Professional Documents
Culture Documents
Promethee Metoda
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).
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.
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)
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)
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)
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)
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.
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.
a f II b a ~ II b
akko akko
PROMETHEE II
Zapiimo
= 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
ba ( Si ) = Si (a, x) S i ( x, a )
x A xA
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.
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).
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!
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.
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 ($) 1850 1700 1500 1900 1750
0, d = 0 o.k.: P ( d ) = 1, d 0 i
(1) TESTIRANJE
Si(a, b)= Pi(d) 0 0 1 1 0 fi(a)-fi(b) (=d) 1 100 n
kriteriji
S (a, b) = i Si (a, b) = 0.2 0 + 0.2 0 + 0.2 1 + 0.2 1 + 0.2 0 = 0.4 S (b, a) = i Si (b, a) = 0.2 1 + 0.2 1 + 0.2 0 + 0.2 0 + 0.2 1 = 0.6
i =1 i =1 n
(1) TESTIRANJE
alternative a b c d e a 0 0.6 b 0.4 0 0 0 0 c d e
(1) TESTIRANJE
alternative a b c d e a 0 0.6 0.6 0.6 0.6 0.6 -0.25 b 0.4 0 0.4 0.6 0 0.35 0.2 c 0.4 0.6 0 0.6 0.4 0.5 -0.05 d 0.2 0.2 0.4 0 0.2 0.25 0.4 e 0.4 0.8 0.4 0.8 0 0.6 -0.3
+ (alt)
0.35 0.55 0.45 0.65 0.3
(alt) (alt)
+
1 S ( a, x ) (alternative) = n 1 xA 1 S ( x, a ) (alternative) = n 1 xA
(2) TESTIRANJE
0 , d = 0 o: P i (d) = 1, d 0
l : Pi (d ) =
max linearna 400 0.2 veliina (m2) 800 700 500 950 700
min linearna 256 0.2 najam ($) 1850 1700 1500 1900 1750
d , 0 d p p
1, d > p
(3) TESTIRANJE
0 , d = 0 o: P i (d) = 1, d 0
l : Pi (d ) =
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
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
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
SOFTWARE
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