.6 ubrzanje (0-100) 7.9 7.5 8.9 6.5 7.6 7.7 max. brzina (km/h) 236 230 220 209 237 235

min/max funkcija preferencije parametar q parametar p Gaussov teina kriteriji, alternative

Audi A4 2.0 TFSI
BMW 123D Lexus IS 220D Base Subaru Impreza 2.5i WRX Volkswagen Passat CC 2.0 TSI

min gaussova 1 0.2 cijena () 38,581 43,830 35,600 42,644 36,589 43,000

max gaussova 2 0.2 snaga (ks) 180 204 177 230 200 231

min linearna 1 0.2 potronja (prosjek) 6.6 5.4 6.1 10.4 7.9 8.6

min linearna 1.5 0.2 ubrzanje (0-100) 7.9 7.5 8.9 6.5 7.6 7.7

max linearna 20 0.2 max. brzina (km/h) 236 230 220 209 237 235

Volvo S80 2.5 T Kinetic

(1) TESTIRANJE PROMETEE I (parcijalno rangiranje) PROMETEE II (potpuno rangiranje)

min/max funkcija preferencije parametar q parametar p Gaussov teina kriteriji, alternative

Audi A4 2.0 TFSI
BMW 123D Lexus IS 220D Base Subaru Impreza 2.5i WRX Volkswagen Passat CC 2.0 TSI

min gaussova 1 0.18 cijena () 38,581 43,830 35,600 42,644 36,589 43,000

max gaussova 2 0.18 snaga (ks) 180 204 177 230 200 231

min linearna 0.5 0.27 potronja (prosjek) 6.6 5.4 6.1 10.4 7.9 8.6

min linearna 1.5 0.18 ubrzanje (0-100) 7.9 7.5 8.9 6.5 7.6 7.7

max linearna 20 0.18 max. brzina (km/h) 236 230 220 209 237 235

Volvo S80 2.5 T Kinetic

(2) TESTIRANJE PROMETEE I (parcijalno rangiranje) PROMETEE II (potpuno rangiranje)

SOFTWARE

Prilikom rjeavanja primjera koriten je sljedei software:

Decision Lab 2000: http://www.visualdecision.com/dlab.htm Decision Sights: http://www.decision-sights.com

LITERATURA Bouyssou D., Marchant T., Pirlot M., Tsoukias A., Vincke P., Evaluation and decision models with multiple criteria, Springer, New York, 2006. http://info.wlu.ca/~wwwmath/courses/graduatecour ses/ma536/promethee.pdf