Sunteți pe pagina 1din 34

1

DEFINIREA MDMA DETERMINIST


M
E
T
O
D
E

N
U
M
E
R
I
C
E

N

I
N
G
I
N
E
R
I
E

MN-2009

1
0
.
D
E
C
I
Z
I
I

M
U
L
T
I
A
T
R
I
B
U
T

TUDOR PAUNESCU
BIBLIOGRAFIE
METODE DE EVALUARE A COEFICIENILOR DE
IMPORTAN
METODE PENTRU DECIZII MULTIATRIBUT
MONODECIDENT
METODE PENTRU DECIZII MULTIATRIBUT DE
GRUP (MULTIDECIDENT)
Vrei s plictiseti pe cineva? Spune-i tot ce ti Voltaire
2
BIBLIOGRAFIE
[CRU76] L.W.Crum. Ingineria valorii. Ed. Tehnic. Bucureti. 1976.
[AND86] M.Andraiu a. Metode de decizii multicriteriale. Ed. Tehnic. Bucureti. 1986.
[FIL02] Fl. Ghe. Filip. Decizie asistat de calculator. Ed. Tehnic. Bucureti. 2002.
[PUG91] S. Pugh. Total Design. Addison Wesley Publishing Company 1991
3
1. DEFININIREA MDMA
Atribut un mijloc de evaluare a unei variante, caracteristic, proprietate, criteriu

1.1. MULTIATRIBUT versus MULTIOBIECTIV
OPTIMIZARE MULTIOBIECTIV
mulimea soluiilor admisibile (generat
de un sistem de restricii) este infinit,
criteriile de optim se prezint sub forma
unor funcii obiectiv care trebuie s fie
minimizate sau maximizate. Metodele
de rezolvare aparin domeniului
programrii matematice.
DECIZIE MULTIATRIBUT mulimea
soluiilor admisibile (variante de decizie)
este finit, iar fiecare variant este
caracterizat de mai multe atribute
(numerice sau nu) i se impune
compararea variantelor i alegerea
variantei optime care s satisfac maximal
ansamblul atributelor.
n general, n cazul problemelor multiatribut metode diferite pot duce la rezultate diferite
datorit nu inconsistenei metodelor, ci diversitii filozofiilor care fundamenteaz metodele de
optimizare multiatribut.
4
Nr. Car. Tip MULTIATRIBUT MULTIOBIECTIV
1 Criterii definite prin atribute obiective
2 Obiective urmrite implicite explicite
3 Atribute urmrite
explicite

implicite

4 Restricii
inactive, ncorporate n
atribute
active
5 Variante numr finit numr infinit
6
Interaciunea cu
decidentul
mare mai mic
7 Utilizare selecie/evaluare proiectare
5
Glosar
Decizii multiatribut: Multi-Criteria Decision Analysis (MCDA), Multi Criteria Decision Making (MCDM)
ntre anii 1940 i 1970 sistemul informaional necesar conducerii firmelor a determinat
generarea unui numr exagerat de metode decizionale multiatribut. S-a creat o relaie
specific ntre metoda i situaiile decizionale care pot fi rezolvate corect cu aceasta. MDMA
implic un grad de subiectivitate, n consecin etica celui ce implementeaz MDMA joac un
rol important n precizia i corectitudinea soluiilor.
Principala dificultate cu care se confrunt metodele de decizie multiatribut este c metode
diferite pot da soluii diferite pentru aceeai problema. Aceast situaie este datorat faptului
ca metodele ordoneaz variantele innd cont n mod diferit de caracteristicile problemei. Deci
nu se pune problema comparabilitii necontextuale sau compatibilitii lor.
(S) Teorema lui ARROW afirm ca nu exista nici o metoda de agregarea ierarhiilor, care
s satisfac simultan ase condiii de raionalitate. Orice metoda de decizie
multicriterial ncalc cel puin o condiie Arrow [AND86, pg.188].
6
1.2. MATRICEA CONSECINELOR [AND88]
Fie o mulime de variante V={V
1
,V
2
, , V
m
} i o mulime de criterii C={C
1
,C
2
, , C
n
}. Pentru
fiecare criteriu C
j
, j=1,2,...n se asociaz fiecrei variante V
i
, i=1,2,...m, un vector
reprezentnd rezultatul evalurii acelei variante n raport cu criteriul C
j
. Acest tablou se
numete matricea consecinelor (MC).
PDMA CARDINAL (PDMAC) orice problem caracterizat de o MC.
PDMA ORDINAL (PDMAO) o problem n care se furnizeaz direct ierarhii ale mulimii
variantelor pentru fiecare criteriu n parte.
Orice PDMAC PDMAO.
C
1
C
2
C
3
C
4
C
5
C
6

V
1
3 4 3 2 2 1
V
2
1 1 2 1 3 3
V
3
4 2 1 4 1 2
V
4
2 3 3 3 2 3
7
Determinarea soluiilor PDMA const n:
- selecie: urmrete restrngerea mulimii variantelor la o submulime care conine doar
variantele satisfctoare;
- sortare: alternativele sunt grupate n clase distincte definite apriori, sau pe baza unor
similitudini;
- ordonarea variantelor ntr-un clasament, fie n gsirea direct a variantei optime.

Importana criteriilor este evaluat prin coeficienii de importan p
j
, j=1,2, ...,n care sunt
numere reale ce exprim importana fiecrui criteriu n parte. Vectorul coeficienilor de
importan (ponderile criteriilor) P={p
1
,p
2
, , p
n
}.
De obicei se lucreaz cu valori normalizate 1
1
=

=
n
j
j
p
8
2. METODE DE EVALUARE A COEFICIENILOR DE IMPORTAN
Matricea consecinelor conine, n general, date neomogene, numerice sau nenumerice,
rezult necesitatea omogenizrii.

Dac omogenizarea se face prin realizarea unei corespondene ntre mulimea valorilor, n
cazul PDMA a criteriilor, i o anumit mulime, corespondena se numete scalare.
Scalare ordinal scalare pe mulimea numerelor naturale. Acest tip nu indic i distanele
ntre entiti ci numai ordinea.
Scalare ntr-un interval mulimea de coresponden este un interval. Acest tip indic i
distana ntre entiti.
Normalizare scalare n intervalul [0,1]

Notaie: A normalizat se noteaz n continuare cu R (matricea consecinelor normalizat).

2.1. SCALARE
9
(
P
)

E
l
a
b
o
r
a
a

i

u
n

p
r
o
g
r
a
m

c
a
r
e

s


n
o
r
m
a
l
i
z
e
z
e

v
e
c
t
o
r
i
a
l

o

m
a
t
r
i
c
e

a

c
o
n
s
e
c
i
n

e
l
o
r

p
e

b
a
z
a

t
u
t
u
r
o
r

r
e
l
a

i
i
l
o
r

1

i

2

2.2.1. Normalizarea vectorial
Exemplul 1

Variantele sunt 4 roboi industriali.
Criteriile:
C
1
-volumul spaiului de operare a RI max
C
2
-cost de cumprre a unui RI min
C
3
-cost de exploatare anual a unui RI min
C
4
-fiabilitatea RI max
2.2. NORMALIZAREA MC
Program Mathcad care normalizeaza C pe baza rel. 1.1, 1.2
) 2 . 1 ( ) 1 . 1 (
1
1
2

=
=
= =
m
i
ij
ij
ij
m
i
ij
ij
ij
a
a
r sau
a
a
r
(2.2)
1
1
(2.1)
1
1
1
1
2

=
=
= =
m
j ij
ij
ij
m
j ij
ij
ij
a
a
r sau
a
a
r
pentru criterii de max:
pentru criterii de min:
(1)
(2)
(3)
1
1
=

=
m
i
ij
r
pentru 1.2
Relaia 1.2 se aplic dac a
ij
>0
10
( )
( )
( ) ( )
ij ij
ij ij
ij
ij
ij
ij
a a
a a
r sau
a
a
r
min max
max
max


=
=
( )
( )
( ) ( )
ij ij
ij ij
ij
ij
ij
ij
a a
a a
r sau
a
a
r
min max
min
min

=
=
2.2.2. Normalizarea prin transformari liniare:

- criterii de max:
- criterii de min:
(4)
(5)
(P) Elaborai un program care
s normalizeze vectorial o
matrice a consecinelor pe
baza tuturor relaiilor 4 i 5
Exemplul 2
11
2.3. STABILIREA COEFICIENILOR DE IMPORTAN A CRITERIILOR

Pentru stabilirea coeficienilor de importan a criteriilor se aplic diverse metode funcie de
precizia informaiei deinute.
Cnd nu se cunosc plajele reale de variaie a atributelor se poate aplica metoda [FIL02]:
1. Se ordoneaz descresctor criteriile n funcie de creterea importanei relative
stabilite de decident C
1
, C
2
,...,C
n
.
2. Se aloc valoarea x pentru ponderea criteriului de evaluare cel mai puin important
w
1
x (x-necunoscut).
3. Se determin valoarea ponderii w
j
pentru criteriul C
j
prin nmulirea ponderii w
j-1
a
criteriului anterior cu raportul w
j
(w
j
>1): w
j
=w
j-1
.
w
j
.
4. Se determin valoarea x prin rezolvarea acuaiei banale:
x
.
(1+ w
1
+ w
1

.
w
2
+....)=1.
5. Se calculeaz valorile normalizate ale coeficienilor de importan cu relaia de la
etapa 3.
12
Exemplul 3

Variantele sunt 4 roboti industriali.
Criteriile:
C
1
-volumul spatiului de operare a RI max
C
2
-cost de cumparre a RI min
C
3
-cost de exploatare anual a RI min
C
4
-fiabilitatea RI max

1. Decidentul stabilete urmtoarea ierarhie:
C4 C3=C2 C1
2. Aloc ponderea x criteriului C1 cel mai puin important
3. Dac criteriile 2 i 3 sunt cu 20% mai importante vor avea ponderile 1,2x
4. Dac criteriul 4 este mai important cu 50% fa de C1 va avea ponderea 1,5x
5. Din ecuaia x+2.x.1.2+1.5.x=1 se calculeaz x i apoi ponderile criteriilor 2,3,4.

Obs. n exemplul de mai sus s-a fcut raportarea la primul criteriu nu la cel anterior.
13
Definirea i calculul matricei importanei relative a criteriilor
| |
1
,..., 1 , , , /
/ 1
,
/ ... / /
... ... ... ...
/ ... / /
2 1
1 2 1 1 1
= = =
= =
=
(
(
(

=
j i
jk ik ij
ji ij
n n n n
n
p p atunci j i daca
n k j i b b b
b b
p p p p p p
p p p p p p
B
(6)
Pentru formarea matricei
importanei relative a criteriilor se
poate utiliza tabelul alturat [AND88,
FIL02], care se numete scara
fundamental a lui Saaty a
intensitii importanei.

De obicei este cunoscut matricea importanei relative a criteriilor (B), rezultat din
compararea dou cte dou criterii:
14
CALCULUL MATRICEI P DIN MATRICEA B
Calculul matricei P din matricea B prin metoda VECTORULUI PROPRIU (S)

Detalii despre vector propriu i valori proprii vezi n anexa 1
clic
Deoarece matricea B este real i simetric are
doar vectori proprii reali.

Etape
1. Se determin valorile proprii ale matricei B,
i valoarea maxim max=max(
i
).
2. Vectorul propriu se calculeaz din relaia
B
.
P=max
.
P
n exemplul alturat funcia nv normalizeaz
un vector oareacare v. La calculul celui mai
mari valori proprii s-a aplicat funcia Mathcad
Re pentru eliminarea eventualei valori
complexe foarte mici.
E
x
e
m
p
l
u
l

4

15
Calculul matricei P din matricea B prin
metoda CELOR MAI MICI PTRATE

Se pune condiia ca suma ptratelor distanelor
ntre coeficienii de importan teoretici i cei
exprimai prin intermediul importanei relative b
ij
s fie minim.
Deci problema este:




Se observ ca problema de programare
matematic este de tip monoobiectiv cu o
restricie egalitate, deci poate fi rezolvat i prin
metoda multiplicatorilor lui Lagrange (vezi C07.1
optimizri 1.pps cap 6.3.1) sau direct prin funcia
Minimize din Mathcad, ca n aplicaia alturat.
( )
0 , 1
min
1
1 1
2
> =
=

=
= =
i
n
i
i
n
i
n
j
i j ij
p p
p p b z
(7)
Obs. Rezult valori diferite de cele obinute
prin metoda valorilor proprii, ns proporiile
sunt asemntoare
E
x
e
m
p
l
u
l

5

Generarea valorilor aleatoare de start
16
3.1. SISTEMATIZAREA METODELOR DE DECIZIE

C1. MODUL DE AGRAGARE A CRITERIILOR.
1.1 Modele necompesatoare
ntre criterii nu exista compensare, n sensul ca pentru o variant analizat un dezavantaj
dpdv. al unui criteriu nu este compensat printr-un avantaj dpdv. al altui criteriu.
1.2 Modele compesatoare

C2. TIPUL INFORMAIILOR
2.1 Fr informaii prefereniale
2.2 Cu informaii prefereniale
2.2.1 Asupra criteriilor
2.2.2 Asupra variantelor

C3. COMPLEXITATEA INFORMATIILOR
3.1 Nivel standard al informaiei pentru fiecare criteriu
n afar de matricea A este cunoscut un vector V al nivelurilor standard pentru criterii (filtru
trece/nu trece).
3.2 Se dau preferine ordinale asupra criteriilor
3.3 Se dau preferine cardinale asupra criteriilor
Se cunoate vectorul ponderilor criteriilor P.
3
.

M
E
T
O
D
E

P
E
N
T
R
U

D
E
C
I
Z
I
I

M
U
L
T
I
A
T
R
I
B
U
T

M
O
N
O
D
E
C
I
D
E
N
T

17
3.2. METODE DECIZIONALE MULTIATRIBUT APLICABILE N
CAZUL N CARE NU EXIST INFORMAII PREFERENIALE
3.2.0 Despre originea metodelor
3.2.1 Metoda CONVERGENEI CONTROLATE

3.2.2 Metoda MAXIMIN - WALD

3.2.3 Metoda MAXIMAX - HURWICZ

3.2.4 Metoda WALD - HURWICZ

3.2.5 Metoda LAPLACE

3.2.6 Metoda SAVAGE (regretului)

18
3.2.0 DESPRE ORIGINEA METODELOR
Metodele clasice de alegere n condiii de incertitudine i au originea n teoria jocurilor (von Neuman,
Mongerstern 1953).
n teoria jocurilor se consider c sunt cunoscute:
- alternativele proprii de aciune ale fiecrui juctor;
- posibilele strategii ale adversarului (fr a tii pe care o utilizeaz);
- posibilele consecine (ctiguri i pierderi) ale adoptrii de ctre cei doi juctori a unei perechi de
alternative;
Se consider c adversarul nu este o persoan contient i raional, ci este natura care prin intermediul
unor factori necontrolabili i imprevizibili, poate afecta consecinele deciziilor. Deci coloanele din tabela
deciziilor vor corespunde unor posibile stri ale naturii, ale cror probabiliti nu sunt cunoscute.
n aceste circumstane este activ atitudinea fa de risc a decidentului (pesimist, optimist, prudent).
Astfel metoda Maximin pleac de la premisa c decidentul este pesimist, la fel i metoda Savage, pe
cnd metoda Maximax presupune un decident optimist.

19
3.2.1 Metoda CONVERGENTEI CONTROLATE [PUG91]
Metoda convergentei dirijate/controlate (MCD) se utilizeaz
frecvent in proiectare, mai exact n faza proiectrii CONCEPTUALE
( de principiu, nu de detaliu).
Un avantaj major al MCD comparativ cu alte metode matriceale
const n alternana dintre raionamentul convergent (analitic) i cel
divergent (sintetic). Astfel pe msur ce se fac selecii (fazele
convergente) i se genereaz noi concepte (fazele divergente). Ca
urmare proiectantul este obligat s ptrund n profunzime
specificaiile problemei, s aprofundeze soluiile poteniale, s
neleag interaciunile dintre soluiile propuse, care pot genera soluii
adiionale, s neleag de ce o soluie este mai bun dect alta.

Pentru evaluarea variantelor se utilizeaz o matrice
asemnatoare matricei consecinelor ( transpusa) n care simbolurile
au semnificaiile:
+ pentru o varianta care este avantajoas dpdv a ctriteriului
curent;
= pentru o varianta medie;
- pentru o varianta care este dezavantajoas dpdv a criteriului
curent;
Pentru fiecare variant se nsumeaz separat numarul de
puncte pozitive, negative si neutre.
V1 V2 Vm
C1 + - + =
...
Cn = + + +
Suma + 5 0 3
Suma = 1 6 4
Suma - 4 4 4
20
3.2.2 Metoda MAXIMIN (metoda pesimist a lui Wald)

Demers pesimist bazat pe ipoteza c se vor realiza cele mai nefavorabile condiii, ca i cum adversatul natur
ar dori s-l mpiedice pe decident cu orice pre s obin rezultate bune. Metoda are analogii cu demersul
ingineresc de proiectare care se ghideaz dup principiul cazul cel mai dezavantajos (worst case, vezi aplicaia
lanuri dimensionale liniare).

Date de intrare: matricea consecinelor normalizat R.
Principiul metodei: selecteaz o variant, cea mai bun (MAX) n raport cu criteriul care ia valoarea cea mai mic (MIN)
(ideea de compromis):



Aplicaia 6:

( )
r criteriilo indicele j iantelor indicele i
n j m i r Vopt
ij
j i

= =
(

=
, var
... 1 , ... 1 , min max
| |
( ) ( ) ( ) ( )
( )
2
1 4 2 3 1 2 3 1
71 . 0 57 . 0 , 50 . 0 , 71 . 0 , 50 . 0 max
57 . 0 ; 50 . 0 ; 71 . 0 ; 50 . 0
80 . 0 75 . 0 00 . 1 57 . 0
60 . 0 00 . 1 50 . 0 00 . 1
00 . 1 00 . 1 75 . 0 71 . 0
80 . 0 50 . 0 60 . 0 85 . 0
V
C V C V C V C V
R
=

(
(
(
(

=
(8)
21
Normalizare prin vectorizare (vezi exemplul 1)
Exemplul 6
Funcia MAXMIN n prima etap determin minimele de
pe fiecare linie, n a 2-a maximul din vectorul determinat
anterior.
22
( )
r criteriilo indicele j , iantelor var indicele i
n ... j , m ... i , r max max Vopt
ij
j i

= =
(

= 1 1
| |
( )
( ) ( ) ( )
( )
4 3 2
2 4 4 1 3 4 3
2 1 1
, , 00 . 1 00 . 1 , 50 . 00 . 1 , 00 . 1 , 850 . 0 max
00 . 1 ; , 00 . 1 ; ,
00 . 1 ; 85 . 0
80 . 0 75 . 0 00 . 1 57 . 0
60 . 0 00 . 1 50 . 0 00 . 1
00 . 1 00 . 1 75 . 0 71 . 0
80 . 0 50 . 0 60 . 0 85 . 0
V V V
C V C C V C C
V C V
R
=


(
(
(
(

=
Exemplul 7
(9)
Metoda presupune c vor fi ntrunite toate condiiile cele mai
favorabile i se urmrete obinerea ctigului maxim posibil.

Date de intrare: matricea consecinelor normalizat.
Principiul metodei: selecteaz o varianta, cea mai buna (MAX) in
raport cu criteriul care ia valoarea cea mai mare (MAX):



Aplicaia 7:
3.2.3 Metoda MAXIMAX (metoda optimist a lui Hurwicz)

23
3.2.4 Metoda WALD-HURWICZ
Date de intrare: matricea consecinelor normalizata R.
Principiul metodei: este o generalizare a metodelor MAXIMIN i MINMAX
introduce parametrul gradul de optimism al decidentului cu val. ntre 0 i 1.




Aplicaie 8:
{ } ( ) { }
1 0
min 1 max max
s s
(

+
a
r a r a
ij
j
ij
j i
( )
| |
( )
( )
2
1 4 3 2 1
71 . 1 57 . 1 , 50 . 1 , 71 . 1 , 35 . 1 max
2 / 57 . 1 , 2 / 50 . 1 2 / 71 . 1 2 / ) 1 71 . 0 ( 2 / 35 . 1 2 / ) 85 . 0 5 . 0 (
80 . 0 75 . 0 00 . 1 57 . 0
60 . 0 00 . 1 50 . 0 00 . 1
00 . 1 00 . 1 75 . 0 71 . 0
80 . 0 50 . 0 60 . 0 85 . 0
5 . 0
V
C V V V V
R
prudent decident a
=
= + = +
(
(
(
(

=
=
(10)
(P) Scriei un program pentru metoda Hurwicz
24
3.2.5 Metoda LAPLACE

Date de intrare: matricea consecinelor
normalizat R.
Principiul metodei: selecteaz o variant care
atinge maximul valorii medii:





Aplicaie 9:

r criteriilo indicele j , iantelor var indicele i
n ... j , m ... i ,
n
r
max Vopt
j
ij
i

= =
(
(
(

=

1 1
| |
( )
2
4 3 2 1
46 . 3 12 . 3 , 1 . 3 , 46 . 3 , 75 . 2 max
4 / 12 . 3 , 4 / 1 . 3 , 4 / 46 . 3 , 4 / 75 . 2
80 . 0 75 . 0 00 . 1 57 . 0
60 . 0 00 . 1 50 . 0 00 . 1
00 . 1 00 . 1 75 . 0 71 . 0
80 . 0 50 . 0 60 . 0 85 . 0
V
V V V V
R
=

(
(
(
(

=
(11)
Exemplul 9
25
3.2.6 Metoda SAVAGE (oportunity loss)

Date de intrare: matricea consecinelor normalizat R.
Principiul metodei: selecteaz o variant care minimizeaz regretul maxim (este o
metoda tip MINMAX a regretului, deci tot o metod pesimist):





Aplicaie 10:


( )
{ }
i
j ij ij ij
ij
j i
V decit decizie alta
C crit pt luat fi nu a de regretul r r rr
r criteriilo indicele j iantelor indicele i n j m i rr Vopt
. . max
, var , ... 1 , ... 1 , max min
=
= =
(

=
| |
( )
2
4 3 2 1
29 . 0 43 . 0 , 50 . 0 , 29 . 0 , 50 . 0 min
43 . 0 50 . 0 29 . 0 50 . 0
20 . 0 25 . 0 00 . 0 43 . 0
40 . 0 0 . 0 50 . 0 00 . 0
00 . 0 0 . 0 25 . 0 29 . 0
20 . 0 50 . 0 40 . 0 15 . 0
V
V V V V
RR
=

(
(
(
(

=
(12)
(P) Scriei un program
pentru metoda Savage
| |
(
(
(
(

=
80 . 0 75 . 0 00 . 1 57 . 0
60 . 0 00 . 1 50 . 0 00 . 1
00 . 1 00 . 1 75 . 0 71 . 0
80 . 0 50 . 0 60 . 0 85 . 0
R
1-0.85
26
3.3. METODE DECIZIONALE MULTIATRIBUT APLICABILE N CAZUL N
CARE EXIST INFORMAII PREFERENIALE
3.1.1 SE CUNOASTE NIVELUL STANDARD
PENTRU FIECARE CRITERIU

- Metoda CONJUCTIV *, DIJUNCTIV*

3.1.2 SE CUNOSC PREFERINELE ORDINALE
ASUPRA CRITERIILOR

- Metoda LEXICOGRAFIC*
- Metoda ELIMINARII PRIN ASPECTE

3.1.3 SE CUNOSC PREFERINELE CARDINALE
ASUPRA CRITERIILOR

- Metoda PONDERRII SIMPLE ADITIVE*
- Metoda TOPSIS
- Metoda ELECTRE
27
3.3.1. Metoda CONJUCTIV

Date de intrare:
matricea consecinelor nenormalizat A;
vectorul S care conine nivelurile standard ale
criteriilor.

Principiul metodei: se selecteaz acele
variante care au proprietatea:


(toate atributele se ncadreaz n limita
nivelurile standard)
min . . ,
; ... 1 max . . ,
de crit pt s a
m j de crit pt s a
j ij
j ij
s
= >
E
x
e
m
p
l
u
l

1
1

(13)
Pentru datele din exemplul 11:

V1: 3>2; 5>3.2; 6>4.2; 4>2.5 nu
V2: 2.5>2; 4>3.2; 3<4.2; 5>2.5 nu
V3: 3.5>2; 6>3.2; 3<4.2; 3>2.5 nu
V4: 2=2; 3<3.2; 4<4.2; 4>2.5 da
28

3.3.2. Metoda DISJUCTIV

Date de intrare: matricea consecinelor nenormalizat A
vectorul S care conine nivelurile standard ale criteriilor.
Principiul metodei: se selecteaz acele variante pentru care exist cel puin
un j astfel nct cel puin un criteriu depete nivelul standard



Obs. Metodele conjuctiv i disjunctiv sunt de tip filtrare, n general, soluia
este o mulime de variante.
(P) Scriei o funcie general pentru metoda DISJUNCTIV
(14)
min . . ,
; ... 1 max . . ,
de crit pt s a
m j de crit pt s a
j ij
j ij
s
= >
29
3.3.3. Metoda LEXICOGRAFIC

Date de intrare: matricea consecinelor A, criteriile ordonate descresctor:
C
1
, C
2
, ...., C
n
.
Principiul metodei:
etapa 1: Se selecteaz mulimea variantelor care satisfac la maxim C
1
:


Dac V
1
are un singur element s-a obinut solutia, dac V
1
are mai multe
elemente se ia n considerare C
2
si se

construiete:


STOP la etapa k dac: V
k
are un singur element sau au fost epuizate toate
criteriile
Aplicaie 12: vezi exemplul 1 selectie roboti
)
`

= =
s s
1
1
1
1
k
m k
i i
a max a V V
)
`

= e =
e
2 2
1 2
k
I k
i i
a max a V V V
| |
2 2 3 2 3
; ,
0 . 4 0 . 4 0 . 3 0 . 2
0 . 3 0 . 3 0 . 6 5 . 3
0 . 5 0 . 3 0 . 4 5 . 2
0 . 4 0 . 6 0 . 5 0 . 3
V C V V C A
(
(
(
(

=
| | | | 1 4 2 3 O =
(
P
)

S
c
r
i
e

i

o

f
u
n
c

i
e

g
e
n
e
r
a
l


p
e
n
t
r
u

m
e
t
o
d
a

L
E
X
I
C
O
G
R
A
F
I
C


30
3.3.4. Metoda PONDERARII SIMPLE ADITIVE
Date de intrare: matricea consecinelor normalizata R, vectorul P.
Principiul metodei: se definete funcia:



Funcia f este calculat pentru fiecare variant, soluia optim
este cea care are valoarea maxim max(f(V
i
)) .
Aplicaie 13:
R V : f
( )

= =
=
n
j
n
j
j ij j i
p / r p V f
1 1
| | | | | |
76 . 0 8 . 0 * 3 . 0 75 . 0 * 2 . 0 0 . 1 * 20 . 0 57 . 0 * 3 . 0
78 . 0 6 . 0 * 3 . 0 00 . 1 * 2 . 0 5 . 0 * 20 . 0 00 . 1 * 3 . 0
84 . 0 0 . 1 * 3 . 0 00 . 1 * 2 . 0 6 . 0 * 75 . 0 71 . 0 * 3 . 0
72 . 0 8 . 0 * 3 . 0 50 . 0 * 2 . 0 6 . 0 * 20 . 0 85 . 0 * 3 . 0
80 . 0 75 . 0 00 . 1 57 . 0
60 . 0 00 . 1 50 . 0 00 . 1
00 . 1 00 . 1 75 . 0 71 . 0
80 . 0 50 . 0 60 . 0 85 . 0
; 3 . 0 , 2 . 0 , 2 . 0 , 3 . 0
4
3
1 4 3 2 2
1
= + + + =
= + + + =
= + + + =
= + + + =
(
(
(
(

= =
f
f
V V V V f
f
R P
(
P
)

S
c
r
i
e

i

o

f
u
n
c

i
e

g
e
n
e
r
a
l


p
e
n
t
r
u

m
e
t
o
d
a

p
o
n
d
e
r

r
i
i

s
i
m
p
l
e

a
d
i
t
i
v
e

31
4. METODE PENTRU DECIZII MULTIATRIBUT DE GRUP (MULTIDECIDENT) (S)
Problema deciziilor multiatribut de grup se definete prin:
- o mulime de decideni D={D1, D2, , Dh};
- o mulime de variante V={V1, V2, , Vm};
- o mulime de criterii M={M1, M2, , Mn};
fiecrui criteriu i se asociaz un coeficient de importan p
k
, P={P1, P2, ,Ph}.
Fiecare variant V
i
este apreciat de fiecare decident D
j
funcie de criteriul C
k
prin valorile a
ijk
, reale
normalizate sau nu. Scopul este gsirea variantei celei mai bune n funcie de toate criteriile i toi decidenii
[And86].

Un grup de metode specifice sunt extensii tridimensionale ale metodelor bidimensionale (decizii multiatribut
monodecident): metoda ELECTRE, metoda diametrelor etc. Alt grup utilizeaz teoria grafurilor . Rezolvri
interesante s-au gsit prin abordare fuzzy.

Construcia metodelor decizionale multiatribut de grup este dificil datorit consecinelor rezultate din
teorema lui Arrow. Acesta afirm c nu exist nici o metod de agregare a ierarhiilor care s satisfac
simultan ase condiii de raionalitate, deci nu exist o metod general de agregare a preferinelor
individuale ntr-o relaie de preferin a grupului, sau altfel spus: orice metod de decizie multiatribut ncalc
cel puin o condiie de raionalitate enunat de Arrow [And86].
32
Anexa 1

Vector propriu i valori proprii (S)
Fie o matrice ptrat nxn A cu elemente reale sau complexe, numrul complex se
numete valoare proprie a matricei A dac exist un vector nenul X R
n
sau C
n
, numit
vector propriu a lui A, astfel nct :
A
.
x=
.
x (a1)

Orice matrice A R
nxn
are n valori proprii
k
, k=1...n, n general complexe i nu neaprat
distincte care coincid cu cele n rdcini ale polinomului caracteristic. Valorile proprii
complex apar n perechi complex conjugate.

Polinom caracteristic
e
e
( )
(
(
(
(

=
(
(
(
(

(
(
(
(

= =
0
...
0
0
...
...
... ... .... ....
...
...
0
2
1
2 1
2 22 21
1 12 11
n nn n n
n
n
x
x
x
a a a
a a a
a a a
x I A x x A


(a2)
33
Sistemul de ecuaii omogene din a2 admite soluie nebanal numai dac det(A-
.
I)=0.
det(A-
.
I) este un polinom de grad n n care se numeste polinom caracteristic.
Interpretare geometric a vectorului propriu
Dac un vector x este transformat prin intermediul
matricei A n vectorul y (A
.
x=y) i dac y=
.
x, unde
este real, atunci x este un vector invariant ca directie
dup transformarea sa prin A.

Interpretarea vectorului propriu prin prisma teoriei sistemelor
Dac sistemul de ecuaii liniar a1 este privit ca o
descriere a legturii cauz-efect a unui sistem fizic liniar,
unde x sunt datele de intrare, a1 arat c la ieire se
obine tot x multiplicat cu o constant .
Deci folosind vectorii proprii se poate decupla un sistem liniar, adic se poate
realiza ca fiecare variabil de ieire s depind numai de o variabil de intrare.
34
Vectori i valori proprii n Mathcad
Funcia eigenvals(A) returneaz un vector cu valorile proprii ale matricei ptrate A.

Funcia eigenvec(A,z) retrurneaz un vector propriu normalizat, asociat valorii proprii z.

Funcia eigenvecs(A) este o generalizare a funciei eigenvec(A,z), care furnizeaz o
matrice coninnd pe coloane toi vectorii proprii normalizai ai matricei A. Coloana i este un
vector propriu asociat valorii proprii i returnate de eigenvals(A).

Funciile genvals(M,N) i genvecs(M,N) sunt funcii corespondente celor prezentate
anterior, aplicabile n cazul problemei generalizate a valorilor proprii.