921

2
ISBN 973-85554-7-7
Bucuresti 2006
3
Omul ia decizii pe tot parcursul vieţii sale,

din fragedă pruncie, până la adânci bătrâneţe.
Întrebarea este: Sunt ele optime?
Cartea aceasta vă va învăţa să luaţi
decizii optime în paradigma
Multiple Attribute Decision Making.
Autorul
4
CUPRINS
pag
1. Modelul MADM 1
1.1 Modelul MADM de la origini şi până în prezent 2
1.2 Taxonomia modelelor MADM 3
1.3 State-of-the-art al domeniului 4
1.4 Modelul MADM generalizat 16
1.5 Indicaţii metodologice privind modelarea MADM 24
2. Problema alegerii optime 58

Generarea problemelor de alegere optimă peste modelul 59
2.1
MADM
Indicaţii metodologice privind rezolvarea problemelor de 59
2.2
alegere optimă
Rezolvarea problemelor de alegere optimă la un singur 64
2.3
nivel
2.4 Metode de normalizare 65
2.5 Metode de rezolvare 70
3. Exemplu complex de problemă de alegere optimă 83
4. MADM - Transfer tehnologic 95

4.1 BF1: Proiectarea unei baze de date MADM 96
4.1.1 Entităţi principale 96
4.1.2 Entităţi de legătură 97
4.1.3 Schema bazei de date 97
4.1.4 Tabelele descriptive ale entităţilor 98
4.2 BF2: Generarea, rezolvarea şi stocarea soluţiei problemei 108
de alegere optimă
4.2.1 Specificarea blocului funcţional BF2 108
4.2.2 Specificarea procedurilor apelate la nivelul 1 al 110
blocului funcţional BF2
4.2.3 Specificarea procedurilor apelate la nivelurile 2, 3 119
ale blocului funcţional BF2
4.2.4 Specificarea automatizării rulărilor blocului 138
funcţional BF2
5
5. Exemple de utilizare MADM în realizarea aplicaţiilor 142
informatice avansate
5.1 Aprovizionarea tehnico-materială în epoca e-aplicaţiilor 143
5.1.1 Preţuri generalizate şi amendate 144
5.1.2 Meritul furnizorilor 148
5.1.3 Scurtă prezentare a produsului program Tele-
SUPPLY 148
5.1.4 Funcţiile produsului program Tele-SUPPLY 150
5.1.5 Lucrul cu produsul program Tele-SUPPLY 150
5.1.6 Interfaţa Tele-SUPPLY – utilizator 153
5.1.7 Concluzii şi câteva rezultate experimentale 154
Referinţe bibliografice 155
5.2 Intreţinerea infrastructurii sistemelor de producţie 157
complexe
5.2.1 Modelarea infrastucturii unui sistem de producţie 157
folosind produsul program RELSYAN
5.2.2 Construirea şi rezolvarea problemelor de simulare a 161
funcţionării infrastructurii sistemelor de producţie şi
rezolvarea lor
5.2.3 Soluţia optimă a problemelor de simulare Monte 164
Carlo
5.2.4 Concluzii şi viitorul produsului program 166
5.3 Afaceri de procesare pentru întrepriderile petrochimice 169
5.3.1 Modelul matematic de planificare a producţiei 170
5.3.2 Obţinerea planului de producţie prin cooperare- 176
coordonare
5.3.3 Rezolvarea problemei de programare liniară multi- 178
criterială
5.3.4 Produsul program Tele-PROCESSING şi caracteris- 180
ticile sale
5.3.5 Concluzii asupra modernizării afacerii de procesare 182
Bibliografie extinsă 186

1
1. Modelul MADM
Procesul decizional este un ansamblu de activităţi umane care, în esenţă, constă

în conştientizarea mai multor posibilităţi de a acţiona într-un context dat, analizarea
consecinţelor acestora în raport cu un scop propus, alegerea şi implementarea acelei
acţiuni considerată optimă într-o viziune axiologică adoptată.
Principalele etape ale acestui proces sunt următoarele:
1. Declanşarea, caracterizată de sesizarea necesităţii de a acţiona ca răspuns la
apariţia unor evenimente purtătoare de perturbaţii / agresiuni / schimbări / câştiguri /
pierderi / oportunităţi / etc.;
2. Tensiunea decizională, definită prin preocuparea colectivă, de cele mai multe
ori instinctivă şi neconcertată, de a percepe, chiar imprecis sau incomplet, problema
decizională generată de evenimentele declanşatoare;
3. Formularea iniţială a problemei decizionale, pusă în evidenţă în variante
informale, relativ diferite, în funcţie de viziunile diferiţilor actori angrenaţi în decizie
între care pot apărea primele conflicte de opinii;
4. Enunţarea problemei decizionale formale, construită prin efort organizat de
către mulţimea actorilor care se structurează armonios prin asignarea de roluri oficiale
(decidenţi, experţi, consultanţi, executanţi etc.);
5. Rezolvarea problemei decizionale formale, presupunând aplicarea uneia sau
mai multor metode capabile să furnizeze soluţii alternative pentru care se determină,
prin simulare, consecinţele implementării lor, în final alegându-se cea considerată
optimă;
6. Implementarea deciziei optime, subsumând totalitatea acţiunilor întreprinse în
vederea obţinerii rezultatului scontat;
7. Verificarea corectitudinii / completitudinii / optimalitătii deciziei, putându-se
conchide că procesul decizional s-a încheiat sau se poate reveni la una din etapele
anterioare.
Este unanim recunoscut faptul că informatizarea proceselor decizionale este o
activitate foarte complexă şi dificil de realizat, fiind strâns legată de un context
decizional dat. Totuşi etapele patru şi cinci din enumerarea de mai sus pot beneficia de
un suport software standard, fiind îndeobşte cunoscut că, în majoritatea cazurilor, în
aceste etape se poate apela la domeniul deciziei multi-atribut (Multi-Attribute Decision
Making – MADM) care este capabila sa rezolve de maniera naturala problema alegerii
optime (Optimal Choice Problem – OCP). MADM este un câmp în cadrul cercetărilor
operaţionale deschis, în principal, prin lucrările şcolilor americane şi franceze şi
dezvoltat spectaculos până în prezent, lucrările mai recente dovedind această afirmaţie.
OCP se poate rezolva în cadrul multor teorii. Am aminti aici numai trei dintre
ele: teoria negocierilor, teoria jocurilor şi teoria generala a deciziilor. Primele două
presupun interactivitate cu decidentul / decidentii, a treia insa oferă automatizare
completă daca se utilizeaza, din cadrul ei, numai o parte si anume decizia multi-atribut.
Pentru început să dăm câteva informaţii istorice despre modelul MADM.
2
1.1 Modelul MADM de la origini şi până în prezent
În Figura 1.1 F1, intitulată în original ”AIDS for the Decision Making Process”
şi preluată din “Advances in Soft Computing and Mathematical Sciences” Task #3,
Research Lead: Debora Daberkow, Georgia Institute of Technology, 1998, se prezintă
o panoplie aproape completă de instrumente de luare a deciziilor aparţinând cu
precădere domeniilor modelare matematică şi inteligenţă artificială.
Figura 1.1 F1 Suportul procesului de luare a deciziilor
În cadrul acesteia, MADM-ul ocupă un loc bine determinat, pe măsura

importanţei sale. Ceea ce nu a putut să ilustreze foarte clar această figură este legătura
dintre MADM şi celelalte metode matematice care iau în considerare, în elaborarea
unei decizii, mai multe criterii de optim. Mai mult, nu se pot sesiza legăturile dintre
MADM şi principalele metode aparţinând de domeniul inteligenţei artificiale. Pentru a
înlătura aceste neajunsuri, vom apela la tehnica taxonomică a genului proxim şi
diferenţei specifice în vederea structurării domeniului deciziilor multi-criteriale, mai
mult, se va prezenta procesul dezvoltării domeniului de la începuturile sale până în
prezent, arătând, cu această ocazie, cum metodele de inteligenţă artificială au penetrat
domeniul, dând naştere modelelor hibride.
În deceniul 1941-1950, două rezultate ştiinţifice obţinute într-un domeniu nou,
numit atunci Cercetări Operaţionale, s-au dovedit deosebit de importante pentru ceea
ce avea să se numească ceva mai târziu Teoria Deciziei. Primul rezultat se referă la
3
Teoria Utilităţii, dezvoltată de J. von Neumann şi O. Morgenstern. Al doilea rezultat se
referă la rezolvarea problemei de Programare Liniară, prin apariţia algoritmului
simplex datorat lui G. Danzig. Pe această bază, întărită cu dezvoltări subiacente, a
apărut importantul subdomeniu al Cercetărilor Operaţionale numit MCDM, atunci când
cercetătorii (matematicieni, ingineri, economişti) şi-au pus problema utilizării
rezultatelor ştiinţifice anterior amintite în probleme de decizie care presupuneau mai
multe criterii de optim. De remarcat că, odată cu dezvoltarea informaticii, tot mai des,
în locul abrevierii MCDM se întâlneşte abrevierea MCDA (Multiple Criteria Decision
Aids). Aceasta înseamnă că modelele matematice şi metodele de rezolvare a
problemelor generate de acestea sunt instrumentate informatic prin existenţa unor
produse program care ajută nemijlocit la luarea deciziei. Încă de la început, în cadrul
domeniului MCDM, s-au diferenţiat două subdomenii: MODM (Multiple Objective
Decision Making) şi MADM. MODM referă acele modele în care variabilele
decizionale nu sunt prezentate explicit şi, în consecinţă, trebuie construite de un anume
algoritm. MADM referă acele modele în care variabilele decizionale sunt prezentate
explicit. În consecinţă, MODM implică design şi alegere iar MADM direct alegere.
Cel mai rapid în dezvoltare s-a dovedit subdomeniul MOLP, lucrările lui P.L. Yu, S.
Zionts, M. Zeleny şi R. Steuer au contribuit decisiv la stabilizarea rezultatelor de
cercetare, astfel încât P. Korhonen a putut să pună în circulaţie primul produs program
de programare liniară multi-criterială numit VIG. Mai apoi, cercetările s-au extins la
cazurile neliniar, fuzzy, stochastic, boolean, numere întregi etc. Deşi mai timidă la
început, dezvoltarea subdomeniului MADM a consemnat rezultate deosebite, MADM
ajungând în prezent să concureze, ca intindere şi adâncime, MODM. Lucrările de
început ale lui K. May, E.W. Adams, R. Fagot, D.B. Yutema, W.S. Torgerson, R L.
Keeney şi H. Raiffa din şcoala americană, au utilizat teoria valorii în rezolvarea
problemelor de tip MADM. Pe baza lor, s-au dezvoltat şi alte metode dintre care cea
mai proeminentă este Analytic Hierarchy Process aparţinând lui T.L. Saaty. Şcoala
franceză, reprezentată de B. Roy, P. Bertier, B. Mareschal, J.P. Brans şi P.H. Vinke, a
utilizat mulţimile parţial ordonate, în speţă anumite tipuri de grafuri, pentru a da o
soluţionare diferită aceluiaşi gen de probleme. Metodele Electre şi Promethee au făcut
carieră alături de metodele elaborate în şcoala americană.
1.2 Taxonomia modelelor MADM
Metodele MCDM, după felul în care se combină calculul şi procesul de decizie

în găsirea unei soluţii, se împart în trei clase. Prima clasă, numită cu articularea apriori
a preferinţelor, conţine metodele în care decidentul se foloseşte direct de o funcţie de
agregare care combină obiectivele individuale în vederea transformării problemei
multi-critericale într-o problemă monocriterială. A doua clasă, numită cu articularea
aposteriori a preferinţelor, conţine metodele în care decidentului i se prezintă o
mulţime de soluţii, de obicei monocriteriale, pe baza cărora se selectează / construieşte
o soluţie de compromis. A treia şi ultima clasă conţine metodele în care, într-un proces
iterativ, etapele de optimizare şi cele de decizie se succed, provocând îmbunătăţirea
soluţiei pe baza informaţiilor acumulate la fiecare pas. O altă clasificare a metodelor
MCDM se poate face ţinând cont de natura informaţiilor prelucrate. Astfel, întâlnim
metode ce prelucrează informaţie certă sau informaţie incertă. Informaţia incertă poate
4
proveni din modele de tip stochastic (modele cu risc) sau modele de tip fuzzy (modele
lingvistice). O clasificare importantă a modelelor MCDM se face ţinând cont de
validitatea informaţiilor prelucrate de metode. Astfel, întâlnim metode ce prelucrează
informaţie validă sau informaţie invalidă. Invaliditatea informaţiei referă
incorectitudienea sintactică / semantică, incompletitudinea sau incredibilitatea ei. În
raport cu cerinţele teoriei deciziei, alte clasificări ar fi în metode care tratează probleme
monodecident sau multidecident şi în metode care tratează probleme monostare a
naturii sau multistare a naturii.
1.3 State-of-the-art al domeniului
După cum reiese din clasificările prezentate anterior, domeniul MCDM, şi

implicit domeniul MADM, a beneficiat, pe parcursul dezvoltării sale, de multe
hibridizări de natură matematicăi. Hibridizarea cu elemente de inteligenţă artificială se
va prezenta în cele ce urmează.
În ultimii 25 de ani, în cadrul inteligenţei artificiale, s-au afirmat câteva
paradigme de succes: algoritmii genetici, reţelele neuronale şi calculul inferenţial
bazat pe reguli de producţie. Problema alegerii optime, dezvoltată în cadrul definit de
modelul MADM, a fost influenţată de toate cele trei paradigme. Până acum, nimeni nu
a realizat un survey pe acest subiect pentru faptul că domeniul nu este stabilizat. De
aceea, în continuare, vom exemplifica relativ succint influenţa paradigmelor amintite
mai sus asupra modelului MADM atât la nivel teoretic cât şi la nivel practic.
Referindu-ne la algoritmii genetici, pentru a trata influenţa lor asupra
problemelor de alegere optimă generate de modelul MADM, este necesar să
introducem câteva noţiuni de bază. În primul rând, trebuie să amintim că se lucrează cu
aşa-zisele modele evoluţioniste. Acestea sunt definite de structuri de date (în care un
rol important îl joacă aşa-zişii cromozomi, care sunt alcătuiţi din gene), operatori
(încrucişare, mutaţie) şi tehnici speciale (selecţie, amestecare, împărţire în clase /
genuri, dominanţă, ierarhizare) precum şi o metodologie inspirată din teoria biologică a
evoluţionismului. Un individ este definit de unul sau mai mulţi cromozomi, mai mulţi
indivizi formează o populaţie, populaţia se împarte în clase, clasele au elite. Aplicând
operatori şi tehnici evoluţioniste, indivizii, uneori şi populaţiile, evoluează pe generaţii,
ajungând să se obţină indivizi sau elite utile într-o cultură datăii. Modelul este astfel
foarte general, doar două componente sunt dependente de problema de rezolvat:
codificarea / maparea pe model şi funcţia de evaluare / axiologia specifică.
Considerând problema alegerii optime în această paradigmă, rezolvitorul genetic se
poate vedea ca o cutie neagră cu o mulţime de butoane de control reprezentând diverşi
parametri / atribute care pot avea mai multe combinaţii, peste care se defineşte o
funcţie de evaluare a unei anumite utilităţi. Intrarea o constituie populaţia de indivizi /
obiecte iar ieşirea este valoarea funcţiei de utilitate care induce implicit o apreciere /
ierarhizare / clasificare a indivizilor din cadrul populaţiei respective.
Se dă în cele ce urmează, sub forma unor scheme logice, metodologia
principială de rezolvare a unor probleme de tip MOLP şi MADM, în ipoteze generale
care permit abordarea multor probleme. Schema 1.3 S1 referă NSGA (Nondominated
Sorting Genetic Algorithm) iar Schema 1.3 S2 referă SPEA (Strength Pareto
Evolutionary Algorithm).
5
Schema 1.3 S1. Algoritmul genetic de sortare / filtrare prin non-dominare1
Aceşti algoritmi sunt utilizaţi în diferite metode de rezolvare a problemelor de

tip MOLP / MADM cum ar fi, spre exemplu, metoda VEGA (Vector Evaluated
Genetic Algorithm). De notat faptul că algoritmii genetici prezentaţi sunt utilizaţi cu
precădere la rezolvarea problemelor MOLP. Principial, ei se pot folosi şi la rezolvarea
problemelor MADM, au existat câteva tentative, însă, mai ales în cazul problemelor de
mari dimensiuni, nici un astfel de algoritm nu poate concura cu cele treizeci de metode
clasice de rezolvare, dezvoltate în paradigma calculului numeric.
1
Dupa Carlos A. Coello Coello (1998), “An Updated Survey of GA-Based Multiobjective
Optimization Techniques”, ACM Computing Surveys.
6
Schema 1.3 S2. Algoritmul genetic evoluţionist bazat pe metoda tare Pareto2
Metodele matematice sunt net superioare prin baza teoretică folosită şi timpul de
calcul redus. De altfel, nu toate problemele MADM se pot rezolva cu ajutorul
algoritmilor genetici. În concluzie, algoritmii genetici nu s-au dezvoltat în sensul
furnizării de noi rezolvări problemei MADM ci, mai ales, pentru a trata anumite
aspecte în cadrul acesteia. Totuşi, în continuare se dă un exemplu mai puţin ambiţios
care ilustrează cum se poate rezolva o problemă de tipul MADM folosind algoritmi
genetici. Exemplul este luat după Jim Oliver,”Finding Decision Rules with Genetic
Algorithms“ în AI Expert, martie 1994:
“Luarea deciziilor având la bază o paletă largă de opţiuni n-a fost niciodată mai uşoară
ca acum când avem la îndemână algoritmii genetici”.
Multe decizii implică obiective contradictorii, care nu pot fi optimizate simultan.

De exemplu, la alegerea unui apartament, nici una dintre opţiunile disponibile nu
prezintă cel mai convenabil drum casă – serviciu, cel mai bun cartier iar apartamentul
nu poate fi închiriat la cel mai mic preţ; pentru luarea unei decizii de acest fel, trebuie
2
Dupa Eckart Zitzler and Lothar Thiele (1998), “An Evolutionary Algorithm for
Multiobjective Optimization: The Strength Pareto Approach”, TIK Report, No. 43, May.
7
examinate compromisurile. Depinde de procesul decizional şi de preferinţele
decidentului cum sunt făcute aceste compromisuri.
Un spectru larg de metode de cercetare este folosit pentru studiul preferinţelor şi
deciziilor, plecând de la abordări pe baze formale, cum ar fi metodologia conjunctivă,
până la metodele pur comportamentale care utilizează analizele de protocol. În acest
articol, punctul de plecare este o mulţime de opţiuni (o listă de opţiuni făcute de un
individ) sau o clasificare a preferinţei (o listă de alternative ierarhizate în ordinea
preferinţei). Utilizând rezultatele altor cercetări, vom pune diferitele restricţii sub forma
pe care o pot lua preferinţele sau deciziile. Vom arăta că algoritmul genetic va
descoperi cu succes modele decizionale care reproduc opţiunile.
Mai întâi, vom trece în revistă două tipuri de modele decizionale. Regulile de
compensare modelează, de manieră explicită, felul în care aspectele pozitive ale unei
alternative le pot compensa pe cele negative. A doua abordare, numită
necompensatorie, recunoaşte că atributele multiple crează complexitate; indivizii
încearcă să simplifice situaţia de decizie folosind o varietate de tehnici euristice.
Regulile de compensare presupun că decidentul, atunci când evaluează
alternative, preţuieşte un atribut în detrimentul altuia după modul în care caracteristicile
pozitive le pot compensa pe cele negative. Tehnicile bazate pe ”valoare multi-atribut“
sunt o modalitate de cuantificare a importanţei obiectelor aflate în competiţie,
importanţa apoi agregată, rezultând o singură evaluare numerică globală a fiecărei
alternative. ”Valoarea“ fiecărei opţiuni aflată la dispoziţia decidentului este deci o
funcţie depinzând de mulţimea atributelor. Forma funcţională cea mai simplă
presupune că fiecare atribut are o valoare aditiv independentă care, ponderată şi
însumată după toate atributele, dă valoarea globală a alternativei. Această aborbare este
atractivă pentru că, dându-se ierarhizarea preferinţelor alternativelor, aceste modele se
potrivesc uşor cu metodele standard de regresie.
Regulile necompensatorii aleg o alternativă bazată pe o submulţime a atributelor,
neţinând seama de valorile celorlalte atribute. De exemplu, o persoană care doreşte să
cumpere o casă poate considera ca inacceptabil un drum casă – serviciu care durează
două ore şi poate refuza astfel de case, indiferent de preţ şi de celelalte atribute. Pentru
a investiga acest tip de prelucrare cognitivă, au fost folosite mai multe metode de
cercetare, incluzând protocoale verbale, mişcările ochiului şi experimente pe şoareci de
laborator. E. Johnson şi J. Payne, apoi E. Johnson, R. Meyer, şi S. Ghose descriu mai
multe modele necompensatorii:
- Modelul eliminării prin aspecte (EBA - Elimination by aspects): se pleacă de la
un model de tip Tversky, în care atributele sunt afişate în ordinea descrescătoare a
importanţei lor. Opţiunile care nu ating o valoare prag sunt eliminate. De exemplu, o
persoană care doreşte să cumpere o casă poate elimina mai întâi toate casele situate în
afara unei arii geografice, apoi casele în afara unei palete de preţuri şi aşa mai departe;
- Modelul lexicografic: se alege alternativa care este cea mai bună în cel mai
important atribut, indiferent de valorile celorlalte atribute. Un exemplu ar fi studentul
care vrea să călătorească şi selectează un bilet de avion numai după preţ, în pofida
plecării la ora 2:00 a.m. şi a schimbării avionului de trei ori;
- Modelul conjunctiv: alternativele sunt eliminate dacă nu trec de o combinaţie
de praguri. Acest model este numit şi de satisfacţie;
8
- Modelul EBA pe faze (modelul compensatoriu): spunem că avem un model
EBA pe faze dacă aplicăm EBA pentru o submulţime de două sau mai multe
alternative, iar apoi aplicăm o regulă de compensare pentru alternativele rămase.
Operatori de decizie
Metodele de cercetare amintite mai sus (protocoale verbale, mişcările ochiului,
experimente pe şoareci de laborator) implică analize extensive făcute de către
cercetători. Vom pleca de la aceste abordări şi vom arăta cum poate fi utilizat un
algoritm genetic pentru a mapa o regulă a procesului decizional datelor alegerii. În
mare, ideea este să începem cu o supramulţime de ”operatori elementari de decizie“
care pot fi combinaţi pentru a forma reguli de alegere valide empiric. Algoritmul
genetic caută să combine operatorii de aşa manieră încât să se mapeze cel mai bine
peste datele alegerii. Operatorii sunt obţinuţi din euristici de decizie comună. De
exemplu, un decident poate privi de la prima până la ultima alternativă şi pentru fiecare
dintre ele, de la primul până la ultimul atribut; valorile pot fi comparate fiecare cu
fiecare, valorile maximă şi minimă pot fi notate, unele alternative pot fi eliminate şi tot
aşa până se ajunge la o decizie.
Codificarea algoritmilor genetici şi rezultate

Vom prezenta metodologia şi rezultatele unui algoritm genetic în vederea descoperirii
regulilor de decizie secvenţială. Vom prezenta un exemplu simplu care ilustrează un tip
de mulţime de date ţinând de “marketing-ul vulgar” şi vom arăta cum este codat
algoritmul genetic. Aşa cum este de aşteptat, algoritmul genetic învaţă repede regula de
decizie, care este un concept boolean simplu.
Mica cercetare de piaţă a fost îndreptată spre potrivirea regulilor de alegere
necompensatorii mulţimii de date. Un prim grup format din I. Currim, R. Meyer şi N.
Le, a utilizat sistemul CLS de învăţare automată pentru a descoperi arbori de decizie
care corespund unei mulţimi de alternative. Ei au ilustrat funcţionarea CLS pe
mulţimea de date referitoare la apartamentele ipotetice prezentate în Tabelul 1.3 T1.
Vom presupune, aşa cum au făcut Currim, Meyer şi Le, că acceptabilitatea
înseamnă că o anumită combinaţie de praguri este satisfăcută. Astfel, vom considera o
regulă conjunctivă compusă din operatorii elementari mai mare sau egal cu şi mai mic
sau egal cu un prag. De fapt, Tabelul 1.3 T1 arată că regula de decizie este destul de
simplă: If (chiria <= 500) and (distanţa <= 2 mile) then acceptă alternativa.
Tabelul 1.3 T1. Setul de date pe care lucrează sistemul de clasificare prin învăţare
Apartamentul Chiria ($) Distanţa (mile) Acceptabilitatea
1 450 1,5 DA
2 500 1,5 DA
3 600 1,5 NU
4 450 2 DA
5 500 2 DA
6 600 2 NU
7 450 3 NU
8 500 3 NU
9 600 3 NU
9
În cercetări legate de acest subiect, un alt grup format din D. Greene şi S. Smith
au folosit simularea pentru a compara performanţele modelelor logice şi ale celor
bazate pe algoritmi genetici şi clustering. Elementele mulţimii opţiunilor au avut
atribute exprimate boolean. Algoritmul genetic lucrează bine, descoperind reguli
exprimate în forma normal-disjunctivă chiar şi în medii “cu zgomot”.
Aceste reguli de decizie sunt codificate uşor într-o structură binară. Simplitatea
acestei probleme ilustrative cere doar un cromozom de 6 biţi.
Biţii 1 şi 4: Operatori Biţii 2 şi 3: Valoare chirie 01 = 1,5 mile

0 înseamnă ”>=“ 01 = 450 / lună 10 = 2 mile
1 înseamnă ”<=“ 10 = 500 / lună 11 = 3 mile
11 = 600 / lună (00 = nu este
(00 = nu este operaţie) operaţie)
Fiecare regulă reprezentată de un cromozom este presupusă a fi o regulă pentru

acceptabilitate. Ca de exemplu, cromozomul 110001 se decodifică astfel: If (chiria <=
500) and (distanţa >= 1,5) then aceptă alternativa.
Funcţia obiectiv a recompensat o regulă prin atribuirea numărului de
apartamente acceptabile care au fost corect anticipate. Pentru această problemă simplă,
algoritmul genetic a descoperit uşor regula conjunctivă corectă.
Odată cu apariţia modelelor conexioniste, reprezentate de reţelele neuronale de
tip feedforward şi de tip feedbackiii, un nou impuls a fost dat domeniului MCMD. Când
Hopfield a definit clasa reţelelor neuronale de tip feedback, ce diferă semnificativ de
clasa reţelelor feedforward utilizate în primele faze ale dezvoltării calculului neuronal,
a fost evidentă posibilitatea utilizării lor în rezolvarea problemelor de optimizare.
Modelul Hopfield este un model recurent, în care dinamicile joacă un rol important şi
este mult mai complicat decât un model feedforward. O reţea Hopfield poate fi
reprezentată ca în figura următoare:
1 2 ....... N
Figura 1.3 F2. Arhitectura reţelei Hopfield
Arhitectura reţelei Hopfield se prezintă prin n neuroni interconectaţi care îşi

actualizează valorile de activare asincron şi independent. Toţi neuronii sunt şi neuroni
10
de intrare şi neuroni de ieşire. Iniţial, valorile de activare au fost binare. Hopfield a dat
funcţiilor de activare valorile 1 şi 0, dar utilizarea valorilor +1 şi -1 prezintă unele
avantaje care au fost exploatate de alţi cercetători. Evoluţia acestor reţele a condus la
introducerea unor valori de activare continue, în acest caz limita funcţiei de activare
fiind dată de o sigmoidă.
Odată cu apariţia lucrărilor lui Hopfield şi Tank, care au rezolvat problema
comis-voiajorului apelând la calculul neuronal, reţelele Hopfield au fost studiate mai
intens în vederea abordării problemelor de optimizare, la început de tip MOLP iar, mai
apoi, şi probleme mai complicate. Cercetări intense au fundamentat matematic
rezolvarea tuturor problemelor de programare matematică în paradigma conexionistă.
În acest caz, dinamicile reţelelor neuronale sunt descrise de un sistem de ecuaţii
diferenţiale ordinare neliniare şi de o funcţie de energie asociată, numită funcţie
Lyapunov sau funcţie de potenţial, care se minimizează în timpul procesului de calcul.
Nu s-au obţinut rezultate convenabile în rezolvarea problemelor de tip MADM.
De aceea, se pot vedea multe aplicaţii ale reţelelor neuronale în hibridizarea modelelor
MADM dar foarte puţine încercări de tratare exhaustivă în paradigma conexionistă a
unei probleme de alegere optimă. În cele ce urmează, se oferă o soluţie de hibridizare a
metodei TOPSIS cu calcul neuronal, soluţie prezentată de Y. Cha, S. Cho şi M. Jung de
la Department of Industrial Engineering, Pohan University of Science and Technology,
Korea, în studiul “Satisfaction assessment of production schedules using Extended
TOPSIS”, studiu finanţat de KOSEF în cadrul programului “Support of University-
Industry Cooperative Activities” (1999-2000).
Evaluarea ordonanţării şi criteriile multiple

Putem evalua o ordonanţare prin implementarea acesteia în cadrul procesului de
producţie şi evaluarea rezultatelor producţiei. Totuşi, putem tot atât de bine să estimăm
gradul de satisfacţie oferit de o ordonanţare prin simularea ordonanţării şi calcularea
diferiţilor indicatori de performanţă. Utilizăm indicatorii de performanţă proveniţi din
simulare drept criterii pentru gradul de satisfacţie oferit de o ordonanţare. Spre
exemplificare, un simulator de ordonanţări pentru un sistem de producţie poate să
furnizeze diferite criterii după cum se vede în figura de mai jos.
Figura 1.3 F3. Evaluarea multi-criterială a ordonanţării

11
Simulatorul de ordonanţări din Figura 1.3 F3 furnizează şapte criterii. Descrierile

pentru fiecare criteriu sunt:
i. UTMEDM - utilizarea medie a maşinilor,

ii. UTMINM - utilizarea minimă a maşinilor,
iii. UZMEDM - uzura medie a maşinilor,
iv. UZMAXM - uzura maximă a maşinilor,
v. CANTMEDP - cantitatea medie procesată,
vi. NRTCADM - număr total de căderi maşină,
vii. TTCADM - timp total căderi maşini.
Procesul de evaluare a ordonanţării presupune agregarea acestor şapte criterii şi

deducerea unei valori globale pentru gradul de satisfacţie.
Metoda NFMSA. Figura 1.3 F4 furnizează o vedere de ansamblu asupra

metodologiei de evaluare a unei ordonanţări. Ea include şi utilizează NFMSA (Neural
Fuzzy Methodology for Schedule Assessment) ca o metodologie de agregare dar
reprezintă o procedură NFMSA simplificată şi tehnici NFMSA simplificate. Prima fază
este preprocesarea criteriilor, unde valorile criteriilor obţinute din simulare sunt fuzzy-
ficate şi expertiza disponibilă este adăugată. A doua fază este reprezentată de
ponderarea şi agregarea criteriilor, unde se obţin importanţele relative ale criteriilor şi
criteriile sunt agregate într-un scor ce evaluează ordonanţarea. Această fază face uz de
metoda TOPSIS (Technique for Order Performance by Similarity to Ideal Solution)
extinsă. Am extins metoda TOPSIS utilizând ponderarea furnizată de o reţea neuronală
şi un operator bazat pe distanţa fuzzy.
Preprocesarea criteriilor
Valorile criteriilor obţinute din simulare sunt valori certe. În faza de preprocesare a
criteriilor, fiecare criteriu este fuzzy-ficat pornind de la cele n rezultate de simulare
obţinute în tot atâtea iteraţii. Unele valori ale criteriilor nu pot fi obţinute din
simulatorul ordonanţărilor, fiind date de mediul în care funcţionează simulatorul sau de
condiţiile de lucru din unitatea productivă. În astfel de cazuri, un expert sau însuşi
decidentul trebuie să furnizeze aceste informaţii, folosindu-se de valorile criteriilor şi
status-ul unităţii productive.
TOPSIS clasic
Metoda TOPSIS este o tehnică dintre cele mai importante pentru rezolvarea problemei
MADM, în care se evaluează o alternativă dintr-un set de alternative caracterizate prin
atributele lor. TOPSIS se bazează pe un concept simplu şi intuitiv dar care permite
agregarea sistematică şi consistentă a atributelor (Kim şi alţii 1997). Conceptul şi
procedura de ansamblu a metodei TOPSIS sunt următoarele:
12
Figura 1.3 F4. Procedura generală a metodei NFMSA
1) Transformarea valorilor atributelor în valori normalizate şi evaluate unitar în

scopul comparării lor;
2) Maparea celor m alternative, fiecare având n atribute, peste m puncte în
spaţiul n-dimensional;
3) Definirea celei mai bune soluţii ca fiind soluţia ideală şi a celei mai rele
soluţii ca fiind soluţia negativ-ideală;
4) Calcularea distanţelor de la punctele care definesc fiecare alternativă la
punctele care definesc soluţia ideală şi, respectiv, soluţia negativ-ideală;
5) Calcularea pentru fiecare alternativă, a unei măsuri de similaritate cu soluţia
ideală, măsură care se apropie de 1 cu cât alternativa este mai aproape de
soluţia ideală şi în acelaşi timp mai depărtată de soluţia negativ-ideală;
6) Selecţia celei mai bune alternative (care are măsura de similaritate cea mai
mare).
Măsura de similaritate din pasul (5) se poate utiliza ca un scor de evaluare
globală. În metodologia propusă, uzăm de această valoare ca de un scor final pentru
evaluarea unei ordonanţări. Procesul de evaluare din pasul (1) cere ponderarea relativă a
13
atributelor / criteriilor, proces care este dependent de expertiza subiectivă. Datele certe
utilizate în această tehnică sunt inadecvate scopului de a reprezenta expertiza exprimată
lingvistic şi imprecis.
Pentru a surmonta această inadecvare a metodei TOPSIS la evaluarea
ordonanţărilor, se extinde metoda TOPSIS şi se propune o tehnică TOPSIS extinsă
pentru metodologia de evaluare a ordonanţărilor. Metoda TOPSIS extinsă include un
proces de ponderare sistematică şi consistentă a atributelor, proces bazat pe o reţea
neuronală, şi utilizează un operator al distanţei fuzzy pentru a lucra cu date reprezentate
prin triunghiuri fuzzy.
Extinderera metodei TOPSIS

În 1991, Garson a propus o tehnică de analiză a impactului unui nod de intrare asupra
nodurilor de ieşire într-o reţea neuronală utilizând ponderi de conexiune pe muchiile
dintre noduri. Într-o reţea neuronală, cu nV noduri de intrare, un nod de ieşire, n H
noduri pe stratul ascuns, WV , adică impactul nodului de intrare V asupra nodului de
ieşire, se defineşte astfel:
 nH  nV
 nV  nH  nV
 
WV = ∑  I V j O j / ∑ I V j  / ∑ ∑  I V j / ∑ I V j O j  , (1.3 R1)
j k  i  j  k  
unde I ij reprezintă ponderea de conexiune de la nodul de intrare i la nodul ascuns j

iar O j este ponderea de conexiune de la nodul ascuns j la nodul de ieşire. Ponderarea
criteriilor în NFMSA adoptă această tehnică de calcul a ponderilor atributelor.
TOPSIS utilizează distanţa dintre două alternative pentru definirea unei măsuri de
comparare a lor. Dacă valorile atributelor sunt valori fixe oarecare, distanţa între două
alternative A = ( a1 , a 2 , ..., a n ) şi B = ( b1 ,b2 , ...,bn ) din spaţiul n-dimensional este:
dist ( A, B ) = ( a1 − b1 )2 + ( a2 − b2 )2 + ...+ ( an − bn )2 (1.3 R2)
Pe de altă parte, dacă valorile atributelor sunt triunghiuri fuzzy de forma

( α ,β , γ ) , formula de mai sus nu poate fi utilizată, pentru că operatorul “–“ nu se poate
aplica numerelor triunghiulare fuzzy. De aceea, definim distanţa d ( x , y ) între două
numere triunghiulare fuzzy x şi y ca diferenţă dintre acestea, şi o aplicăm în cadrul
metodei TOPSIS extinsă.
d ( x , y ) = d s + d b , unde x = ( α 1 ,β1 , γ 1 ) , y = ( α 2 ,β 2 , γ 2 ) (1.3 R3)
d s = ( α 1 − α 2 + β1 − β 2 + γ 1 − γ 2 ) / 3 (1.3 R4)
14
(α1 + γ 1 −2 β1 ) / 2 ( γ 1 − α1 )  −
db = *
(α 2 + γ 2 −2 β 2 ) / 2 ( γ 2 − α 2 )  (1.3 R5)
( λ1 − α1 + γ 2 − α 2 ) / 4
unde d s reprezintă distanţa la origine care apare în Figura 1.3 F5 (a) iar d b reprezintă
diferenţa formelor triunghiulare care apare în Figura 1.3 F5 (b).
(a) (b)
Figura 1.3 F5. Distanţele d s şi d b
În cele ce urmează, operatorul distanţei fuzzy între două numere triunghiulare

fuzzy A = ( a1 , a 2 , ..., a n ) şi B = ( b1 ,b2 , ...,bn ) reprezintă distanţa între două
alternative în spaţiul n-dimensional. Aceasta poate fi definită astfel:
dist( A, B ) = { d ( a1 ,b1 )}2 + { d ( a2 ,b2 )}2 + ...+ { d ( an ,bn )}2 (1.3 R6)
Metoda TOPSIS extinsă în cadrul NFMSA
NFMSA, adică metodologia de evalauare a ordonanţărilor prin agregarea criteriilor de

optim, constă deci într-o fază de ponderare a criteriilor şi o fază de agregare a lor.
NFMSA utilizează metoda TOPSIS extinsă ca tehnică de agregare în scopul obţinerii
unei măsuri de similaritate pe baza informaţiilor oferite de criterii / atribute. Intrarea în
NFMSA include criteriile fuzzy-ficate triunghiular şi expertiza fuzzy-ficată tot
triunghiular, aceasta din urmă neputând fi obţinută din simularea ordonanţărilor. Scorul
de evaluare finală pentru o ordonanţare derivă din măsura de similaritate obţinută în faza
de agregare a criteriilor. Deci, scorul de evaluare finală poate fi utilizat în luarea deciziei
15
în scopul evaluării ordonanţărilor şi, în consecinţă, în selectarea unei politici de
ordonanţare optime. Figura 1.3 F6 descrie procedura TOPSIS extinsă în cadrul NFMSA.
Figura 1.3 F6. Metoda NFMSA de extindere a metodei TOPSIS.
Ultima paradigmă AI, demnă de luat în considerare pentru beneficiile pe care le

aduce domeniului MADM, este cea a calculului inferenţial, bazat pe reguli de producţie
exprimate de experţi / decidenţi, reguli care lucrează peste o bază de date / fapte
generate de model precum şi de rezultatele problemelor de alegere optimă generate peste
acesta. Aici nu se aduc exemplificări din literatura de specialitateiv pentru că însăşi
lucrarea de faţă va fi o demonstraţie pentru această manieră de lucru care, de fapt, face
16
trecerea, din punct de vedere informatic, de la DSS (Decision Support Systems) la ADSS
(Advanced Decision Support Systems). Pe scurt, va fi stabilit fundamentul teoretic al
unui sistem expert ad-hoc care va înlătura dezavantajele modelului MADM, şi anume:
posibila invaliditate şi probabila soluţie multiplă a problemelor de alegere optimă
generate peste acesta.
1.4 Modelul MADM generalizat
Revenind la scopul nostru curent, modelul MADM generalizat, să delimităm

mai întâi cadrul matematic utilizat. Ne orientăm către metodele şcolii americane care
sunt compatibile cu exigenţele din axiomele lui Arrow. Aceste axiome au la bază
sistemul axiomatic al teoriei utilităţii al lui von Neumann şi Morgenstern.
Sistemul axiomatic von Neumann-Morgenstern, ca şi alte sisteme de
fundamentare a operării cu utilităţi, consideră că, la nivelul unui decident individual, o
alegere între două variante a şi b este raţională când se poate exprima precis că a este
preferabil, echivalent sau nonpreferabil lui b şi dacă se respectă regula de tranzitivitate.
La nivelul unui grup de decizie, cerinţele, de raţionalitate sunt mai complexe. J. K.
Arrow defineşte cinci astfel de condiţii:
Condiţia 1. Metoda de decizie colectivă trebuie să fie aplicabilă mulţimii tuturor

variantelor posibile;
Condiţia 2. Dacă o anumită variantă urcă pe scara preferinţelor fiecărui individ,
atunci ea trebuie să urce pe scara preferinţelor grupului;
Condiţia 3. Dacă decizia se referă la n alternative posibile, “clasamentul” făcut
de grup acestora nu trebuie să fie modificat prin luarea în considerare a unei noi
variante. De exemplu, dacă se compară variantele a şi b, prima fiind preferată şi se ia în
considerare varianta c, relaţia între a şi b nu trebuie să se modifice;
Condiţia 4. Regula după care se extrage decizia colectivă nu trebuie să fie
independentă de opiniile individuale, ci trebuie să depindă direct de acestea;
Condiţia 5. Decizia colectivă nu trebuie să fie identică cu opinia unui anumit
membru al grupului, fără a ţine seama de opiniile celorlalţi.
Plecând de la aceste condiţii, Arrow demonstrează că nu există nici o metodă de
decizie colectivă care să satisfacă cele cinci condiţii de raţionalitate enunţate şi care să
ducă la o soluţie coerentă când numărul decidenţilor este mai mare sau egal cu 2, iar
numărul alternativelor superior lui 2. Acest rezultat denumit paradoxul lui Arrow, a
fost mult dezbătut şi analizat, propunându-se o serie de metode pentru ieşirea din
impas. Unele dintre ele vor fi apelate şi de noi.
De-a lungul anilor, mai multe sisteme informatice dezvoltate în ICI au utilizat
metode tinând de domeniul deciziei multi-atribut. Dar domeniul MADM in ansamblul
sau nu a fost abordat niciodata. Putem considera ca modelul MADM prezentat la
nivelul state-of-the-art prin intermediul acestei cartii va fi util în definirea şi rezolvarea
problemei alegerii optime în cadrul aplicaţiilor de cele mai diverse tipuri.
Aplicatiile vor putea referi un model matematic extins al problemei deciziei
multi-atribut. Modelul va include mulţimile decidenţilor / experţilor / utilizatorilor,
stărilor naturii, obiectelor, atributelor, metodelor de normalizare, metodelor de
17
rezolvare şi un set de relaţii între aceste mulţimi exprimate prin matricea atributelor (o
matrice 4D), vectorul (matricea) importantelor (absolute / relative) ale decidenţilor /
stărilor naturii / atributelor, vectori pentru înregistrarea evaluărilor subiective şi
obiective ale obiectelor şi un sistem de scale fuzzy. Atributele pot fi exprimate în
maniera booleană / ordinală / cardinală / fuzzy sau prin utilizarea variabilelor aleatoare.
În plus, pentru considerarea cazului cel mai general, matricea atributelor va avea un
caracter hibrid fiind divizată, în mod intuitiv, în două zone, prima fiind zona complet
definită, iar cea de-a doua fiind zona incomplet definită. În prima zonă, fiecare atribut
are o valoare bine precizată pentru orice obiect, în orice stare a naturii şi în opinia
fiecărui decident. În a doua zonă a matricei, valorile atributelor referitoare la anumite
obiecte, anumite stări ale naturii şi în viziunea anumitor decidenţi sunt neprecizate.
Problema deciziilor multi-dimensionale presupune un proces caracterizat de
următoarele elemente:
- criteriile de decizie (punctele de vedere din care se examinează problema);
- obiectivul sau obiectivele care se urmăresc;
- decidentul, adică individul sau grupul de indivizi care urmăresc să ia o hotărâre
pentru realizarea în cele mai bune condiţii a obiectivului sau obiectivelor propuse;
- mulţimea alternativelor, care cuprinde toate variantele posibile de a acţiona
pentru atingerea obiectivelor considerate;
- mulţimea stărilor posibile, fiecare stare reprezentând complexul de condiţii care
determină apariţia unei anumite consecinţe pentru o anumită alternativă şi un obiectiv
precizat;
- mulţimea atributelor alternativelor care de obicei este de cardinal foarte mare;
- utilitatea pe care o aşteaptă decidentul în urma alegerii unei alternative de
anumite atribute.
Vom prezenta în cele ce urmează modelul matematic general utilizat, modelul
alegerii optime. Modelul este dezvoltat în paradigma MADM şi este referit de toate
metodele de rezolvare existente în literatura de specialitate.
1. Mulţimea decidenţilor D = {d[l] | l = 1,l }, unde l = | D | = Card D, fiecare decident

fiind caracterizat de:
• cod_d[l] = codul asociat decidentului d[l];
• den_d[l] = denumirea decidentului d[l];
• aff_d[l] = afilierea decidentului d[l];
• fun_d[l] = funcţia decidentului d[l];
• des_d[l] = descrierea pe larg a decidentului d[l];
• imp_d[l] = importanţa relativă a decidentului d[l].
Importanţa relativă a fiecărui decident verifică:
0 < imp_d[l] < 1, ( ∀) l = 1,l ;
l
∑ imp_ d[l] = 1.
l =1
Notăm: ImpD = {imp_d[l]| l = 1,l }.

18
2. Mulţimea S = {s[k]| k = 1, k }, unde k = | S | = Card S, ale cărei elemente se numesc

stări ale naturii. Fiecare stare a naturii s[k] este caracterizată de:
• cod_s[k] = codul asociat stării naturii s[k];
• den_s[k] = denumirea stării naturii s[k];
• des_s[k] = descrierea pe larg a starii naturii s[k];
• imp_s[k] = importanţa relativă a stării s[k].
Importanţa relativă a fiecărei stări verifică:
0 < imp_s[k] < 1, ( ∀) k = 1, k ;
k
∑ imp_ s[k] = 1 .
k =1
Notăm ImpS = { imp_s[k]| k = 1, k }.
3. Mulţimea obiectelor O = {o[i] | i = 1, i }, unde i = | O | = Card O, fiecare element

• cod_o[i] = codul asociat obiectului o[i];
• den_o[i] = denumirea obiectului o[i];
• des_o[i] = descrierea pe larg a obiectului o[i];
• imp_o[i] = importanţa evaluată a obiectului o[i].
4. Mulţimea atributelor A = {a[j] | j = 1, j }, unde j = | A | = Card A, fiecare element

• cod_a[j] = codul asociat atributului a[j];
• den_a[j] = denumirea atributului a[j];
• des_a[j] = descrierea pe larg a atributului a[j];
• exprim_a[j] = modul exprimării atributului a[j], astfel:
−2, daca a[j] este exprimat boolean
−1, daca a[j] este exprimat ordinal

exprim_a[j] =  0, daca a[j] este exprimat cardinal
 p ∈ N *, daca a[j] este exprimat fuzzy

r ∈ N *, daca a[j] este exprimat prin variabila aletoare
Exprimarea cardinală a atributelor desemnează evaluarea prin valori numerice concrete
ale acestora. Există însă situaţii în care această exprimare nu este posibilă din lipsa unei
documentări prealabile sau nu este esenţialmente necesară. Prin urmare, s-a pus
problema introducerii exprimărilor Booleene, ordinale, vagi sau prin variabile
aleatoare. Exprimarea Booleană referă dacă un obiect are sau nu un anumit atribut,
exprimarea ordinală constă în precizarea locului ocupat de un obiect în ierarhia indusă
de un anumit atribut, exprimarea prin cuantile vagi constă în precizarea de manieră
calitativă a atributului iar exprimarea prin variabile aleatoare consta in precizarea unor
valori posibile ale atributului impreuna cu probabilitatile asociate acestor valori. De
observat ca, intrucât metodele de rezolvare a problemei de alegere optima, în marea lor
19
majoritate, operează, în ultimă instanţă, exclusiv cu exprimări numerice ale atributelor,
apare ca absolut necesară introducerea unor mecanisme de transpunere numerică a
exprimărilor prin cuantile vagi. Acest lucru se realizează prin introducerea unui sistem
de scale. O scală este o funcţie bijectivă între o mulţime finită de cuantile vagi şi o
mulţime de blocuri de valori numerice. Facem precizarea că întregul "p" reprezintă
codul scalei de definire a cuantilelor vagi prin care este exprimat atributul respectiv.
Notăm Ex = {exprim_a[j]| j = 1, j }. Mulţimea Ex are semnificaţia imaginii unei funcţii
j
A ∈ {-2,-1, 0, 1, 2, 3, 4, …} ;
• um_a[j] = unitatea de măsură în care se exprimă atributul a[j];
Pentru a se realiza o caracterizare cât mai fidelă a fiecărui atribut, s-au mai
introdus în model următoarele elemente:
• sense_a[j] = sensul atributului a[j], astfel:
"max", daca a[j] este considerat cu atat mai bun

cu cat valoarea sa este mai mare
sense_a[j] = 
"min", daca a[j] este considerat cu atat mai bun
 cu cat valoarea sa este mai mica

• Corespunzător exprimărilor de mai sus, un atribut poate avea o plajă de valori
precizată prin:
- pes_a[j] = marginea inferioară posibilă a atributului a[j],
- opt_a[j] = marginea superioară posibilă a atributului a[j],
dacă atributul este de maxim, sau:
- opt_a[j] = marginea inferioară posibilă a atributului a[j],
- pes_a[j] = marginea superioară posibilă a atributului a[j],
dacă atributul este de minim.
In definiţiile anterioare, sensul conceptului de "margine superioară", respectiv

"margine inferioară" este acela de valoarea cea mai bună a atributului (posibilă)
respectiv de valoarea cea mai proastă (posibilă) având, în definitiv, semnificaţia de
valoare optimă şi valoare pesimă.
Fie u1[j], u2[j] două valori ale atributului a[j] a cărui exprimare exprim_a[j] a
fost fixată. Dacă u1[j] este mai bună decât u2[j] în raport cu sensul atributului (de
maxim sau de minim), vom scrie: u2[j]≥ u1[j].
Notăm Lim = {( pes_a[j], opt_a[j])| j = 1, j } sau Lim = {( opt_a[j], pes_a[j])| j = 1, j },

funcţie de sensul atributului.
Uneori, plaja valorilor deteminată de pesim şi optim poate fi restrânsă prin

stabilirea unor standarde, noua plajă de valori menţinându-şi caracteristica de
compacitate. Aceste standarde sunt definite de:
- pesst_a[j] = marginea inferioară admisă a atributului a[j],
- optst_a[j] = marginea superioară admisă a atributului a[j],
sau
20
- optst_a[j] = marginea inferioară admisă a atributului a[j],
- pesst_a[j] = marginea superioară admisă a atributului a[j],
funcţie de sensul atributului, de maxim, respectiv de minim.
În notaţia de mai sus avem:

optst_a[j] ≥ pesst_a[j], dacă atributul a[j] este de maxim;
pesst_a[j] ≥ optst_a[j], dacă atributul a[j] este de minim.
Notăm Stand = {(pesst_a[j], optst_a[j])| j = 1, j } sau Stand = {(optst_a[j],

pesst_a[j])| j = 1, j }, funcţie sensul atributului.
• imp_a[j] = importanţa absolută a atributului a[j]. Importanţa absolută a fiecărui
atribut verifică:
0 < imp_a[j] < 1, (∀) j = 1, j ;
j
∑ imp_a[j] = 1 .
j =1
Notăm: ImpA = {imp_a[j]| j = 1, j }.
Costrucţia modelului constă esenţial în stabilirea unor relaţii între ultimele două
componente definite mai sus (O - O, O - A, A - A) prin intermediul mulţimilor S şi D
(a căror importanţă devine astfel evidentă). Pentru a exprima aceste relaţii sunt
necesare următoarele componente:
5. Mulţimea OASD = {niv_oasd[i,j,k,l]| i = 1, i , j = 1, j , k = 1, k , l = 1, l } numită

matricea atributelor. Vom cosidera că această matrice este partiţionată în două zone de
dimensiuni i x jj x k x l, respectiv i x (j-jj) x k x l, unde 0 < jj < j.
Prima dintre aceste zone este una complet definită, fiecare atribut dintre aceste jj
fiind exprimat pentru fiecare obiect, în fiecare stare a naturii, în viziunea fiecărui
decident. Cealaltă zonă este una incomplet definită, existând atribute ale unor obiecte,
în anumite stări ale naturii, care nu pot fi exprimate în viziunea anumitor decidenţi din
necunoaşterea acestora. Zona complet definită poate fi asimilată unei funcţii definite pe
O x S x D, funcţie care asociază fiecărui obiect oi, în fiecare stare a naturii sk, în
viziunea fiecărui decident dl, un vector cu jj componente al nivelelor atributelor
(niv_oasd[i,1,k,l], ..., niv_oasd[i,jj,k,l]).
Metodele convenţionale de rezolvare a problemei alegerii optime operează în
exclusivitate cu datele stocate în zona complet definită a masivului OASD. Datele
corespunzătoare zonei incomplet definite sunt utilizate în scopul realizării unor
discriminări în cazul obţinerii unui optim multiplu al problemei şi evident nu pot fi
procesate în mod clasic.
Fiecare element din mulţimea OASD este caracterizat de:

• niv_oasd[i,j,k,l] = nivelul atributului a[j] al obiectului o[i] în starea s[k] în viziunea
decidentului d[l].
21
6. Mulţimea AASD a importanţelor relative ale atributelor.
Definim importanţa relativă a atributului a[j1] în raport cu atributul a[j2] ca fiind acel
număr real pozitiv care exprimă de câte ori este mai important atributul a[j1] faţă de
atributul a[j2], pentru decidentul d[l], în starea s[k]. Elementele mulţimii AASD sunt
notate irel_aa[j1,j2,k,l], unde 1≤ j1, j2 ≤ j; 1 ≤ k ≤ k; 1 ≤ l ≤ l. Mulţimea AASD are
semnificaţia imaginii unei funcţii: A x A x S x D → (0, ∞).
În acest moment putem considera că modelul are toate componentele
fundamentale definite. Scopurile problemei alegerii optime sunt:
S1: determinarea unui obiect optim sau pesim;
S2: realizarea unei ierarhizari a obiectelor;
S3: realizarea unei evaluari a fiecarui obiect.
În contextul modelului prezentat, a rezolva o problemă de alegere optima revine
la a construi o funcţie de evaluare f : O → ℜ ( ℵ ), funcţie care, în majoritatea
cazurilor corespunde conceptului de funcţie de utilitate globală aşa cum a fost introdus
de J. von Neumann şi O. Morgenstern.
7. Mulţimea de fapte Eval_od = {eval_od[i,l]| i = 1, i , l = 1, l }, unde eval_od[i,l] =

locul pe care îl ocupă obiectul o[i] într-o ierarhie subiectivă realizată de decidentul d[l].
Această mulţime are semnificaţia imaginii unei funcţii D → Oi.
8. Mulţimea de fapte Eval_om = {eval_om[i,m]|| i = 1, i , m = 1, m ⋅ n }, unde m =

numărul de metode de rezolvare, n = numărul de metode de normalizare; conţine
evaluările obiectelor, evaluări rezultate în urma rezolvării problemei de alegere optimă
printr-o metodă şi, acolo unde este cazul, printr-un anumit set de parametri asociaţi.
După rularea unui set de metode, fiecărui obiect o(i) i se asociază un vector de evaluări
U (i ) = (u (i, m)) , unde m este numărul metodelor de rezolvare utilizate.
m =1, m
9. Mulţimea de fapte Car = {car_o[i]|| i = 1, i } conţine elemente de caracterizare a

soluţiei problemei de alegere optimă, astfel: car_o[i] = -1, dacă o[i] este “out of
standard”; r, dacă o[i] este dominat de r obiecte; iu, dacă o[i] domină u obiecte; i2v,
dacă o[i] este cel mai bine evaluat prin v atribute; z/i, dacă o[i] este cel mai rău evaluat
prin z atribute. În plus, car_o[i] poate avea o valoare obţinută prin însumarea valorilor
de caracterizare simplă de forma r, iu, i2v, z/i eventual înmulţită cu -1. Caracterizarea
astfel obţinută (de natură complexă) reprezintă conjuncţia logică a caracterizărilor
simple care intervin. Metodele de analiză, asociază fiecărui obiect o(i) o matrice de
caracteristici V (i ) = (v (i , p, q)) p=1, 3 , ale cărei componente au următoarele semnificaţii:
q =1, 6
• v(i, p, 1) = numărul minim / maxim / mediu de atribute prin care o[i] este în afara
standardelor;
• v(i, p, 2) = numărul minim / maxim / mediu de atribute prin care o[i] este cel mai
bine plasat;
• v(i, p, 3) = numărul minim / maxim / mediu de atribute prin care o[i] este cel mai
slab plasat;
22
• v(i, p, 4) = numărul minim / maxim / mediu de obiecte dominate de obiectul o[i];
• v(i, p, 5) = numărul minim / maxim / mediu de obiecte care domină obiectul o[i];
• v(i, 1, 6) = indexul clasei de echivalenţă Eq de care aparţine o[i], ( O = U E n fiind
n
obţinută printr-o anumită metodă de clasificare);
• v(i, 2, 6) = indexul obiectului reprezentativ pentru clasa sa de echivalenţă;
• v(i, 3, 6) = meritul clasei căreia îi aparţine obiectul o[i].
În toate aceste definiţii, în contextul q = 1, 5 , pentru p = 1, 2, 3 se calculează minimul,

maximul, respectiv media pe mulţimea D x S. Această categorie de fapte poate să ia
naştere la cererea utilizatorului, pe parcursul procesului de optimizare repetată sau prin
acumulare de fapte declanşată automat.
10. Mulţimea de reguli de productie Exp = {reg_γ | reg_γ = (IF Cond_γ THEN Act_γ)}
defineşte cunoaşterea expert. Regulile de producţie specifice domeniului, exprimate de
experţi, pot preciza, pentru anumite obiecte, neconcordanţele existente între valorile
atributelor şi, de asemenea, pot extinde partea complet definită a matricei consecinţelor
în defavoarea părţii incomplet definite, prin completarea intrărilor necunoscute ale
matricei cu valori calculate pe baza datelor existente la un moment dat. În acest fel,
modelul câştigă în corectitudine / completitudine. Pentru a putea defini multimea Exp,
fie urmatoarele:
• Lj este o mulţime de valori pentru atribute (o listă, un interval etc.);
• expr indică o expresie care trebuie să corespundă tipului declarat al atributului;
• [lo_a(j), up_a(j)] este un interval restrâns de variaţie pentru atributul a[j].
Se introduc doua clase de reguli de productie. Într-o prezentare simplificată, forma
generală a claselor de reguli este:
Reguli de validare. Regulile de validare detectează contradicţiile în atributele
modelului şi avertizează analistul de existenţa acestora, putând genera, în acelaşi timp,
o valoare acceptabilă pentru atributul care a produs contradicţia.
IF există un obiect o(i) pentru care, în opinia expertului d(k) şi în starea naturii s(l)
c klij ∈ L j1 Λ .. Λ cklij ∈ L jr Λ oi ∈ E q THEN c klij ∉ L j pentru anumiţi
1 r
j ∉{ j1 , .. , jr } şi afişează lista acestor indici, pentru fiecare valoare greşită a

atributului propune o valoare corespunzătoare c klij ∈ { expr ( c klij ( pentru anumiţi
k ∈1, k , l ∈1, l , i ∈1, i , j ∈1, j , unde cklij au fost deja definiţi), v(i, 1, 6)}, pentru
(k, l, i, j) - tuplu cu k, l, i invocaţi în ipoteză şi j ∉{ j1 , .. , jr } , alege una dintre valorile
propuse sau inserează o valoare bună.
Reguli de completare. Regulile de completare pot fi definite de analist sau generate
automat de un algoritm, în concordanţă cu contextul faptic. Astfel, procesul de
completare nu este condiţionat de existenţa regulilor de completare definite de analist.
23
c klij ∈ L j1 Λ .. Λ cklij ∈ L jr Λ oi ∈ E q THEN c klij = expr ( c klij ( pentru
1 r
anumiţi k ∈1, k , l ∈1, l , i ∈1, i , j ∈1, j , unde cklij au fost deja definiţi), v(i, 1, 6))
pentru anumiţi cklij cu k, l, i invocaţi în ipoteză şi având anterior valori de tip NULL.
Vezi lucrul cu regulile de productie asupra modelului MADM:
Schema 1.4 S1 Schema logica pentru obtinerea unui model consistent

24
În acest moment, modelul matematic este complet definit ca model consistent.
Pentru o mai bună înţelegere a acestuia vom aduce în continuare (pe cât posibil în
ordinea prezentării componentelor modelului) o serie de:
1.5 Indicaţii metodologice privind modelarea MADM
1. Mulţimea obiectelor poate avea un grad ridicat de generalitate, singura condiţie

impusă asupra sa fiind aceea ca fiecare obiect să poată fi apreciat în raport cu fiecare
atribut ţinând de zona complet definită a matricei atributelor. În plus, fără a fi absolut
necesară o asemenea limitare, putem considera că numărul obiectelor este de ordinul
sutelor (<1000).
2. Atributele problemei de alegere optima pot fi atât de tip explicit, cât şi de tip
implicit, fiind de la sine înţeles că cele de tip implicit ţin exclusiv de zona incomplet
definită a matricei consecinţelor, în timp ce cele de tip explicit ţin atât de zona
incomplet definita, cât şi de zona complet definită a matricei consecinţelor. Deşi nici
această limitare nu este absolut necesară, putem fixa numărul de atribute la ordinul
zecilor (<50).
3. Unităţile de măsură ale atributelor sunt necesare numai în cazul exprimărilor

cardinale, exprimărilor fuzzy şi exprimarilor prin variabile aleatoare ale acestora. În
cadrul modelului, rolul acestor entităţi este exclusiv acela de a conferi o semnificaţie
unor exprimări numerice altfel abstracte.
4. Exprimarea ordinală a unui atribut este cea mai săracă în informaţii dintre toate
tipurile de exprimare, întrucât nu permite raportări relative ale evaluărilor obiectelor.
Astfel, dacă maşinile (obiectele) o1, o2, o3 au atributul "viteza maximă" exprimat
cardinal: 255 km/h, 190 km/h, 180 km/h, acelaşi atribut exprimat ordinal este: 1, 2, 3,
ceea ce ilustrează faptul că obiectul o1 este cel mai bun, obiectul o2 este pe locul 2 iar
obiectul o3 este pe ultimul loc. Este însă evident faptul că exprimarea ordinală omite
faptul că obiectul o1 este totuşi mult mai bun decât obiectele o2 şi o3.
5. Fie U o mulţime univers, (care se refera la un domeniu bine precizat) cu elemente u

∈ U, iar A şi B mulţimi astfel încât A⊆U şi B⊆U (se spune că A şi B sunt submulţimi
sau părţi ale mulţimii U). În mod evident A∪B şi A∩B sunt părţi ale mulţimii U. De
asemenea, diferenţa U-A este o submulţime a mulţimii U; aceasta se notează prin
CU(A) sau C(A) când mulţimea U este fixată şi se numeşte complementara mulţimii A
în raport cu mulţimea U: CU(A) = { x ∈ U | x ∉ A }. Cu această notaţie, au loc şi legile
lui DeMorgan: CU(A∪B) = CU(A)∩CU(B), CU(A∩B) = CU(A)∩CU(B).
Noţiunea de (sub)mulţime fuzzy (în engleză fuzzy set) a fost introdusă în
matematică şi deci in stiinta de Lotfi A. Zadeh, începând cu anul 1965, cu scopul de a
modela caracterul imprecis al apartenenţei. El a propus generalizarea conceptului de
apartenenţă binară a unui element la o mulţime crisp deoarece teoria clasică a
mulţimilor limitează, într-un fel, posibilitatea descrierii matematice a unor situaţii reale. De
exemplu folosind teoria clasică a mulţimilor, putem considera următoarele mulţimi
25
disjuncte: Frig = (-10°..0°], Rece = (0°, 10°], Călduţ = (10°, 20°], Cald = (20°, 30°]. Totuşi,
percepţia umană a nivelului de răcire/încălzire poate fi descrisă mai potrivit printr-o
tranziţie pentru care punctele 0°, 10° şi 20° nu reprezintă bariere ale fiecărui nivel.
Aceasta este în concordanţă cu situaţia concretă în care unii oameni percep o vreme
caldă la temperatura de 18°.
In teoria multimilor crisp, apartenenta la mulţime a elementelor o caracterizam
cu ajutorul functiei caracteristice, care ia valoarea 1 daca x apartine lui A si valoarea
zero , altfel. De exemplu, folosind intervalul [-10°, 30°], cu ajutorul funcţiei caracteristice a
mulţimilor definim Frig, Rece, Călduţ şi Cald:
ϕFrig(x) = if x in [-10°, 0°] then 1 else 0;

ϕRece(x) = if x in (0°, 10°] then 1 else 0;
ϕCălduţ(x) = if x in (10°, 20°] then 1 else 0
ϕCald(x) = if x in (20°, 30°] then 1 else 0.
Printr-un model de tip continuu precum:

1 1
12 x + 2 , x ∈ (0°,6°]
1 5
6 x + 3 , x ∈ [− 10°,−4°]
  1 7
ϕFrig(x) = − 1 x + 1 , x ∈ (− 4°,0°] , ϕRece(x) =
 − x + , x ∈ (6°,10°] ,
 8 2  8 4
0, altfel 0, altfel
 
1 1
12 x − 3 , x ∈ (10°,16°]
1 7
12 x − 6 , x ∈ (20°,26°]
 1  1
ϕCălduţ(x) = 
− x + 3, x ∈ (16°,20°] , ϕCald(x) =
15
− x + , x ∈ (26°,30°] ,
 8  4 2
0, altfel 0, altfel
 
putem nuanta gradele de apartenenţă ale valorilor temperaturii x la “mulţimile” Frig,
Rece, Călduţ şi Cald. Aceste noi entităţi {x, ϕ(x) | x ∈[-10°, 30°] } definesc ceea ce se
numesc (sub)mulţimi fuzzy. Ele vin să modeleze deci nuantat situaţii lingvistice
precum: “Acum este frig” sau “Astăzi este foarte cald.”
Dacă pentru mulţimile crisp apartenenţa unui element la mulţime este de tip binar (da /
nu), în cazul mulţimilor fuzzy este vorba de un grad de apartenenţă. Deci, pentru
fiecare element trebuie specificat gradul său de apartenenţă.
Definiţie. Fie X o mulţime crisp de obiecte ce urmează a fi analizate folosind tehnici

fuzzy, atunci A := {( x, ϕA(x) ) | x ∈ X} defineşte o (sub)mulţime fuzzy a mulţimii X,
unde ϕA reprezintă funcţia de apartenenţă, iar valoarea ϕA(x) reprezintă gradul de
apartenenţă al elementului x la (sub)mulţimea fuzzy A. S-a convenit ca 0 ≤ ϕA(x) ≤ 1, x
26
∈ X (sugerata de notiunea de probabilitate care exprima sansa ca A sa apartina lui X).
Functia de apartenenta exprima deci si un grad de precizie (sau imprecizie) privind
apartenenta lui x la A. Mulţimea X se mai numeşte univers de discurs sau mulţime
referenţial. Notăm F(X) familia tuturor (sub)mulţimilor fuzzy definite pe universul de
discurs X. Atunci când mulţimea X este precizată ne vom referi la o mulţime fuzzy prin
funcţia sa de apartenenţă şi vom scrie ϕ ∈ F(X).
Exemplul cu oameni înalţi

Caracteristica unei persoane de a fi înaltă este o noţiune imprecisă. Universul de
discurs considerat este mulţimea oamenilor. Pentru a specifica un model fuzzy, notăm
h(x) înălţimea, în cm, a unei persoane x şi definim funcţia de apartenenţă la clasa
oamenilor înalţi prin:
0, h( x) < 150

 h( x) − 150
ϕINALT =  , 150 ≤ h( x) ≤ 200 .
 200
1, h( x) > 200.
O altă cale de obţinere a mulţimilor fuzzy porneşte de la generalizarea valorii de

adevăr. În logica bivalentă, o afirmaţie este fie falsă, fie adevărată. Muţimile fuzzy
permit introducerea valorilor de adevăr intermediare. Pentru exemplul de mai sus
valoarea de adevăr a afirmaţiei “x este INALT” poate fi specificată prin ϕINALT(x).
Trebuie făcută o distincţie între fenomenele aleatoare şi cele fuzzy. Desigur
există situaţii când fenomenele aleatoare şi fuzzy apar simultan. În principiu,
fenomenul aleator rezultă din nesiguranţa în ceea ce priveşte apartenenţa sau
neapartenenţa unui obiect la o clasă, dar este vorba de un eveniment ce poate să apară
sau nu – este vorba de o probabilitate de apariţie. În cadrul unui fenomen de natură
fuzzy există grade de apartenenţă intermediare între apartenenţă (apartenenţa completă)
şi neapartenenţă. Pentru un eveniment A care are evenimentul contrar C(A) (cu A ∩
C(A) = Φ =: evenimentul imposibil), în teoria probabilităţilor P(A) + P(C(A)) = 1, dar
aşa cum se va vedea mai jos, ϕA(x) + ϕC(A)(x) nu este în general egală cu 1.
În exemplele de mai sus au fost considerate funcţii de tip liniar, gradul de

apartenenţă fiind determinat pe baza unei caracteristici măsurabile. Pentru mulţimi
referenţial finite (discrete), funcţia de apartenenţă se poate specifica tabelar. O formă
compactă de scriere foloseşte simbolul + şi ansamblul ϕ(x)/x - reprezentarea prin
perechi. De exemplu, dacă mulţimea univers este X = {a, b, c, d, e} o submulţime
fuzzy F a mulţimii X se poate reprezenta astfel:
F = 0.4/a + 0.2/b + 0.5/c + 0.4/d + 1.0/e

sau tabelar:
X a b c d e
ϕF(x) 0.4 0.2 0.5 0.4 1.0
27
Să observăm că ϕF nu defineşte o probabilitate, gradul de apartenenţă este nenegativ,

dar suma gradelor de apartenenţă diferă de valoarea 1.0.
Mulţimea referenţial poate fi şi de tip continuu, funcţia de apartenenţă fiind dată

cu ajutorul unei expresii - reprezentare funcţională - ca în exemplele următoare
(construite prin corespondenta cu unele repartitii particulare de probabilitate).
Funcţia de apartenenţă liniară

Fie a 0 şi b oarecare. Modelul exponenţial al funcţiilor de
apartenenţă este:
1 − e ( − a ( x −b )) , x≥b
ϕa,b(x) = 
 0, x < b.
Funcţie de apartenenţă triunghiulară
Modelul triunghiular de centru m (număr real oarecare) şi deplasare d (număr real strict
pozitiv) este:
 m−x
1 − , m−d ≤ x ≤ m+d
ϕm,d(x) =  d
 0, altfel.
Funcţia de apartenenţă gaussiană
Pentru a > 0 şi m un număr real oarecare, modelul gaussian al funcţiei de apartenenţă
este:
− a ( x−m)2
ϕa,m(x) = e .
Funcţia de apartenenţă trapezoidală
Fie a, b, c şi d numere reale astfel încât a d .
Mulţimea “impuls”
Fie t ∈ R. Funcţia de apartenenţă dată prin modelul:
28
1, x = t
ϕt(x) = 1{t } ( x ) = 
0, x ≠ t
descrie o mulţime aşa zisă “singleton”.
Mulţimea interval
Fia a < b numere reale. Modelul interval este:
1, x ∈ [a, b]
ϕa,b(x) = 1[a ,b ] ( x) = 
0, altfel.
Se spune că funcţia de apartenenţă furnizează o reprezentare pe verticală a unei
mulţimi fuzzy. Reprezentarea pe orizontală este realizată cu ajutorul tăieturilor.
Să definim mulţimea fuzzy a numerelor reale foarte apropiate de numărul zero. Dacă A
este mulţimea fuzzy dorită atunci un model pentru funcţia de apartenenţă ϕA poate fi:
1
ϕ A ( x) = .
1+ x2
Efectuând calculele obţinem:
ϕA(1) = 0.5; ϕA(0) = 1; ϕA(2) = 0.2; ϕA(-2) = 0.2, ϕA(3) = 0.1; ϕA(-3) = 0.1.
Un alt model ar putea fi:

2
 1 
ϕ A ( x) =  2 
.
1+ x 
În acest caz:
ϕA(1) = 0.25; ϕA(0) = 1; ϕA(2) = 0.04; ϕA(-2) = 0.04, ϕA(3) = 0.01; ϕA(-3) = 0.01.
Similar, putem defini mulţimea fuzzy a numerelor apropiate de numărul real a cu
ajutorul funcţiei de apartenenţă:
1
ϕ A ( x) = .
1 + ( x − a) 2
Exemple de scale fuzzy:
O scală fuzzy completă pentru exprimarea vârstei se dă în Figura 1.5 F1.
copil adolescent tanar matur batran
Varsta
(ani)
0 5 6 12 14 15 16 18 20 21 22 30 34 35 40 48 52 55 57 67 68 70
Figura 1.5 F1. O scală ce exemplifică vârsta exprimată fuzzy.

29
O scală fuzzy care exprimă prin cuantile vagi tensiunea arterială umană este dată
prin Tabelul 1.5 T1.
Tabelul 1.5 T1. Exemplu de exprimare a tensiunii arteriale prin intervale de valori
Periculos de Ingrijorator Ingrijorator Periculos de
Normala
Tensiune mica de mica de mare mare
7 8 9-14 15-16 17-18
O scală fuzzy care exprimă prin cuantile vagi tip note aspectul exterior al unei
persoane este dată prin Tabelul 1.5 T2.
Tabelul 1.5 T2. Exemplu de exprimare a atributelor prin note

F. urat Urat Mediu Placut Frumos F. frumos
Estetica
1 2 5 6 8 10
Simpla analiză a valorilor asociate pe o scală cuantilelor vagi prin care este
exprimat un atribut, permite obţinerea informaţiei privind natura scalei: echidistanţa
sau neechidistanţa.
Deci exprimările prin cuantile vagi se fac prin aprecieri calitative de tipul: foarte
bun, mediu, prost, foarte prost etc. Esenţiale în definirea acestor cuantile sunt scalele
asociate acestora. În cadrul unei asemenea scale, fiecărei cuantile i se asociază în mod
unic un trapez fuzzy care o defineşte complet. Vom conveni să acceptăm în definirea
cuantilelor şi trapeze degenerate, reduse la triunghiuri, segmente sau puncte, dupa cum
se va vedea in Figura 1.5 F2.
Scalele de definire şi interpretare a cuantilelor au următoarea structură:

- denf_ac = eticheta de scală;
- cf_ac = numele cuantilei vagi;
- btrf_ac = blocul de definire a trapezului fuzzy.
Precizăm că blocul de definire a trapezului fuzzy este constituit din patru valori
numerice (abscisele vârfurilor trapezului) dintre care una sau două sau trei valori pot
lipsi.
Pentru ordonatele vârfurilor trapezului alegerile se fac în mod implicit, ca mai
jos:
- dacă s-au dat patru abscise, se aleg în ordine 0, 1, 1, 0;
- dacă s-au dat trei abscise, se aleg în ordine 0, 1, 0;
- dacă s-au dat două abscise, se aleg în ordine 0, 1;
- dacă s-a dat o singură abscisă, se alege 1.
În general, o cuantilă vagă se defineşte printr-o linie poligonală cu mai mult de

patru vârfuri; totuşi, considerăm că alegerea pentru definire a unui trapez (inclusiv
degenerat) este satisfăcătoare din punctul de vedere al acurateţei calculelor.
30
atribut adolescent
1
( x2 , y 2 ) ( x3 , y3 )
( x1 , y1 ) ( x4 , y 4 )
O 15 16 18 20 vârsta (ani)
atribut forma sportiva
( x2 , y 2 )
1
( x1 , y1 ) ( x3 , y3 )
O 20 40 80 antrenament (zile)
atribut gust
1 ( x2 , y 2 )
( x1 , y1 ) ( x3 , y3 )
O 2 5 sarat (mg)
atribut promovare
( x2 , y 2 )
1
( x1 , y1 )
O 5 note ( ≥ 5 )
Figura 1.5 F2. Diferite modalităţi de exprimare vagă a atributelor
31
Prin convenţie, orice scală fuzzy trebuie să fie alcătuită în conformitate cu o
relaţie de ordine naturală dată de apropierea de optim. Această convenţie prevede ca,
pe orice scală fuzzy, cuantilele să fie ordonate de la extremitatea stângă a scalei la
extremitatea dreaptă a scalei. Pentru a se putea realiza normalizarea coloanei
corespunzătoare unui atribut exprimat prin cuantile vagi, este necesar ca pesimul şi
optimul exprimate prin cuantile vagi (atunci când acestea se cunosc) să fie prezente pe
scala asociată atributului respectiv (acestea fiind în mod automat capete de scală).
Atragem atenţia că există numeroase situaţii în care ordinea cuantilelor vagi pe o
scală nu coincide cu ordinea naturală (de la valori mici la valori mari), în funcţie de
semnificaţia exprimării prin cuantile vagi a atributului relativ la domeniul de definire a
problemei alegerii optime.
6. Problema alegerii optime poate contine si atribute de tip variabila aleatoare. Pentru a
explica noţiunea de variabilă aleatoare să considerăm mulţimea a numerelor reale şi
mulţimea B constând din intervalele de forma ( −∞, a ) ; a ∈ , precum şi din
complementare, reuniuni sau intersecţii de astfel de intervale. Mulţimea B se numeşte
familia mulţimilor boreliene pe dreapta reală iar perechea ( , B) este o sigma
algebră numită corpul mulţimilor boreliene de pe dreaptă.
Definiţie. O funcţie X : E → se numeşte măsurabilă sau variabilă aleatoare pe

câmpul de probabilitate ( E, S , P ) dacă pentru orice B ∈ B avem X
−1
( B) ∈ S ,
unde X
−1
( B ) este preimaginea mulţimii B prin aplicaţia X.
Sensul intuitiv al noţiunii abstracte de variabilă aleatoare este următorul: ea este o
valoare asociată evenimentelor (o măsură !) care ne permite să calculăm probabilităţi
ca ea să ia anumite valori (adică P ( X ∈ B ) = P X ( −1
( B )) , ultima probabilitate
având sens, căci este definită pe S. Mai simplu, la o variabilă aleatoare, pe lângă
valorile pe care aceasta le poate lua, cunoaştem şi probabilităţile ca variabila să ia acele
valori. Faptul că X ia valori în intervalul ( −∞, x ) , x ∈ îl vom scrie
P ( X ∈ ( −∞, x ) ) = P ( X < x ) .
În aplicaţii se utilizează de regulă variabile aleatoare deoarece în practică

observaţiile revin la măsurători numerice.
Definiţie. Funcţia de repartiţie a unei variabile aleatoare X este funcţia reală
F ( x ) = P ( X < x ) , ∀x ∈ , 0 ≤ F ( x ) ≤ 1.
Funcţia de repartiţie are următoarele proprietăţi:
a) Este nedescrescătoare, adică ∀a < b, F ( a ) ≤ F ( b ) ;
32
b) F ( −∞ ) = 0 (deoarece { X < −∞} este evenimentul imposibil!),
F ( +∞ ) = 1 (deoarece { X < ∞} este evenimentul sigur!).

Faptul că o variabilă aleatoare X are funcţia de repartiţie F ( x ) se notează
XÎ F.
O variabilă aleatoare este cunoscută dacă se cunoaşte funcţia ei de repartiţie.
Cu ajutorul acestei funcţii se poate de exemplu determina un interval [ a, b ) astfel
încât
P ( X ∈ [ a, b ) ) = F ( b ) − F ( a ) = δ
unde δ este un număr dat; dacă acest număr este mare atunci înseamnă că valorile
variabilei aleatoare se concentrează pe intervalul [ a, b ) .
Se numeşte α - cuantilă a variabilei aleatoare X Î F ( x ) valoarea ξα dată
de relaţia F (ξα ) = α , 0 < α < 1 .
O variabilă aleatoare care ia valori cu probabilităţi nenule într-o mulţime discretă

se numeşte variabilă aleatoare discretă. Repartiţia unei astfel de variabile X este de
forma:
a a2 ... am 
X : 1 
 p1 p2 ... pm 
m
cu conditia ca ∑p
i =1
i = 1 . Când m = ∞ seria este convergentă. Probabilităţile pi se
pot scrie sub forma Pi = f ( i ) , funcţia f numindu-se funcţie de frecvenţă.
Funcţia de repartiţie a variabilei discrete este o funcţie în scară, adică
 0, daca x < a1
 p , daca a ≤ x < a
 1 1 2
 p1 + p2 , daca a2 ≤ x < a3

F ( x ) = P ( X < x ) =  ......
 p + p + ... + p , daca a ≤ x < a
 1 2 k k k +1
 ......
 p p ... p 1, daca a x
 1+ 2+ + m = k ≤ <∞
33
Definiţie. Dacă variabila aleatoare X ia o mulţime de valori de puterea continuumului şi
funcţia sa de repartiţie este derivabilă, atunci derivata sa f ( x ) = F ' ( x ) se numeşte
densitate de repartiţie.
Punctul m0 care este maxim local al densităţii f se numeşte mod, iar repartiţiile
care au un singur mod se numesc unimodale.
Desigur, are loc relaţia

x
F ( x) = ∫ f ( u ) du
−∞
Valoarea modală m0 a lui f unimodală, este valoarea cea mai probabilă. Din cele
precizate mai sus rezultă că o funcţie f ( x ) , x ∈ este densitate de repartiţie dacă
a) f ( x ) ≥ 0 ∀x ∈ cl ;
+∞
b) ∫ f ( x ) dx (condiţia de normare).
−∞
a1 a2 ... am
Definiţie. Fiind dată o variabilă discretă X de repartiţie ( ) sau o
p1 p2 ... pm
variabilă continuă X (având densitatea de repartiţie f), se numeşte valoarea medie a
funcţiei ϕ ( X ) , mărimea
m
E ϕ ( X )  = ∑ piϕ ( ai ) (cazul discret)
i =1
+∞
E ϕ ( X )  = ∫ ϕ ( u ) f ( u ) du (cazul continuu)
−∞
presupunând că suma, respectiv integrala sunt convergente.

Dacă ϕ (t ) = t r , r ∈ +
atunci M r = E  X 
r
se numeşte momentul de
ordinul r (când el există desigur). Mărimea m = m1 = E [ X ] se mai numeşte şi
valoarea medie, sau media lui X.
ϕ ( t ) = ( t − m ) , atunci µr = E ( X − m )  se numeşte momentul
2 r
Dacă
 
centrat de ordinul r. Momentul centrat µ2 se mai numeşte şi dispersie sau varianţă şi
se mai notează σ = Var ( X ) = µ2 .
2
Operatorul E este liniar; dacă X şi Y sunt variabile aleatoare şi α , β sunt

constante, atunci
34
E [α X + β Y ] = α E [ X ] + β E [Y ]
Există legături între momentele centrate şi cele obişnuite. De exemplu, se poate
arăta cu uşurinţă că
σ 2 = Var [ X ] = m2 − m12
Mărimea σ = σ se mai numeşte deviaţie standard sau abatere standard sau
2
abatere medie pătratică.

Momentele joacă un rol important în lucrul cu variabile aleatoare. Foarte utila
este următoarea inegalitate a lui Tchebysheff.
Dacă variabila aleatoare X are media m şi dispersia σ 2 , atunci:

1
P ( X − m < tσ ) ≥ 1 − , ∀t > 0
t2
Inegalitatea spune de fapt că dacă se cunosc m şi σ atunci o valoare a lui X se găseşte
1
în intervalul ( m − tσ , m + tσ ) cu o probabilitate cel puţin egală cu 1 − 2 .
t
Inegalitatea lui Tchebysheff este un caz particular al inegalităţii lui Markov care
spune că:
E Y 
k
(
P E [Y ] ≥ ε ≥ ) 
k
 , ∀ε > 0,∀k > 0
ε
unde E  X  (când există) este momentul absolut de ordinul k.
k
 
Dacă în inegalitate punem y = X − m şi ε =tσ , t > 0 obţinem inegalitatea lui
Tchebysheff.
Pentru calculul momentelor este de mare ajutor funcţia caracteristică a unei

variabile aleatoare. Funcţia complexă:
ϕ ( t ) = E  eitX  , i = −1, t ∈
se numeşte funcţia caracteristică a variabilei aleatoare X.
Deci, pentru X discretă funcţia caracteristică este ϕ ( t ) = ∑ pn eita iar dacă X

n
n
+∞
este o variabilă aleatoare continuă cu densitatea f atunci ϕ (t ) = ∫e
itu
f ( u ) du .
−∞
Se observă că funcţia ϕ ( t ) este definită întotdeauna, deoarece seria, respectiv

integrala sunt întotdeauna convergente.
35
Dacă variabila aleatoare X are momente de ordinul r, atunci orice moment
1  d kϕ ( t ) 
k ,1 ≤ k ≤ r se calculează cu formula mk =   , derivata de ordinul k
ik k
 dt ( 0)
calculându-se în punctul t = 0 .
Vom prezenta pe scurt câteva exemple de variabile aleatoare, respectiv de

repartiţii de probabilitate (numite uneori distribuţii de probabilitate).
- Repartiţii discrete:
 0 1
a) Variabila aleatoare Bernoulli are repartiţia Z :   , p > 0, p + q = 1 .
 p q
Funcţia de frecvenţă f şi funcţia de repartiţie F sunt respectiv
0, daca x < 0

f ( 0 ) = q, f (1) = q, F ( x ) = q, daca 0 ≤ x < 1 iar funcţia caracteristică este
 1, daca x ≥ 1

ϕ ( t ) = 0eit .0 + peit = peit . Calculand direct, rezultă că:
m = E [ Z ] = p, m2 = p, σ 2 = Var [ Z ] = m2 − m 2 = p − p 2 = p (1 − p ) = pq .
+
b) Variabila binomială Binom(n,p) cu n ∈ N , p ∈ (0,1) are repartiţia de
probabilitate de forma:
0 1 Ln α α n −α
X :  , p = Cn p q , α = 0,1,K , n, q = 1 − p.
 p0 p1 L pn  α
Denumirea de “binomială” provine din faptul că pα , α = 0,1,K , n reprezintă
( p + q)
n
termenul general al dezvoltării binomului . Se observă că variabila
X ∈ Binom(n, p) (adică are repartiţia Binom(n, p) ), reprezintă numărul de succese
n
în n probe Bernoulli independente, sau X = ∑Z
i =1
i unde Z i sunt variabile Bernoulli
independente stochastic. Funcţia caracteristică şi m şi σ 2 sunt relativ:

ϕ ( t ) = ( q + peit ) , m = np , σ 2 = npq.
n
In relaţia precedentă s-a folosit proprietatea că funcţia caracteristică a sumei de

variabile independente este egală cu produsul funcţiilor caracteristice ale acestor
variabile.
36
Variabila binomială X poate fi interpretată şi cu ajutorul unui experiment de
extragere dintr-o urnă care conţine N bile din care A sunt bile albe şi B sunt bile
negre, A + B = N . Probabilitatea ca la o extragere la întamplare din urnă să obţinem o
A
bilă albă este p = . Dacă extragerea unei bile este urmată de reintroducerea ei in
N
urnă (extragere cu intoarcere! ) atunci variabila X Î Binom(n, p ) este numărul de
bile albe rezultate din n extrageri independente succesive, cu întoarcere.
c) Variabila discretă X , care ia valori in şi care are funcţia de frecvenţă:

P(X =α ) = C α −1
n +α −1
α
p q , q = 1 − p , α = 0,1, 2,K
k
se numeste variabilă Pascal ( k , p ) , k ∈ , p ∈ ( 0,1) sau variabilă binomială cu

exponent negativ. Se poate arăta ca variabila X Î Pascal (k , p ) reprezintă numărul
(aleator!) de eşecuri până ce se obţin k succese, într-un şir de probe Bernoulli
independente.
Media şi dispersia variabilei Pascal ( k , p ) sunt date respectiv de formulele:
kq kq
m = E[X ] = , σ 2 = Var ( X ) = 2 .
p p
În cazul k=1 repartiţia Pascal (1, p ) este numită repartiţia geometrică deoarece în
α
acest caz P ( X = α ) = pq este termenul general al progresiei geometrice de raţie q,
0 < q < 1.
d) Să presupunem că suntem în cazul experimentului cu urnă prezentat cu ocazia

repartiţiei binomiale, cu diferenţa că după ce se extrage o bilă, aceasta nu se mai
întoarce în urnă. Variabila hipergeometrică X este numărul de bile albe obţinute in n
extracţii fară intoarcere. Deci X ia valorile 0,1, 2,K , n n < Ν dar extragerile în
acest caz sunt dependente. Să notăm cu I extragerea unei bile albe şi cu J extragerea
unei bile negre. Dacă de exemplu la prima extragere s-a realizat o bilă albă I atunci la
cea de-a doua extragere vom avea probabilităţile:
A −1 B
P(I / I ) = , P( J / I ) = .
N −1 N −1
Asemănător vom avea:
A B −1
P(I / J ) = , P( J / J ) = ,
N −1 N −1
iar la a treia extragere vom obţine probabilităţile:
A−2 B A −1
P ( I / II ) = , P( J / II ) = , P ( I / IJ ) = = P( I / JI ) ,
N −2 N −2 N −2
37
B −1 A B−2
P ( J / IJ ) = = P ( J / JI ), P ( I / JJ ) = , P ( J / JJ ) = .
N −2 N −2 N −2
Dacă în n extrageri fără intoarcere s-au extras a bile albe (şi deci b=n-a bile negre)
atunci se poate arăta că variabila hipergeometrică are proprietatea:
C Aa CBb
P( X = a) = , a = 0,1,K , n,
CNn
iar după efectuarea unor calcule se obţin formulele:
np
E [ X ] = np, E  X 2  =  n ( Np − 1) + N (1 − p )  ,
N −1 
N −n A
Var ( X ) = np (1 − p ) , p = , N = A+ B .
N −1 N
are repartiţia Poisson(λ ) , de parametru λ > 0 , dacă

+
e) Variabila discretă X ∈
α
λ −λ
funcţia sa de frecvenţă este: pα = P ( X = α ) = e . Se arată că funcţia
α!
ϕ ( t ) = eλ ( e
it
−1)
caracteristică este , iar de aici se deduc formulele:
m = E [ X ] = λ , E  X 2  = λ 2 + λ , σ 2 = Var ( X ) = E  X 2  − ( E [ X ]) = λ.
2
Repartiţia Poisson este repartiţia evenimentelor rare. Mai precis, daca X este
numărul aleator de evenimente ce apar într-un interval de timp egal cu unu şi media lor
este λ (care se mai numeşte şi intensitatea de apariţie a evenimentelor rare), atunci
X are repartiţia Poisson(λ ) .
- Repartiţii continue
a) Repartiţia uniformă. Variabila aleatoare V care ia valori in intervalul

( a, b ) , −∞ < a 0, dacă x ∈ ( a, b )

g ( x) =  .
0, altfel
Dacă g ( x ) trebuie să satisfacă relaţia de normare, rezultă că :

 1
 , dacă x ∈ ( a, b )
g ( x) = b − a .
0, altfel
38
O repartiţie particulară importantă este repartiţia uniformă pe intervalul ( 0,1) , care

are deci densitatea:
1, dacă x ∈ ( 0,1)
g ( x) =  .
0, altfel
Să notăm cu U variabila care are repartiţie uniformă pe ( 0,1) , care se numeşte
variabilă uniformă 0 – 1. Din expresiile densităţilor uniforme rezultă că funcţiile de
repartiţie ale variabilelor uniforme U si V sunt respectiv:
0, dacă x ≤ a
x−a 0, dacă x ≤ 0
 
G ( x) =  , dacă x ∈ ( a, b ) , F ( x ) =  x, dacă x ∈ ( 0,1) .
b − a 1, dacă x ≥ 1
1, dacă x ≥ b 
Variabilele aleatoare uniforme au proprietatea că toate punctele din intervalele
în care iau valori sunt egal probabile. Între variabilele uniforme U şi V au loc
V −a
relaţiile: V = a + (b − a )U , U = .
b−a
b) Repartiţia normală. Variabila aleatoare X are repartiţia normală de parametri
m şi σ ( notată N ( m, σ ) ) dacă densitatea sa de repartiţie este:
( x − m )2
1 −
f ( x) = e 2σ 2
,x∈ .
2π
Prin calcule simple se arată că:
+∞ ( x − m )2 +∞ ( x − m )2
1 − 1 2 −
E[X ] = ∫−∞ xe 2σ dx = m, Var ( X ) = 2π ∫ ( x − m) e dx = σ 2 .
2
2σ 2
2π −∞
Modulul variabilei normale N ( m, σ ) este m0 = m.

Repartiţia normală a fost introdusă de Gauss pentru a caracteriza faptul că erorile care
se produc când se măsoară o mărime fizică m prezintă o simetrie faţă de m , iar σ este
un indicator de precizie al măsurătorilor (adică cu cât σ este mai mic, cu atât
măsurătorile sunt mai precise). O repartiţie normală particulară, dar importantă este
repartiţia normală N ( 0,1) care are deci densitatea de repartiţie:
2
1 − x2
ϕ ( x) = e . Variabila Z normală N ( 0,1) se numeşte variabilă normală
2π
standard. Între variabila Z Î N ( 0,1) şi variabila X Î N ( m, σ ) au loc relaţiile:
X −m
X = m + Zσ , Z =
σ
39
iar între funcţiile de repartiţie: P ( Z < z ) = φ ( z ) , P ( X < x ) = F ( x ) are loc relaţia:

 x−m
F ( x) = φ  .
 σ 
Notând zα şi xα α - cuantilele variabilelor Z , respectiv X , din relaţia precedentă
rezultă că:
X α = m + zα σ
deci este suficient să cunoaştem numai funcţia de repartiţie φ ( z ) şi cuantilele ei
pentru a determina cuantila corespunzătoare a oricărei variabile normale N ( m, σ ) .
Notând:
x t2
1 −
L ( x) = ∫e 2
dt
2π 0
numită funcţia lui Laplace, rezultă relaţia:
1  1, dacă z ≥ 0
φ ( z ) = + sgn ( z ) L ( z ) , sgn ( z ) =  ,
2 −1, dacă z < 0
adică funcţia L ( x ) poate fi utilizată pentru calculul cuantilelor oricărei repartiţii
normale. De asemenea dacă este nevoie să se determine un interval minim în care X
să ia valori cu o probabilitate dată p atunci se determină mai întâi cuantila z p astfel
1−
2
  p  
încât φz  = 1 − iar intervalul căutat este:  m − z1− p σ , m + z1− p σ  .
p
 1−
2
2  2 2 
Uneori, când este vorba de α - cuantila superioară t, care satisface relaţia
P ( x ≥ t ) = α , aceasta se notează pentru simplificare t = zα .
Repartiţia normală este importantă pentru că în multe situaţii ea este o repartiţie limită.
c) Repartiţia χ 2 . Dacă Z1 , Z 2 ,K , Z n sunt variabile aleatoare normale

n
N ( 0,1) independente, atunci variabila χ n2 = ∑ Z i2 se numeşte variabilă χ 2 cu n
i =1
grade de libertate. Dacă însă, variabilele Z i , 1 ≤ i ≤ n sunt normale N ( mi ,1) atunci

n
variabila χ n ,δ = ∑ Z i2 se numeşte variabilă χ 2 necentrată cu n grade de libertate şi
i =1
n
cu parametrul de excentricitate δ unde δ 2 = ∑ mi2 . Densitatea de repartiţie χ n2
i =1
40
 1 n
−1 −
x
 n x 2
e 2
, dacă x > 0
 2 n
centrată este: f ( x) =  2 Γ   iar E  χ n2  = n ,
 2
 
0, altfel
( )
Var χ n2 = 2n , m0 = n − 2 . Variabila χ n2,δ are o densitate de repartiţie complicată
pe care nu o prezentăm aici. Se poate arăta că
E  χ 2
n ,δ
 = n + δ , Var  χ
2 2
n ,δ (
 = 2 n + 2δ 2
).
d) Repartiţia Student. Dacă Z este o variabilă N ( 0,1) independentă de
Z
variabila χ n2 atunci variabila: tn = se numeşte variabilă t sau variabilă student
χn
n
cu n grade de libertate. Densitatea de repartiţie Student este:
 n +1
Γ n +1
  x 2 − 2
2
f ( x) =   1+
  . Se poate vedea uşor că E [tn ] = 0 = m0 .
n  n 
Γ 
2
e) Repartiţia F a lui Snedecor. Dacă χ n2 , χ n2 sunt două variabile χ 2 centrate şi

1 2
n2 χ 2
n1
independente, atunci variabila: Fn1 ,n2 = se numeşte variabilă F centrată (a lui
n1 χ 2
n2
Snedecor) cu ( n1 , n2 ) grade de libertate (pentru care ordinea ( n1 , n2 ) este

importantă!) şi are densitatea de repartiţie:
n +n 
Γ 1 2  −
1
( n1 + n2 )
 2  n1 x 2 −1 1 + n1 
n1 2
f ( x) =  x .
n  n  n  n2 
Γ 1 Γ 2  2
2  2
Prin calcule se deduce că:
n2 ( n1 − 2 ) n 2n22 ( n1 + n2 − 2 )
m0 = , E  Fn1 ,n2  = 2 , Var  Fn1 ,n2  = .
n1 ( n2 + 2 ) n2 − 4 n1 ( n2 − 2 ) ( n2 − 4 )
2
41
Folosind variabile χ 2 independente şi necentrate se pot defini variabile simplu

necentrate de forma Fn1 , n2 ;δ1 ,0 , Fn1 ,n2 ;0,δ 2 sau dublu necentrate Fn1 ,n2 ;δ1 ,δ 2 . În statistică
se foloseşte de obicei variabila simplu necentrată Fn1 ,n2 ;δ1 = Fn1 ,n2 ;δ1 ,0 .
f) Repartiţia lognormală. Variabila Y > 0 are repartiţia lognormală LN ( µ , σ )

dacă variabila X = log Y este normală N ( µ , σ ) . Densitatea de repartiţie a lui Y
este:
( log y − µ )2
1 −
f ( y) =
2
e 2σ .
y 2πσ
Notând m = E [Y ] , s = Var (Y ) , se arată că între m, s şi µ , σ au loc relaţiile
2
1  m2   m2 
µ = log m − log  2 + 1 , σ 2 = log  2 + 1 .
2 s  s 
g) Repartiţia exponenţială negativă. Variabila X >0 are repartiţia

exponenţială negativă de parametri ( α ∈ , λ > 0 ), notată Exp (α , λ ) dacă
densitatea sa de repartiţie este
 0, daca x ≤ α
f ( x ) =  − λ ( x −α ) .
λ e , daca x > α
Prin calcule simple se deduc formulele:
1 1
E[X ] =α + , Var ( X ) = .
λ λ2
Variabila Z Î Exp ( 0,1) se numeşte variabilă exponenţială standard şi se notează
Z
simplu Exp (1) , iar legătura ei cu X Î Exp (α , λ ) este dată de relaţia X = α + .
λ
Funcţiile de repartiţie ale variabilelor Z şi X sunt respectiv:
1 − e− x , daca x > 0
G ( x) = P (Z < x) = 
0, daca x ≤ 0
1 − e ( ) , daca x > α

− λ x −α
F ( x) =  , F ( x ) = G (λ ( X − α )) .
0, daca x ≤ α
Cea mai utilizată repartiţie exponenţială este repartiţia Exp ( 0, λ ) = Exp ( λ ) .
42
h) Repartiţia Weibull. Variabila pozitivă X este variabilă Weibull de
(α , λ ,υ ) , α ∈ , λ > 0, υ > 0 , dacă densitatea sa de repartiţie este:
 υ  x − α υ −1 − x − a 
υ
 e  λ  , daca x > α
f ( x ) =  λ  λ  .

 0, altfel
Parametrul α este parametru de locaţie, λ este parametru de scală, iar υ este
parametru de formă. Variabila Z Î Weibull ( 0,1,υ ) este variabila Weibull standard.
Relaţia între variabilele Weibull X şi Z este X = α + Z λ , iar funcţiile lor de repartiţie
satisfac relaţiile:
0, daca x ≤ α

F ( x) = P ( X < x) =   x −α 
−
υ

1 − e  λ  , altfel
0, daca z < 0  x −α 

G (z) = P(Z < z) =  , F ( x) = G  .
− xυ
 1 − e , altfel  λ 
Pentru variabila Weibull ( 0, λ ,υ ) funcţia de fiabilitate este
υ
x
− 
P ( X ≥ x) = F ( x) = e λ
.
i) Repartiţia Gamma. Variabila pozitivă X are repartiţia

Gamma (α , λ ,υ ) , α ∈ , λ > 0, υ > 0 dacă densitatea sa de repartiţie este
 λυ
( x − α ) e−λ ( x−α ) , daca x > α
υ −1

f ( x ) =  Γ (υ ) .
 0, altfel

Variabila particulară Y Î Gamma ( 0,1,υ ) este variabila Gamma standard şi între Y
Y
şi X are loc relaţia X = α + .
λ
Funcţia caracteristică a lui Y şi media, respectiv dispersia sunt:
1
ϕ ( t ) = E  eitY  = , E [Y ] = υ , Var (Y ) = υ ,
(1 − it )
υ
υ υ υ −1
de unde E [ X ] = α + , Var ( X ) = 2 iar modul lui X este m0 = α + .
λ λ λ
43
O repartiţie Gamma particulară este repartiţia Erlang ( λ , k ) , λ > 0, k ∈ +

care este
de fapt repartiţia Gamma ( 0, λ , k ) . Se arată că dacă Z1 , Z 2 ,K , Z k sunt variabile
exponenţiale Exp ( λ ) atunci variabila aleatoare Ek = Z1 + Z 2 + L + Z k are repartiţia
Erlang ( 0, λ , k ) . Repartiţia Erlang ( 0,1, k ) este numită Erlang standard.
j) Repartiţia Lomax. Variabila aleatoare X are repartiţia Lomax ( a, θ ) , a,

 0, daca x ≤ 0

θ > 0, dacă densitatea sa de repartiţie este f ( x ) =  aθ .
, daca x > 0
 (1 + θ x )a +1

Media şi dispersia variabilei X sunt respectiv:

1 a
E[X ] = , Var ( X ) = 2 , a ≠ 1, a ≠ 2 .
θ ( a − 1) θ ( a − 1) ( a − 2 )
2
k) Repartiţia logistică. Variabila Y are repartiţia logistică standard dacă

e− x
densitatea sa de repartiţie este f ( x ) = , x∈ , de unde rezultă că funcţia
(1 + e )
2
−x
de repartiţie este:
1
F ( x) = .
1 + e− x
π2
Prin calcule se deduce că E [Y ] = 0, Var (Y ) = .
3
Densitatea şi funcţia de repartiţie logistică X Î Log (α , β ) , α , β > 0 , non
standard, sunt:
αβ e−α x 1
g ( x) = , G ( x) = .
(1 + β e ) 1 + β e −α x
2
−α x
l) Repartiţia Beta. Variabila Y are repartiţia Beta ( a, b ) , a, b > 0 , dacă

densitatea sa de repartiţie este
 1
 B a, b x (1 − x ) , daca x ∈ ( 0,1)
b −1
Γ (a + b)
a −1
g ( x) =  ( ) , B ( a, b ) = .
 0, altfel Γ ( a ) Γ (b)

44
Funcţia B ( a, b ) este funcţia specială Beta de unde provine şi numele repartiţiei. Se

arată că:
a ab
E [Y ] = , Var (Y ) = .
a+b ( a + b ) ( a + b + 1)
2
Densitatea de repartiţie g ( x) este unimodală, modul având expresia

a −1
m0 = , a + b − 2 ≠ 0.
a+b−2
Dacă Y1 Î Gamma ( 0,1, a ) , Y2 Î Gamma ( 0,1, b ) şi cele două variabile sunt
Y1
independente, atunci variabila X = are repartiţia Beta ( a, b ) . Repartiţia
Y1 + Y2
Beta ( a, b ) caracterizează frecvenţa relativă p a unui experiment aleator (adică p
este probabilitatea empirică a unui eveniment precizat).
m) Repartiţia valorii extreme. Variabila Y are repartiţia valorii extreme sau

repartiţia Gumbel dacă densitatea sa de repartiţie este
 0, daca x ≤ 0

g ( x ) =  1 − e x −1+ x , λ > 0.
 e λ , altfel
λ
0, daca x ≤ 0

Funcţia de repartiţie a lui Y este P (Y < x ) = G ( x ) =  e x −1 .
−
1 − e λ , altfel
n) Repartiţia Cauchy. Variabila Y are repartiţia Cauchy standard dacă densitatea

1
sa de repartiţie este g ( x ) = , x∈ . Funcţia caracteristică a lui Y este
(
π 1 + x2 )
ϕY ( t ) = E eitY  = e t , t ∈ şi deoarece această funcţie nu are derivată în punctul 0,
rezultă că variabila Cauchy nu are momente de nici un ordin (este un exemplu tipic în
acest sens!).
Se arată că dacă Z1 , Z 2 sunt variabile normale N ( 0,1) independente atunci variabila
Z1
Y= are repartiţia Cauchy standard. Dacă X 1 Î N ( m1 , σ 1 ) , X 2 Î N ( m2 , σ 2 )
Z2
x
sunt variabile (normale) independente, atunci variabila X = 1 are repartiţia Cauchy
x2
45
non-standard; o astfel de repartiţie are densitatea de repartiţie de forma
1
f ( x) = k , a > 0, c ∈ unde k este o constantă de normare.
( x − c)
2
1+
a
Dam mai jos, in Figura 1.5 F3, cateva densitati de repartitie cu care se lucreaza
mai frecvent in modelarea MADM:
Figura 1.5 F3. Cateva densitati de repartitie mai uzuale
7. Tipurile de scalare prezentate până acum se referă în principal la atributele de tip

explicit. Modelul extins al problemei alegerii optime conţine şi atribute de tip implicit,
atribute care nu se pretează cuantificării (cum ar fi implicaţiile logice, convingerile
46
experţilor bazate doar pe o experienţă vastă dar nevalidate matematic etc). Acest tip de
atribute ţin de domeniul cunoaşterii expert, iar informaţiile legate de ele sunt stocate
într-o bază de fapte şi reguli de tip expert. Această bază de cunoştinţe este alcătuită
dintr-un ansamblu de reguli de tipul:
IF condiţie (compusă) THEN acţiune (compusă).
Utilitatea acestei baze de cunoştinţe este multiplă:
- soluţionarea stărilor conflictuale între deciziile individuale ale decidenţilor,
conflicte ce pot apare în diferite etape ale rezolvării problemei alegerii optime;
- discriminarea în mulţimea soluţiilor în cazul unui optim multiplu al problemei
alegerii optime;
- recomandarea unei anumite metode de rezolvare în funcţie de specificul datelor
problemei alegerii optime.
8. Referitor la plajele de valori posibile ale atributelor, se constată că mulţimea acestor

plaje apare structurată ca un vector dublu (a cărui dimensiune este egală cu numărul
atributelor de tip explicit). Introducerea acestui vector în model a fost dictată de faptul
că un număr ridicat de metode de normalizare pornesc nu de la matricea OASD în
forma sa iniţială (caracterizată de un grad ridicat de neomogenitate cauzat de existenţa
mai multor tipuri de exprimare a atributelor) ci de la o formă normalizată a acesteia (în
care intrările sunt valori cuprinse între 0 şi 1, valoarea atributului unui obiect fiind cu
atât mai apropiată de 1 cu cât obiectul este mai apropiat de optim prin atributul
respectiv). Precizarea cât mai exactă a acestor plaje are ca efect obţinerea unei matrice
normalizate cât mai conformă cu realitatea (care exprimă fidel relaţia dintre nivelurile
unui atribut asociate obiectelor prin raportare la realitatea obiectivă) şi nu dependenţa
de o alegere (uneori aleatoare) a mulţimii obiectelor.
Evident, există situaţii în care decidenţii nu pot preciza una din limitele
atributului (de exemplu, se poate spune că timpul minim în care un om poate parcurge
pe jos distanţa de 100m este 9.8s, dar nu se poate spune care este timpul maxim de
parcurgere a acestei distanţe) şi există situaţii în care decidenţii nu pot preciza nici una
dintre limitele acestuia (de exemplu, numărul de persoane care se găsesc pe o stradă la
un moment dat).
Reamintim că relaţia de ordine "mai bun" (≥) definită în cadrul modelului
pentru nivelurile unui atribut este strâns legată de sensul atributului respectiv (de
maxim sau de minim). Având în vedere acest aspect, în cazul necunoaşterii unei limite
pentru un atribut, vom aproxima această limită în mod grosier, astfel:
a) pentru atribute de maxim:
- opt_a[j] se alege:
1, dacă exprim_a[j] = -2;
1020, dacă exprim_a[j] = 0;
cuantila vagă din dreapta scalei, dacă exprim_a[j] > 0; (1.5 R1)
- pes_a[j] se alege:
-1020, dacă exprim_a[j] = 0;
cuantila vagă din stânga scalei, dacă exprim_a[j] > 0. (1.5 R2)
47
b) pentru atribute de minim:
- opt_a[j] se alege:
-1020, dacă exprim_a[j] = 0;
cuantila vagă din stânga scalei, dacă exprim_a[j] > 0; (1.5 R3)
- pes_a[j] se alege:
1020, dacă exprim_a[j] = 0;
cuantila vagă din dreapta scalei, dacă exprim_a[j] > 0. (1.5 R4)
În condiţiile de mai sus, apare ca evidentă legătura existentă între vectorul dublu
al limitelor atributelor şi vectorul sensurilor atributelor. Această legătură este surprinsă
de următoarea:
Teoremă 1.5 T1:

Cunoaşterea vectorului sensurilor este echivalentă cu cunoaşterea vectorului dublu al
limitelor.
Demonstraţie:
Pentru a fixa notaţiile, fie T = (t1 , t 2 , ..., t j ) vectorul sensurilor atributelor, unde:
" maxim", daca atributul a j este de maxim;

t =
" minim", daca atributul a j este de minim .
j
”T⇒Lim”: Presupunem cunoscut t j , (∀) j = 1, j .

- dacă t j =”maxim” ⇒ alegem opt _ a[ j ] din formula (1.5 R1) şi pes _ a[ j ] din
formula (1.5 R2), în conformitate cu exprim _ a[ j ] .
- dacă t j =”minim” ⇒ alegem opt _ a[ j ] din formula (1.5 R3) şi pes _ a[ j ] din
formula (1.5 R4), în conformitate cu exprim _ a[ j ] .
” Lim ⇒ T”: Presupunem cunoscute perechile ( opt _ a[ j ] , pes _ a[ j ] ),

(∀) j = 1, j .
- dacă exprim _ a[ j ] = 1:
o dacă opt _ a[ j ] > pes _ a[ j ] ⇒ t j = ”maxim”;
o dacă pes _ a[ j ] > opt _ a[ j ] ⇒ t j = ”minim”;
- dacă exprim _ a[ j ] = 2:
o daca opt _ a[ j ] > pes _ a[ j ] ⇒ t j = ”minim”;
o daca pes _ a[ j ] > opt _ a[ j ] ⇒ t j = ”maxim”;
- dacă exprim _ a[ j ] = 3, se consultă scala asociată atributului a j :
48
o dacă opt _ a[ j ] este la dreapta lui pes _ a[ j ] ⇒ t j = ”maxim”;

o dacă pes _ a[ j ] este la stânga lui opt _ a[ j ] ⇒ t j = ”minim”;
ceea ce arată că T este deplin cunoscut, şi demonstraţia se încheie.
Deşi, în baza teoremei precedente, vectorul sensurilor şi vectorul dublu al

limitelor atributelor sunt echivalenti (în sensul că cunoaşterea unuia conduce la
constituirea celuilalt), este evident că vectorul dublu al limitelor atributelor conţine un
plus de informaţie faţă de vectorul sensurilor atributelor prin însăşi introducerea unor
plaje de valori pentru atribute.
9. Mulţimea standardelor, structurată ca un vector dublu, a fost introdusă în modelul

matematic în ideea diminuării plajelor admisibile de valori ale atributelor prin
introducerea unor exigenţe suplimentare ale decidenţilor în raport cu mulţimea
obiectelor. Evident, absenţa precizării unei componente a unei perechi de forma
(pesst_a[j], optst_a[j]) exprimă o exigenţă parţială a decidenţilor, iar absenţa ambelor
componente ale acestui vector dublu pentru un anumit atribut exprimă lipsa exigenţelor
suplimentare faţă de atributul respectiv. Precizarea unei mulţimi de standarde poate
avea ca efecte:
- reducerea dimensiunii modelului prin eliminarea, încă din start, a elementelor care
sunt "out of standard" prin cel puţin un atribut şi rezolvarea problemei în modelul
redus;
- rezolvarea problemei fără reducerea dimensiunii în prealabil şi marcarea, în cadrul
soluţiei, a obiectelor care sunt "out of standard".
10. Fără a fi absolut necesar, putem considera Card S ≤ 5, întrucât:

- sunt greu de imaginat cazuri concrete în care să se impună rezolvarea problemei
într-un număr de stări ale naturii superior lui 5;
- fiind practic imposibil ca un număr mare de stări ale naturii să fie echiprobabile,
faptul că una din aceste stări este mai probabilă decât celelalte ar conduce la luarea
în consideraţie a unor stări ale naturii cu probabilităţi de apariţie inferioare lui 0,1
(uneori chiar foarte mici) ceea ce face ca aceste stări să fie, practic,
nesemnificative pentru problema alegerii optime.
11. Fără a fi absolut necesar, putem considera Card D ≤ 5, întrucât:

- practica demonstrează că această condiţie apare ca firească, situaţie în care l ≥ 6
fiind foarte rare;
- într-un colectiv de decidenţi există, cel mai adesea, unul cu importanţă mai mare
decât a celorlalţi şi luând 1 ≥ 6, unii dintre decidenţi ar avea o importanţă relativ
mică, ei neputând influenţa decât într-o mică măsură soluţia problemei;
- dacă totuşi numărul de decidenţi este cel puţin 6, se pot imagina metode de
rezolvare a problemei alegerii optime bazate pe cele existente (prin formarea de
grupuri de decidenţi cu cel mult 5 componenţi şi agregarea soluţiilor obţinute de
fiecare grup etc.).
49
Practica demonstreză într-adevăr că în procesul decizional sunt rareori implicaţi mai
mulţi decidenţi. Dacă totuşi asemenea situaţii apar, se pot imagina metode de rezolvare
ale problemei alegerii optime în acest context, prin alcătuirea de grupuri de câte maxim
5 decidenţi, rezolvarea problemei în cadrul fiecărui grup şi agregarea soluţiilor obţinute
(tot printr-o metodă specifică problemei).
12. Conceptul de importanţă relativă a decidentului desemnează o masură a experienţei

şi competenţei acestuia exprimată prin raportare la ceilalţi decidenţi sau, într-un context
mai general, locul pe care acesta îl ocupă într-o ierarhie a tuturor decidenţilor implicaţi
în rezolvarea unei probleme. Este clar că, într-un grup de decidenţi, un anumit decident
poate avea o importanţă iar în alt grup, acelaşi decident poate avea o altă importanţă.
13. Există posibilitatea de a exprima într-o manieră relativă importanţele pentru oricare
din elementele celor patru entităţi fundamentale: O, A, S, D.
14. Zona complet definită a matricei OASD apare ca un bloc în patru dimensiuni: i, j, k,
l. Se presupune îndeplinită condiţia de omogenitate a exprimării atributelor în matricea
OASD în ceea ce priveşte unitatea de măsura a acestora. Astfel, fixând un anumit
atribut aj toate elementele niv_oasd[i, j, k, l] sunt exprimate în aceeaşi unitate de
măsură.
În plus, se presupune îndeplinită condiţia de omogenitate în ceea ce priveşte
unitatea de măsură a atributului aj (în exprimare cardianală) pentru toate obiectele,
toate stările naturii şi toti decidenţii, cât şi condiţia ca un atribut să aibă acelaşi tip de
exprimare în toate stările naturii şi pentru toţi decidenţii; în cazul exprimării atributelor
prin cuantile vagi definite de trapeze fuzzy, se presupune că toate atributele au acest tip
de exprimare.
15. Rezolvarea problemelor în care cel puţin un atribut este exprimat prin trapeze fuzzy
se poate face fie prin de-fuzzy-ficarea tuturor atributelor astfel exprimate şi aplicarea
unor metode clasice, fie prin aplicarea de metode specifice problemelor fuzzy, acest tip
de abordare necesitând ca toate atributele să fie exprimate prin trapeze fuzzy eventual
degenerate.
16. Mulţimea AASD a importanţelor relative ale atributelor apare ca un masiv în patru
dimensiuni. Chiar şi în cazul problemelor de dimensiuni medii (j=20, k=l=3) încărcarea
elementelor acestui masiv (20 x 20 x 3 x 3 elemente) este un proces anevoios. În plus,
există situaţii în care se cunosc nu importanţele relative ale atributelor, ci chiar
importanţele ca atare ale acestora (exprimate adesea prin punctaje obţinute prin
raportarea la un optim real sau fictiv). Vom lua în consideraţie şi această mulţime
notată ASD şi numită mulţimea importanţelor atributelor. Aceasta apare ca un masiv
tridimensional ASD= {pond_a[j,k,l]| j = 1, j , k = 1, k , l = 1, l }.
Printr-un procedeu simplu de normalizare (după cum se va vedea în cele ce urmează)
se poate presupune că, fixând k şi l, fiecare element pond _ a[ j , k , l ] are semnificaţia
unei ponderi:
50
0 < pond _ a[ j , k , l ] < 1, (∀) j = 1, j , (∀) k = 1, k , (∀) l = 1, l

j
∑ pond_a[ j , k , l ] = 1, (∀) j = 1, j , (∀) k = 1, k , (∀) l = 1, l .
j =1
Vom numi vectorul de mai sus vectorul ponderilor atributelor.
17. Vom nota, pentru k şi l fixaţi: irel _ aa[ j1 , j 2 , k , l ] = b[ j1 , j 2 ] .

Fie setul de relaţii:
b[ j , j ] = 1, (∀) j = 1, j (1.5 R5)
b[ j1 , j 2 ] ⋅ b[ j 2 , j1 ] = 1 (∀) j1 , j 2 = 1, j (1.5 R6)
b[ j1 , j 2 ] ⋅ b[ j 2 , j3 ] = b[ j1 , j3 ] , (∀) j1 , j 2 , j3 = 1, j (1.5 R7)
Fie k şi l fixati şi B= (b[ j1 , j 2 ])1≤ j1 , j2 ≤ j secţiunea în AASD după k şi l.
Definiţie: Spunem că matricea B este:
- coerentă, dacă se verifică relaţiile (1.5 R5), (1.5 R6), (1.5 R7);
- slab coerentă, dacă se verifică relaţiile (1.5 R5), (1.5 R6);
- incoerentă, dacă se verifică relaţiile (1.5 R5).
Legătura dintre mulţimile AASD şi ASD este exprimată de următoarele rezultate:
Teorema 1.5 T2:

Cunoaşterea mulţimii AASD este echivalentă cu cunoaşterea mulţimii ASD.
Demonstraţie: ”ASD⇒AASD”: Presupunem cunoscută mulţimea ASD; fie atributele

a j1 , a j2 cărora decidentul d l le acordă ponderile pond _ a[ j1 , k , l ] ,
pond _ a[ j 2 , k , l ] în starea s k . Vom alege:
pond _ a[ j1 , k , l ]
irel _ aa[ j1 , j 2 , k , l ] = (1.5 R8)
pond _ a[ j 2 , k , l ]
Vom arăta că relaţia (1.5 R8) defineşte pentru orice k şi l câte o matrice B coerentă
astfel:
pond _ a[ j1 , k , l ]
b[ j1 , j1 ] = = 1, (∀) j1 = 1, j
pond _ a[ j1 , k , l ]
pond _ a[ j1 , k , l ] pond _ a[ j 2 , k , l ]
b[ j1 , j 2 ] ⋅ b[ j2 , j1 ] = ⋅ = 1,
pond _ a[ j 2 , k , l ] pond _ a[ j1 , k , l ]
(∀) j1 , j2 = 1, j
pond _ a[ j1 , k , l ] pond _ a[ j 2 , k , l ]
b[ j1 , j 2 ] ⋅ b[ j 2 , j3 ] = ⋅ = b[ j1 , j3 ] ,
pond _ a[ j 2 , k , l ] pond _ a[ j3 , k , l ]
(∀) j1 , j 2 , j3 = 1, j
ceea ce demonstrează implicaţia.
51
”AASD⇒ASD”: Presupunem cunoscută mulţimea AASD. Fie k, l fixaţi. Vrem să
determinăm valorile variabilelor ( p1 , p 2 , ..., p j ) astfel încât:
 p j1
b[ j1 , j2 ] = , ∀ j1 , j2 = 1, j
 p j2
 (1.5 R9)
 j p =1
 ∑
j =1
j
j j
Considerăm funcţia Z : ∆ → R , Z ( p1 , p 2 , ..., p j ) = ∑ ∑ (b[ j1 , j 2 ] p j2 − p j1 ) ,
2
j1 =1 j2 =1
 j 
unde ∆ = ( p1 , p 2 , ..., p j ) ∈ (0,1) ∑ p j = 1 .
n
 j =1 
Observăm că pentru a determina un n-uplu ( p1 , p 2 , ..., p j ) care să verifice relaţiile
(1.5 R9) este echivalent cu a determina un punct din ∆ în care Z să se anuleze. Cum
∀ ( p1 , p 2 , ..., p j )∈∆ , Z ( p1 , p 2 , ..., p j ) ≥ 0 , deducem că punctele în care se verifică
(1.5 R9) sunt punctele de minim ale lui Z dacă astfel de puncte există. Întrucât nu
putem şti dacă cerinţa de a se realiza (1.5 R9) nu este prea restrictivă, vom impune
condiţia ca ( p1 , p 2 , ..., p j ) să fie doar punct de minim pentru Z (este uşor de
observat că dacă o matrice B verifică relaţii de tipul (1.5 R9) ⇒ B este coerentă).
Pentru acest lucru considerăm funcţia lui Lagrange:
j j
 j 
L = ∑ ∑ (b[ j1 , j 2 ] p j2 − p j1 ) + 2λ  ∑ ( p[ j ] − 1 .
j1 =1 j2 =1  j =1 
Împunând condiţiile de anulare a derivatelor lui L se obţine sistemul:
c[1,1] p1 + ... + c[1, j] p j + λ = 0

M

c[ j,1] p1 + ... + c[ j, j] p j + λ = 0
 p1 + ... + p j =1

unde:
j
c[ j1 , j1 ] = ∑ b[ j , j1 ]2 + 2 , (∀) j1 = 1, j
j =1
j ≠ j1
c[ j1 , j 2 ] = −(b[ j1 , j 2 ] + b[ j 2 , j1 ]) , (∀) j1 ≠ j 2 ; j1 , j 2 = 1, j .
Sistemul de mai sus are j +1 ecuaţii şi j +1 necunoscute: ( p1 , p 2 , ..., p j , λ ) şi poate
fi rezolvat cu metoda lui Gauss; prin rezolvare se poate ajunge la obţinerea mai multor
mulţimi ASD şi demonstraţia se încheie.
Din demonstraţia acestei teoreme rezultă următoarele observaţii:

52
a) Implicaţia ASD ⇒ AASD oferă o metodă de construcţie a unei mulţimi AASD în care
fiecare matrice B este coerentă.
b) Implicaţia AASD ⇒ ASD conţine o metodă de determinare a mulţimii ASD într-un
cadru foarte larg (în care fiecare matrice B este incoerentă) conducând, după aplicarea
metodei prezentate la ASD ⇒ AASD, la coerentizarea lui AASD.
Dacă toate matricele B din AASD sunt coerente, putem oferi un rezultat mai
precis decât cel din teorema 1.5 T2:
Propoziţia 1.5 P1: Mulţimea AASD (coerentă) este perfect determinată de elementele
irel _ aa[ j1 , j 2 , k , l ] cu 1 ≤ j1 , j 2 ≤ j , 1 ≤ k ≤ k , 1 ≤ l ≤ l .
Demonstraţie:
Fie k , l fixaţi. relaţia 1.5 R4 arată că B are pe diagonala principală j valori de 1.
Relaţia 1.5 R6 arată că, odată determinat b[ j1 , j 2 ] (cu j 2 > j1 ), elementul b[ j 2 , j1 ]
se poate determina. Considerăm propoziţia:
P(r):”se cunosc elementele b[ r , j ] , (∀) r = 1, j -1, (∀) j = r + 1, j “ pe care o
demonstrăm prin inducţie după r .
P(1) este adevarată (din ipoteza).
Presupunem cunoscute elementele b[ r , r + 1] , …, b[ r , j] si fie j ∈ {r + 2, ..., j} . Din
relaţia 1.5 R7 deducem:
b[r , j ]
b[ r + 1, j ] =
b[r , r + 1]
şi demonstraţia se încheie.
Teorema 1.5 T3:

Dacă AASD este coerentă (adică toate matricele B sunt coerente) atunci există o unică
mulţime ASD astfel încât relaţiile 1.5 R 9 să fie verificate.
Demonstraţie: Fie k , l fixaţi. Relaţiile 1.5 R9) sunt echivalente cu sistemul:

 p1 = b[1, 2] p 2 = b[1, 3] p3 = ... = b[1, j] p j

 p 2 = b[2, 3] p3 = ... = b[2, j] p j
M

 p j− 2 = b[ j − 2, j − 1] p j−1 = ... = b[ j − 2, j] p j

 p j−1 = b[ j − 1, j] p j
j
∑ p j = 1
 j =1
În baza relaţiilor 1.5 R7 unele din ecuaţiile sistemului de mai sus sunt redundante.
Făcând eliminările, se obţine:

53
 p j−1 = b[ j − 1, j] p j

M
 p1 = b[1, j] p j
j
∑ p = 1
 j =1 j
 j-1
 1 b[ j , j]
⇒ p j 1 + ∑ b[ j , j]  = 1 ⇒ p j = j-1
si p j = j
, (∀) j = 1, j-1
 j =1  1 + ∑ b[ j , j] 1 + ∑ b[r , j]
j =1 r =1
(1.5 R10)
ceea ce încheie demonstraţia, deoarece:
irel _ aa[ j1 , j 2 , k , l ] = b[ j1 , j 2 ] =
1 + j-1 b[r , j] p
 ∑  j1 p j1 pond _ a[ j1 , k , l ]
 r =1  = = .
1 + b[r , j] p
j-1
p j2 pond _ a[ j 2 , k , l ]
 ∑  j2
 r =1 
Cu alte cuvinte, pornind de la o mulţime AASD coerentă, construind mulţimea ASD
prin relaţiile 1.5 R10 şi aplicând construcţia de la ASD⇒AASD se constată că se ajunge
de unde am plecat.
Rezultatele de mai sus conturează destul de clar relaţia dintre ASD şi AASD
situându-le oarecum în acelaşi plan.
Am preferat în model mulţimea AASD mulţimii ASD deoarece, deşi poate
introduce un grad de inconsistenţă în datele problemei, exprimările importanţelor
relative sunt totuşi mai naturale (surprinzând mai fidel raporturile dintre importanţele
atributelor) decât exprimările importanţelor ca atare ale atributelor, realizate de cele
mai multe ori printr-o simplă notare a atributelor. Soluţia problemei alegerii optime
este deplin concordantă cu datele problemei numai într-una din următoarele situaţii:
- se introduce mulţimea importanţelor ASD;
- se introduce mulţimea importanţelor relative AASD, care să fie coerentă.
Utilizarea unei matrice AASD slab coerente sau incoerente atrage dupa sine
necesitatea coerentizării acesteia, soluţia problemei fiind deplin concordantă cu
matricea rezultată după coerentizare, nu cu cea initială. Menţionăm că utilizatorul
trebuie să aibă posibilitatea să opteze pentru una din aceste mulţimi.
Precizăm că cele mai multe din metodele de rezolvare prezentate pornesc de la
mulţimea ponderilor ASD. Dacă utilizatorul produsului program are abilitatea de a
încărca elementele acestei mulţimi, soluţia problemei va fi în deplină concordanţă cu
mulţimea încărcată.
Dacă utilizatorul preferă să introducă elementele mulţimii importanţelor relative
AASD, există posibilitatea ca matricele introduse de acesta să fie coerente. Prin urmare,
se va determina (conform 1.5 T3) mulţimea ponderilor corespunzătoare, apoi se va
54
construi din această nouă mulţime a importanţelor relative (care de această dată este cel
putin coerentă), iar metoda de rezolvare a problemei va porni fie de la această nouă
mulţime de tip AASD, fie de la vectorul ponderilor mai sus determinat.
Prin urmare, soluţia problemei va fi concordantă într-o măsură mai mică cu
mulţimea AASD încărcată de utilizator.
18. Utilitatea mulţimii Eval_od este una multiplă:

a) ierarhizarea subiectivă exprimată de această mulţime pentru un anumit decident
marchează o anumită preferinţă a acestuia pentru anumite obiecte, preferinţă cauzată de
convingerile acestuia. Precizăm că există metode de rezolvare a problemei alegerii
optime care utilizează elementele acestei mulţimi;
b) aceasta poate fi o expresie a competenţei decidenţilor prin compararea ierarhizării pe
care o conţine cu cea dată de una din metodele de rezolvare a problemei.
Relaţiile care se stabilesc între scopurile problemei alegerii optime sunt exprimate de
următoarea:
Teorema 1.5 T4:

S3⇒S1⇒S2. În plus, dacă se doreşte o evaluare ordinală, avem S3⇒S1⇒S2.
Demonstraţie:
“S1⇒ S2”: Presupunem că ştim să obţinem obiectul optim din orice mulţime finită de
obiecte O, cu Car O = i. Aplicăm o metodă de obţinere a acestui optim pentru O şi
obţinem elemenetul oi1 . Aplicăm metoda de obţinere a obiectului optim pentru O \
{ oi1 } şi obţinem elementul oi1 . Se iterează procedeul de mai sus până când în O
rămâne un singur element. Ordinea în care au fost găsite elementele (oi1 , oi2 , ... ) va fi
ordinea în ierarhia cautată.
“S2⇒ S3”: Presupunem că cunoaştem o ierarhizare a obiectelor din O. Ordinea dată de
această ierarhizare constituie o evaluare ordinală a obiectelor din O. Întrucât o evaluare
cardinală a obiectelor nu poate fi determinată de simpla lor ierarhizare, implicaţia S2⇒
S3 este valabilă doar în cazul evaluărilor ordinale.
“S3⇒ S1”: Presupunem că avem la dispoziţie o evaluare a fiecărui obiect din O.
- dacă evaluarea este de natură cardinală, obiectul optim va fi acela pentru care
evaluarea este maximă;
- dacă evaluarea este de natură ordinală, obiectul optim va fi acela a cărui evaluare este
1.
“S2⇒ S1”: Rezultă din echivalenţa evaluării ordinale cu ierarhizarea obiectelor şi din
cele demonstrate mai sus, ceea ce încheie demonstraţia.
19. Referitor la mulţimea Eval_om (care conţine o soluţie a problemei alegerii optime)
facem precizarea că exigenţa noastră este ca soluţia să fie unică în raport cu fiecare
metodă, ceea ce semnifică faptul că nu sunt admise "soluţii parţiale" (corespunzătoare
unor anumiţi decidenţi şi/sau anumitor stări ale naturii). Fără a reduce generalitatea
putem fixa la 5 numărul maxim de asemenea mulţimi.
55
20. Numim caracterizare a unui obiect, raportul în care acesta se găseşte atât cu
celelalte obiecte (câte obiecte domină, de câte este dominat, prin câte atribute este cel
mai bine evaluat) cât şi cu obiectele fictive sau reale definite de standardele atributelor
(dacă este sau nu ”out of standard“). În cadrul modelului, mulţimea Car este cea menită
să exprime, prin componentele sale, caracterizări pentru obiecte. O asemenea
caracterizare este gândită ca o funcţie injectivă definită pe O cu valori în ℜ. Aceată
funcţie este însoţită de o procedură de "decodificare" (interpretare) a valorilor sale.
Informaţiile stocate în această mulţime sunt menite să îmbogăţească soluţia problemei
cu date care nu rezultă din metodele clasice de rezolvare, date utilizate în faza finală a
stabilirii soluţiei problemei, când sunt necesare discriminări suplimentare între soluţiile
obţinute.
Propoziţia 1.5 P2:

O valoare car_o[i] ≠ NULL de modul inferior lui i ⋅ j constituie o caracterizare a
2
obiectului oi , (∀) i = 1, i .
Demonstraţie:
Presupunem car_o[i] ≠ 0 ( ≠ NULL). Oricum, notând e = car_o[i], e ∈ Z.
- dacă e < 0 ⇒ obiectul oi este ”out of standard“;
- dacă e > 0 ⇒ obiectul oi este conform standardelor;
- dacă e < i ⇒ obiectul oi este dominat (în toate stările) de e obiecte şi nu
domină nici un obiect;
e 
dacă e∈[i, i ) ⇒ obiectul oi domină 
2
-  < i obiecte;
 i 
o dacă i ∣ e ⇒ obiectul oi nu este dominat;
  e 
o dacă i ∤ e ⇒ obiectul oi este dominat de  e − i ⋅    obiecte;

  i 
e
dacă e∈[i , i ⋅ j) ⇒ există < j atribute prin care obiectul oi este mai bine
2 2
-
i2
evaluat;
dacă i ∣ e ⇒ obiectul oi nu domină şi nu este dominat;
2
o
dacă i ∤ e atunci:
2
o
 e 
e − i2 ⋅  2 
- dacă i ∣ e ⇒ obiectul oi domină
 i  obiecte şi nu
i
este dominat;
56
- dacă i ∤ e atunci:
e  e  e 
a) dacă e − i ⋅  ≥ − ⋅
2
2  i ⇒ obiectul oi domină  i  2 
i   i  i  
 e  e  e  
obiecte şi este dominat de  e − i ⋅  2  − i  − i ⋅  2  
2
  i   i  i   

obiecte;
e 
b) dacă e − i 2 ⋅  2  i = 27 ( i =9) ⇒ există 1
atribut prin care obiectul oi este cel mai bine evaluat. Se observă că i ∤ 29 iar 29 – 9 ⋅
3 = 2 < i ⇒ oi nu domină alte obiecte dar este dominat de 2 obiecte.
Mulţimea Car conţine informaţii suplimentare despre soluţie de tipul: obiectul oi nu

numai că are evaluarea eval_om[i] dar el chiar domină u obiecte, este dominat de r
obiecte, este cel mai bine evaluat prin v atribute şi este (sau nu) ”out of standard“.
21. După cum s-a putut observa, modelul conţine o serie de elemente de tip importanţă.
Metodele de rezolvare a problemei alegerii optime operează cu aceste elemente într-o
r
formă normalizată. Astfel, dacă importanţele p1 , p 2 , ..., pr > 0 astfel încât ∑ pα ≠ 1
α =1
pα
se aleg ca importante valorile normalizate pα ' = r
, (∀)α = 1, r si astfel
∑ pβ
β =1
r
∑ pα ' ≠ 1
α =1
22. Cu excepţia zonei incomplet definite a masivului OASD, toate elementele

modelului matematic prezentat au fost introduse în limbajul funcţiilor, ceea ce face ca
toate aceste elementele să fie, în mod implicit, masive dense. De aici decurge
necesitatea cunoaşterii prealabile a tuturor informaţiilor necesare definirii complete a
modelului. Excepţie de la această cerinţă face numai zona incomplet definită a
57
masivului OASD, în care se acceptă incompletitudinea datelor. Această zonă este
completată ulterior utilizând metode specifice inteligenţei artificiale, deşi este de
presupus că vor rămâne elemente necunoscute chiar şi după această etapă.
Sa facem o scurta recapitulare asupra modelelor si modelarii MADM. După cum

s-a văzut la modul general, modelele de decizii multiatribut presupun existenţa unei
mulţimi de obiecte date şi a unei mulţimi de atribute în raport cu care se cere alegerea
unui obiect optim. Se poate afirma, fără să se greşească, că orice formulare de
problemă, în care se urmăreşte alegerea unui obiect optim in raport cu mai multe
atribute, conform unui procedeu care poate fi algoritmizat, conduce natural la un model
MADM. În legătură cu mulţimea obiectelor, singura restricţie care se impune, pentru
ca sa se poata aborda rezolvarea unei probleme de alegere optima, este ca aceasta să fie
finită şi să aibă cel puţin două elemente. Fiecare obiect din această mulţime este
evaluat prin intermediul mulţimii de atribute despre care se presupune a fi nevidă. Se
urmăreşte alegerea unui obiect de aşa natură încât să fie satisfăcute, la modul optim,
atributele avute în vedere. Problema poate să comporte un grad ridicat de complexitate
chiar şi atunci când se au în vedere doar câteva atribute. În momentul în care numărul
atributelor este mai mare, complexitatea problemei creşte considerabil. Această
creştere a complexităţii derivă din faptul că, în quasi-totalitatea situaţiilor reale,
atributele sunt conflictuale, altfel spus, un obiect se poate situa pe un loc foarte bun în
raport cu unul din atribute, dar pe un loc foarte slab în raport cu un alt atribut. Atenţie,
de regulă, în MADM se impune condiţia ca atributele să fie mutual independente.
58
2. PROBLEMA ALEGERII OPTIME
Se poate afirma, fără să se greşească, că orice formulare de problemă, în care

se urmăreşte alegerea unui obiect optim într-o mulţime discretă, conform unui
procedeu care poate fi algoritmizat, conduce natural la necesitatea unui model MADM.
În legătură cu mulţimea obiectelor, singura restricţie care se impune, pentru ca să se
poată aborda rezolvarea unei probleme de alegere optimă, este ca aceasta să fie finită şi
să aibă cel puţin două elemente. Fiecare obiect din această mulţime este evaluat prin
intermediul mulţimii de atribute despre care se presupune a fi nevidă. Se urmăreşte
alegerea unui obiect de aşa natură încât să fie satisfăcute, la modul optim, atributele
avute în vedere. Problema poate să comporte un grad ridicat de complexitate chiar şi
atunci când se au în vedere doar câteva atribute. În momentul în care numărul
atributelor este mai mare, complexitatea problemei creşte considerabil. Această
creştere a complexităţii derivă din faptul că, în quasi-totalitatea situaţiilor reale,
atributele sunt conflictuale, altfel spus, un obiect se poate situa pe un loc foarte bun în
raport cu unul din atribute, dar pe un loc foarte slab în raport cu un alt atribut. De
regulă, se impune condiţia ca mulţimea atributelor să fie finită iar atributele să fie
mutual independente. Specific problemelor de decizii multiatribut este deci faptul că,
dată fiind o mulţime de obiecte (alternative, variante), se fac mai multe aprecieri asupra
acestei mulţimi, ţinând cont de mai multe atribute ale obiectelor, aprecierile având
natura neomogenă sau, în cele mai multe cazuri, conflictuală. Această natură
conflictuală a aprecierilor poate să aibă mai multe cauze, cele mai importante fiind:
- caracterul intrinsec conflictual al atributelor,
- existenţa mai multor specialişti (decidenţi, experţi) care participă la evaluarea
obiectelor,
- luarea în considerare a mai multor stări ale naturii.
Pe de altă parte, rezolvarea unei probleme de alegere optimă implică:
- punctul de vedere al matematicianului relativ la problema dată (cum înţelege el să
determine obiectul optim),
- algoritmul care implementează acest punct de vedere,
- validitatea modelului.
Problema alegerii optime presupune ridicarea sa peste modelul MADM
consistent definit. În construcţia unui model MADM, după stabilirea mulţimii
decidenţilor, aceştia, în mod independent, într-o primă etapă, stabilesc mulţimea
stărilor naturii, mulţimea atributelor şi mulţimea obiectelor, apoi încarcă matricile
obiecte – atribute pentru stările naturii. Pentru că nimeni nu coordonează această
activitate, fiecare decident va alege stările naturii, atributele şi obiectele pe care crede
de cuvintă că trebuie să fie entităţi ale modelului. Într-o a doua etapă, decidenţii convin
asupra entităţilor finale ale modelului şi fiecare decident va asigna în fiecare stare a
naturii valori precise tuturor atributelor, căutând să redea modelului proprietatea de
completitudine. În cazul în care problema este caracterizată de incompletitudine, într-o
a treia etapă, reguli de productie, înglobând cunoaşterea expert, vor completa datele
absente. De asemenea, regulile de validare se vor ocupa cu validarea datelor de intrare
din punct de vedere al corectitudinii sintactice / semantice şi al credibilităţii.
Proprietatea de corectitudine sintactică şi semantică a datelor problemei se referă la
59
valorile pe care decidenţii le asignează atributelor, valori ce trebuiesc să satisfacă
anumite condiţii (a avea un anumit tip, numeric sau alfanumeric, a se situa în anumite
intervale, a fi exprimate în aceeaşi unitate de măsură, etc.). Proprietatea de credibilitate
se referă la relaţiile între atributele unui anume obiect, care relaţii să facă credibilă
existenţa unui astfel de obiect.
Astfel datele de intrare ce formează relaţia ODSA, în care fiecare element
reprezintă, pentru un anumit obiect, valoarea unui atribut într-o anumită stare a naturii
şi în viziunea unui anumit decident pot fi percepute ca un tensor în patru dimensiuni.
De la acest tensor, ca principală sursă de date, plus importanţele atributelor, stărilor
naturii şi decidenţilor, se pleacă în generarea problemelor de alegere optimă.
2.1 Generarea problemelor de alegere optimă peste modelul MADM
Generarea problemelor de alegere optimă, ca activitate conceptuală, presupune,

la intrare un model MADM, consistent definit, plus un set de parametri de intrare, iar la
ieşire un set de scalări, vectori şi masive structuraţi de aşa manieră încât să faciliteze
rezolvarea multinivel a problemei. Parametrii de intrare se referă la ce decidenţi, stări
ale naturii, atribute şi obiecte intră în instanţă / problema respectivă alături de numele
său. Problemele de alegere optimă ce presupun mai mulţi decidenţi şi mai multe stări
ale naturii reprezintă, din punct de vedere istoric, o extensie a problemelor de tip mono-
decident şi mono-stare a naturii. Astăzi totuşi problema trebuie privită aşa cum apare
ea: cu mai mulţi decidenţi şi mai multe stări ale naturii, cu mai mulţi decidenţi şi o
singură stare a naturii, cu un decident şi mai multe stări ale naturii, cu un decident şi o
singură stare a naturii. Aceasta pentru că am definit o rezolvare unitară pentru toate
aceste cazuri. S-a amintit despre necesitatea facilitării calculelor multinivel. Aceasta
decurge din însăşi structura multinivel a modelului MADM. Cadrul decizional pentru
judecarea obiectelor, sau cum obişnuiesc să spună alţi specialişti în domeniu,
variantelor decizionale, este definit în ordine ierarhică de decidenţi, stări ale naturii şi
atribute.
2.2 Indicaţii metodologice privind rezolvarea problemelor de alegere optimă
Rezolvarea unei probleme de alegere optimă în paradigma MADM, care implică

mai mulţi decidenţi şi mai multe stări ale naturii, presupune construcţia unui arbore
special, de tipul celui din Figura 2.2 F1. Rădăcina acestui arbore, nivelul 0, este
reprezentată de modelul consistent definit cu instanţa sa (problema generată), la nivelul
1 în acest arbore se găsesc decidenţii d1, d2,…, dl, la nivelul 2 se găsesc stările naturii
s1, s2,…, sk iar la ultimul nivel, nivelul 3, se găsesc atributele a1, a2,…, aj. De remarcat
că acest arbore are proprietatea că fiecare nod de pe un anumit nivel are aceiaşi
descendenţi (ca număr şi semnificaţie). Aceasta pentru că, dacă pentru început, fiecare
decident din mulţimea D = { d [l ] | l = 1,l } îşi stabileşte mulţimea stărilor naturii şi
mulţimea atributelor pe care le consideră semnificative, în final toţi decidenţii convin
asupra aceleiaşi mulţimi de stări ale naturii S = { s[k ] | k = 1, k } şi aceleiaşi mulţimi a
atributelor A = { a[ j ] | j = 1, j }, fiecare decident fiind obligat să atribuie valori pentru
toate atributele din acest arbore, în toate stările naturii. Un element al nivelului
60
„frunză” al arborelui, notat în figura cu Codsa , în care indicii respectă ierarhia definită,
are următoarea semnificaţie: pentru obiectul o , valoarea atributului a dată de
decidentul d , în starea naturii s (unde d ∈ { d [l ] | l = 1, l }, s ∈ { s[k ] | k = 1, k }, a ∈
{ a[ j ] | j = 1, j }, o ∈ { o[i ] | i = 1, i }). De asemenea, ponderile pentru decidenţi
l
pond_ d[1], pond_ d[2],..., pond_ d[l], cu ∑ pond_ d[l] =1, ponderile pentru stările naturii
l =1
k
pond _ s[1], pond _ s[2], ..., pond _ s[k], cu ∑ pond_ s[k] =1 , şi ponderile pentru atribute
k =1
j
pond_ a[1], pond_ a[2],..., pond_ a[j], cu ∑ pond _ a[ j] = 1 , sunt aranjate în figură în
j =1
conformitate cu ierarhia stabilită.
Se observă că dacă abordăm problema în care alegem, de exemplu, d= d1 şi s=
s1, obţinem o problemă în care, pentru rezolvarea ei, contează numai datele A = { a[ j ] |
j = 1, j }, O = { o[i ] | i = 1, i } şi ponderile atributelor pond _ a[ j ] , j = 1, j , adică o
problemă clasică mono-decident şi mono-stare a naturii. De remarcat că aceaste date,
considerate împreună, reprezintă o parte a tensorului figurat în reprezentarea pictorială.
Exact cum s-a construit această problemă, considerând produsul cartezian al
decidenţilor cu stările naturii, se construiesc l x k probleme bi-dimensionale care se
rezolvă separat, reducându-se acest nivel al grafului.
Rezolvările oferă soluţii care sunt depuse în masivul { Cods } cu d ∈ { d [l ] |
l = 1, l }, s ∈ { s[k ] | k = 1, k } şi o ∈ { o[i ] | i = 1, i }. Acest masiv se trece pe arborele
redus la nivelul ”stări ale naturii” care devine astfel noul ultim nivel, vezi Figura 2.2
F2. Deoarece se doreşte păstrarea coerenţei metodologice, în continuare se rezolvă, la
fel ca la pasul anterior, l probleme bi-dimensionale, pentru fiecare decident în parte. Şi
arborele se reduce din nou cu un nivel.
Soluţiile rezultate în masivul { Cod } cu d ∈ { d [l ] | l = 1, l } şi o ∈ { o[i ] | i = 1, i },
se trec pe arborele redus la nivelul „decidenţi”. Vezi Figura 2.2 F3. Este astfel de
rezolvat o singură şi ultimă problemă mono-dimensională.
Rezolvarea oferă o soluţie { Co } cu o ∈ { o[i ] | i = 1, i }, valorile respective
primind numele de merite se trec pe Figura 2.2 F4.
Precizări:
1) La fiecare nivel de rezolvare al subproblemelor trebuie să ţinem cont de ponderile
fiecărei entităţi (atribute, stări ale naturii, decidenţi), în cazul în care acestea nu se
regăsesc în datele problemei ele vor fi considerate egale;
2) De asemenea, intervalele de variaţie precum şi sensul (minim sau maxim) ale
atributelor trebuiesc transportate coerent la fiecare nivel de rezolvare;
3) După reducerea dimensiunii dată de atribute, există 2 alternative de a continua
rezolvarea problemei iniţiale: o primă altenativă este aceea de a agrega rezultatele
fiecărei stări în parte corespunzătoare fiecărui decident sau de a agrega rezultatele
tuturor stărilor pentru fiecare decident în parte. Întrucât iniţial am pornit de la
61
Figura 2.2 F1. Optimizare cu procesarea informaţiei despre atribute

62
Figura 2.2 F2. Optimizare cu procesarea informaţiei despre stările naturii

63
Figura 2.2 F3. Optimizare cu procesarea informaţiei despre decidenţi
Figura 2.2 F4. Soluţia optimă, o ierahie a obiectelor pe baza unor valori numite merite
64
principiul rezolvării problemei iniţiale de sus în jos şi de la stânga la dreapta se
alege cea de-a doua alternativă pentru păstrarea coerenţei metodei de rezolvare;
4) Dacă unul dintre niveluri lipseşte, şi anume nivelurile 1 / 2, se lucrează cu cele care
au rămas în acelaşi fel ca cel descris mai sus;
5) Cu cele de mai sus algoritmul este coerent şi se poate aplica în două ipostaze
diferite, ambele cu sens decizional:
- - de sus până jos, pe toate nivelurile, acţionează aceeaşi metodă MADM;
- - la niveluri diferite pot fi apelate metode diferite, dacă decidenţii găsesc că
acest lucru este util.
2.3 Rezolvarea problemelor de alegere optimă la un singur nivel
După cum s-a văzut la modul general în paragraful anterior, problemele de

decizii multiatribut presupun existenţa unei mulţimi de obiecte date şi a unei mulţimi
de caracteristici în raport cu care, la fiecare nivel, se cere alegerea unui obiect optim.
Alegerea se face după acelaşi algoritm la orice nivel, şi pentru că cititorii sunt obişnuiţi
cu denumirea de caracteristici, în loc de atribute, tot aşa vor fi denumite criteriile de
optim în continuare.
În prezent există o gamă foarte largă de metode de rezolvare a problemei deciziei
multi-atribut, se prezintă aici 16 metode pentru a se putea aprecia ce presupune
rezolvarea unei probleme de alegere optimă în paradigma MADM. Setul de metode,
este destul de cuprinzător, ca să poată trata aproape orice problemă practică. Criteriul
de alegere a ţinut cont de respectarea diversităţii în abordarea matematică.
Rezolvarea matematică a problemei alegerii optime, în prezenta carte, presupune
aplicarea uneia dintre metodele următoare: MAXIMIN, MAXIMAX, non-dominanţei,
funcţiei de utilitate liniară, Pareto, TOPSIS, Onicescu amendată, scorurilor,
diametrelor, TODIM, numărului de obiecte dominate pentru fiecare obiect, numărului
de obiecte dominante pentru fiecare obiect, numărului minim de caracteristici prin
care obiectele sunt cel mai bine evaluate, numărului maxim de caracteristici prin care
obiectele sunt cel mai bine evaluate, numărului minim de caracteristici prin care
obiectele sunt cel mai rău evaluate, numărului maxim de caracteristici prin care
obiectele sunt cel mai rău evaluate şi construirea optimului global. Majoritatea acestor
metode necesită normalizarea datelor de intrare, operaţiune realizată prin intermediul a
cinci metode de tip von Neumann - Morgenstern. O analiză a tehnicilor de rezolvare
matematică a problemei de alegere optimă pune în evidenţă două clase distincte de
metode de rezolvare: metode de evaluare a obiectelor (primele 10 metode) şi metode
de caracterizare a obiectelor (ultimele 6 metode). Distincţia care se face între cele două
clase de metode este pe deplin justificată dacă se au în vedere următoarele argumente:
- Spiritul metodelor de evaluare a obiectelor este acela de a aprecia explicit, în raport
cu scopul problemei, fiecare obiect sau numai o parte a mulţimii obiectelor. Indiferent
că sunt de tip compensatoriu sau de tip necompensatoriu, fie că se calculează utilitatea
în sens von Neuman - Morgenstern a fiecărui obiect, fie că este produsă o ierarhizare a
obiectelor, fie că este ales un obiect sau o clasă de obiecte optime fără a furniza
informaţii despre celelalte obiecte, metoda de evaluare a obiectelor este aceea care
determină în mod efectiv optimul problemei;
65
- Metodele de caracterizare a obiectelor nu furnizează o apreciere explicită în raport cu
scopul problemei. Specific acestor metode este faptul că ele furnizează, pentru fiecare
obiect, informaţii care permit conturarea unei imagini asupra caracteristicilor acestuia.
Informaţiile rezultate în urma aplicării acestor metode permit, pe de o parte,
restrângerea dimensiunilor problemei iar, pe de altă parte, stabilirea relaţiilor de
dominanţă şi de bună / slabă apreciere prin fiecare atribut pe mulţimea obiectelor.
Metodele de caracterizare permit, pe de o parte, discriminarea în mulţimea soluţiilor
optime (în cazul în care aplicarea unor metode de evaluare conduce la un optim
multiplu pentru problema dată), iar pe de altă parte, discriminarea între soluţiile optime
determinate prin aplicarea unui set de metode de evaluare pe problema dată.
Informaţiile generate de aceste metode constituie elementele pe baza cărora se
determină meritul claselor rezultate în urma aplicării tehnicilor de simulare bazată pe
cunoştinţe, permiţând astfel accelerarea procedurii de determinare a optimului global al
problemei (prin operarea în ultimă instanţă cu clase de obiecte, şi nu cu obiecte). În
urma aplicării metodelor de caracterizare, se determină, pentru fiecare obiect, pe
mulţimea tuturor perechilor (stare, decident) numărul minim / maxim / mediu de
atribute prin care este în afara standardelor, de obiecte pe care le domină, de obiecte de
care este dominat, de atribute prin care este cel mai bine apreciat, de atribute prin care
este cel mai slab apreciat. Pe baza informaţiilor furnizate de metodele de caracterizare
se efectuează clasificarea obiectelor în clase de echivalenţă şi ierarhizarea obiectelor
din competiţia finală (în mod obişnuit primele trei obiecte rezultate ca optime din
aplicarea metodelor matematice de evaluare) utilizând contextul informaţional existent
şi meritul claselor cărora le aparţin aceste obiecte. Toate informaţiile utile acestui scop
sunt folosite pentru luarea unei decizii ştiinţific fundamentate în locul alegerii fără o
bază de discernământ mai elaborată.
2.4 Metode de normalizare
Metodele de normalizare sunt metode matematice care efectuează o prelucrare

iniţială asupra datelor modelului. Această operaţie nu are nici o semnificaţie pentru un
utilizator final. Ea este cerută de cele mai multe metode de rezolvare a problemelor de
alegere optimă generate peste modelul matematic prezentat.
Metodele de normalizare date mai jos au proprietatea că aduc la un numitor
comun valorile tensorului ODSA sau echivalent OASD. În plus, ele înglobează în
matricea Nor _ OASD informaţia asupra tipului atributului (minim sau maxim). În
acest fel, dacă am dori ierarhizarea obiectelor numai după atributul a j ar fi suficient să
ordonăm descrescător elementele coloanei j din matricea Nor _ OASD .
Metoda von Neuman – Morgenstern clasică
Se determină funcţia liniară y = ax + b astfel încât avem sistemul liniar:

0 = a ⋅ pes _ a[ j ] + b

1 = a ⋅ opt _ a[ j ] + b
66
cu necunoscutele a, b .
Rezolvându-l, obţinem transformarea liniară:
x − pes _ a[ j ]
y= .
opt _ a[ j ] − pes _ a[ j ]
Principiul metodei constă în interpolarea prin intermediul acestei funcţii liniare a

nivelelor atributelor pentru fiecare obiect. Interpolarea conduce la obţinerea pentru
valoarea pesimă pes _ a[ j ] valoarea normalizată 0 şi pentru valoarea optimă
opt _ a[ j ] valoarea normalizată 1. Aceasta este cea mai folosită metodă de
normalizare.
Algoritm
Pas 1:
calculăm elementele matricei normalizate
niv _ oasd [i , j , nume_fisier ,l ] − pes _ a[ j ]
nor _ oasd [i , j , nume_fisier ,l ] = ,
opt _ a[ j ] − pes _ a[ j ]
i = 1, i , j = 1, j , nume_fisier parcurge { Masiv _ oasd s = 1, k }, l = 1, l .
Pas 2:
STOP.
Observaţii:
- Obiectul oi este apreciat optim în raport cu atributul a j pentru valoarea maximă a
lui nor _ oasd [i , j , nume_fisier , l ] ;
- 0 ≤ nor _ oasd [i , j , nume_fisier ,l ] ≤ 1 .
Metoda von Neuman – Morgenstern 1
Pas 1:
Dacă a j este atribut de minim, se ia
opt _ a[ j ] := min( niv _ oasd [i , j , nume_fisier,l ]) şi
j =1, j
pes _ a[ j ] := max( niv _ oasd [i , j , nume_fisier,l ]) ;

j =1, j
Se calculează elementele matricei normalizate Nor _ oasd :
opt_a[ j ] - niv _ oasd [i , j , nume_fisier ,l ]

opt_a[ j ] - pes_a[ j ]
67
unde i = 1, i , j = 1, j , nume_fisier parcurge { Masiv _ oasd s = 1, k }, l = 1, l

şi se trece la Pas 3.
Pas 2:
Dacă a j este atribut de maxim, se ia
opt _ a[ j ] := max( niv _ oasd [i , j , nume_fisier,l ]) şi
j =1, j
pes _ a[ j ] := min( niv _ oasd [i , j , nume_fisier,l ]) ;

j =1, j

niv _ oasd [i , j , nume_fisier ,l ] - pes_a[ j ]
opt_a[ j ] - pes_a[ j ]
unde i = 1, i , j = 1, j , nume_fisier parcurge { Masiv _ oasd s = 1, k },
l = 1, l .
Pas 3:
STOP.
Pas 1:
Dacă nor _ oasd [i , j , nume_fisier ,l ] < 0, se trece la Pas 4;
Pas 2:
pes _ a[ j ] := max(niv _ oasd [i , j , nume_fisier,l ]) ;
j =1, j

pes_a[ j ] - niv _ oasd [i , j , nume_fisier ,l ]
pes_a[ j ]
si se trece la Pas 4;
Pas 3:
opt _ a[ j ] := max( niv _ oasd [i , j , nume_fisier,l ]) ;
j =1, j

niv _ oasd [i , j , nume_fisier ,l ]
nor _ oasd [i , j ,nume_fisier ,l ] = , unde:
opt_a[ j ]
68
i = 1, i , j = 1, j , nume_fisier parcurge { Masiv _ oasd s = 1, k }, l = 1, l şi se

trece la Pas 4;
Pas 4:
STOP.
Pas 1:
opt _ a[ j ] := min( niv _ oasd [i , j , nume_fisier,l ]) ;
j =1, j

pes_a[ j ]
trece la Pas 3;
Pas 2:
opt _ a[ j ] := max( niv _ oasd [i , j , nume_fisier,l ]) ;
j =1, j

pes_a[ j ]
trece la Pas 3;
Pas 3:
STOP.
Pas 1:
Dacă pes _ a[ j ] < opt _ a[ j ] ( a j este atribut de minim), se calculează elementele
matricei normalizate Nor _ oasd :
nor _ oasd [i , j , nume_fisier ,l ] = 1/ 2
,
 ∑ ( niv _ oasd [i , j ,nume_fisier ,l ]) 2 
i
 
 i =1 
şi se trece la Pas 3;
69
Pas 2:
Dacă pes _ a[ j ] > opt _ a[ j ] ( a j este atribut de maxim), se calculează elementele
matricei normalizate Nor _ oasd
nor _ oasd [i , j , nume_fisier ,l ] = 1/ 2
,
 ∑ ( niv _ oasd [i , j ,nume_fisier ,l ]) 2 
i
 
 i =1 
şi se trece la Pas 3;
Pas 3: STOP.
Obs: Această metodă este cunoscută şi sub numele de normalizare vectorială.
Pas 1:
Dacă pes _ a[ j ] > opt _ a[ j ] ( a j este atribut de minim), se calculează elementele
nor _ oasd [i , j ,nume_fisier ,l ] = 1 − i
, unde
∑ niv _ oasd [i , j , nume_fisier ,l ]
i =1

trece la Pas 3;
Pas 2:
Dacă pes _ a[ j ] < opt _ a[ j ] ( a j este atribut de maxim), se calculează elementele
nor _ oasd [i , j ,nume_fisier ,l ] = i
, unde
∑ niv _ oasd [i , j , nume_fisier ,l ]
i =1

trece la Pas 3;
Pas 3:
STOP.
După cum s-a mai spus, există foarte multe metode de rezolvare a problemelor
de alegere optimă. Evident, ele sunt mai mult sau mai puţin înrudite. Am putea spune
că, în unele cazuri, de exemplu la problemele ce calculează distanţe, doar metrica
diferă de la o metodă la alta. Trebuie să afirmăm aici că ne-am orientat numai spre
metode care pot avea succes la utilizatori prin faptul că, dacă se consumă o anumită
70
energie din partea acestora, până la urmă metodele sunt înţelese în intimitatea lor şi, în
consecinţă, rezultatul furnizat este şi acceptat.
2.5 Metode de rezolvare
Metoda MAXIMIN
Fie OBJECTS mulţimea obiectelor. Metoda MAXIMIN iterativă va promova, la

fiecare iteraţie, un obiect optim căruia i se va asocia o evaluare care, în final, va
conduce la ordonarea descrescătoare a obiectelor o(i ) , i = 1, i .
i = 1 : Se consideră
niv _ oasd * [i1 , j , nume _ fisier , l ] = max min niv _ oasd [i1 , j , nume _ fisier , l ] ,
i =1,i j =1, j
1
cu i = 1, i , obiectul optim căruia îi asociem eval _ o * [i1 ] = = 1 ;
i
Fie mulţimea OBJECTS \ {o * [i1 ]} .
niv _ oasd * [i 2 , j , nume _ fisier , l ] = max min niv _ oasd [i1 , j , nume _ fisier , l ]
i =1,i \{i1 } j =1, j
1 1
cu i = 1, i \ {i1 } , obiectul optim căruia îi asociem eval _ o * [i2 ] = = ;
i 2
Iteraţia se opreşte în momentul în care mulţimea de obiecte pe care se aplică metoda nu

mai conţine nici un element.
În concluzie, se obţine următoarea ordonare descrescătoare:
o * [i1 ] , o * [i 2 ] , o * [i i ]
făcută după evaluările
1 1
eval _ o * [i1 ] = 1 , eval _ o * [i2 ] = , …, eval _ o * [ii ] = .
2 i
Metoda MAXIMAX
Fie OBJECTS mulţimea obiectelor. Metoda MAXIMAX iterativă va promova, la

fiecare iteraţie, un obiect optim căruia i se va asocia o evaluare care, în final, va
conduce la ordonarea descrescătoare a obiectelor o(i ) , i = 1, i .
niv _ oasd * [i1 , j , nume _ fisier , l ] = max max niv _ oasd [i1 , j , nume _ fisier , l ]
i =1,i j =1, j
1
cu i = 1, i , obiectul optim căruia îi asociem eval _ o * [i1 ] = = 1 ;
i
Fie mulţimea OBJECTS \ {o * [i1 ]} .
71
niv _ oasd * [i 2 , j , nume _ fisier , l ] = max max niv _ oasd [i1 , j , nume _ fisier , l ]
i =1,i \{i1 } j =1, j
1 1
cu i = 1, i \ {i1 } , obiectul optim căruia îi asociem eval _ o * [i2 ] = = ;
i 2
Iteraţia se opreşte în momentul în care mulţimea de obiecte pe care se aplică metoda nu
mai conţine nici un element.
În concluzie, se obţine următoarea ordonare descrescătoare:
o * [i1 ] , o * [i2 ] , o * [i i ]
făcută după evaluările
1 1
eval _ o * [i1 ] = 1 , eval _ o * [i2 ] = , …, eval _ o * [ii ] = .
2 i
Metoda non-dominanţei
Metoda non-dominanţei filtrează obiectele non-dominate evaluându-le cu valoarea 1

iar pe cele dominate evaluându-le cu valoarea 0. Dacă cardinalul mulţimii obiectelor
non-dominate este egal cu 1, atunci obiectul conţinut în acea mulţime este obiectul
optim. Dacă cardinalul mulţimii obiectelor non-dominate este strict mai mare ca 1, de
obicei, se mai face un studiu al caracteristicilor obiectelor pentru a ajunge la obiectul
optim.
Fie un i fixat, pentru a stabili dacă obiectul o(i fixat ) este non-dominat se fac
următoarele i ⋅ j teste:
niv _ oasd [i fixat , j , nume _ fisier , l ] ≥ niv _ oasd [i, j , nume _ fisier , l ] .
Dacă pentru orice i = 1, i şi j = 1, j testul de mai sus dă valoarea adevărat, atunci

obiectul o(i fixat ) este non-dominat.
Metoda funcţiei de utilitate liniară
Această metodă se bazează, după cum o arată şi numele, pe calculul unei funcţii foarte
simple, de aşa-zisă utilitate, funcţie cu exprimare liniară. De altfel, cu utilizarea de
astfel de funcţii a debutat domeniul MADM. Deşi foarte simplă, această metodă
conduce la rezultate foarte apropiate de cele estimate de utilizator. Odată definită o
astfel de funcţie de utilitate liniară, se poate obţine o ierarhizare a obiectelor în funcţie
de valorile descrescătoare ale funcţiei. Evident, obiectul optim este acela pentru care
valoarea funcţiei este maximă. Se lucrează cu matricea normalizată iar valoarea
funcţiei într-un obiect, adică un punct j -dimensional, este suma, după toate cele j
atribute, a produselor dintre valorile normalizate ale caracteristicilor sale prin ponderile
corespunzătoare. Funcţia de utilitate liniară este o funcţie notată util : O → R a cărei
expresie analitică este:
72
i
∑ pond _ a[ j , k , l ] ⋅ nor _ oasd [i, j , nume _ fisier , l ]
i =1
util (oi ) = , i = 1, i .
i
∑ pond _ a[ j , k , l ]
i =1
Toate cele i merite sunt înregistrate în vectorul (util (o1 ), util (o 2 ), ..., util (oi )) .
Metoda Pareto
Această metodă se bazează pe calculul distanţei între cele i puncte j -dimensionale de

caracterizare prin atribute ale obiectelor şi punctul ideal care ar reprezenta un obiect
caracterizat de atribute de valoare egală cu opt _ a[ j] , dacă atributul este de maxim,
sau cu pes _ a[ j] , dacă atributul este de minim. După economistul Pareto, distanţa este
aceea provenită din norma L1 iar normalizarea datelor trebuie făcută tot sub inspiraţia
acestei norme. Principiul Pareto spune că soluţia optimă este dată de obiectul care se
află la cea mai mică distanţă de ideal. Meritele obiectelor sunt calculate prin luarea
complementarelor faţă de 1 a distanţelor normalizate.
Algoritmul este următorul:
Pas 1: Se construieşte un vector al nivelelor optime care vor caracteriza un obiect

imaginar o + , prin
 max( nor _ oasd [i, j , nume _ fisier , l ]), dacă se doreşte o evaluare
 i=1, i orientată spre alegerea
 optimului
niv _ opt[ j ] = 
 min( nor _ oasd [i, j , nume _ fisier , l ]), dacă se doreşte o evaluare
 i=1, i orientată spre alegerea
 pesimului
(∀) j = 1, j ;
Pas 2: Pentru fiecare i ∈ {1, 2, ..., i} se calculează distanţa în modul în ℜ între nivelele
j
+
lui oi si o :
j
d + [i ] = ∑ pond _ a[ j , k , l ] ⋅ | nor _ oasd [i, j , nume _ fisier , l ] − niv _ opt[ j ] | ;
j =1
Pas 3: Se consideră vectorul (d + [1], d + [2], ..., d + [i ]) de evaluare a obiectelor. Se

ordonează crescător elementele acestuia obţinându-se implicit o ierarhie a obiectelor;
Pas 4:
STOP
Metoda TOPSIS
Această metodă se bazează de asemenea pe un calcul de distanţă, între cele i puncte j -

dimensionale de caracterizare prin atribute ale obiectelor şi două puncte ideale care ar
73
reprezenta, primul, numit ideal + şi notat o + , un obiect caracterizat de atribute de

valoare egală cu opt _ a[ j] dacă atributul este de maxim, sau cu pes _ a[ j] dacă
atributul este de minim iar al doilea, numit ideal − şi notat o , un obiect caracterizat de
−
atribute de valoare egală cu pes _ a[ j] dacă atributul este de maxim sau cu opt _ a[ j]
dacă atributul este de minim. După opinia autorilor metodei, distanţa luată în
considerare trebuie să fie aceea provenită din norma L2, adică distanţa euclidiană care
dă o măsură mai bună în calcularea distanţelor. Ca normalizarea datelor să fie în
concordantă cu tipul distanţei alese, s-a ales ca valorile atributelor şi marginile lor,
inferioare şi superioare, să se împartă la radical din sumă, după toate obiectele, a
pătratelor acestor valori. Soluţia optimă este dată de obiectul care se află la cea mai
mică distanţă de punctul ideal pozitiv şi-n acelaşi timp la cea mai mare distanţă de
punctul ideal negativ. Meritul fiecărui obiect este calculat printr-o formulă care asigură
că acesta ia valori între 0 şi 1.
Pas 1: Se construieşte o nouă mulţime Nor _ oasd în care:

nor _ oasd [i, j , nume _ fisier , l ] := nor _ oasd [i, j , nume _ fisier , l ] ⋅ pond _ a[ j , k , l ] ,
(∀) i = 1, i , j = 1, j ;
Pas 2: Se construieşte un vector al nivelelor optime care vor caracteriza un obiect

imaginar o + , prin
 max( nor _ oasd [i, j , nume _ fisier , l ]), dacă se doreşte o
 i =1, i evaluare orientată spre
 alegerea optimului
niv _ opt[ j ] = 
 min( nor _ oasd [i, j , nume _ fisier , l ]), dacă se doreşte o
 alegerea pesimului
(∀) j = 1, j ;
Pas 3: Se construieşte un vector al nivelelor pesime care vor caracteriza un obiect

imaginar o − , prin
 min( nor _ oasd [i, j , nume _ fisier , l ]), dacă se doreşte o
 alegerea optimului
niv _ opt[ j ] =  max( nor _ oasd [i, j , nume _ fisier , l ]), dacă se doreşte o

 alegerea pesimului
(∀) j = 1, j ;
Pas 4: Pentru fiecare i ∈ {1, 2, ..., i} se calculează distanţa euclidiană în ℜ
j
între
+ −
nivelele lui oi si o respectiv între nivelele lui oi şi o :
74
1/ 2
 j 
d + [i ] =  ∑ ( nor _ oasd [i, j , nume _ fisier , l ] − niv _ opt[ j ]) 2  ,
 j =1 
1/ 2
 j 
d − [i ] =  ∑ ( nor _ oasd [i, j , nume _ fisier , l ] − niv _ pes[ j ]) 2  ;
 j =1 
Pas 5: Se calculează funcţia de evaluare
d − [i ]
eval _ om[i, m] = , (∀) i = 1, i ;
d − [i ] + d + [i ]
Pas 6: STOP.
Metoda Onicescu amendată
Cele două versiuni ale acestei metode pornesc de la funcţia, loc _ oa (i, j ) = locul pe
care îl ocupă obiectul oi în ierarhizarea indusă de atributul a j (în raport cu sensul
acestuia) pentru orice i = 1, i , j = 1, j , mai precis loc _ oa : {1, ..., i} × {1, ..., j} → N .
Trebuie precizat că dacă două sau mai multe obiecte ocupă acelaşi loc în raport cu un
atribut dat, locul imediat următor nu este lăsat liber ci este atribuit în ordinea obiectelor
care urmează. Metoda porneşte atât de la matricea consecinţelor cât şi de la forma
normalizată a acesteia. Este de preferat să se pornească cu matricea în forma
normalizată deoarece nu mai este necesar să se ţină seama de tipul atributului (maxim
sau minim) aşa cum se întâmplă în cazul în care se lucrează cu matricea iniţială.
Varianta I
Pas 1: Se construieşte matricea locurilor Loc_oa: = (loc_oa[i, j ])i=1,i ,
j =1, j
(∀) i = 1, i, j = 1, j unde loc_oa[i, j ] este locul ocupat de obiectul oi în ierarhizarea

indusă de atributul a j .
Pas 2: Se construieşte matricea Nap_o: = (nap_o[i, α ])i =1,i unde nap_o[i, α ] = numărul
α =1,i
de apariţii ale obiectului oi pe locul α .
Pas 3: Se calculează
1 1 1
eval _ om[i, m] = nap _ o[i,1] + 2 nap _ o[i, 2] + ... + i nap _ o[i, i ]
2 2 2
Pas 4: STOP.
Varianta II
Matricea Nap_o: = (nap_o[i, α ])i =1,i se determină pornind de la matricea Loc_oa .
α =1,i
Algoritmul porneşte cu această matrice nulă şi, parcurgând elementele lui Loc_oa
pentru fiecare loc_oa[i, α ] = t se face nap_o[i, α ] := nap_o[i, t ] + 1
75
Pas 1: Se construieşte matricea locurilor Loc_oa .
Pas 2: Se calculează
j pond _ a[ j , k , l ]
eval _ om[i, m] = ∑ , ∀i = 1, i
j =1 2loc _ oa[i , j ]
Pas 3: STOP.
Observaţie: Pentru cazul în care s-au furnizat coeficienţii de importanţă Onicescu a

propus ca în această metodă elementele vectorului ponderilor să fie calculate cu
1
formula pond _ a[ j , k , l ] = , j = 1, j .
2j
1 1 1
Amendarea acestei metode ţine de faptul că în loc de şirul 1 , 2 , ..., i se foloseşte
2 2 2
şirul 1, 2, ..., i. Aceasta face ca metoda să verifice axioma a treia a lui Arrow şi, în plus,
să nu ridice probleme la memorarea numerelor de forma 1/2i unde i>32 / 64 / etc.
Axioma citată se referă la faptul că, dacă obiectele se ordonează unele faţă de altele
într-un anumit fel conform unei metode şi dacă scoatem un obiect sau mai multe din
mulţimea obiectelor o nouă ordonare după aceeaşi metodă va da aceleaşi ordonări
relative pentru obiectele rămase.
Metoda scorurilor
Metoda scorurilor foloseşte în rezolvare o obişnuinţă destul de veche a oamenilor.

Atunci când mai multe persoane au participat la o competiţie şi aceştea au câştigat
diferite premii, se pune în mod natural problema ordonării lor, ordonare care să
ilustreze modul cum s-au comportat în competiţie. Situaţii practice foarte diverse
întâlnim la tot pasul: olimpiadele sportive, întrecerile între clasele aceluiaşi liceu,
clasamentele mondiale ale şahiştilor etc. În cazul de faţă avem de-a face cu un algoritm
complex care se bazează pe j ordonări ale vectorilor celor i obiecte funcţie de
atributele lor. Obiectelor care conţin atribute egale cu opt _ a[ j] , dacă sunt de maxim,
sau egale cu pes _ a[ j] , dacă sunt de minim, li se aduc cele mai mari punctaje.
Punctaje mai mici aduc şi celelalte poziţii în ordonări, funcţie de rangul ocupat de
obiecte într-o anume ordonare şi de partiţia intervalului [ pes _ a[ j] , opt _ a[ j] ].
Adunând punctajele câştigate de fiecare obiect obţinem un scor după care se poate face
o ierarhizare corectă a obiectelor. La sfârşit, se construiesc scoruri normalizate. Metoda
de faţă este în concordanţă cu axioma a treia a lui Arrow ceea ce o poate promova în
aplicaţiile practice. De remarcat că, de obicei, nu toate metodele bazate pe scoruri
respectă axioma anterior amintită.
Pas 1: Se consideră partiţia intervalului [0,1] în 10 diviziuni de lungime 1/10. Fie o

ordonare a obiectelor oi după atributul j. Astfel, loc_oa[i, j ] este locul ocupat de
obiectul oi în ierarhizarea indusă de atributul a j . Segmentul [0, i] într-o primă fază
76
preia locurile din ordonarea respectivă apoi se condensează peste segmentul [0, 1] care
are deja diviziunile respective făcute;
Pas 2: Fiecare obiect ajunge într-o anumită diviziune a segmentului [0, 1]. În
consecinţă i se acordă nota egală cu numărătorul capătului din stânga al diviziunii plus
o unitate;
Pas 3: Reluând paşii 1 şi 2 pentru toţi j = 1, j şi însumând notele obţinute pentru
fiecare obiect, se obţin scorurile obiectelor. Acestea se normalizează prin orice
procedură de normalizare şi se consideră ca merite ale obiectelor;
Pas 4: STOP.
Metoda diametrelor
Prin această metodă în ierarhizarea obiectelor se ţine cont de omogenitatea /

eterogenitatea acestora în raport cu atributele. Un obiect este omogen dacă ia valori
apropiate pentru toate atributele, respectiv eterogen dacă ia valori foarte mari în raport
cu anumite atribute şi foarte mici în raport cu altele, cu condiţia în care toate atributele
sunt fie de maxim fie de minim. Pentru această metodă considerăm următoarele funcţii:
1. loc _ oa : {1, ..., i} × {1, ..., j} → N , loc _ oa (i, j ) = locul pe care îl ocupă obiectul oi în
ierarhizarea indusă de atributul a j (în raport cu sensul acestuia) pentru orice i = 1, i ,
j = 1, j .
j
2. apr : O → ℜ , apr(oi ) = ∑ [i − loc _ oa[i, j ]] ⋅ pond _ a[ j , k , l ] , (∀) i = 1, i .
j =1
3. diam : O → ℵ , apr(oi ) = max (loc _ oa[i, j ]) − min (loc _ oa[i, j ]) , (∀) i = 1, i .

j =1, j j =1, j
1
4. agr : O → ℜ , agr(oi ) = [apr(oi ) + (i − diam(oi ))] , i = 1, i .
2
Pas 1: Se calculează agr(oi ) , (∀) i = 1, i ;

Pas 2: Se evaluează obiectele prin funcţia de evaluare agr în raport cu scopul
problemei MADM;
Pas 3: STOP.
Metoda TODIM
Această metodă foloseşte o altă tehnică pentru a determina obiectul optim. Pentru
realizarea acestui scop ea are nevoie de importanţele relative ale atributelor, care nu se
află printre datele de intrare. Nu se află, pentru că un utilizator poate preciza un sistem
de importanţe relative, care să fie coerent, numai cu instruire specială şi cu foarte mare
atenţie. La faza de prezentare a metodologiei domeniului, s-a dat însă o metodă după
care se pot obţine importanţele relative pentru atribute pornind de la importanţele lor
absolute. Metoda TODIM calculează ponderile totale ale fiecărui atribut relativ la
77
mulţimea importanţelor relative şi se consideră indicele pe care se realizează maximul.
Folosind acest indice, se calculează dominanţele absolute între oricare două obiecte oi 1
şi oi , din cele i existente, prin însumarea produselor dintre importanţele relative la

2
acel indice şi diferenţa dintre valorile, corespunzătoare acelor indici, din matricea
caracteristicilor normalizată, în care coloanele sunt toate de maxim. Evaluările
obiectelor sunt date de o formulă de normalizare a sumelor dominanţelor obiectelor.
Pas 1: Se calculează ponderea totală a fiecărui atribut relativ la mulţimea AASD astfel:
1 j 
pondt _ a[ j , k , l ] =  ∑ irel_aa[ j, j1 , k, l ]  , (∀) j1 = 1, j ;
j  j =1 
Pas 2: Se determină j0 astfel încât:
pondt _ a[ j 0 , k , l ] = max( pondt _ a[ j , k , l ]) ;
j =1, j
Pas 3: Se calculează dominanţa relativă a oricăror două obiecte distincte după formula:
j
dom(oi , oi ) = ∑ irel_aa[ j 0 , j, k, l ](nor _ oasd [i1 , j, nume _ fisier , l ] -
1 2
j =1
- nor _ oasd [i 2 , j, nume _ fisier , l ]) , (∀) i1 ,i2 = 1,i ;

Pas 4: Se construieşte funcţia de evaluare punând
i  i 
∑ dom(oi , oi ) − min  ∑ dom( oi , oi ) 
=  i =1 
1 2
i =1 i 1, i
eval _ om[i1 , m] = 2
, (∀) i1 = 1, i ;
 i   i 
max ∑ dom(oi , oi )  − min  ∑ dom(oi , oi ) 
i =1, i  i =1  i =1, i i =1 
2 2
2 2
Pas 5: STOP.
Metoda numărului de obiecte dominate pentru fiecare obiect
Această metodă numără obiectele pe care le domină, fiecare obiect fiind evaluat astfel
prin numărul obiectelor pe care le domină. Evident, acest număr va fi cuprins între 0 şi
i. Obiectul cu cel mai mare număr de obiecte pe care le domină va fi considerat
obiectul optim.
Pas 1: n=0
Pas 2: Fie un i fixat, adică i fixat , şi un i oarecare, i ∈ 1,i . Pentru a stabili dacă obiectul
o(i fixat ) este non-dominat de o(i ) se fac următoarele j teste:
Dacă toate testele j = 1, j dau în evaluarea expresiei logice “adevărat” atunci obiectul
o(i fixat ) domină obiectul o(i ) şi se contorizează în numărul obiectelor dominate
78
n=n+1. Pasul se reiterează pentru toţi i = 1, i şi se obţine numărul de obiecte pe care le

domină obiectul o(i fixat ) .
Pas 3: Dacă au fost fixaţi, pe rând, toţi indicii i ai obiectelor se trece la Pas 4, dacă nu,
se trece la Pas 2:
Pas 4: STOP
Metoda numărului de obiecte dominante pentru fiecare obiect
Această metodă numără obiectele dominante pentru un obiect, fiecare obiect fiind
evaluat astfel prin numărul obiectelor de care este dominat. Evident, acest număr va fi
cuprins între 0 şi i. Obiectul cu cel mai mic număr de obiecte dominante va fi
considerat obiectul optim.
Pas 1: n=0
Pas 2: Fie un i fixat, adică i fixat , şi un i oarecare, i ∈ 1,i . Pentru a stabili dacă obiectul
o(i fixat ) este dominat de o(i ) se fac următoarele j teste:
niv _ oasd [i fixat , j , nume _ fisier , l ] ≤ niv _ oasd [i, j , nume _ fisier , l ] .
Dacă toate testele j = 1, j dau în evaluarea expresiei logice “adevărat” atunci obiectul
o(i fixat ) este dominat obiectul o(i ) şi se contorizează în numărul obiectelor dominante
n=n+1. Pasul se reiterează pentru toţi i = 1, i şi se obţine numărul obiectelor dominante
pentru obiectul o(i fixat ) .
Pas 3: Dacă au fost fixaţi, pe rând, toţi indicii i ai obiectelor se trece la Pas 4, dacă nu,
se trece la Pas 1:
Pas 4: STOP
Metoda numărului minim de caracteristici prin care obiectele sunt cel mai bine evaluate
Pentru un obiect fixat, metoda numără la câte caracteristici este el mai bine evaluat în
raport cu un obiect i ∈ 1,i . Făcând această numărătoare pe rând în raport cu fiecare
obiect, rezultă un vector n(i) de i elemente, valoarea fiecărui element fiind cuprinsă în
intervalul [0, j]. Din vector se ia minimul, se factorizează la j şi se depozitează ca
evaluare a obiectului fixat. Se repetă procedeul pentru toate obiectele i ∈ 1,i . Obiectul
cu cel mai mare număr minim de caracteristici prin care este cel mai bine evaluat va fi
Pas 1: Fie un i fixat, adică i fixat , şi un i oarecare, i ∈ 1,i . Pentru a stabili în câte
carecteristici este mai bine evaluat obiectul o(i fixat ) în raport cu obiectul o(i ) se fac
următoarele j teste:
79
Numărul de teste care dau în evaluarea expresiei logice “adevărat”, factorizat la j, se
depozitează într-un vector n(i) pe poziţia i. Pasul se reiterează pentru toţi i = 1, i şi se ia
minimul din vectorul n(i) care se trece ca număr minim de caracteristici prin care
obiectul fixat este cel mai bine evaluat.
.Pas 2: Dacă au fost fixaţi, pe rând, toţi indicii i ai obiectelor se trece la Pas 3, dacă nu,
se trece la Pas 1:
Pas 3: STOP
Metoda numărului maxim de caracteristici prin care obiectele sunt cel mai bine
evaluate
Pentru un obiect fixat, metoda numără la câte caracteristici este el mai bine evaluat în
obiect, rezultă un vector nr(i) de i elemente, valoarea fiecărui element fiind cuprinsă în
intervalul [0, j]. Din vector se ia maximul, se factorizează la j şi se depozitează ca
cu cel mai mare număr maxim de caracteristici prin care este cel mai bine evaluat va fi
carecteristici este mai bine evaluat obiectul o(i fixat ) în raport cu obiectul o(i ) se fac
depozitează într-un vector nr(i) pe poziţia i. Pasul se reiterează pentru toţi i = 1, i şi se
ia maximul din vectorul nr(i) care se trece ca număr maxim de caracteristici prin care
obiectul fixat este cel mai bine evaluat.
se trece la Pas 1:
Pas 3: STOP
Metoda numărului minim de caracteristici prin care obiectele sunt cel mai rău evaluate
Pentru un obiect fixat, metoda numără la câte caracteristici este el mai rău evaluat în
intervalul [0, j]. Din vector se ia minimul, se factorizează la j şi se depozitează ca
cu cel mai mic număr minim de caracteristici prin care este cel mai rău evaluat va fi
80
carecteristici este mai rău evaluat obiectul o(i fixat ) în raport cu obiectul o(i ) se fac
niv _ oasd [i fixat , j , nume _ fisier , l ] < niv _ oasd [i, j , nume _ fisier , l ] .
minimul din vectorul n(i) care se trece ca număr minim de caracteristici prin care
obiectul fixat este cel mai rău evaluat.
se trece la Pas 1:
Pas 3: STOP
Metoda numărului maxim de caracteristici prin care obiectele sunt cel mai rău evaluate
Pentru un obiect fixat, metoda numără la câte caracteristici este el mai rău evaluat în
intervalul [0, j]. Din vector se ia maximul, se factorizează la j şi se depozitează ca
cu cel mai mic număr maxim de caracteristici prin care este cel mai rău evaluat va fi
carecteristici este mai rău evaluat obiectul o(i fixat ) în raport cu obiectul o(i ) se fac
niv _ oasd [i fixat , j , nume _ fisier , l ] < niv _ oasd [i, j , nume _ fisier , l ] .
maximul din vectorul n(i) care se trece ca număr maxim de caracteristici prin care
obiectul fixat este cel mai rău evaluat.
se trece la Pas 1:
Pas 3: STOP
Metoda optimului global
Întrucât fiecare metodă se bazează pe diferite puncte de vedere în rezolvarea problemei

de decizie multi-atribut, este, după cum am mai afirmat, evident faptul că, aplicând
diferite metode pe acelaşi set de date, se ajunge adesea la soluţii optime distincte. Două
clase de reguli de producţie, distincte ca funcţionalitate, rezolvă problema
81
decidabilităţii. Acestea prelucrează fapte noi, furnizate de metodele de rezolvare
matematică.
Pentru înlăturarea optimului multiplu se presupun disponibile cele de mai jos.
- Date de caracterizare obţinute printr-o metodă de acest gen:
- Specificaţii necesare:
1. g(i) indică optimul global;
2. O* conţine obiectele găsite ca optime în urma rezolvării multiple a problemei
de alegere optimă.
- Reguli de producţie:
Reguli de eliminare. Regulile de eliminare pot avea mai multe forme generice, datorate
relaţiilor care se stabilesc între obiecte (de exemplu, relaţia de dominanţă) sau datorate
unor restricţii impuse atributelor obiectelor. Aceste reguli formează o ierarhie care
controlează modul lor de activare, de la cele mai restrictive către cele mai puţin
restrictive.
IF o(i1) domină o(i2) în opinia a minimum k (< k) experţi, în minimum l (< l) stări ale
naturii, şi pentru minimum j (< j) atribute THEN elimină o(i2), afişează indicii
corespunzători k, l, i1, i2, j.
cklij ∉ [stlo_a(j), stup_a(j)} pentru minimum j (≤ j) atribute THEN elimină o(i), indicii
corespunzători k, l, i, j.
cklij ∉ [lo_a(j), up_a(j)} pentru minimum j (≤ j) atribute THEN elimină o(i), afişează
indicii corespunzători k, l, i, j.
(aceste reguli pot fi generate şi recursiv (începând de la valorile maxime posibile ale
indicilor k, l, j şi descrescându-le cu 1 până când partea de condiţie este satisfăcută,
evident, pentru valori semnificative ale indicilor k, l, j).
Este posibil, într-o viziune nepretenţioasă, ca optimul global să apară la acest pas.
Reguli de discriminare. Dacă la această etapă optimul global este în continuare unul
multiplu, se propune utilizarea unei funcţii de evaluare globală:
m 3 q 6 q
g (i ) = iround ( i ∑ g1 (i, m)) + iround ( i / j ∑ (−1) g 2 (i, q )) +iround ( i ∑ (−1) g3 (i, q))
m=1 q =1 q =4
Primul termen reprezintă scorul general rezultat din multi-rezolvarea problemei de

alegere optimă iar ultimii doi termeni aduc un bonus sau o penalizare, furnizate de
matricea atributelor. Expresiile analitice ale acestor termeni sunt:
1 daca u (m) = u (m)
- g1 (i, m) =  ,
(u (i, m) − u (m)) /(u (m) − u (m)) altfel
unde u (m) = min u (i, m) şi u (m) = max u (i, m) ;
i i
- g 2 (i, m) = v(i,3, q ) ;
82
1 daca v(3, q ) = v(3, q )

- g 3 (i , q ) =  ,
(v(i,3, q ) − v(3, q )) /(v(3, q ) − v(3, q )) altfel
unde v(3, q ) = min v(i,3, q) şi v(3, q ) = max v(i,3, q) .
i i
IF card(O*) > 1 THEN calculează g(i) pentru o(i) ∈ O*, ordonează O* după valorile
g(i), afişează ierarhia finală.
Aceste reguli se procesează după schema dată în Schema 2.5 S1:
Schema 2.5 S1. Algoritmul optimului global

În acest moment, problema alegerii optime se poate spune că este complet rezolvată!
83
3. EXEMPLU COMPLEX DE PROBLEMA DE ALEGERE OPTIMA
Îmbunătăţirea prin metode raţionale a calităţii şi productivităţii într-o centru de

calcul necesită o planificare strategică. În ideea planificării, scopurile şi obiectivele pe
termen lung (atributele) trebuie explicitate în mod clar. Atributele tipice sunt satisfacţia
clientului, evitarea reluării unor activităţi, raportul dintre câştigul total şi cheltuielile
totale etc. În general, acestea sunt independente şi nu sunt cuantificabile. Odată ce un
număr de alternative strategice fezabile (obiecte) au fost generate, urmează estimarea
impactului acestora asupra diferitelor atribute. Deoarece natura selecţiei unei
alternative strategice este, în esenţă, multi-criterială, se folosesc metodele de rezolvare
de tip MADM. Pentru alegerea metodei de rezolvare se au în vedere următoarele
cerinţe:
- Interdependenţele posibile dintre obiectele considerate trebuie studiate
analitic;
- Metoda trebuie să ţină seama atât de aspectul cantitativ cât şi de cel calitativ
al atributelor. Problema comensurabilităţii atributelor a fost studiată de diferiţi autori şi
s-a ajuns la concluzia că nu toate atributele sunt uşor de cuantificat;
- Evaluarea diferitelor obiecte trebuie făcută boolean, ordinal, cardinal sau
după scale fuzzy;
- Caracterul vag al impacturilor asupra atributelor şi al importanţei acestora
trebuie luat cu precădere în considerare folosind noţiuni ale teoriei mulţimilor fuzzy;
- Metoda trebuie să fie adaptabilă pentru tratarea clară a structurilor
conceptuale în domeniul atributelor şi, în particular, a structurii ierarhice. Aceasta
deoarece, deşi atributul trebuie să fie independent la un nivel de decizie, inter-relaţiile
dintre diferite niveluri există în multe situaţii;
- Resursele pentru analiza senzitivităţii trebuie introduse în programe de
grafică interactivă pe calculator, care să permită utilizarea flexibilă a metodei chiar şi
de managerii fără cunoştinte solide în cercetări operaţionale.
În Brazilia s-a studiat o astfel de problemă de îmbunătăţire a calităţii şi
productivităţii activităţii dintr-un centru de calcul, cercetare facută de Luiz Gomes de la
Departamentul de Inginerie Industrială al Universităţii din Rio de Janeiro în colaborare
cu Joao Oliveira de la SERPRO (Comitetul pentru Tehnologie Informatică), cercetare
sprijinită de Secretariatul pentru Ştiinţă şi Tehnologie al guvernului brazilian. Această
problemă a fost extinsă de noi în sensul definit de această lucrare şi este prezentată în
continuare.
În procesul de definire şi rezolvare a problemei îmbunătăţirii calităţii şi
productivităţii activităţii dintr-un centru de calcul, analistul a parcurs, în mod esenţial,
două etape definite de metodologia de modelare:
- Definirea contextului MADM;
- Modelarea MADM propriu-zisă.
- Contextul MADM al unei probleme de alegere optimă este alcătuit din:
- numele problemei (N)
- mulţimea decidenţilor (D);
- mulţimea stărilor naturii (S);
- mulţimea atributelor impreuna cu sistemul de scale fuzzy pentru
definirea şi descrierea a cuantilelor vagi (F);
84
- setul de metode de normalizare adecvate problemei;(R1)
- setul de metode de rezolvare adecvate şi recomandate rezolvării
problemei (R2).
În modelarea propriu-zisă este importantă stabilirea setului de obiecte (strategii)
fezabile şi a setului de atribute (criterii de evaluare a strategiilor) corespunzătoare
problemei de alegere optimă. Pentru problema îmbunătăţirii calităţii şi productivităţii
activităţii dintr-un centru de calcul s-a considerat următoarea formulare, in limbaj de
analiză, a problemei:
Dimensiunea 1. Software
- Atribute cantitative
- timpul de dezvoltare software (a(1)),
- rata erorilor de sistem (a(2)),
- productivitatea elaborării de software (a(3)).
- Atribute calitative
- calitatea serviciilor oferite utilizatorului (a(4)).
Dimensiunea 2. Hardware
- timpul mort pe echipament (a(5)),
- productivitatea echipamentului (a(6)),
- necesarul de întreţinere preventivă / corectivă (a(7)),
- timpul mediu între cădere şi repunere în funcţiune (a(8)).
Dimensiunea 3. Livrare produse software
- numărul orelor de instruire a clienţilor (a(9)),
- costul livrărilor returnate (a(10)),
- costul reluării unor activităţi din cauza problemelor de livrare
(a(11)),
- numărul acţiunilor legale cauzate de livrarea unor produse
neconforme cu specificaţiile contractului (a(12)).
- deprecierea imaginii organizaţiei datorită slabei calităţi a produselor
livrate (a(13)).
Dimensiunea 4. Resurse umane
- numărul angajaţilor ce urmează a fi instruiţi (a(14)),
- numărul problemelor datorate erorilor de operare (a(15)),
- timpul de neutilizare a sistemului datorită erorilor de operare (a(16)),
- productivitatea angajaţilor (a(17)),
- rata fluctuaţiei angajaţilor (a(18)),
- rata absenteismului (a(19)),
- productivitatea sistemului (a(20)).
- calitatea cursurilor sau a programelor de instruire (a(21)),
- calitatea participării angajaţilor în procesele de rezolvare a
problemelor organizatorice (a(22)).
85
Alegerea strategiilor de îmbunătăţire a calităţii şi productivităţii într-un centru de
calcul s-a făcut ţinând cont de aceste atribute. Strategiile avute în vedere au fost
următoarele:
A - dezvoltarea planificării şi implementării de instrumente de inginerie
software;
B - îmbunătăţirea / optimizarea utilizării echipamentului instalat;
C - implicarea clienţilor în specificaţia echipamentului solicitat;
D - instruirea continuă a angajaţilor pentru realizarea scopurilor organizaţiei;
E - dezvoltarea programului motivaţional.
Această listă de atribute şi obiecte trebuie adaptată la fiecare aplicaţie, eventual
chiar completată. In cazul de fata, se consideră un centru de calcul pentru care s-au
generat trei obiecte compuse OC1, OC2, OC3, fiecare fiind o combinaţie a obiectelor
A, B, C, D, E. Astfel, obiectul OC1 acordă o mai mare importanţă obiectului B, apoi
obiectului A şi pe urmă lui C. O mică importanţă este dată obiectelor D şi E. Pe de altă
parte, OC2 acordă o importanţă mai mare obiectului C şi o importanţă relativ mică
celorlalte patru. OC3 acordă o importanţă mai mare obiectului D şi o importanţă mai
mică celorlalte patru.
Experţii care au luat parte la alegerea strategiei sunt în număr de doi:
- trimisul ministerului de care aparţine centrul de calcul (d(1)),
- managerul centrului de calcul (d(2)).
Stările naturii luate în consideraţie sunt:
- perioada de stabilitate financiară (s(1)),
- perioada de inflaţie (s(2)).
Evaluarea atributelor pentru fiecare obiect, în fiecare stare a naturii şi în
viziunea fiecărui decident (matricea consecinţelor) se face :
1. ordinal pentru atributele:
- numărul problemelor datorate erorilor de operare,
- timpul de neutilizare a sistemului datorită erorilor de operare,
- rata absenteismului,
- calitatea cursurilor sau a programelor de instruire,
- rata fluctuaţiei angajaţilor.
2. cardinal pentru atributele:
- costul livrărilor returnate,
- numărul angajaţilor ce urmează a fi instruiţi.
3. prin cuantile vagi exprimate prin funcţii de apartenenţă fuzzy de tip
trapezoidal, conform următoarelor scale.
Pentru atributul:
- timp dezvoltare software
foarte rău insuficient moderat bun excelent
4.4 3.5 2.5 1.5 0.5
4.7 4 2.8 2 1
5.1 4.2 3.1 2.5 1.5
5.2 3.5
Pentru atributele:
- rata erorilor de sistem;
86
- productivitatea elaborării de software;
- calitatea serviciilor oferite utilizatorului;
- productivitatea echipamentului;
- necesarul de întreţinere preventivă / corectivă;
- timpul mediu între cadere şi repunere în funcţiune;
- numărul orelor de instruire a clienţilor;
- costul reluării unor activităţi din cauza problemelor de livrare;
- numărul acţiunilor legale cauzate de livrarea unor produse neconforme cu
specificaţiile contractului;
- deprecierea imaginii organizaţiei datorită slabei calităţi a produselor
livrate;
- productivitatea angajaţilor;
- productivitatea sistemului;
- calitatea participării angajaţilor în procesele de rezolvare a problemelor
organizatorice
foarte rău Insufficient moderat bun excelent
1 2 3 4 5
Pentru atributul:
- timp mort pe echipament
rău bun excelent
3 1.5 0.1
4 2 0.5
5 3 1
1.5
Pentru următoarele atribute s-au definit limitele între care pot lua valori:
- productivitatea elaborării de software
Lo-standard = moderat
- timp mort pe echipament
Lo-standard = bun
- costul livrărilor returnate
Pessimum = 5.2, Optimum =1.65
- costul reluării unor activităţi din cauza problemelor de livrare
Lo-standard = bun
- numărul angajaţilor ce urmează a fi instruiţi
Pessimum = 10, Optimum =125
- productivitatea sistemului
Up-standard = bun
- calitatea participării angajaţilor în procesele de rezolvare a problemelor
organizatorice
Lo-standard = moderat.
În principiu, nu toate atributele de mai sus au aceeaşi importanţă şi, de aceea,

au fost introduse valorile importanţelor lor absolute, pentru fiecare cuplu (decident,
stare):
87
Tabelul 1. Importantele absolute ale atributelor
(d(1),s(1)) (d(1),s(2)) (d(2),s(1)) (d(2),s(2))
A(1) 0.1 0.01 0.3 0.1
A(2) 0.1 0.01 0.2 0.7
A(3) 0.2 0.34 0.11 0.7
A(4) 0.21 0.123 0.31 0.7
A(5) 0.1 0.113 0.4 0.12
A(6) 0.08 0.156 0.15 0.23
A(7) 0.1 0.117 0.13 0.24
A(8) 0.2 0.15 0.115 0.156
A(9) 0.11 0.23 0.172 0.345
A(10) 0.21 0.2 0.213 0.356
A(11) 0.11 0.16 0.41 0.372
A(12) 0.17 0.321 0.275 0.21
A(13) 0.0022 0.41 0.237 0.31
A(14) 0.07 0.24 0.111 0.314
A(15) 0.17 0.39 0.521 0.26
A(16) 0.144 0.21 0.42 0.22
A(17) 0.22 0.22 0.222 0.17
A(18) 0.16 0.167 0.44 0.1
A(19) 0.008 0.2 0.123 0.111
A(20) 0.14 0.5 0.132 0.21
A(21) 0.5 0.1 0.4 0.22
A(22) 0.005 0.6 0.1 0.42
Tabelele 2, 3, 4, 5 prezintă valoarea fiecărui atribut al fiecărui obiect compus

OC1, OC2, OC3, pentru fiecare cuplu (decident, stare).
Tabelul 2. Matricea (obiecte*atribute)T (d(1), s(1))
Strategii propuse
Atribute OC1 C2 OC3
timp dezvoltare software moderat - bun
erori sistem bun - bun
productivitate - foarte rău bun
servicii oferite utilizatorului moderat - moderat
timp mort excelent bun bun
productivitate echipament excelent insuficient bun
întreţinere - moderat bun
MTBF/MTTR excelent insuficient moderat
Instruire moderat excelent bun
cost returnare 3.1 1.95 3.8
reluare activitate moderat - bun
răspundere - - bun
depreciere imagine - bun bun
angajaţi instruiţi 12 14 105
probleme operaţionale - 2 1
timp nefolosit - 2 1
productivitate angajaţi foarte rau insuficient bun
calitate instruire 2 3 1
fluctuaţie angajaţi 3 2 1
absenteism 3 2 1
productivitate sistem - foarte rău excelent
participare angajaţi insuficient moderat bun
88

Strategii propuse
Atribute OC1 OC2 OC3
timp dezvoltare software moderat moderat excelent
erori sistem bun insuficient moderat
productivitate - - -
servicii oferite utilizatorului moderat moderat foarte rău
timp mort bun bun -
productivitate echipament - foarte rău bun
întreţinere bun moderat -
MTBF/MTTR excelent moderat insuficient
Instruire insuficient excelent bun
reluare activitate bun bun moderat
răspundere - excelent moderat
depreciere imagine moderat moderat insuficient
probleme operaţionale 2 1 3
timp nefolosit 3 2 1
productivitate angajaţi foarte rău moderat excelent
absenteism 2 1 3
productivitate sistem - - bun
participare angajaţi excelent insuficient -

Strategii propuse
timp dezvoltare software bun moderat excelent
erori sistem bun moderat moderat
productivitate moderat - moderat
servicii oferite utilizatorului insuficient bun excelent
timp mort - bun excelent
productivitate echipament bun bun insuficient
întreţinere excelent moderat bun
MTBF/MTTR moderat insuficient excelent
instruire bun - bun
reluare activitate - moderat excelent
răspundere moderat - excelent
depreciere imagine - excelent bun
productivitate angajaţi insuficient bun moderat
absenteism 3 1 2
productivitate sistem moderat insuficient excelent
participare angajaţi - foarte rău bun
89
T
Tabelul 5. Matricea (obiecte*atribute) (d(2), s(2))
Strategii propuse
timp dezvoltare software - moderat bun
erori sistem moderat moderat bun
productivitate foarte rău insuficient -
servicii oferite utilizatorului bun bun insuficient
timp mort rău rău excelent
productivitate echipament - moderat bun
întreţinere excelent - -
MTBF/MTTR bun moderat insuficient
instruire insuficient bun moderat
reluare activitate bun moderat insuficient
răspundere - bun moderat
depreciere imagine - bun -
productivitate angajaţi insuficient - moderat
absenteism 2 3 1
participare angajaţi - moderat -
După cum se observă, matricele consecinţelor conţin zone incomplet definite. Se

prezintă în continuare câteva exemple de aplicare a regulilor din sistemul de producţii
descris anterior, în urma cărora s-au putut obţine matrice ale consecinţelor complet
definite şi coerente pentru problema de faţă.
Reguli de validare
Pentru atributele care au restricţii în domeniul de valori:
1) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu ci,21 =
excelent
THEN ci,21 = bun (atributul a(21) are Up-standard = bun);
2) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu ci,5
∈{foarte rău, insuficient, moderat}
THEN ci,5 = bun (atributul a(5) are Lo-standard = bun);
3) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu (ci,10 <
10) ∨ (ci,10 > 125)
THEN ci,10 este invalid şi urmează a fi completat.
Pentru atribute care sunt în corelaţie unele cu altele:

4) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu
(ci,17∈{bun, excelent} ) ∧ (ci,18 ≥ 2) ) ∧ (ci,19 ≥ 2) ) ∧ (ci,20 ≥ 2) ) ∧
(ci,21∈{foarte rău, insuficient, moderat})
THEN ai,21 = bun;
90
5) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu (ci,18 > 3)
∧ (ci,18 < 1)
THEN invalidare ci,18 şi urmează să fie completat.
Reguli de completare
Completarearea matricei consecinţelor pentru un anumit decident şi o anumită
stare se face în funcţie de:
- valorile înregistrate în matricele consecinţelor ale celorlalţi decidenţi - stări,
valorile corespunzătore obiectelor din aceeaşi clasă din matricea dată (alte
coloane),
- valorile atributelor pentru acelaşi obiect pentru care există valori înregistrate.
Deoarece cele trei modalităţi de completare sunt de naturi diferite, nu s-a definit în mod
explicit o funcţie globală de completare. Pentru obiectul o(i), atributului a(j) din
matricea consecinţelor corespunzătoare decidentului d(l) şi stării s(k), care are valoarea
NULL, i se atribuie o valoare astfel:
a) Dacă în matricele consecinţelor corespunzătoare celorlalte perechi (decident -
stare) există valori înregistrate pentru elementul (i, j), valoarea se va lua în funcţie de
acestea, putându-se propune diferite formule (media ponderată, valoarea dată de
decidentul cu pondere maximă etc.);
b) Dacă în matricea consecinţelor pentru decidentul d(l) şi starea naturii s(k)
există obiecte din aceeaşi clasă ca şi obiectul o(i) care au valori înregistrate pentru
atributul a(j), valoarea se va lua în funcţie de acestea, asemănător ca la punctul a);
c) Dacă se găsesc acele atribute a ( j1 ), a( j2 ), ... , a ( jn ) care sunt în corelaţie cu
atributul a(j) se propune o funcţie de determinare a elementului (i, j) în raport cu
elementele (i, j1), (i, j2), ... , (i, jn).
6) IF o(i1), o(i2) ∈ Eq (aparţin aceleiaşi clase) ∧ ( ci , j ∈ Lj (mulţimea valorilor

1
acceptate pentru atributul a(j)))
THEN ci2 , j = ci1 , j ;
Exemplu: IF (OC1 şi OC2 sunt în acceeaşi clasă de obiecte ) ∧ (ci,12 = bun)
THEN c2,12 = bun;
7) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu (ci,2 ∈

L2)
THEN pentru i, l din ipoteză, starea k1 ≠ k şi ci,2 = NULL se atribuie lui
ci,2,k1,l = ci,2,k,l .
Exemplu : IF pentru decidentul d(2), în starea s(2) la obiectul o(2) avem c2,2 =
insuficient
THEN pentru decidentul d(1), în starea s(2) la obiectul o(2) avem
c2,2 = insuficient;
8) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu (ci,2 ∈ L2)
∧ (ci,3 ∈ L3) ∧ (ci,6 ∈ L6) ∧ (ci,17 ∈ L17)
91
THEN ci,1 = f(ci,2, ci,3, ci,6, ci,17) = p2* ci,2+p3* ci,3+ p6* ci,6+ p17* ci,17, cu
p2+ p3 + p6 + p17 = 1.
În formula de mai sus am admis că atributul “timp de dezvoltare software”

depinde de:
- rata erorilor de sistem,
- productivitatea elaborării de software,
- productivitatea echipamentelor,
- productivitatea angajaţilor,
cu ponderile respectiv p1, p2, p3, p4.
Exemplu: pentru decidentul d(1), în starea s(1) la obiectul o(2) considerând
ponderile p1 = p2 = p3 = p4 = 0.25 calculăm ci,1= 0.25*2+0.25*1+0.25*2+0.25*2 =
1.75 ⇔ insuficient.
9) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu (ci,1 ∈ Lj)
∧ (ci,2 ∈ Lj) ∧ (ci,3 ∈ Lj) ∧ (ci,15 ∈ Lj) ∧ (ci,17 ∈ Lj) ∧ (ci,21 ∈ Lj)
THEN ci,4 = f(ci,1, ci,2, ci,3, ci,15 , ci,17 , ci,21) = p1* ci,1+p3* ci,3+ p6* ci,6+
p15*ci,15+ p17* ci,17+ p21* ci,21 cu p1 + p3 + p6 + p15 + p17 + p21 = 1, iar
valorile ci,j trebuie aduse la acceaşi scală.
Având în vedere că atributul a(15) este de tip ordinal având valorile în
mulţimea (1,2,3) îi asociem o scală cuprinsă între 1 şi 5 astfel : 1 ↔ 4.5, 2 ↔ 3,
3↔1.5, pentru a concorda cu valorile celorlalte atribute.
În formulă s-a presupus că atributul calitatea serviciilor oferite utilizatorului
depinde de:
- timp dezvoltare software,
- rata erorilor de sistem,
- productivitatea elaborării de software,
- numărul problemelor datorate erorilor de operare,
- productivitatea angajaţilor,
- productivitate sistem,
cu ponderile respectiv p1, p2, p3, p15, p17, p21.
Exemplu: pentru decidentul d(1), în starea s(1) la obiectul o(2) considerând ponderile
p1 = 0.4, p2 = 0.1, p3 = 0.1, p15 = 0.1, p17 = 0.1, p21 = 0.2 calculăm ci,4 = 0.4*3 +
0.1*4 + 0.1*3 + 0.1*1.5 + 0.1*1 + 0.2*2 = 2.55 ⇔ moderat.
10) IF există o(i) în opinia decidentului d(l) şi în starea naturii s(k) cu (ci,10 <
2) ∧ (ci,12 ∈{bun, excelent})
THEN ci,13 = bun.
Exemplu: pentru decidentul d(1), în starea s(1) la obiectul o(2) (c2,10 < 2) ∧ (c2,12 ∈
bun) ⇒ c2,13 = bun.
Aplicând astfel de reguli de validare şi completare, s-a ajuns la următoarele

matrice ale atributelor:
92

Strategii propuse
timp dezvoltare software moderat insuficient bun
erori sistem bun insuficient bun
productivitate moderat foarte rău bun
servicii oferite utilizatorului moderat moderat moderat
timp mort excelent bun bun
productivitate echipament excelent insuficient bun
MTBF/MTTR excelent insuficient moderat
Instruire moderat excelent bun
reluare activitate moderat excelent bun
răspundere bun bun bun
depreciere imagine insuficient bun bun
productivitate angajaţi foarte rău insuficient bun
absenteism 3 2 1
productivitate sistem insuficient foarte rău bun
participare angajaţi insuficient moderat bun

Strategii propuse
timp dezvoltare software moderat moderat excelent
erori sistem bun insuficient moderat
productivitate insuficient insuficient moderat
servicii oferite utilizatorului moderat moderat foarte rău
timp mort bun bun excelent
productivitate echipament excelent foarte rău bun
întreţinere bun moderat bun
MTBF/MTTR excelent moderat insuficient
Instruire insuficient excelent bun
reluare activitate bun bun moderat
răspundere bun excelent moderat
depreciere imagine moderat moderat insuficient
productivitate angajaţi foarte rău moderat excelent
absenteism 2 1 3
productivitate sistem insuficient moderat bun
participare angajaţi excelent insufficient bun
93

Strategii propuse
timp dezvoltare software bun Moderat excelent
erori sistem bun moderat moderat
productivitate moderat insuficient moderat
servicii oferite utilizatorului insuficient bun excelent
timp mort bun Bun excelent
productivitate echipament bun bun insuficient
MTBF/MTTR moderat insuficient excelent
instruire bun excelent bun
reluare activitate insuficient moderat excelent
răspundere moderat bun excelent
depreciere imagine foarte rău excelent bun
absenteism 3 1 2
participare angajaţi moderat foarte rău bun

Strategii propuse
timp dezvoltare software moderat moderat bun
erori sistem moderat moderat bun
productivitate foarte rău insuficient insuficient
servicii oferite utilizatorului bun bun insuficient
timp mort rău rău excelent
productivitate echipament bun moderat bun
întreţinere excelent bun moderat
MTBF/MTTR bun moderat insuficient
instruire insuficient bun moderat
reluare activitate bun moderat insuficient
răspundere bun bun moderat
depreciere imagine insuficient bun moderat
absenteism 2 3 1
participare angajaţi excelent moderat bun
94
Odată încheiată faza de modelare, s-a trecut la faza de rezolvare a problemei:
- împerecherea de elemente din mulţimea metodelor de normalizare cu elemente
din mulţimea metodelor de rezolvare, mulţimi stabilite în contextul MADM;
- rezolvarea problemei prin aceste seturi de metode.
Setul de metode matematice alese:

- metodele de normalizare de tip von Neumann - Morgenstern: V1 - V5;
- metodele de rezolvare: Maximax, Maximin, Onicescu, Todim, metoda funcţiei
de utilitate liniară plus analiza domonantei.
Soluţiile rezultate în urma fazei de rezolvare a problemei cu produsul

OPTCHOICE au fost trecute în Tabelul 10 şi Tabelul 11.
Prin folosirea metodelor de normalizare şi rezolvare de mai jos s-au obţinut
următoarele utilităţi globale:
Tabelul 10. Rezolvarea problemei

Metoda normalizare Metoda de OC1 OC2 OC3
rezolvare
Von Neumann - Morgenstern 1 Maximax 0 0 1
Von Neumann - Morgenstern 2 Maximin 1 1 0
Von Neumann - Morgenstern 3 Onicescu 0.125 0.25 0.5
Von Neumann - Morgenstern 4 TODIM 0.006 0 1
Von Neumann - Morgenstern 5 Funcţiei liniare de 0.3939 0.4094 0.4989
utilitate
Metodele de analiza a dominanţei folosite au condus la următorii vectori de

caracterizare:
Tabelul 11. Rezultatele metodelor adiţionale

Metoda de caracterizare OC1 OC2 OC3
Număr minim de atribute out of standard 1 3 0
Număr maxim de atribute out of standard 1 4 1
Număr minim de obiecte pe care le domină 0 0 0
Număr maxim de obiecte pe care le domină 0 0 0
Număr minim de obiecte de care este dominat 0 0 0
Număr maxim de obiecte de care este dominat 0 0 0
Număr minim de atribute prin care este cel mai bine evaluat 5 6 7
Număr maxim de atribute prin care este cel mai bine evaluat 8 9 15
Număr minim de atribute prin care este cel mai rău evaluat 8 6 3
Număr maxim de atribute prin care este cel mai rău evaluat 11 12 8
Numărul clasei de echivalenţă din care face parte 1 1 2
Meritul clasei de echivalenţă din care face parte 0.7 0.7 1.6
În final s-a calculat funcţia de merit general care a determinat optimul global, în
speţă obiectul o(3).
95
4. MADM – TRANSFER TEHNOLOGIC
Această secţiune se adresează informaticienilor care au aprofundat secţiunile

anterioare şi s-au decis să utilizeze cunoştinţele acumulate la un nivel superior.
Principalul ei scop este facilitarea înglobării în aplicaţii informatice a unor module de
alegere optimă care să ridice calitatea software-ului respectiv. Se ştie că scopul final al
oricărei teorii este aplicarea sa în practică. Dar pentru aceasta trebuie străbătut un drum
destul de lung şi anevoios. În cazul de faţă pentru ca problema alegerii optime să
beneficieze de un software performant, s-au parcurs mai multe etape. Prima etapă ar fi
legată de alegerea paradigmei MADM pentru dezvoltarea modelului de alegere optimă.
Dacă s-ar fi ales programarea matematică / teoria jocurilor / teoria negocierilor / etc,
din start s-ar fi pornit pe un drum greşit. A doua etapă ar fi elaborarea, la nivel
matematic, a modelului de alegere optimă cu întreg arsenalul de normalizare a datelor
şi rezolvare a problemelor generabile peste acest model. Dacă modelul nu ar fi fost
consistent (adică valid sintactic / semantic, complet şi credibil) şi decidabil (adică
problemele ridicate peste acesta, cu soluţii diferite în optimizări diferite, să aibă şi o
soluţie globală), putem afirma că aplicabilitatea ar fi fost compromisă încă de la această
etapă. A treia etapă ridică probleme şi mai grele. Dacă se cunosc foarte bine modelul
matematic şi metodele de rezolvare a problemelor de alegere optimă, aceasta nu
înseamnă că se poate trece foarte uşor la baza de date reprezentând modelul şi la
pseudo-codul algoritmilor reprezentând metodele de rezolvare. De obicei acesta este
locul în care se rupe lanţul cunoaşterii unei singure persoane. De aceea există atât de
puţine produse informatice în clasa produselor informatice bazate pe modelare
matematică. Raţiunea existenţei secţiunii curente se leagă tocmai de dorinţa de a
furniza un ajutor important în trecerea peste acest prag. A patra etapă este programarea,
în care trebuie să se facă apel la cunoştiinţele legate de un SGBD (Sistem de Gestiune a
Bazelor de Date) şi de un limbaj de nivel înalt orientat şi pe algoritmică. Aici se poate
greşi printr-o alegere neadecvată a software-ului de bază şi prin orientarea spre o
soluţie hardware neinspirată. A cincia, şi ultima etapă, este implementarea care
înseamnă aplicarea practică propriu-zisă cu respectarea anumitor paşi indicaţi de
metodologia informatică. Şi această etapă implică riscuri, mai ales atunci când se predă
prea repede aplicaţia în cauza unor persoane cu slabă calificare în domeniu. În
principiu, etapa implementării poate declanşa reluări ale procesului de la o etapă
anterioară dar o aplicaţie se zice că a fost foarte bine realizată dacă astfel de reveniri nu
există iar exploatarea curentă decurge cu succes.
Proiectantul de aplicaţii informatice, care să includă problema alegerii optime,
trebuie să fie capabil să-şi realizeze singur aceste module program specifice. Înseamnă
că, în primul rând să aibă suficiente informaţii despre cum se realizează o bază de date
care să reprezinte un model MADM iar în al doilea rând să poată scrie, pornind de la
aceste date, programe de rezolvare a unei probleme de alegere optimă. Ambele
cunoştinţe îi vor fi transferate în această secţiune a cărţii.
După cum se poate întrevede foarte uşor, o aplicaţie care implementează
probleme complexe de alegere optimă se instalează pe două sisteme de calcul: interfaţa
şi baza de date a produsului, inclusiv modelul matematic, pe un server de SQL,
ORACLE etc. (eventual de WEB şi MAIL dacă aplicaţia este o e-aplicatie) iar
96
rezolvitorul problemelor de alegere optimă generate peste modelul matematic, pe un
sistem utilat cu limbajele MSVC sau FORTRAN şi specializat în tratarea în condiţii de
eficienţă informatică a calculelor matematice. De aceea, vor exista două blocuri
funcţionale, convenţional numite BF1 şi BF2.
4.1 BF1: Proiectarea unei baze de date MADM
Proiecţia modelului MADM, generator de probleme de alegere optimă, pe

structuri de date organizate şi gestionate cu un SGBD este numită în continuare baza
de date MADM:
Bazele de date relaţionale sunt cel mai folosit tip de baze de date şi în cazul de
faţă sunt singurele recomandabile. Ele au o bază teoretică solidă, dată de algebra
relaţională. Bazele de date relaţionale sunt formate din relaţii, numite de analişti entităţi
iar de programatori tabele. Aceasta pentru că o entitate este un tabel care are un nume,
coloane şi linii. Fiecare coloană corespunde unui anumit tip de date şi are un nume
unic. Fiecare linie reprezintă câte o înregistrare şi conţine un set de valori individuale
care corespund coloanelor. Fiecare înregistrare necesită o metodă de identificare.
Coloana de identificare dintr-o tabelă se numeşte cheie primară. Intrările din această
coloană nu pot fi nule, sunt unice şi, de obicei, se incrementează automat. Baza de date
relaţională oferă accesul rapid la date, poate fi uşor interogată pentru a extrage seturi de
date care îndeplinesc anumite criterii, permite accesul concurent al mai multor
utilizatori, oferă un acces secvenţial dar şi direct la date, are încorporate sisteme de
privilegii pentru diferite categorii de utilizatori.
Utilizarea acestui tip de bază de date permite răspunsul rapid şi uşor la
interogări cu privire la toate entităţile modelelor şi problemelor. În funcţiile de
interogare sunt incluse atât căutarea şi extragerea datelor cât şi operaţii de actualizare a
bazei de date: adăugare, modificare, ştergere. Interogarea se realizează procedural,
datele localizându-se prin căutări succesive. Baza de date este descrisă prin programele
care folosesc datele. Descrierea vizează structurile de date, legăturile dintre acestea,
regulile care asigură coerenţa datelor. Baza de date MADM cuprinde entităţi principale
şi entităţi de legătură care folosesc chei ca referinţe între tabele. În timp ce entităţile
principale descriu obiecte concrete din lumea reală (decidenţi, stări ale naturii, obiecte,
atribute, etc.), entităţile de legătură descriu relaţiile dintre două obiecte reale (obiecte-
atribute, probleme-decident, etc.) fiind asociate deoseori cu unele genuri de tranzacţii
din domeniul pe care îl reprezintă. În continuare prezentăm entităţile din această bază,
termenii scrişi cu caractere îngroşate sunt chei primare în relaţia în care sunt subliniaţi
iar termenii scrişi cu caractere cursive sunt chei externe.
4.1.1 Entităţi principale
Baza de date MADM trebuie să conţină minimal următoarele entităţi principale:

MODELS_CATEGORIES (Model_category, Name, Description, Opening_date,
Last_update),
MODELS (Model, Model_category, Name, Opening_date, Last_update),
97
PROBLEMS (Problem, Model, Name, Opening_date, Last_update, Last_solving),
NORMALIZATIONS (Normalization, Name)
METHODS (Method, Name),
DECISION_MAKERS (Decision_maker, Model, Name, Affiliation, Function,
Importance),
STATES_OF_NATURE (State_of_nature, Model, Name, Description, Importance),
ATTRIBUTES (Attribute, Model, Name, Measure_unit, Importance, Sense,
Lower_limit, Upper_limit),
FUZZY_SCALES (Name, Attribute, Left_abscissa, Top_abscissa, Right_abscissa),
OBJECTS (Object, Model, Name, Description),
4.1.2 Entităţi de legătură
Baza de date MADM trebuie să conţină minimal următoarele entităţi de

legătură:
DECISION_MAKERS - STATES_OF_NATURE - ATTRIBUTES - OBJECTS
(Decision_maker, State_of_nature, Attribute, Object, Value),
PROBLEMS - NORMALIZATIONS (Problem, Normalization),
PROBLEMS - METHODS (Problem, Method),
PROBLEMS - DECISION_MAKERS (Problem, Decision_maker),
PROBLEMS - STATES_OF_NATURE (Problem, State_of_nature),
PROBLEMS - ATTRIBUTES (Problem, Attribute),
PROBLEMS - OBJECTS (Problem, Objects),
PROBLEMS - NORMALIZATION - METHODS – OBJECTS
(Problem, Normalization, Method, Object, Evaluation).
4.1.3 Schema bazei de date
Schema bazei de date prezintă entităţile (tabelele) cu relaţiile dintre ele.

Entităţile sunt, reprezentate prin dreptunghiuri, fiecare dreptunghi conţinând, în afara
liniei cu mnemonica entităţii, atâtea linii câte chei se află printre coloanele tabelei. Mai
întâi se indică cheia primară, dacă aceasta există, apoi cheile externe. În baza de date,
tipurile de relaţii fundamentale utilizate sunt de unu-la-unu şi de unul-la-mai-mulţi.
Într-o relaţie unu-la-unu, se află în legătură câte o singură linie din cele două entităţi
relaţionate. Într-o relaţie unu-la-mai-mulţi, se află în legătură câte o singură linie din
prima entitate cu mai multe linii din cea de-a doua entitate. Relaţiile sunt reprezentate
prin linii între dreptunghiurile reprezentând entităţile bazei. O relaţie unu-la-unu este
98
reprezentată printr-o linie având la capăt un “1”. O relaţie unul-la-mai-mulţi este
reprezentată printr-o linie având la capăt un simbol “∞”.
Ansamblul entităţilor şi relaţiilor bazei de date MADM sunt cuprinse în
următoarea schemă relaţională:
Figura 4.1.3 F1. Diagrama de structură a bazei de date
4.1.4 Tabele descriptive ale entităţilor
Dăm în continuare descrierea completă a entităţilor care compun baza de date.

Ele sunt prezentate conform tabelelor lor de definiţie care presupun denumirea, natura,
lungimea şi condiţiile asupra câmpurilor componente. Prezentarea se face ţinând cont
de ordinea naturală indusă de diagrama anterioară:
99
Tabel 4.1.4 T1 Entitatea principală MODELS_CATEGORIES
Nume Cheie Legătură Tip Nul Implicit Observatii
Models_category primary int(4) No autoincrement
Name varchar(50) no spaces
Description varchar(256) spaces
00-00-00
Opening_date datetime no 00:00:00
00-00-00
Last_update datetime no 00:00:00
Models_category = Codul ascuns al categoriei de modele,

Name = Numele categoriei de modele,
Description = Descrierea pe scurt a rostului pentru care au fost asociate
mai multe modele la un loc,
Opening_date = Data la care a fost deschisă categoria de modele,
Last_update = Data la care s-a făcut ultima actualizare a categoriei de modele.
Tabel 4.1.4 T2 Entitatea principală MODELS

Model primary int(4) no autoincrement
Model_category y int(4) no 0
00-00-00
datetime no 00-00-00
Last_update 00:00:00
Model = Codul ascuns al modelului,

Model_category = Referinţa la entitatea MODELS_CATEGORIES,
Name = Numele modelului,
Opening_date = Data la care a fost deschis modelul,
Last_update = Data la care s-a făcut ultima actualizare a modelului.
Tabel 4.1.4 T3 Entitatea principală PROBLEMS

Problem primary int(4) no autoincrement
Model y int(4) no 0
00-00-00
00-00-00
Last_update datetime no 00:00:00
00-00-00
Last_solving datetime no 00:00:00
Problem = Codul ascuns al problemei,

Model = Referinţa la entitatea MODELS,
Name = Numele problemei,
Opening_date = Data la care a fost deschisă problema,
Last_update = Data la care s-a făcut ultima actualizare a problemei,
100
Last_solving = Data la care s-a făcut ultima rezolvare a problemei.
Tabel 4.1.4 T4 Entitatea principală NORMALIZATIONS

Normalization primary int(4) no autoincrement
Normalization = Codul ascuns al normalizării,

Name = Numele normalizării.
Tabel 4.1.4 T5 Entitatea principală METHODS

Method primary int(4) no autoincrement
Method = Codul ascuns al metodei de rezolvare,

Name = Numele metodei de rezolvare.
Tabel 4.1.4 T6 Entitatea principală DECISION_MAKERS

Decision_maker primary int(4) no autoincrement
Model y int(4) no 0
Affiliation varchar(50) no spaces
Function varchar(50) no spaces
Importance int(4) no 1
Decision_maker = Codul ascuns al decidentului.

Name = Numele decidentului,
Affiliation = Locul de muncă al decidentului,
Function = Funcţia decidentului la locul său de muncă,
Importance = Importanţa absolută a decidentului.
Tabel 4.1.4 T7 Entitatea principală STATES_OF_NATURE

State_of_nature primary int(4) no autoincrement
Model y int(4) no 0
Description varchar(256) no spaces
State_of_nature = Codul ascuns al stării naturii,

Name = Numele stării naturii,
Description = Descrierea pe scurt a condiţiilor care induc anumite valori în masivul
consecinţelor,
Importance = Importanţa absolută a stării naturii.
101
Tabel 4.1.4 T8 Entitatea principală ATTRIBUTES

Attribute primary int(4) no autoincrement
Model y int(4) no 0
Measure_unit varchar(5) no spaces
Sense varchar(3) no spaces
Lower_limit varchar(15) yes 0 to redefine
Upper_limit varchar(15) yes 1 to redefine
Attribute = Codul ascuns al atributului,
Name = Numele atributului,
Measure_unit = Unitatea de măsură a atributului,
Importance = Importanţa absolută a atributului,
Sense = Sensul optimizării (max / min),
Lower_limit = Limita inferioară valorilor atributului,
Uppeer_limit = Limita superioară valorilor atributului.
Tabel 4.1.4 T9 Entitatea principală FUZZY_SCALES

Attribute y int(4) no 0
Left_abscissa float no 0 occurs 11
Top_abscissa float no 0 occurs 11
Right_abscissa float no 0 occurs 11
Name = Numele scalei fuzzy,
Attribute = Referinţa la entitatea ATTRIBUTES
Left_abscissa = abscisa primului vârf al triunghiului fuzzy,
Top_abscissa = abscisa celui de-al doilea vârf al triunghiului fuzzy,
Right_abscissa = abscisa celui de-al treilea vârf al triunghiului fuzzy.
Tabel 4.1.4 T10 Entitatea principală OBJECTS

Object primary int(4) no autoincrement
Model y int(4) no 0
Description varchar(256) no spaces
Object = Codul ascuns al obiectului,

Name = Numele obiectului,
Description = Descrierea pe scurt a obiectului.
102
Tabel 4.1.4 T11 Entitatea de legătură DECISION_MAKERS-
STATES_OF_NATURE-ATTRIBUTES-OBJECTS
Decident y int(4) no 0
State_of_nature y int(4) no 0
Object y int(4) no 0
Value varchar(15) no spaces to redefine
Decident = Referinţa la entitatea DECISION_MAKERS,
State_of_nature = Referinţa la entitatea STATE_OF_NATURE,
Attribute = Referinţa la entitatea ATTRIBUTES,
Object = Referinţa la entitatea OBJECTS,
Value = Pentru obiectul în cauză, valoarea atribului respectiv, în starea respectivă şi-n
viziunea decidentului respectiv.
Tabel 4.1.4 T12 Entitatea de legătură PROBLEMS-DECISION_MAKERS

Problem y int(4) no 0
Decision_maker y int(4) no 0
Problem = Referinţa la entitatea PROBLEMS,
Decision_maker = Referinţa la entitatea DECISION_MAKERS.
Tabel 4.1.4 T13 Entitatea de legătură PROBLEMS-STATES_OF_NATURE

State_of_nature y int(4) no 0
State_of_nature = Referinţa la entitatea STATES_OF_NATURE.
Tabel 4.1.4 T14 Entitatea de legătură PROBLEMS-ATTRIBUTES

Attribute = Referinţa la entitatea ATTRIBUTES.
Tabel 4.1.4 T15 Entitatea de legătură PROBLEMS-OBJECTS

Object = Referinţa la entitatea OBJECTS.
103
Tabel 4.1.4 T16 Entitatea de legătură PROBLEMS-NORMALIZATIONS
Normalization y int(4) no 0
Normalization = Referinţa la entitatea NORMALIZATION.
Tabel 4.1.4 T17 Entitatea de legătură PROBLEMS-METHODS

Method y int(4) no 0
Methods = Referinţa la entitatea METHODS.
Tabel 4.1.4 T18 Entitatea de legătură PROBLEMS-NORMALIZATIONS-

METHODS-OBJECTS
Normalization y int(4) no 0
Method y int(4) no 0
Evaluation float no 0
Normalization = Referinţa la entitatea NORMALIZATION,
Methods = Referinţa la entitatea METHODS,
Object = Referinţa la entitatea OBJECTS,
Evaluation = Pentru obiectul în cauză, evaluarea sa, ca soluţie a respectivei probleme,
în care s-a considerat respectiva normalizare şi respectiva metodă de
rezolvare.
O problemă importantă este cea a consistenţei datelor din baza de date în
raport cu modelul matematic. Consistenţa unui model de tip MADM, care trebuie
asigurată de baza de date, se judecă, din punct de vedere strict al activităţii de modelare
şi gestiune a datelor, în raport cu validitatea (sintactică şi semantică), completitudinea
şi credibilitatea datelor sale. Un SGBD relaţional asigură automat date sintactic şi
semantic corecte, deci valide, după cum s-a putut constata din descrierea bazei de date.
Completitudinea şi credibilitatea sunt coordonate ce trebuie urmărite de factorul uman,
în acest caz de decidenţii ce s-au înscris în model. Acest lucru înseamnă, pe de o parte,
că toţi decidenţii, care sunt independenţi unii de alţii, au definit complet matricea
DECISION_MAKERS-STATES_OF_NATURE-ATTRIBUTES-OBJECTS adică au
stabilit pentru orice realizare în acest cvadruplu o valoare acceptată de sistem iar, pe de
altă parte, că toate aceste valori plus ponderile decidenţilor / stărilor naturii / atributelor
sunt în concordanţă cu cunoaşterea expert în domeniul de care ţine modelul. Acest din
urmă deziderat nu este sigur că se poate realiza doar cu instrumentele ce ţin de baza de
date, este nevoie de tehnici de inteligenţă artificială şi de cunoaştere expert. Oricum, în
104
cazul în care un model definit în baza de date MADM nu este consistent, produsul
software trebuie să considere totuşi ca permisiv, la operaţiile de generare – rezolvare –
stocare soluţie probleme de alegere optimă, sub-modelul consistent maximal.
În cele ce urmează, se vor da informaţii necesare şi suficiente pentru ca un
specialist în Inteligenţă Artificială să poată proiecta un mini-sistem expert bazat pe
reguli de producţie care să rezolve problemele anunţate mai sus. Componenta de tip
expert trebuie să corespundă, ca structură, în totalitate standardelor reprezentării
cunoaşterii expert prin intermediul regulilor. Din acest motiv, numim această
componentă baza de cunoştinţe.
Precizăm suplimentar că procesul complex al integrării cunoaşterii de tip
expert exclude o structurare a bazei de cunoştinte analoagă structurării bazei de date. În
acest caz, baza de fapte se va confunda cu baza de date iar baza de reguli se va ţine
într-un fişier secvenţial, cu articol variabil. Baza de fapte va fi gestionată cu CLIPS
("C" Language Integrated Production System), minimum V6.0, un shell de sisteme
expert adecvat la problemă. Fisierul va suferi un proces de validare (înlăturare greşeli
sintactice şi semantice, circuite, acţiuni contradictorii, etc.). La execuţie regulile vor fi
ierarhizate şi apoi lansate în execuţie. Execuţia lor va conduce la o bază de date
consistentă de pe care se pot ridica probleme de alegere optimă bine puse. În
consecinţă, modelul problemei este reprezentat, din punct de vedere informatic, de o
bancă informaţională cu caracter hibrid, de tip clasic şi de tip expert, adică ea conţine şi
date / fapte şi cunoştinţe.
Considerăm că pentru baza de date nu mai trebuie să dăm instrucţiuni de
gestiune, aceasta fiind o operaţie uşoară pentru orice proiectant de aplicaţii informatice.
Acelaşi lucru este valabil şi pentru baza reguli, gestiunea lor fiind şi mai uşoară decât
în cazul bazei de date.
Odată ce baza de reguli este construită şi baza de fapte este pregătită, sistemul
expert ce implementează cele două module expert este gata să execute regulile. Într-un
limbaj obişnuit, punctul de început, punctul de sfârşit şi succesiunea de operaţii sunt
definite explicit de “programator”. Modul în care decurge programul nu trebuie să fie
explicitat de utilizator. Cunoştinţele (regulile) şi datele (faptele şi instanţele) sunt
separate iar motorul de inferenţă din sistemul expert este folosit pentru a aplica
cunoştinţele asupra datelor. Principiul de bază al executării regulilor este următorul:
a) execuţia este oprită dacă a fost atins numărul maxim de declanşări de reguli sau dacă
lista de activări este vidă; altfel, prima regulă din agendă este selectată pentru a fi
executată; dacă lista este vidă atunci execuţia este oprită; altfel se reia pasul a);
b) se execută RHS-ul regulii alese; dacă se foloseşte instrucţiunea return în RHS-ul
regulii, atunci numărul de reguli declanşate este incrementat şi comparat cu numărul
maxim de declanşări;
c) după rezultatul de la punctul b) regulile pot fi activate sau dezactivate. Regulile
activate (cele care au partea de condiţie satisfăcută) sunt plasate în agenda modulului în
care au fost definite. Poziţia în agendă este determinată de salience-ul regulii şi de
strategiile de rezolvare a conflictelor. Regulile dezactivate sunt mutate din agendă;
d) dacă se utilizează salience-ul dinamic, valorile de salience ale
regulilor din agendă se reevaluează şi se repetă procesul de la pasul a).
105
Procesarea sistemului de producţii se face de obicei prin înlănţuire înainte
(forward chaining), dirijată de ierarhia definită la prezentarea claselor de reguli.
Sistemul expert îşi face automat agenda de lucru. Agenda este o listă a regulilor care au
partea de condiţie satisfăcută şi nu au fost încă executate. Fiecare modul are agenda sa
proprie. Agenda se comportă similar unei stive. Regula din vârful stivei este prima care
va fi executată. Când o regulă este activată din nou, plasarea sa în agendă se realizează
respectând următoarele etape:
a) regula nou activată este plasată deasupra tuturor regulilor care au
salience-ul mai mic şi dedesubtul tuturor regulilor ce au salience-ul mai mare;
b) în cazul regulilor cu acelaşi salience, strategia curentă de rezolvare a
conflictului este folosită pentru a determina plasarea acestora printre alte reguli
cu salience egal;
c) dacă o regulă este activată (înaintea ei fiind activate altele) prin adăugarea sau
ştergerea aceluiaşi fapt şi etapele a) şi b), enumerate anterior, nu dau rezultate, în
sensul că nu se obţine o ordine de plasare în agendă, atunci regula este arbitrar ordonată
în raport cu alte reguli cu care a fost activată; în acest caz, ordinea în care au fost
definite regulile au un efect arbitrar în rezolvarea conflictului.
În sistemele expert există de obicei şapte tipuri de strategii de rezolvare a
conflictelor: stategia în adâncime, strategia în lăţime, strategia regulilor cele mai
simple, strategia regulilor cele mai complexe, strategia LEX, strategia MEA şi strategia
aleatoare.
Strategia în adâncime
Regulile nou activate sunt plasate deasupra tuturor regulilor care au acelaşi salience.
De exemplu: dacă faptul a activează regula 1 şi regula 2 şi faptul b activează regula 3 şi
regula 4, atunci, dacă faptul a este adăugat la baza de fapte înaintea faptului b, regula 3
şi regula 4 vor fi deasupra regulii 1 şi regulii 2 în agendă. Deci, poziţia în agendă a
regulii 1 în raport cu poziţia celei de a doua şi poziţia în agendă a regulii 3 în raport cu
poziţia regulii 4 va fi arbitrară.
Strategia în lăţime
Regulile nou activate sunt plasate dedesubtul tuturor regulilor care au acelaşi salience.
De exemplu: dacă faptul a activează regula 1 şi regula 2 şi faptul b activează regula 3 şi
regula 4, atunci, dacă faptul a este adăugat la baza de fapte înaintea faptului b, regula 1
şi regula 2 vor fi deasupra regulii 3 şi regulii 4 în agendă. Deci, poziţia în agendă a
regulii 1 în raport cu poziţia celei de a doua şi poziţia în agendă a regulii 3 în raport cu
poziţia regulii 4 va fi arbitrară.
Strategia regulilor cele mai simple
Printre regulile cu acelaşi salience, regulile nou activate sunt plasate deasupra tuturor
activărilor regulilor cu aceeaşi specificitate sau mai mare. Specificitatea unei reguli este
determinată de numărul de comparaţii care trebuie să se facă în partea stângă a regulii
(în LHS). Fiecare comparare cu un număr sau cu o variabilă căreia i se atribuie un
număr duce la creşterea cu o unitate a specificităţii. De asemenea, fiecare funcţie
apelată în LHS-ul unei reguli sau testele făcute asupra elementelor condiţionale
conduce la incrementarea specificităţii. Funcţiile logice and, or şi not nu duc la
incrementarea specificităţii ci argumentele lor.
106
Strategia regulilor cele mai complexe
Printre regulile cu acelaşi salience, regulile nou activate sunt plasate deasupra tuturor
activărilor regulilor cu aceeaşi specificitate sau mai mică.
Strategia LEX
Dintre regulile cu acelaşi salience, regulile nou activate sunt plasate în agendă folosind
o strategie descrisă în cele ce urmează. Prima dintre entităţile implicate în activarea
regulii este folosită pentru a determina poziţia activării. Fiecare fapt şi instanţă sunt
caracterizate de un indicator de timp (“time tag”) pentru a indica prioritatea relativă
referitoare la toate celelalte fapte şi instanţe din sistem. Fiecare entitate asociată cu
fiecare activare a regulii este sortată în ordinea descrescătoare a indicatorului de timp,
necesară la determinarea poziţiei în agendă. Activarea cu entitatea mai recentă este
plasată înaintea activărilor cu entităţi mai puţin recente. Pentru a determina ordinea
poziţiei a două activări se compară rând pe rând indicatorii de timp a celor două
activări începând cu indicatorul de timp cu cea mai mare valoare. Compararea trebuie
să continue până când indicatorul de timp al unei activări este mai mare decât
indicatorul de timp corespunzător al celeilalte activări. Activarea cu indicatorul de timp
având cea mai mare valoare este plasată în agendă înaintea celeilalte activări. Dacă o
activare are mai multe entităţi decât o altă activare şi indicatorii de timp comparaţi sunt
identici, atunci activarea cu mai mulţi indicatori de timp este plasată în agendă înaintea
celeilalte entităţi. Dacă două activări au aceeaşi prioritate, activarea cu cea mai mare
specificitate este plasată deasupra activării cu o mai mică specificitate.
Strategia MEA
Dintre regulile cu acelaşi salience, regula nou activată este plasată în agendă folosind o
anume strategie. O activare al cărei indicator de timp asociat primei entităţi este mai
mare decât indicatorul de timp asociat primei entităţi a altei activări, este plasată în
agendă înaintea celeilalte activări. Dacă ambele activări au acelaşi indicator de timp
asociat primei entităţi, atunci se foloseşte strategia MEA pentru a determina poziţia
activărilor în agendă. Mai mult, cu această strategie, entităţilor ce conţin o negaţie li se
asociază un pseudo-indicator de timp.
Strategia aleatoare
Fiecărei activări i se asociază un număr aleator care este folosit în determinarea poziţiei
în agendă a activărilor cu acelaşi salience. Acest număr aleator se păstrează când se
schimbă strategia de control, aşa că se obţine aceeaşi ordine când se selectează această
strategie de control din nou.
În cazul rezolvării unei probleme de alegere optimă, diferitele strategii nu
urmăresc obţinerea de noi soluţii interesante pentru decident ci, mai degrabă, îi întăresc
convingerea în corectitudinea soluţiei pentru că, prin orice strategie, se obţine acelaşi
rezultat. Componentele explicative, care arată modul în care regulile sunt activate de
fapte, pot ajuta utilizatorul să dea o mai bună formulare şi rezolvare a problemei.
Componenta conversaţională, de mare importanţă, oferă, în etapa definirii modelului, o
mare cantitate de informaţii ajutătoare (valori greşite ale atributelor, valori posibile ale
atributelor în concordanţă cu diferitele politici adoptate în cadrul procesului de
completare, coloane incomplet definite în matricea consecinţelor şi care nu au şanse de
a fi completate, avansarea în îmbunătăţirea modelului etc) iar în etapa determinării
optimului global, o bună justificare a soluţiei găsite.
107
OBSERVAŢII:
- Nu toate aplicaţiile vor fi foarte complexe şi deci nu vor necesita o componentă de tip
sistem expert. Atunci singura grijă în administrarea datelor va fi aceea de a realiza o
structură de date performantă în raport cu prelucrările ce urmează a se efectua peste
acea structură de date;
- Trebuie ţinută seama că prelucrările elementare vor coexista cu calculele matematice
ale modelului alegerii optime. În multe aplicaţii prelucrările elementare exced ca volum
pe cele provenite dintr-un model matematic, deci trebuie găsit un echilibru între
proiectarea bazei de date cu orientare spre prelucrări elementare şi proictarea bazei de
date cu orientare spre prelucrările de natură matematică;
- Pentru a avea o imagine cuprinzătoare asupra ansamblului gestiunii de date şi
cunoştinţe se dă în cele ce urmează o schemă de sistem în care toate fluxurile de date /
cunoştinte sunt evidenţiate corespunzător. Vezi Figura 4.1.4 F2;
- Aceeaşi figură evidenţiază şi prelucrările ce vor fi tratate în capitolul următor.
Figura 4.1.4 F2 Gestiunea datelor / cunoştinţelor şi prelucrările MADM

108
4.2 BF2: Generarea, rezolvarea şi stocarea soluţiei
problemei de alegere optimă
Rezolvarea problemelor de alegere optimă presupune în primul rând un proces

de generare în memoria internă a gazdei rezolvitorului a configuraţiei de date ale
problemei. Această configuraţie diferă destul de mult de configuraţia datelor în baza de
date. Este un lucru normal, pentru că datele sunt organizate în memoria externă în
vederea stocării / regăsirii optime iar în memoria internă în vederea facilitării execuţiei
algoritmilor şi calculelor. În plus, la rezolvare după diverse metode matematice, datele
modelului se transformă în datele problemei prin aplicarea funcţiilor de normalizare,
aşa că în final imaginea memorie disc va diferi destul de mult de imaginea memorie
internă a datelor problemei.
S-a stabilit că problemele de alegere optimă se generează şi se execută pe un
calculator puternic care poate rezolva în regim concurent zeci sau chiar sute de procese
de calcul matematic de mare viteză. Ca o primă regulă, un monitor trebuie să
supravegheze permanent firul de aşteptare cu coordonatele problemelor de rezolvat şi,
în cazul că acesta este nevid, să lanseze procesele de rezolvare pe rând, după principiul
first in – first served, având grijă ca încărcarea calculatorului să nu împieteze asupra
vitezei sale de calcul.
Rezolvarea unei singure probleme presupune o succesiune de trei operaţii
distincte. Prima este generarea problemei de alegere optimă în memoria calculatorului
gazdă a rezolvărilor, aceasta pornind de la coordonatele problemei aflate în firul de
aşteptare şi de la datele ei aflate în baza de date, care date trebuie normalizate după
metoda de normalizare selectată. A doua este rezolvarea multiplă a problemei după
metodele selectate din mulţimea de metode de rezolvare, care la acest nivel de
dezvoltare al specificaţiilor OPTCHOICE conţine 16 metode, plus calcularea soluţiei
globale. În fine a treia şi ultima este depunerea în baza de date a soluţiilor problemei.
Atâta timp cât se derulează procesul rezolvării unei probleme, utilizatorul trebuie să
aibă la consultarea soluţiei un mesaj de atenţionare că procesul de rezolvare este în curs
de desfăşurare, precizându-se cât este timpul de aşteptare.
Pentru specificarea algoritmilor asociaţi generării şi rezolvării de probleme de
alegere optimă, s-a ales un pseudo-cod care să fie apropiat, la generare, limbajelor ce
lucrează pe bazele de date, iar la rezolvare, limbajelor algoritmice de nivel înalt. În
acest fel, transferul tehnologic se poate face şi către persoane cu minimă specializare în
domeniu.
4.2.1 Specificarea blocului funcţional BF2
În pseudo-cod, succesiunea celor trei operaţii prevăzute de rezolvarea

problemelor de alegere optimă, în cazul cel mai general, în care generarea şi rezolvarea
se face în mod continuu, este ilustrată de programul BF2 (bloc funcţional numărul doi).
BF2 este un program complex care preia la intrare parametrii de definire a problemei,
accesând singura entitate a bazei de date care este independentă, anume
WAITING_LINE, pe baza acestor parametri, prin lucrul pe baza de date, generează şi
109
normalizează problemele de alege optimă, le rezolvă iar la ieşire stochează soluţiile lor
în baza de date. BF2 este compus din proceduri, după cum urmează:
- PROCEDURE_BF2_0 este un modul program care preia din baza de date
informaţiile referitoare la problemă, mai precis metoda de normalizare şi
metodele de rezolvare ce urmează a fi utilizate;
- Modulele program PROCEDURE_BF2_1, PROCEDURE_BF2_2,
PROCEDURE_BF2_3, PROCEDURE_BF2_4 şi PROCEDURE_BF2_5
aduc din baza de date în memorie datele problemei şi le normalizează pe cele
de normalizat;
- PROCEDURE_BF2_6 este un modul program care rezolvă multiplu
problema după generarea ei;
- În sfârşit, modulul PROCEDURE_BF2_7, stochează, în baza de date,
soluţiile problemei.
PROGRAM BF2 GLOBAL

INTEGER WProblem, WNormalization,
INTEGER MM, WMethod(MM), REAL WMImportance(MM),
INTEGER DD, WDecident(DD), REAL WDImportance(DD),
INTEGER SS, WState(SS), REAL WSImportance(SS),
INTEGER AA, WAttribute(AA), REAL WAImportance(AA),
CHARACTER(3) WSense(AA),
CHARACTER(15) WLo(AA), WUp(AA),
INTEGER OO, WObject(OO), REAL WEval(OO, MM),
CHARACTER(15) WValue(DD, SS, AA, OO)
BEGIN PROGRAM
DD=0, SS=0, AA=0, OO=0, MM=0
OPEN TABLE WAITING_ LINE
SCAN FOR Status=0
WProblem=Problem
Status=1
REWRITE
EXIT
ENDSCAN
CLOSE WAITING_ LINE
DO PROCEDURE_BF2_0 (WProblem, WNormalization
MM, WMethod(MM), WMImportance(MM))
DO PROCEDURE_BF2_1 (WProblem,
DD, WDecident(DD), WDImportance(DD))
SS, WState(SS), WSImportance(SS))
AA, WAttribute(AA), WAImportance(AA),
WSense(AA), WLo(AA), WUp(AA))
110
OO, WObject(OO))
DD, WDecident(DD), WDImportance(DD),
SS, WState(SS), WSImportance(SS),
AA, WAttribute(AA), WAImortance(AA),
WSense(AA), WLo(AA), WUp(AA),
OO, WObject(OO),
WValue(DD, SS, AA, OO))
DO PROCEDURE_BF2_6 (MM, WMethod(MM), WMImportance(MM)
DD, WDImportance(DD),
SS, WSImportance(SS),
AA, WAImportance(AA),
OO, WValue(DD, SS, AA, OO),
WEval(OO, MM))
OO, WObject(OO),
WEval(OO, MM))
ENDPROGRAM
4.2.2 Specificarea procedurilor apelate la nivelul 1 al blocului funcţional BF2
Normalizare şi Metode de rezolvare

PROCEDURE_BF2_0 are la intrare codul problemei preluat din entitatea
PROBLEMS şi entităţile PROBLEMS-NORMALIZATIONS, METHODS, PROBLEMS-
METHODS, iar la ieşire codul intern al metodei de normalizare şi vectorii codurilor
interne ale metodelor de rezolvare şi al importanţelor lor.
PROCEDURE_BF2_0 (WProblem,WNormalization
MM, WMethod(MM),
WMImportance(MM))
BEGIN PROCEDURE
OPEN PROBLEMS-NORMALIZATIONS
SCAN FOR WProblem=Problem
WNormalization=Normalization
ENDSCAN
CLOSE PROBLEMS-NORMALIZATIONS
SUM=0
OPEN METHODS IN B
OPEN PROBLEMS-METHODS
DO UNTIL EOF IN PROBLEMS-METHODS
SCAN FROM LAST POSITION FOR WProblem=Problem
MM=MM+1
WMethod(MM)=Method
SEEK IN B FOR WMethod(MM)=B_Method
WMImportance(MM)=B_Importance
ENDSCAN
111
ENDDO
CLOSE PROBLEMS-METHODS
CLOSE METHODS
ENDPROCEDURE
Decidenţi
PROCEDURE_BF2_1 are la intrare codul problemei şi entităţile PROBLEMS-
DECISION_MAKERS, DECISION_MAKERS iar la ieşire vectorii codurilor interne ale
decidenţilor şi al importanţelor lor.
PROCEDURE BF2_1 (WProblem,
DD, WDecident(DD), WDImportance(DD))
BEGIN PROCEDURE
OPEN DECISION_MAKERS IN B
OPEN PROBLEMS-DECISION_MAKERS
DO UNTIL EOF IN PROBLEMS-DECISION_MAKERS
DD=DD+1
WDecident(DD)=Decident
SEEK IN B FOR WDecident(DD)=B_Decident
WDImportance(DD)=B_Importance
ENDSCAN
ENDDO
Sum=0
DO FOR D=1,DD
Sum=Sum+ WDImportance(D)
ENDDO
DO FOR D=1,DD
WDImportance(D)=WDImportance(D)/Sum
ENDDO
CLOSE PROBLEMS-DECISION_MAKERS
CLOSE DECISION_MAKERS
ENDPROCEDURE
Stări ale naturii

STATES_OF_NATURE, STATES_OF_NATURE iar la ieşire vectorii codurilor interne
ale stărilor naturii şi al importanţelor lor.
PROCEDURE_BF2_2 (WProblem,
SS, WState(SS), WSImportance(SS))
BEGIN PROCEDURE
OPEN STATES_OF_NATURE IN B
OPEN PROBLEMS-STATES_OF_NATURE
DO UNTIL EOF IN PROBLEMS-STATES_OF_NATURE
112
SS=SS+1
WState(SS)=State
SEEK IN B FOR WState(SS)=B_State
WSImportance(SS)=B_Importance
ENDSCAN
ENDDO
Sum=0
DO FOR S=1,SS
Sum=Sum+ WSImportance(S)
ENDDO
DO FOR S=1,SS
WSImportance(S)=WSImportance(S)/Sum
ENDDO
CLOSE PROBLEMS-STATES_OF_NATURE
CLOSE STATES_OF_NATURE
ENDPROCEDURE
Atribute
ATTRIBUTES, ATTRIBUTES iar la ieşire vectorii codurilor interne ale atributelor,
împreună cu importanţele, sensurile şi marginile inferioare / superioare ale lor.
WSense(AA), WLo(AA), WUp(AA), WLoSt(AA), WUpSt(AA))
BEGIN PROCEDURE
OPEN ATTRIBUTES IN B
OPEN PROBLEMS-ATTRIBUTES
DO UNTIL EOF IN PROBLEMS-ATTRIBUTES
AA=AA+1
WAttribute(AA)=Attribute
SEEK IN B FOR WAttribute(AA)=B_ Attribute
WAImportance(AA)=B_Importance
WSense(AA)=B_Sense
WLo(AA)=B_LowerLimit
WUp(AA)=B_UpperLimit
ENDSCAN
ENDDO
Sum=0
DO FOR A=1,AA
Sum=Sum+ WAImportance(A)
ENDDO
DO FOR A=1,AA
WAImportance(A)=WAImportance(A)/Sum
ENDDO
113
CLOSE PROBLEMS-ATTRIBUTES
CLOSE ATTRIBUTES
ENDPROCEDURE
Obiecte
PROCEDURE_BF2_4 are la intrare codul problemei şi entitatea PROBLEMS-
OBJECTS iar la ieşire vectorul de coduri interne ale obiectelor.
OO, WObject(OO))
BEGIN PROCEDURE
OPEN PROBLEMS-OBJECTS
DO UNTIL EOF IN PROBLEMS-OBJECTS
OO=OO+1
WObject(OO)=Object
ENDSCAN
ENDDO
CLOSE PROBLEMS-OBJECTS
ENDPROCEDURE
Decidenţi – Stări ale Naturii – Atribute - Obiecte

PROCEDURE_BF2_5 are la intrare codul problemei şi vectorii de coduri interne ale
obiectelor, decidenţilor (împreună cu importanţele lor), stărilor naturii (împreună cu
importanţele lor), atributelor (împreună cu importanţele lor, limitele inferioare /
superioare) şi entitatea DECISION_MAKERS-STATES_OF_NATURE-ATTRIBUTES-
OBJECTS iar la ieşire masivul de valori ale legăturilor dintre aceste entităţi, cunoscut
sub numele de masivul atributelor / caracteristicilor obiectelor în toate stările naturii şi-
n opinia tuturor decidenţilor.
PROCEDURE_BF2_5 (WProblem,WNormalization,
DD, WDecident(DD), WDImportance(DD),
SS, WState(SS), WSImportance(SS),
WSense(AA), WLo(AA), WUp(AA),
OO, WObject(OO),
BEGIN PROCEDURE
OPEN DECISION_MAKERS-STATES_OF_NATURE-ATTRIBUTES-OBJECTS
DO FOR D FROM 1 BY 1 UNTIL D>DD
DO FOR S FROM 1 BY 1 UNTIL S>SS
DO FOR A FROM 1 BY 1 UNTIL A>AA
DO FOR O FROM 1 BY 1 UNTIL O>OO
SCAN FROM LAST POSITION FOR
WDecident(D)=Decident AND WState(S)=State AND
WAttribute(A)=Attribute AND WObject(O)=Object
114
WValue(D, S, A, O)=Value
EXIT
ENDSCAN
ENDDO
ENDDO
ENDDO
ENDDO
CLOSE DECISION_MAKERS-STATES_OF_NATURE-ATTRIBUTES-OBJECTS
OPEN FUZZY_ SCALES
DO FOR D FROM 1 BY 1 UNTIL D>DD
DO FOR S FROM 1 BY 1 UNTIL S>SS
DO FOR A FROM 1 BY 1 UNTIL A>AA
DO FOR O FROM 1 BY 1 UNTIL O>OO
IF WValue(D, S, A, O) IS NUMERIC
IF WSense(A)=”MAX” THEN
DO CASE
CASE WNormalization=1
IF WUp(A)>WLo(A) THEN
WValue(D, S, A, O)=
(WUp(A)-WValue( D, S, A, O))/
(WUp(A)-WLo(A))
ELSE
IF WUp(A)>0 THEN
WValue(D, S, A, O)=
WValue(D, S, A, O)/ WUp(A)
ENDIF
ENDIF
IF WUp(A)>0 THEN
WValue(D, S, A, O)=
WValue(D, S, A, O)/WUp(A)
ENDIF
IF WUp(A)>0 THEN
WValue(D, S, A, O)=
WValue(D, S, A, O)/WUp(A)
ENDIF
IF (SUM[I=1,OO](WValue(D, S, A, O))+
WLo(A)+WUp(A))>0 THEN
WValue(D, S, A, O)= WValue(D, S, A, O)/
(SUM[I=1,OO](WValue(D, S, A, O))+
WLo(A)+WUp(A))
ENDIF
IF (SQRT(SUM[I=1,OO](WValue(D,S, A,O))**2+
115
WLo(A)**2+WUp(A)**2)>0 THEN
WValue(D, S, A, O)= WValue(D, S, A, O)/
(SQRT(SUM[I=1,OO](WValue(D,S,A,O))**2+
WLo(A)**2+WUp(A)**2)
ENDIF
ENDCASE
ELSE
DO CASE
IF WUp(A)>WLo(A) THEN
WValue(D, S, A, O)=
(Value(D, S, A, O)-WLo(A))/
(WUp(A)-WLo(A))
ELSE
IF WUp(A)>0 THEN
WValue(D, S, A, O)=
1-WValue(D, S, A, O)/ WUp(A)
ELSE
WValue(D, S, A, O)=
1-WValue(D, S, A, O)
ENDIF
ENDIF
IF WUp(A)>0 THEN
WValue(D, S, A, O)=
1-WValue(D, S, A, O)/ WUp(A)
ELSE
IF WUp(A)=0 THEN
WValue(D, S, A, O)=
1-WValue(D, S, A, O)
ENDIF
ENDIF
IF WLo(A)>0 THEN
WValue(D, S, A, O)=
1-WLo(A)/WValue(D, S, A, O)
ELSE
IF WValue(D, S, A, O)>0 THEN
WValue(D, S, A, O)=
1/WValue(D, S, A, O)
ELSE
WValue(D, S, A, O)=1
ENDIF
ENDIF
IF (SUM[I=1,OO](WValue(D, S, A, O))+
116
WLo(A)+WUp(A)))>0 THEN
WValue(D, S, A, O)=1-WValue(D, S, A, O)/
(SUM[I=1,OO](WValue(D, S, A, O))+
WLo(A)+WUp(A))
ELSE
ENDIF
IF (SQRT(SUM[I=1,OO](WValue(D,S,A,O))**2+
WLo(A)**2+WUp(A)**2))>0 THEN
WValue(D, S, A, O)=1-WValue(D, S, A, O)/
(SQRT(SUM[I=1,OO](WValue(D,S,A O))**2+
WLo(A)**2+WUp(A)**2))
ELSE
ENDIF
ENDCASE
ENDIF
ELSE
READ IN FUZZY_SCALE ON KEY WAttribute(A)
Value1=(Left_Abscissa(1)+Top_Abscissa(1)+
Right_Abscissa(1))/3
DO FOR I FROM 1 BY 1
UNTIL Value(D, S, A, O)=Fuzzy_Name(I)
ENDDO
Value2=(Left_Abscissa(I)+Top_Abscissa(I)+
Right_Abscissa(I))/3
DO FOR I FROM 1 BY 1
UNTIL SPACES=Fuzzy_Name(I)
ENDDO
I=I-1
Value3=(Left_Abscissa(I)+Top_Abscissa(I)+
Right_Abscissa(I))/3
IF WSense(A)=”MAX” THEN
DO CASE
IF Value3>Value1 THEN
WValue(D, S, A, O)=
(Value3- Value2)/
(Value3- Value1)
ELSE
IF Value3>0 THEN
WValue(D, S, A, O)=
Value2/Value3
ENDIF
ENDIF
117
IF Value3>0 THEN
WValue(D, S, A, O)=
Value2/Value3
ENDIF
IF Value3>0 THEN
WValue(D, S, A, O)=
Value2/Value3
ENDIF
IF (SUM[I=1,OO](Value(I) ON SCALE)+
Value1+Value3)>0 THEN
WValue(D, S, A, O)=Value2/
(SUM[I=1,OO](Value(I) ON SCALE)+
Value1+Value3)
ENDIF
IF (SQRT(SUM[I=1,OO](Value(I) ON
SCALE)**2+Value1**2+Value3**2)>0
THEN
WValue(D, S, A, O)=Value2/
(SQRT(SUM[I=1,OO](Value(I) ON
SCALE)**2+Value1**2+Value3**2)
ENDIF
ENDCASE
ELSE
DO CASE
IF Value3> Value1 THEN
WValue(D, S, A, O)=
(Value2-Value1)/
(Value3-Value1)
ELSE
IF Value3>0 THEN
WValue(D, S, A, O)=
1- Value2/ Value3
ENDIF
ENDIF
IF Value3>0 THEN
WValue(D, S, A, O)=
1- Value2/ Value3
ENDIF
IF Value3>0 THEN
118
WValue(D, S, A, O)=
(1/ Value2)(1/ Value3)
ENDIF
IF (SUM[I=1,OO](Value(I) ON SCALE)+
Value1+Value3)>0 THEN
WValue(D, S, A, O)=1-Value2/
(SUM[I=1,OO](Value(I) ON SCALE)+
Value1+Value3)
ENDIF
IF (SQRT(SUM[I=1,OO](Value(I) ON
SCALE)**2+Value1**2+Value3**2)>0
THEN
WValue(D, S, A, O)=1-Value2/
(SQRT(SUM[I=1,OO](Value(I) ON
SCALE)**2+Value1**2+Value3**2)
ENDIF
ENDCASE
ENDIF
ENDIF
ENDDO
ENDDO
ENDDO
ENDDO
CLOSE FUZZY_ SCALES
ENDPROCEDURE
Memoria internă a calculatorului gazdă a rezolvitorului problemei de alegere

optimă va conţine în acest moment datele necesare şi suficiente pentru rezolvarea
problemei conform definirii sale. Aceste date sunt următoarele:
- WProblem,
- MM, WMethod(MM), WMImportance(MM),
- DD, WDecident(DD), WDImportance(DD),
- SS, WState(SS), WSImportance(SS),
- AA, WAttribute(AA), WAImportance(AA),
- OO, WObject(OO), WEval(OO, MM),
- WValue(DD, SS, AA, OO).
Să observăm că la acest moment problema este normalizată, toate elementele

masivului sunt valori între 0 şi 1 în timp ce limitele inferioare şi superioare de variaţie
ale atributelor sunt egale cu 0, respectiv cu 1. Toate atributele au devenit de maxim.
119
4.2.3 Specificarea procedurilor apelate la nivelurile 2, 3 ale blocului functional BF2
Aşa cum s-a arătat în secţiunea anterioară, rezolvarea problemei de alegere

optimă presupune în primul rând ca problema să fie generată în memoria internă a
calculatorului gazdă a rezovitorului. Pornind de la datele memorate, a căror
configuraţie este perfect definită în acest moment prin punerea în evidenţă a hărţii
memoriei, se poate trece la rezolvarea problemei. PROCEDURE_BF2_6 execută
această operaţie prin lansarea succesivă a procedurilor:
PROCEDURE_BF2_6_1, PROCEDURE_BF2_6_2, PROCEDURE_BF2_6_3,

PROCEDURE_BF2_6_16, si PROCEDURE_BF2_6_17.
Ele implementează respectiv metodele: MAXIMIN, MAXIMAX, non-

dominantei, funcţiei de utilitate liniară, Pareto, TOPSIS, Onicescu amendată,
scorurilor, diametrelor, TODIM, numărului de obiecte dominate pentru fiecare obiect,
numărului de obiecte dominante pentru fiecare obiect, numărului minim de
caracteristici prin care obiectele sunt cel mai bine evaluate, numărului maxim de
caracteristici prin care obiectele sunt cel mai bine evaluate, numărului minim de
caracteristici prin care obiectele sunt cel mai rău evaluate, numărului maxim de
caracteristici prin care obiectele sunt cel mai rău evaluate şi construirea optimului
global.
De precizat aici că prin orientarea spre modelul de tip MADM cu informaţie
asupra atributelor, conform metodologiei şcolii americane, implicit s-au ales metode
de rezolvare compatibile cu acest model. Mai mult, metodele sunt alese de aşa manieră
încât să fie cât mai diverse din punctul de vedere al concepţiei de rezolvare. Primele
metode sunt doar nişte aplicaţii ale principiilor de maxim deseori folosite în
matematică, altele, în spirit Von Newman şi Oscar Morgenstern, calculează o funcţie
de utilitate, altele calculează punctaje după o obişnuinţă veche de când lumea, altele
folosesc conceptul Pareto (de distanţă la soluţia ideală), altele se bazează pe importanţe
relative şi, în sfârşit, altele apelează la dominanţă.
Este prezentă condiţia asigurării rapidităţii calculelor pentru că lucrul nu
presupune accesul la memoria externă decât în cadrul operaţiilor de swaping executate
de sistemul de operare.
Rezolvare multiplă
PROCEDURE_BF2_6 are la intrare vectorul metodelor de rezolvare cerute de
utilizator, vectorii importanţelor metodelor / decidenţilor / stărilor naturii / atributelor şi
masivul de valori normalizate ale legăturilor decidenţi – stări ale naturii – atribute -
obiecte iar la ieşire matricea de evaluări ale obiectelor după toate metodele matematice
enumerate mai sus. Această matrice conţine evaluări ale obiectelor, numite de obicei
120
merite, cu semnificaţii depinzând de metodele de rezolvare. Cele şaisprezece module,
implicate fiecare în calcularea unei anumite soluţii, au la intrare aceleaşi date de intrare
utilizate integral sau parţial, după metoda de rezolvare, şi la ieşire o singură coloană a
matricei de evaluări ale obiectelor. Modulul de calcul al soluţiei globale are la intrare
coloanele corespunzătoare metodelor de rezolvare din matricea de evaluări ale
obiectelor şi vectorul de importanţe al metodelor de rezolvare iar la ieşire coloana
soluţiei globale din matricea de evaluări ale obiectelor. Coloana în cauză, stocată pe
indicele “0”, care este în baza de date codul implicit al soluţiilor globale, se calculează
ca medie aritmetică ponderată a celorlalte coloane prin linia importanţelor metodelor
de rezolvare.
PROCEDURE_BF2_6 (MM, WMethod(MM),
WMImportance(MM),
DD, WDImportance(DD),
SS, WSImportance(SS),
AA, WAImportance(AA),
OO, WEval(OO, MM),
BEGIN PROCEDURE
DO FOR M=1,MM
*NIVELUL 3
DO FOR D=1,DD
DO FOR S=1,SS
EXTRACT WAValue(AA, OO) FROM WValue(DD, SS, AA, OO)
FOR CURRENT D, S
DO FOR O=1,OO
WAValue(0, O)=0
ENDDO
DO CASE
CASE WMethod(M)=1
CALL PROCEDURE_BF2_6_1 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=2
CASE WMethod(M)=3
CASE WMethod(M)=4
CALL PROCEDURE_BF2_6_4 (AA, OO, WAValue(AA, OO),
WAImportance(AA))
CASE WMethod(M)=5
WAImportance(AA))
CASE WMethod(M)=6
CASE WMethod(M)=7
WAImportance(AA))
121
CASE WMethod(M)=8
CASE WMethod(M)=9
WAImportance(AA))
CASE WMethod(M)=10
WAImportance(AA))
CASE WMethod(M)=11
CASE WMethod(M)=12
CASE WMethod(M)=13
CASE WMethod(M)=14
CASE WMethod(M)=15
CASE WMethod(M)=16
ENDCASE
UPDATE WValue(DD, SS, 0, OO) FROM WAValue(AA, OO)
FOR CURRENT D, S
ENDDO
ENDDO
*NIVELUL 2
DO FOR D=1,DD
EXTRACT WSValue(SS, OO) FROM WValue(DD, SS, AA, OO)
FOR CURRENT D
DO FOR O=1,OO
WSValue(0, O)=0
ENDDO
DO CASE
CASE WMethod(M)=1
CALL PROCEDURE_BF2_6_1 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=2
CASE WMethod(M)=3
CASE WMethod(M)=4
CALL PROCEDURE_BF2_6_4 (SS, OO, WSValue(SS, OO),
WSImportance(SS))
CASE WMethod(M)=5
WSImportance(SS))
CASE WMethod(M)=6
122
CASE WMethod(M)=7
WSImportance(SS))
CASE WMethod(M)=8
CASE WMethod(M)=9
WSImportance(SS))
CASE WMethod(M)=10
WSImportance(SS))
CASE WMethod(M)=11
CASE WMethod(M)=12
CASE WMethod(M)=13
CASE WMethod(M)=14
CASE WMethod(M)=15
CASE WMethod(M)=16
ENDCASE
UPDATE WValue(DD, 0, 0, OO) FROM WSValue(SS, OO)
FOR CURRENT D
ENDDO
*NIVELUL 1
EXTRACT WDValue(DD, OO) FROM WValue(DD, SS, AA, OO)
FOR RADIX NODE
DO FOR O=1,OO
WDValue(0, O)=0
ENDDO
DO CASE
CASE WMethod(M)=1
CALL PROCEDURE_BF2_6_1 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=2
CASE WMethod(M)=3
CASE WMethod(M)=4
CALL PROCEDURE_BF2_6_4 (DD, OO, WDValue(DD, OO),
WDImportance(DD))
CASE WMethod(M)=5
123
WDImportance(DD))
CASE WMethod(M)=6
CASE WMethod(M)=7
WDImportance(DD))
CASE WMethod(M)=8
CASE WMethod(M)=9
WDImportance(DD))
CASE WMethod(M)=10
WDImportance(DD))
CASE WMethod(M)=11
CASE WMethod(M)=12
CASE WMethod(M)=13
CASE WMethod(M)=14
CASE WMethod(M)=15
CASE WMethod(M)=16
ENDCASE
UPDATE WValue(0, 0, 0, OO) FROM WDValue(DD, OO)
FOR RADIX NODE
DO FOR O=1,OO
WEval(O, M)=WValue (0, 0, 0, O)
ENDDO
ENDDO
CALL PROCEDURE_BF2_6_17 (OO, MM, WEval(OO, MM), WMImportance(MM))
ENDPROCEDURE
Metode de evaluare:
Metoda MAXIMIN
În cazul de faţă, principiul MAXIMIN se aplică matricii WNValue(CC, OO), luând mai
întâi, pentru fiecare obiect O=1,OO, minimul pe coloana corespunzătoare. Se obţine
astfel un OO-vector reprezentat de WNValue(0, OO). Apoi se ia maximul pe linie în
acest vector. În vector, indicele corespunzător maximului precizează obiectul optim.
Obiectul optim se marchează în vectorul II(OO). Repetând procedeul pentru mulţimea
124
de obiecte din care am extras obiectul optim se obţine un alt obiect optim şi aşa mai
departe până la obţinerea unei mulţimi vide de obiecte. Pentru a putea avea la final o
evaluare a obiectelor, acestora li se ataşează utilităţi. Obiectului ieşit optim la iteraţia I i
se ataşează utilitatea 1/I.
PROCEDURE_BF2_6_1 (CC, OO, WNValue(CC, OO))

INTEGER WMin, Wmax, C, O, I, J, II(OO)
REAL WNValue(CC, OO)
DO FOR O=1,OO
II(O)=0
ENDDO
DO FOR O=1,OO
WMin=1
DO FOR I=1,OO
IF II(I)=0 THEN
DO FOR C=1, CC
IF WNValue(C, I)<WMin THEN
WMin=WNValue(C, I)
ENDIF
ENDDO
WNValue(0, I)=WMin
ENDIF
WMax=0
ENDDO
DO FOR I=1,OO
IF II(I)=0 THEN
IF WNValue(0, I)>WMax THEN
WMax=WNValue(0, I)
J=I
ENDIF
ENDIF
ENDDO
WNValue(0, J)=1/O
II(J)=1
ENDDO
ENDPROCEDURE
Metoda MAXIMAX
Similar principiului MAXIMIN, principiul MAXIMAX se aplică tot matricii
WNValue(CC, OO) dar de data aceasta, luând mai întâi, pentru fiecare obiect O=1,OO,
maximul pe coloana corespunzătoare. Se obţine astfel tot un OO-vector reprezentat de
WNValue(0, OO). Apoi se ia maximul pe linie în acest vector. În vector, indicele
corespunzător maximului precizează obiectul optim. Obiectul optim se marchează în
vectorul II(OO). Repetând procedeul pentru mulţimea de obiecte din care am extras
125
obiectul optim se obţine un alt obiect optim şi aşa mai departe până la obţinerea unei
muţimi vide de obiecte. Pentru a putea avea la final o evaluare a obiectelor, acestora li
se ataşează utilităţi. Obiectului ieşit optim la iteraţia I i se ataşează utilitatea 1/I.

INTEGER WMax, C, O, I, J, II(OO)
DO FOR O=1,OO
II(O)=0
ENDDO
DO FOR O=1,OO
WMax=0
DO FOR I=1,OO
IF II(I)=0 THEN
DO FOR C=1,CC
IF WNValue(C, I)>WMax THEN
WMax=WNValue(C, I)
ENDIF
ENDDO
WNValue(0, I)=WMax
ENDIF
ENDDO
WMax=0
DO FOR I=1,OO
IF II(I)=0 THEN
IF WNValue(0, I)>WMax THEN
WMax=WNValue(0, I)
J=I
ENDIF
ENDIF
ENDDO
WNValue(0, J)=1/O
II(J)=1
ENDDO
ENDPROCEDURE
Metoda non-dominantei
Uzând de matricea WNValue(CC, OO), pentru fiecare obiect de indice O se testează
nedominarea lui în raport cu fiecare din celelalte obiecte. Aceasta se face de-a lungul
tuturor caracteristicilor, în număr de CC. Unui obiect nedominat i se atribuie evaluarea
1 iar unui obiect dominat i se atribuie evaluarea 0.
INTEGER C, O, I, J
126
DO FOR O=1,OO
I=0
DO FOR C=1,CC
DO FOR J=1,OO
IF WNValue(C, O)>= WNValue(C,J) THEN
I=I+1
ENDIF
ENDDO
ENDDO
IF I=CC*OO THEN
WNValue(0, O)=1
ELSE
WNValue(0, O)=0
ENDIF
ENDDO
ENDPROCEDURE
Metoda funcţiei de utilitate liniară

Utilitatea unui obiect O, cu O=1,OO, este suma carateristicilor sale normalizate, care se
găsesc în matricea WNValue(CC, OO) pe coloana O, ponderate cu importanţele
absolute ale respectivelor caracteristici, care se găsesc în vectorul WNImportance(CC).
PROCEDURE_BF2_6_4 (CC, OO, WNValue(CC, OO), WNImportance(CC))

INTEGER C, O
REAL WNValue(CC, OO), WNImportance(CC)
DO FOR O=1,OO
DO C=1,CC
WNValue(0, O)=WNValue(0, O)+ WNImportance(C)*WNValue(C, O)
ENDDO
ENDDO
ENDPROCEDURE
Metoda Pareto
Datorită faptului că, anterior, sensul optimizării caracteristicilor, pentru toate
caracteristicile, a fost adus la maximum, punctul ideal este un vector de dimensiune CC
cu toate componentele egale cu 1. Astfel, se calculează, pentru fiecare obiect O, cu
O=1,OO, distanţa, provenită din norma L1, la acest punct ideal prin însumarea
diferenţelor (1- WNValue(C,O)) după C, cu C=1,CC, diferenţele fiind ponderate prin
importanţele absolute corespunzătoare WNImportance(C) ce se găsesc în vectorul
WNImportance(CC). Pentru că distanţa cea mai mică denota obiectul optim sau
obiectele optime iar în acest software valorile cât mai apropiate de 1 sunt considerate
cele mai bune, va trebui să se treacă de la distanţă la merit prin luarea în final a
complementarei faţă de 1.
127
PROCEDURE_BF2_6_5 (CC, OO, WNValue(CC, OO), WNImportance(CC))
INTEGER C, O
REAL WNValue(CC, OO), WNImportance(CC)
DO FOR O=1,OO
DO C=1,CC
WNValue(0, O)=WNValue(0, O)+ WNImportance(C)*(1-WNValue(C,O))
ENDDO
WNValue(0, O)=1-WNValue(0, O)
ENDDO
ENDPROCEDURE
Metoda TOPSIS
Datorită faptului că, anterior, sensul optimizării caracteristicilor, pentru toate
caracteristicile, a fost adus la maximum, punctul ideal pozitiv este un vector de
dimensiune CC cu toate componentele egale cu 1 iar punctul ideal negativ este un
vector de dimensiune CC cu toate componentele egale cu 0. Astfel, se calculează,
pentru fiecare obiect O, cu O=1,OO, distanţele, provenite din norma L2, la aceste
puncte ideale prin luarea radicalilor din suma după C, cu C=1,CC, a pătratelor
diferenţelor (1- WNValue(C,O))**2, respectiv a pătratelor WNValue(C,O))**2. Aceste
distanţe sunt folosite pentru a construi în mod direct un merit depus în vectorul
WNValue(0, OO).
INTEGER C, O
REAL WDistancePlus, WDistanceMinus, WNValue(CC, OO)
DO FOR O=1,OO
WDistancePlus=0
WDistanceMinus=0
DO C=1,CC
WDistancePlus= WDistancePlus+(1-WNValue(C, O))**2
WDistanceMinus= WDistanceMinus+WNValue(C, O)**2
ENDDO
WNValue(0,O)= WDistanceMinus/(WDistanceMinus+ WDistancePlus)
ENDDO
ENDPROCEDURE
Metoda Onicescu amendată

Pentru fiecare caracteristică C, cu C=1,CC, se consideră vectorul linie WNValue(C,
OO) care se ordonează descrescător după valorile acelei caracteristici. Există astfel CC
ordonări ale obiectelor. Pe baza lor se calculează un vector a cărui elemente arată de
câte ori un obiect ocupă corespunzător locurile 1, 2, 3,…,OO. Acest vector astfel
obţinut se înmulţeşte scalar cu vectorul importanţelor caracteristicilor
WNImportance(CC) iar fiecare componentă a sa se împarte la rangul său. Evident se
lucrează în complementara faţă de 1 pentru ca obiectul optim să aibă meritul cât mai
128
aproape de 1. Ca acest lucru să fie într-adevăr posibil, la final fiecare evaluare
WNValue(0,O), cu O=1,OO, se împarte cu maximul după O a acestor evaluări.
PROCEDURE_BF2_6_7 (CC, OO, WNImportance(CC), WNValue(CC, OO))
INTEGER C, O, I, Sigma(OO)
REAL Max, WNImportance(CC), WNValue(CC, OO)
Max=0
DO FOR O=1,OO
WNValue(0,O)=0
ENDDO
DO FOR C=1,CC
SORT DESCENDING WNValue(C, OO) GIVING Sigma(OO)
DO FOR O=1,OO
DO FOR I=1,OO
IF Sigma(O)=I THEN
WNValue(0,O)=WNValue(0,O)+ WNImportance(C)*(OO-I)/I
ENDIF
ENDDO
ENDDO
ENDDO
DO FOR O=1,OO
IF WNValue(0,O)> Max
Max= WNValue(0,O)
ENDIF
ENDDO
DO FOR O=1,OO
WNValue(0,O)=WNValue(0,O)/Max
ENDDO
ENDPROCEDURE
Metoda scorurilor
Pentru fiecare caracteristică C, cu C=1,CC, se consideră vectorul linie WNValue(C,
OO) care se ordonează descrescător după valorile acelei caracteristici. Se mai consideră
intervalul [0, 1] împărţit în zece diviziuni, după cum urmează [0, 1/10), [1/10, 2/10),
[2/10, 3/10),…[9/10, 1]. Considerând acestea, se stabileşte pentru fiecare obiect O, cu
O=1,OO, intervalul în care a fost distribuit de ordonarea făcută. Astfel obiectul
primeşte în WNValue(C, O) nota egală cu numărătorul fracţiei ce defineşte marginea
stângă a intervalului gazdă plus 1. Însumând aceste note după toate ordonările şi
distribuirile ce trebuiesc făcute, în număr de CC, se obţine, pentru fiecare obiect O, un
scor care este normalizat pentru încadrarea în intervalul [0, 1] a evaluărilor WNValue(0,
OO).
REAL Sum, WNValue(CC, OO)
DO FOR O=1,OO
129
WNValue(0,O)=0
ENDDO
DO FOR C=1,CC
DO FOR O=1,OO
I=Sigma(O)
IF 1-WNValue(C, I)<1/10 THEN
WNValue(0,O)=WNValue(0,O)+10
ELSE
ELSE
ELSE
ELSE
ELSE
ELSE
ELSE
ELSE
ELSE
ENDIF
ENDIF
ENDIF
ENDIF
ENDIF
ENDIF
ENDIF
ENDIF
ENDIF
ENDDO
ENDDO
Sum=0
130
DO FOR O=1,OO
Sum= Sum+WNValue(0,O)
ENDDO
DO FOR O=1,OO
WNValue(0,O)= WNValue(0,O)/Sum
ENDDO
ENDPROCEDURE
Metoda diametrelor
Pentru fiecare caracteristică C, cu C=1,CC, se ordonează descrescător vectorul
WNValue(C, OO). Într-o primă instanţă, evaluarea WNValue(0,O) este dată de suma
după C, C=1,CC, din produsul dintre importanţa caracteristicei, WNImportance(C),
prin complementara faţă de OO a poziţiei I ocupate în ordonarea C de către obiectul O.
În acelaşi timp, se determină cea mai bună şi cea mai rea poziţie ocupată de fiecare din
cele OO obiecte în toate cele CC ordonări. În a doua instanţă, elementele vectorului
evaluărilor, WNValue(0,OO), sunt amendate cu diametrele obiectelor şi anume cu
WNFirst(O)-WNLast(O) luate în complementară faţă de OO. In final se găseşte
maximul după O, O=1,OO, în vectorul WNValue(0,OO) ale cărui elemente se
normalizează prin acest maxim.
PROCEDURE_BF2_6_9 (CC, OO, WNImportance(CC), WNValue(CC, OO))
REAL Max, WNImportance(CC), WNValue(CC, OO), WNFirst(OO), WNLast(OO)
Max=0
DO FOR O=1,OO
WNValue(0,O)=0
WNLast(O)=0
ENDDO
DO FOR O=1,OO
WNFirst(O)=OO
ENDDO
DO FOR C=1,CC
DO FOR O=1,OO
DO FOR I=1,OO
IF Sigma(O)=I THEN
WNValue(0,O)=WNValue(0,O)+WNImportance(C)*(OO-I)
IF WNFirst(O)>I THEN
WNFirst(O)=I
ENDIF
IF WNLast(O) Max
Max= WNValue(0,O)
ENDIF
ENDDO
DO FOR O=1,OO
WNValue(0,O)=WNValue(0,O)/Max
ENDDO
ENDPROCEDURE
Metoda TODIM
Pentru început, pornind de la vectorul importanţelor absolute WNImportance(CC) se
construieşte matricea importanţelor relative WRImportance(CC, CC). Apoi, imediat
după aceasta, se calculează vectorul WPondTot(CC), al ponderilor totale ale fiecărui
atribut relativ la mulţimea importanţelor relative şi se consideră indicele pe care se
realizează maximum-ul, în speţă C0. Folosind acest indice, se calculează dominanţele
absolute WDObjects(O1, O2) între oricare două obiecte O1 şi O2, din cele OO
existente, prin însumarea produselor dintre importanţele relative la acel indice, anume
WRImportance(C0, C) şi diferenţa dintre valorile corespunzătoare acelor indici, anume
WNValue(C, O1)-WNValue(C, O2) din matricea caracteristicilor normalizată
WNValue(CC, OO) în care coloanele sunt toate de maxim. Evaluările obiectelor
WNValue(0, OO) sunt date de o formulă de normalizare a sumelor dominaţelor
obiectelor.
PROCEDURE BF2_MODUL_6_10 (CC, OO, WNImportance(CC),
WNValue(CC, OO))
INTEGER C, O, C0, C1, C2, I
REAL WNImportance(CC), WNValue(CC, OO), WRImportance(CC, CC),
WPondTot(CC), WDObjects(CC+1, CC)
DO FOR C1=1,CC
DO FOR C2=1,CC
WRImportance(C1, C2)=WNImportance(C1)/WNImportance(C2)
ENDDO
ENDDO
DO FOR C2=1,CC
WPondTot(C2)=0
DO FOR C1=1,CC
WPondTot(C2)=WPondTot(C2)+WRImportance(C1, C2)
ENDDO
WPondTot(C2)= WPondTot(C2)/CC
ENDDO
WPondTot(0)=0
132
DO FOR C=1,CC
IF WPondTot(C)>WPondTot(0) THEN
WPondTot(0)= WPondTot(C)
C0=C
ENDIF
ENDDO
DO FOR O1=1,OO
DO FOR O2=1,OO
WDObjects(O1, O2)=0
DO FOR C=1,CC
WDObjects(O1, O2)=WDObjects(O1, O2)+WRImportance(C0, C)*
(WNValue(C, O1)-WNValue(C, O2))
ENDDO
ENDDO
ENDDO
WDObjects(0, O1)=0
DO FOR O=1,OO
WDObjects(O1, 0)=WDObjects(O1, 0)+WDObjects(O1, O)
ENDDO
WDObjects(0, 0)=1
DO FOR O=1,OO
IF WDObjects(O, 0)<WDObjects(0, 0) THEN
WDObjects(0, 0)=WDObjects(O, 0)
ENDIF
ENDDO
WDObjects(OO+1, 0)=0
DO FOR O=1,OO
IF WDObjects(O, 0)>WDObjects(OO+1, 0) THEN
WDObjects(OO+1, 0)=WDObjects(O, 0)
ENDIF
ENDDO
DO FOR O=1,OO
WNValue(0, O) =(WDObjects(O, 0)-WDObjects(0, 0))/
(WDObjects(OO+1, 0)-WDObjects(0, 0))
ENDDO
ENDPROCEDURE
Metode de caracterizare:
Metoda numărului de obiecte dominate pentru fiecare obiect

Pentru fiecare obiect O, cu O=1,OO, se determină numărul de obiecte dominate prin
compararea pe rând, cu fiecare obiect J, cu J=1,OO, a caracteristicilor lor, în speţă
WNValue(C, O) şi WNValue(C, J). Acest număr se depune în vectorul WNValue(0,
133
OO) pe componenta O. Vectorul WNValue(0, OO) în final se normalizează prin
împărţire la OO,
INTEGER C, O, I, J
DO O=1,OO
WNValue(0, O)
ENDDO
DO FOR O=1,OO
I=0
DO FOR J=1,OO
DO FOR C=1,CC
IF WNValue(C, O)>= WNValue(C, J) THEN
I=I+1
ENDIF
ENDDO
IF I=CC THEN
WNValue(0, O)= WNValue(0, O)+1
ENDIF
ENDDO
ENDDO
DO FOR O=1,OO
WNValue(0, O)= WNValue(0, O)/OO
ENDDO
ENDPROCEDURE
Metoda numărului de obiecte dominante pentru fiecare obiect

Pentru fiecare obiect O, cu O=1,OO, se determină numărul de obiecte dominante prin
compararea pe rând, cu fiecare obiect J, cu J=1,OO, a caracteristicilor lor, în speţă
WNValue(C, O) şi WNValue(C, J). Acest număr se depune în vectorul WNValue(0,
OO) pe componenta O. Vectorul WNValue(0, OO) în final se normalizează prin
împărţire la OO,
INTEGER C, O, I, J
DO O=1,OO
WNValue(0, O)
ENDDO
DO FOR O=1,OO
I=0
DO FOR J=1,OO
DO FOR C=1,CC
IF WNValue(C, O)<= WNValue(C, J) THEN
134
I=I+1
ENDIF
ENDDO
IF I=CC THEN
WNValue(0, O)= WNValue(0, O)+1
ENDIF
ENDDO
ENDDO
DO FOR O=1,OO
WNValue(0, O)= WNValue(0, O)/OO
ENDDO
ENDPROCEDURE
Metoda numărului minim de caracteristici prin care obiectele sunt cel mai bine
evaluate
Pentru fiecare obiect O, cu O=1,OO, se determină numărul de caracteristici prin care
obiectul este mai bine evaluat în raport cu obiectele J, cu J=1,OO, şi se depun în
vectorul WNrCharacteristics(OO). În acest vector se găseşte minimul care furnizează
pentru obiectul O evaluarea WNValue(0, O). Aceasta este chiar minimul factorizat la
numărul caractericticilor.
INTEGER C, O, I, J, Min
REAL WNValue(CC, OO), WNrCharacteristics(OO)
DO O=1,OO
WNValue(0, O)
ENDDO
DO FOR O=1,OO
DO FOR J=1,OO
I=0
DO FOR C=1,CC
IF WNValue(C, O)>= WNValue(C, J) AND O NOT=J THEN
I=I+1
ENDIF
ENDDO
WNrCharacteristics(J)=I
ENDDO
Min=CC
DO FOR J=1,OO
IF WNrCharacteristics(J)<Min
Min=WNrCharacteristics(J)
ENDIF
ENDDO
WNValue(0, O)=Min/CC
135
ENDDO
ENDPROCEDURE
Metoda numărului maxim de caracteristci prin care obiectele sunt cel mai bine
evaluate
obiectul este mai bine evaluat în raport cu obiectele J, cu J=1,OO, şi se depun în
vectorul WNrCharacteristics(OO). În acest vector se găseşte maximul care furnizează
pentru obiectul O evaluarea WNValue(0, O). Aceasta este chiar maximul factorizat la
numărul caractericticilor.

INTEGER C, O, I, J, Max
DO O=1,OO
WNValue(0, O)
ENDDO
DO FOR O=1,OO
DO FOR J=1,OO
I=0
DO FOR C=1,CC
I=I+1
ENDIF
ENDDO
ENDDO
Max=0
DO FOR J=1,OO
IF WNrCharacteristics(J)>Max
Max=WNrCharacteristics(J)
ENDIF
ENDDO
WNValue(0, O)=Max/CC
ENDDO
ENDPROCEDURE
Metoda numărului minim de caracteristici prin care obiectele sunt cel mai rău
evaluate
obiectul este mai rău evaluat în raport cu obiectele J, cu J=1,OO, şi se depun în
vectorul WNrCharacteristics(OO). În respectivul vector se găseşte minimul care
136
furnizează pentru obiectul O evaluarea WNValue(0, O). Aceasta este chiar minimul
factorizat la numărul caractericticilor.
INTEGER C, O, I, J, Min
DO O=1,OO
WNValue(0, O)
ENDDO
DO FOR O=1,OO
DO FOR J=1,OO
I=0
DO FOR C=1,CC
IF WNValue(C, O)< WNValue(C, J) AND O NOT=J THEN
I=I+1
ENDIF
ENDDO
ENDDO
Min=CC
DO FOR J=1,OO
IF WNrCharacteristics(J)<Min
Min=WNrCharacteristics(J)
ENDIF
ENDDO
WNValue(0, O)=Min/CC
ENDDO
ENDPROCEDURE
Metoda numărului maxim de caracteristci prin care obiectele sunt cel mai rău evaluate
obiectul este mai rău evaluat în raport cu obiectele J, cu J=1,OO, şi se depun în
vectorul WNrCharacteristics(OO). În respectivul vector se găseşte maximul care
furnizează pentru obiectul O evaluarea WNValue(0, O). Aceasta este chiar maximul
factorizat la numărul caractericticilor.
INTEGER C, O, I, J, Max
DO O=1,OO
WNValue(0, O)
ENDDO
DO FOR O=1,OO
DO FOR J=1,OO
I=0
DO FOR C=1,CC
137
I=I+1
ENDIF
ENDDO
ENDDO
Max=0
DO FOR J=1,OO
IF WNrCharacteristics(J)>Max
Max=WNrCharacteristics(J)
ENDIF
ENDDO
WNValue(0, O)=Max/CC
ENDDO
ENDPROCEDURE
Construirea optimului global

Obţinerea optimului global încununează rezolvarea problemei de alegere optimă.
Pornind de la optimele date de metodele matematice, care sunt stocate în matricea
WEval(OO, MM), se calculează mediile aritmetice ale coloanelor acesteia ponderate cu
vectorul linie al importanţelor metodelor şi se depozitează în vectorul coloana
WEval(OO, 0).
PROCEDURE BF2_6_17 (OO, MM, WEval(OO, MM), WMImportance(MM))
DO FOR O=1,OO
WEval(O, 0)=0
DO FOR M=1,MM
WEval(O, 0)=WEval(O, 0)+WMImportance(M)* WEval(O, M)
ENDDO
ENDDO
ENDPROCEDURE
Înregistrarea soluţiilor optime

După rezolvarea problemei de alegere optimă, operaţia următoare este înregistrarea
soluţiilor optime în baza de date. Pornind de la datele din memoria internă a
calculatorului gazdă a rezolvitorului, PROCEDURE_BF2_7 execută această operaţie
prin accesarea bazei de date aflate în memoria externă a calculatorului gazdă a site-ului
OPTCHOICE şi depunerea soluţiilor împreună cu anunţarea monitorului sistemului că
secvenţa generare – rezolvare – stocare soluţii problemă s-a încheiat cu succes.
Modulul are deci la intrare WProblem, OO, WObject(OO) şi WEval(OO, NN, MM) iar
la ieşire entităţile PROBLEMS-NORMALIZATIONS-METHODES-OBJECTS şi
WAITING_LINE actualizate.
138
OO, WObject(OO),
NN, WNormalization(NN),
MM, WMethod(MM),
WEval(OO, NN, MM))
OPEN PROBLEMS-NORMALIZATION-METHODS-OBJECTS
DO FOR N=1,NN
DO FOR M=1,MM
DO FOR O=1,OO
SEEK FOR WProblem=Problem AND
WNormalization(N)=Normalization AND
WMethod(M)=Method AND
WObject(K)=Object
IF NOT IVK
Evaluation=WEval(O, N, M)
REWRITE
ELSE
APPEND BLANK
Problem=Wproblem
Method=WMethod(M)
Object=WObject(O)
Evaluation=WEval(O, M)
REWRITE
ENDIF
ENDDO
ENDDO
ENDDO
CLOSE PROBLEMS-NORMALIZATIONS-METHODES-OBJECTS
OPEN WAITING_LINE
SCAN FOR WProblem=Problem AND Status=1
Status=2
REWRITE
EXIT
ENDSCAN
CLOSE WAITING_LINE
ENDPROCEDURE
4.2.4 Specificarea automatizării rulărilor blocului funcţional BF2
După ce modulele produsului program elaborat au fost instalate pe

echipamentele de calcul, modulele ce ţin de baza de date a modelelor MADM pe
server-ul de SQL, WEB şi MAIL iar modulele ce ţin de optimizări pe calculatorul
gazdă al rezolvării problemelor de alegere optimă, înainte de orice trebuie realizat
monitorul rezolvitorului. Acesta, numit BF2_MONITOR are rolul de a prelua
coordonatele de identificare ale problemelor de rezolvat, lansarea în execuţie a
modulelor asociate rezolvărilor, urmărirea modului de finalizare a execuţiilor şi
gestionarea lor optimă. Înseamnă că, din punct de vedere al legăturii cu primul sistem
139
de calcul, monitorul nu intervine decât pe entitatea WAITING_LINE iar din punctul de
vedere al celui de-al doilea sistem de calcul, monitorul este un program ce-i foloseşte
numai memoria internă.
În esenţă, se execută un ciclu infinit caracterizat de etape înlănţuite secvenţial,
cu reluare mereu de la prima etapă. Dacă se dovedeşte că nu are nimic de făcut mai
mult timp, monitorul trece în stare dormantă până la apelul (evenimentul) de trezire
primit de la primul calculator, care face acest lucru de fiecare dată când înregistrează în
firul de aşteptare noi coordonate ale unei probleme de rezolvat. Parametrii monitorului,
anume timpul înregistrat de la ultima lansare în execuţie a unei rezolvări (trecerea
căruia determină începerea somnului) şi timpul maxim alocat unei rezolvări sunt la
îndemâna administratorului de sistem fiind fixaţi în memorie.
Etapa 0: Monitorul este trezit;
Etapa 1: Determină, în firul de aşteptare, prima problemă de rezolvat, având
deci Status=0;
Etapa 2: Şterge, din firul de aşteptare, replicile acestei probleme de rezolvat
pentru a preveni execuţiile multiple asupra aceluiaşi set de date ale problemei;
Etapa 3: Lansează în execuţie problema determinată la Etapa 1;
Etapa 4: Şterge, din firul de aşteptare, problemele a căror execuţie s-a încheiat
cu succes, având deci Status=2;
Etapa 5: Măsoară, pentru problemele în execuţie, caracterizate de Status=1,
timpul scurs de la lansarea în execuţie până la momentul curent şi, dacă acest timp
depăşeşte valoarea maximă admisă, crează condiţiile pentru relansarea în execuţie a
problemelor în cauză;
Etapa 6: Masoară tipul scurs de la ultima operaţie executată în beneficiul
sistemului OPTCHOICE şi dacă acesta depăşeşte valoarea maximă admisă, comandă
trecerea în starea dormantă;
Etapa 7: Reia ciclul de la Etapa 1.
PROGRAM BF2_MONITOR GLOBAL ON NET Wake_up_call

BEGIN PROGRAM
Wake_up_call=1
I=0
Max_Procese=50
Max_Execution_Time=1800
Max_Staying_Time=180
DO WHILE Wake_up_call=1
OPEN WAITING_LINE
SCAN FOR Status=0
ACCEPT WTime FROM Time
I=I+1
IF I<Max_Procese
WVModel(I)=Model
WVProblem(I)=Problem
140
WVTime(I)=WTime
Status=1
REWRITE
EXIT
GO TOP
SCAN FOR WVModel(I)=Model AND
WVProblem(I)=Problem AND
Status=0
DELETE
ENDSCAN
EXECUTE PROGRAM_BF2
ACCEPT WLast_Action_Time FROM Time
ELSE
I=I-1
ENDIF
GO TOP
SCAN FOR Status=2
DELETE
J=1
DO WHILE NOT (J<=I AND
WVModel(I)=Model AND
WVProblem(I)=Problem)
J=J+1
ENDDO
DO WHILE J0
I=I-1
ENDIF
ENDSCAN
J=1
DO WHILE J Max_Execution_Time
WVTime(J)= Wtime
GO TOP
SCAN FOR WVModel(I)=Model AND
WVProblem(I)=Problem AND
Status=1
Status=0
REWRITE
ENDSCAN
141
IF WTtime-WLast_Action_Time> Max_Staying_Time
Wake_up_call=0
DO WHILE Wake_up_call=0
SLEEP AND WAIT FOR Wake_up_call=1
ENDDO
ENDIF
CLOSE WAITING_LINE
ENDDO
ENDPROGRAM
Considerăm că la acest nivel de transfer al cunoştinţelor de proiectare – programare

orice echipă de realizatori de aplicaţii informatice este capabilă să înglobeze problema
alegerii optime în lucrarea lor!
142
5. EXEMPLE DE UTILIZARE MADM ÎN REALIZAREA
APLICAŢIILOR INFORMATICE AVANSATE
În această secţiune a cărţii se prezintă trei exemple reale de utilizare a MADM în

realizarea unor aplicaţii informatice avansate. Este vorba de domenii diferite dar în
fiecare domeniu rolul MADM-ului este covârşitor. Primul exemplu foloseşte decizia
multiatribut ca singur element de modelare matematică, al doilea şi al treilea exemplu
folosesc decizia multiatribut în conjuncţie cu alte elemente de modelare matematică şi
anume cu simularea Monte Carlo, respectiv cu optimizarea liniară multicriterială.
În primul capitol se introduce o noţiune economică nouă, bazată pe teoria
deciziilor multiatribut, aceea a preţurilor generalizate şi amendate, precum şi noţiunea
duală acesteia, meritul furnizorului. Ele vor fi folosite la definirea concepţiei pentru
realizarea unui produs program care să asiste activitatea de aprovizionare a unei
întreprinderi industriale. Se ştie că întreprinderile industriale achiziţionează trei feluri
de mărfuri: produse, servicii şi lucrări. Produsul program Tele-SUPPLY este conceput
să realizeze, via Internet, achiziţia tuturor celor trei feluri de mărfuri. Astfel, el poate
aproviziona, în regim de comerţ electronic, materiile prime şi materialele necesare
producţiei şi, în regim de licitaţie electronică, obiecte, serviciile şi lucrările necesare
investiţiilor. În ambele cazuri, comenzile sunt lansate automat.
În cel de-al doilea capitol, se prezintă produsul software RELSYAN care este
destinat obţinerii programelor de întreţinere optimă pentru infrastructuri de sisteme de
producţie coerente şi reparabile. Sistemele de producţie mari beneficiază de o modelare
matematică modernă, modelarea pictoriala, care oferă o descriere morfologica şi
fiziologica completă a infrastructurii sistemului de producţie. În timpul funcţionării
sale, se consideră că apar evenimente aleatoare endogene / exogene ce perturbă
producţia. Infrastructura sistemului de producţie e reprezentată de o diagramă de
structură şi unul sau mai mulţi arbori de avarie. Pentru a crea o bază solidă pentru
luarea deciziei în managementul întreţinerii, produsul program este capabil să
simuleze, folosind metoda Monte Carlo, viaţa sistemului de producţie luând în
considerare diferite strategii de întreţinere, politici în domeniul forţei de muncă şi al
achiziţiei pieselor de schimb, deprinderi / abilităţi în operare, accidente şi factori
externi de stres. Mai mult, folosind parametrii analitici de fiabilitate, disponibilitate şi
întreţinere, se propune o decizie optimă prin folosirea metodelor de decizie avansate.
În cel de-al treilea capitol, se prezintă un exemplu menit să ilustreze
implementarea rapidă a modelelor de alegere optimă în aplicaţii avansate de afaceri
electronice. Acest exemplu se numeşte Tele-PROCESSING. El permite potenţialilor
parteneri de afaceri ai unei întreprinderi petrochimice să verifice, de la distanţă,
posibilitatea de a face afaceri de procesare prin intermediul unui dialog cu calculatorul
întreprinderii. De asemenea, el permite managerilor întreprinderii să aleagă cele mai
bune afaceri de procesare dintr-o clasă bine definită de propuneri de procesare.
Alegerea optimă are la bază tot un model MADM. Acest model este general, cu mai
mulţi decidenţi şi mai multe stări ale naturii, atributele fiind de tip boolean, ordinal şi
cardinal. Mai mult şi metodele MADM utilizate sunt in număr de cinci.
Toate trei exemplele, din domenii diferite, arată că modelul MADM este esenţial
în definirea unor probleme de alegere optimă, mai mult chiar, ar trebui făcut un efort
deosebit să rezolvi probleme de alegere optimă în afara paradigmei MADM!
143
5.1 Aprovizionarea tehnico-materială
în epoca e-aplicatiilor
În zilele noastre, aprovizionarea tehnico-materială a unei întreprinderi industriale

nu se mai percepe ca o activitate cu obiectivul centrat pe acea întreprindere (Amor,
1999) ci, din ce în ce mai mult, ca o activitate care priveşte întreprinderea de-a lungul
lanţurilor sale de aprovizionare. Una dintre cele mai importante probleme în
managementul lanţurilor de aprovizionare (SCM - Supply Chain Management) (Ayers,
2002; Simchi-Levi şi alţii, 1999; Industrialhub, 2006) ale unei întreprinderi industriale
este managementul optimal al ciclului cererea de oferte – procesarea ofertelor –
lansarea comenzilor de aprovizionare. Despre acest lucru va fi vorba în acest capitol.
Pentru a fi competitivă, întreprinderea trebuie să aibă o politică de aprovizionare bine
definită. Aceeaşi exigenţă trebuie să existe şi la furnizorii întreprinderii, la furnizorii
furnizorilor şi aşa mai departe. Pentru achiziţii de nivel mic şi mediu, lanţurile de
aprovizionare pot fi deservite de proceduri obişnuite de e-commerce şi e-procurement
(Grieger, 2003). Însă, pentru întreprinderi mari şi achiziţii de volum şi valoare mare,
trebuie avut în vedere un instrument informatic modern care să asiste activitatea de
aprovizionare. Astfel, sistemele informatice ale tuturor întreprinderilor incluse în
acelaşi graf al lanţurilor de aprovizionare trebuie să conţină o componentă modernă
dedicată activităţii de aprovizionare, care să lucreze via Internet. Aceasta trebuie să fie
deschisă potenţialilor furnizori aflaţi oriunde pe mapamond, care să poată lansa ofertele
lor după afişarea cererilor de oferte ale întreprinderii. În acest caz, pentru acelaşi nivel
şi orizont temporal, pot exista mai multe oferte pentru acelaşi obiect de cumpărat (de
exemplu, pentru întreprinderile cu producţie continuă: materii prime, materiale
auxiliare, ingredienţi etc., iar pentru întreprinderile cu producţie discretă: componente,
subansamble, ansamble, scule şi dispozitive, piese de schimb, combustibili, lubrifianţi,
echipamente de protecţie) iar întreprinderea, ca să lucreze în regim de optimalitate,
trebuie să le ordoneze după anumite criterii şi apoi să le accepte pe cele mai bune.
În marea majoritate a cazurilor, preţul nu este noţiunea economică de pus la baza
raţionamentelor după care se desfăşoară activitatea de aprovizionare. Această afirmaţie
poate fi şocantă, pentru că nimic în economia clasică nu se mişcă în afara preţurilor.
Însă adesea se aude spunându-se: “Acest obiect a costat mai mult decât preţul său”. Nu
este de neglijat această afirmaţie, ea este izvorâtă din practica economică. De altfel, o
întreagă serie de reproşuri la adresa preţurilor, sintetizate în astfel de afirmaţii, se
întâlnesc în practica economică. Se va arăta că, în ordonarea ofertelor furnizorilor,
absolut necesară este mult mai potrivit să considerăm alte noţiuni economice, ce-i drept
derivate din noţiunea de preţ. Se aminteşte că preţul reflectă numai echilibrul între
cheltuieli şi beneficiu, la producător, şi echilibrul între cerere şi ofertă, pe piaţă.
Atenţie, preţul unui obiect reflectă valoarea sa de întrebuinţare numai în cadrul unor
economii consolidate şi numai la mijlocul ciclului său de viaţă. Preţurile obişnuite nu
includ o serie de factori importanţi pentru abordarea analizelor de investiţii, producţie,
aprovizionare, desfacere etc. Cum acest capitol se referă numai la aprovizionarea
tehnico-materială, se va face o construcţie necesară şi suficientă acestei activităţi
economice, cu precizarea că metoda este valabilă şi în alte construcţii dar acţionând
diferit şi anume conform cu scopul urmărit. Conformitatea cu scopul urmărit în
activitatea de aprovizionare este precizată prin următoarele: echilibrul relativ între
144
calitatea obiectelor de cumpărat şi preţuri, în contextul ofertelor multiple, fiabilitatea
obiectelor în funcţiune la clienţi şi comportamentul comercial al furnizorilor, ca să
enumerăm doar câteva, evident pe cele mai importante. O noţiune economică nouă este
introdusă astfel încât ea să înglobeze toţi aceşti factori. Evident, preţurile obişnuite sunt
folosite în continuare dar numai la editarea comenzilor.
5.1.1 Preţuri generalizate şi amendate
Luând în considerare ofertele pentru obiectele de cumpărat, obiecte definite de

caracteristicile lor, incluzând cel puţin preţurile şi cantităţile corespunzătoare, preţurile
generalizate sunt calculate folosind o tehnică MADM (Hwang şi Yoon, 1981). Apoi,
folosind inteligenţa artificială, mai precis calculul bazat pe cunoştinţe, este realizată o
altă analiză a mulţimii obiectelor de cumpărat precum şi a furnizorilor asociaţi.
Cuantile sofisticate, caracterizând fiabilitatea obiectelor de cumpărat şi
comportamentul comercial al furnizorilor respectivi, vor folosi la determinarea unor
bonusuri / penalităţi care se vor aplica preţurilor generalizate rezultând preţurile
generalizate şi amendate. În momentul lansării comenzilor, obiectele sunt ierarhizate
de la cel mai bun la cel mai puţin bun folosind aceste preţuri generalizate şi amendate.
Cu cât sunt mai mici aceşti indicatori, cu atât sunt mai bune obiectele din ofertele
furnizorilor. În cele ce urmează vom introduce în mod gradat noul concept de preţ
generalizat şi amendat.
Pentru un obiect ô , prezent într-o anumită cerere de ofertă cu cantitatea necesară
q( ô ), care apare şi în ofertele furnizorilor, se consideră:
- S( ô )={s( ô ,i) | i=1, .., i}, mulţimea potenţialilor furnizori ai obiectului ô ;
- O( ô )={oi( ô ) | i = 1, .., i}, mulţimea tuturor obiectelor oi( ô ), din clasa ô , oferite de
potenţialii furnizori. oi( ô ) este obiectul oferit de furnizorul i iar pentru orice astfel de
obiect, cantitatea oferită corespunzător este q(oi( ô ));
- A( ô )={aj( ô ) | j = 1, .., j}, mulţimea acelor atribute care sunt considerate de către
întreprindere ca fiind importante pentru a realiza o bună definire a obiectului ô .
Valorile atributelor trebuie precizate de către fiecare furnizor. Pentru fiecare obiect,
preţul este primul atribut, prin urmare a1( ô ) reprezintă preţul clasei de obiecte ô .
Fiecare atribut aj( ô ) are asociat un tip (cardinal sau Boolean), un interval de valori
standard (de forma [loj( ô ), upj( ô )]), sensul de bună apreciere (sensej( ô ), care poate
lua două valori, max sau min, după cum cea mai mare valoare a atributului este
considerată cea mai bună sau, respectiv, cea mai mică valoare a atributului este
considerată ce mai bună) şi o pondere [weightj( ô )]. Ponderile atributelor satisfac
condiţiile uzuale 0<weightj( ô )<1, ∑ weight j (ô ) =1. Bazându-ne pe principiul
1≤ j≤ j
importanţelor, atributele aj( ô ) pentru care intervalul valorilor standard este degenerat,
(adică pentru loj( ô ) = upj( ô )) sunt eliminate din model, deci nu vor avea efect asupra
evaluării obiectelor;
- C( ô )=(cij( ô )), matricea caracteristicilor, elementul său generic fiind cij( ô ) şi
reprezentând valoarea atributului aj( ô ) pentru obiectul oi( ô ).
145
Datorită naturii eterogene a atributelor, matricea caracteristicilor nu permite o
evaluare imediată a obiectelor oferite de furnizori. Acest dezavantaj poate fi depăşit
prin utilizarea unei proceduri de normalizare a coloanelor matricei caracteristicilor.
Există câteva metode de normalizare a coloanelor, fiecare metodă produce coloane ale
căror elemente sunt cuprinse în intervalul (0, 1) astfel încât dacă sensul este
sensej( ô )=”min”, cu cât mai mică este valoarea unui element de coloană, cu atât mai
bun este atributul respectiv şi, dacă sensej( ô )=”max”, cu cât mai mare este valoarea
unui element de coloană, cu atât mai bun este atributul respectiv. Utilizând un produs
program de uz general, normalizarea este o etapă care se execută separat dar în acest
caz ea se află cuprinsă în metoda de rezolvare. După normalizare, caractersiticile îşi
pierd unitatea de măsură, şi pot fi combinate în diferite calcule matematice. În
domeniul MADM, după cum s-a văzut, sunt peste 20 de metode de rezolvare, care pot
fi aplicate modelului prezentat anterior. Însă, nu toate aceste metode conduc la
obţinerea preţului generalizat. Indicatorul de evaluare a obiectelor, produs prin
aplicarea unei anumite metode, trebuie să se comporte ca un preţ: cu cât este mai mic,
cu atât este mai bun pentru întreprindere. După analizarea diferitelor metode de
rezolvare, a fost aleasă metoda Pareto, care minimizează distanţa la punctul ideal.
Punctul ideal, în acest caz, este un obiect real sau iluzoriu care are cele mai bune valori
posibile pe fiecare coloană. În continuare, este prezentat, în pseudocod, algoritmul
folosit pentru calculul preţurilor generalizate:
FOR i = 1,i
gpi( ô )=0
ENDFOR
FOR j = 1,j
dj ( ô ) = upj( ô ) – loj( ô )
FOR i = 1,i
IF sensej ( ô ) = ”min” THEN
gpi( ô ) = gpi( ô ) + wj( ô )* [upj( ô ) – cij( ô )] / dj( ô )
ELSE
gpi( ô ) = gpi( ô ) + wj( ô )* [cij( ô ) – loj( ô )] / dj( ô )
ENDIF
ENDFOR
ENDFOR
În acest algoritm, preţul generalizat este iniţializat cu valoarea 0 şi se pregăteşte,

prin calculul lui dj( ô ), normalizarea fiecărei coloane a matricei caracteristicilor
începând cu prima coloană (cea corespunzătoare atributului preţ). Pentru fiecare
intrare, cij( ô ) din matricea caracteristicilor, metoda de rezolvare Pareto calculează un
index nij( ô )=[upj( ô ) – cij( ô )] / dj( ô ) sau nij( ô )=[cij( ô ) – loj( ô )] / dj( ô ) care este o
măsură a depărtării obiectului oi( ô ) de obiectul ideal o care are atributul aj( ô ) egal cu
upj ( ô ) respectiv loj ( ô ), în concordanţă cu sensul sensej( ô ). Dacă, pentru o coloană
dată j, indexul nij( ô ) al obiectului oi( ô ) este calculat, preţul generalizat gpi( ô ) al
obiectului oi( ô ) creşte cu o fracţie din nij( ô ), dată prin înmulţirea cu ponderea wj( ô ) a
atributului aj( ô ). În concluzie, după aplicarea acestei proceduri, fiecare obiect oi( ô )
146
are un preţ generalizat gpi( ô ) care este media ponderată, prin importanţele atributelor,
a indicilor nij( ô ). Astfel, preţul generalizat gpi( ô ) reprezintă distanţa medie ponderată
a obiectului oi( ô ) faţă de obiectul ideal o . Dacă obiectul o se află în mulţimea O( ô )
atunci preţul său generalizat este 0.
Obiectele oferite de furnizori pot fi astfel în mod natural ierarhizate în
concordanţă cu preţurile lor generalizate: cel mai bun obiect este acela care are cel mai
mic preţ generalizat şi cu cât un obiect are un preţ generalizat mai mare cu atât el
devine mai puţin atractiv. Metoda de selecţie se aplică chiar, la fiecare obiect oi( ô ), şi
dacă preţul este singurul atribut. În acest caz, preţurile generalizate nu sunt altceva
decât preţurile normalizate. Aceste preţuri generalizate nu sunt stocate în baza de date
pentru că ele aşteaptă să fie amendate.
Preţurile generalizate ale obiectelor iau în calcul toate atributele modelului
definit. Totuşi, mai pot exista şi alţi factori pe care decidentul îi poate lua în
considerare, factori care nu sunt reflectaţi de către nici un atribut (Resteanu şi
Resteanu, 2005; Resteanu 2005a; Resteanu, 2005b). Aceşti factori trebuie şi pot
include informaţii statistice legate de experienţa anterioară dobândită în lucrul cu
furnizorii, în sensul unui parteneriat excelent sau cu probleme la unii dintre furnizori.
Astfel, pot exista înregistrări ale unor probleme de fiabilitate deosebite la unele obiecte
ale unor furnizori, înregistrări ale întârzierilor în livrarea unor obiecte de către unii
furnizori etc. Astfel de factori nu pot fi incluşi în matricea caracteristicilor deoarece
sunt dificil de cuantificat şi / sau sunt disponibile doar pentru unii dintre furnizori.
Totuşi, aceşti factori joacă un rol important în actul decizional; de aceea ei trebuie luaţi
în considerare. Conceptul de preţ generalizat si amendat (Resteanu, 2005c) al unui
obiect de la un anume furnizor ia în considerare toţi aceşti factori care prezintă o
importanţă deosebită. Preţul generalizat al unui obiect poate fi redus de un bonus sau
mai multe bonusuri, lucru care reflectă o experienţă pozitivă în relaţia cu respectivul
furnizor, sau poate fi ridicat de către o penalitate sau mai multe penalităţi, în situaţia în
care s-a înregistrat o experienţă negativă. Astfel, preţul generalizat şi amendat al unui
obiect notat agpi( ô ), se calculează utilizând formula: agpi( ô ) = gpi( ô ) + cori( ô ),
unde cori( ô ) reprezintă o corecţie determinată de decident (expert) / decidenţi
(experţi), bazată pe informaţia statistică înmagazinată.
În cele ce urmează se prezintă modul de calcul al preţurilor generalizate şi
amendate folosind o mulţime de reguli de producţie care fac parte dintr-un mini-sistem
expert (Giarratano şi Riley, 1999). Acesta conţine atât fapte ale procesului de
aprovizionare cât şi cunoştinţe ale experţilor în aprovizionare. Regulile de producţie
sunt exprimate de către experţii locali în format general:
IF cond1 Λ cond 2 Λ .. Λ cond m THEN act1 , act 2 , .., act n .
Procesarea sistemului de producţii se face prin înlănţuire înainte. Strategia care
controlează ordinea în care regulile sunt declanşate este cea în adâncime.
Pentru a ilustra modul cum este utilizat sistemul expert, să presupunem că datele
statistice înmagazinate conţin, pentru o clasă de obiecte ô şi un obiect oi( ô ) din acea
clasă, următoarele fapte:
- Cantitatea totală furnizată anterior (wtq(oi( ô )));
- Costul total al operaţiunilor executate la clienţii întreprinderii datorate
problemelor de fiabilitate (wtrc(oi( ô )));
147
- Costul total al pierderilor datorate întârzierilor în livrare de la 1 zi la 10 zile
(wtlc1o( ô ,i));
- Costul total al pierderilor datorate întârzierilor în livrare de la 11 zile la 20 zile
(wtlc2o( ô ,i));
- Costul total al pierderilor datorate întârzierilor în livrare de la 21 zile la 30 zile
(wtlc3o( ô ,i));
- Costul total al pierderilor datorate incidentelor de nelivrare (wtnsco( ô ,i)).
Toate aceste costuri sunt normalizate. Aceasta înseamnă că ele, în expresie naturală, ele
sunt împărţite la costurile de producţie totale.
Preţurile generalizate gpi( ô ) nu sunt stocate în baza de date, ele aşteaptă să fie
amendate. Amendarea constă într-o procedură iterativă KBC clasică. Fiecare pas se
ocupă de un obiect. Într-o prezentare simplificată, formele generice ale claselor de
reguli, care se găsesc la baza de reguli, sunt prezentate în continuare:
IF o( ô ,i)=wo( ô ,i) Λ wtro( ô ,i)>0 THEN
gp( ô ,i)=gp( ô ,i)+q(o( ô ,i))/wtq(o( ô ,i))*wtrco( ô ,i),
IF o( ô ,i)=wo( ô ,i) Λ wtlc1o( ô ,i)>0 THEN
gp( ô ,i)=gp( ô ,i)+q(o( ô ,i))/wtq(o( ô ,i))*wtlc1o( ô ,i),
IF o( ô ,i)=wo( ô ,i) Λ wtnsco( ô ,i)>0 THEN
gp( ô ,i)=gp( ô ,i)+q(o( ô ,i))/wtq(o( ô ,i))*wtnsco( ô ,i),
IF o( ô ,i)=wo( ô ,i) Λ q(o( ô ,i))> q(o) THEN gp( ô ,i)=gp( ô ,i)-0.05,
IF o( ô ,i)=wo( ô ,i) Λ q(o( ô ,i))<<wtq(o( ô ,i)) Λ
wtrco( ô ,i)+wtlc1o( ô ,i)+wtlc2o( ô ,i)+wtlc3o( ô ,i)+wtnsco( ô ,i)=0 THEN
gp( ô ,i)=gp( ô ,i)-0.05.
Este de notat faptul că dacă utilizatorii direcţi, adică lucrătorii Departamentului
Aprovizionare, au cunoştinţe de inteligenţă artificială, aceştia pot extinde mulţimea de
reguli adăugând propriile lor reguli, în concordanţă cu politicile de aprovizionare
specifice întreprinderii. Aceasta este o sarcină simplă întrucât shell-ul expert are un
modul de asistare novici care asistă utilizatorii neinformaticieni să construiască o
mulţime consistentă de reguli de producţie. Primele cinci reguli de producţie sunt
penalităţi în timp ce restul sunt bonusuri. Acestea amendează preţurile generalizate,
obţinându-se preţurile generalizate şi amendate agp( ô ,i). Când procesul de declanşare
a regulilor încetează, se face următorul transfer:
FOR i=1,i DO
agp( ô ,i)=gp( ô ,i)
ENDFOR
Aceşti indicatori, agp( ô ,i), sunt înregistraţi în baza de date. În absenţa stocării
într-o magazie de date a informaţiilor statistice asupra comportamentulul obiectelor şi
148
furnizorilor, preţurile generalizate şi amendate agpi( ô ) nu pot fi calculate şi rămâne ca
preţurile generalizate gpi( ô ) să fie înregistrate în baza de date ca indicatori de lucru în
continuare.
După ce se calculează toate preţurile generalizate şi amendate, ofertele
partenerilor pot fi ierarhizate prin sortarea, în ordine crescătoare, după preţurile
generalizate şi amendate. Cu cât preţul generalizat şi amendat este mai mic cu atât
obiectul respectiv este mai bun. Un obiect care are cel mai mic preţ generalizat şi
amendat este considerat cel mai puţin costisitor şi este declarat optim din punct de
vedere matematic la întocmirea comenzilor de aprovizionare. Deoarece cantitatea pe
care un furnizor o pune la dispoziţie poate fi mai mică decât necesarul întreprinderii, se
impune ca întreprinderea să comande de la mai mulţi furnizori. În acest caz, sunt
considerate obiectele următoare în lista ordonată.
5.1.2 Meritul furnizorilor
Când procesul de calcul al preţurilor generalizate şi amendate încetează, se

consideră următorul indicator: smi( ô ) = 1- agpi( ô ) numit meritul furnizorului referitor
la obiectul oi( ô ) (Resteanu şi Somodi, 2006), şi aceasta pentru i=1,i. Prin urmare,
meritul fiecărui furnizor smi( ô ) este calculat drept complementul faţă de 1 al preţului
generalizat şi amendat corespunzător lui oi( ô ). Se poate constata foarte uşor că un
furnizor are merite diferite în raport cu mulţimea de produse şi un anume partener de
afaceri. Cu cât sunt mai mari aceşti indicatori, cu atât sunt mai buni aceşti furnizori.
Deşi preţul generalizat şi amendat şi meritul furnizorului includ aceeaşi cantitate de
informaţie în raport cu un obiect dat, ele sunt noţiuni economice cu interpretări diferite.
După ce se calculează meritul furnizorilor, pentru fiecare obiect de aprovizionat în
parte, partenerii pot fi ierarhizaţi prin sortarea, în ordine crescătoare, după merit.
Licitaţiile electronice vor utiliza aceste liste ordonate. După o licitaţie, la momentul
lansării comenzilor, furnizorii sunt deci deja ordonaţi de la cel mai bun la cel mai slab
în funcţie de meritele lor corespunzătoare obiectelor cuprinse în ofertele făcute la
licitaţie.
5.1.3 Scurtă prezentare a produsului program Tele-SUPPLY
Tele-SUPPLY a fost dezvoltat pentru a susţine, la nivelul actual al posibilităţilor

ICT, activitatea de aprovizionare a unei întreprinderi industriale (Resteanu şi alţii,
2000; Resteanu şi alţii, 2001). Acesta este un produs program care permite potenţialilor
furnizori să-şi trimită ofertele pe Internet ca răspuns la o cerere de oferte a
întreprinderii industriale făcută tot pe Internet. O ofertă, transmisă la un moment dat, va
actualiza baza de date a întreprinderii, în dreptul cererii de oferte făcută de
întreprindere. Lucrătorii Departamentului Aprovizionare trebuie să proceseze ofertele
primite pentru a decide dacă acestea pot fi acceptate ca atare sau cu anumite modificări,
dacă sunt amânate la decizie sau dacă sunt respinse de la bun început. Această
operaţiune se realizează prin negocieri cu furnizorii via computerul întreprinderii
conectat la Internet. În final, numai ofertele acceptate vor fi luate în considerare la
momentul lansării comenzilor. Produsul program Tele-SUPPLY se constituie astfel
149
într-un suport de decizie în managementului ciclului cerere de oferte – procesare oferte
– lansare comenzi de aprovizionare. Mai mult, el este un sistem de asistare a deciziei
avansat deoarece înglobează cunoştinţe de modelare matematică şi inteligenţă
artificială, adică foloseşte un model hibrid pentru rezolvarea unei probleme practice.
Tele-SUPPLY lucrează ca o anvelopă peste Componenta Aprovizionare a sistemului
informatic al întreprinderii a cărei bază de date conţine toate informaţiile legate de
calculul dinamic al necesarului de obiecte de aprovizionat, de fiabilitate a obiectelor
vândute clienţilor şi de regimul comportamental al furnizorilor. Transferând din acestă
bază de date informaţiile structurate minimale, se construiesc, folosind SQL Server 7.0
Enterprise Edition care este capabil să gestioneze, în acelaşi timp, componente de tipul
On-Line Transaction Processing (OLTP) şi On-Line Analytical Processing (OLAP),
baza de date şi magazia de date ale produsului program Tele-SUPPLY. Produsul
program are deci două baze de date, una pentru tranzacţii curente si alta pentru
tranzacţii statistice.
Ca toate produsele software avansate lucrând pe site-ul unei întreprinderi
(Resteanu şi alţii, 2000), Tele-SUPPLY are două componente. Prima componentă se
adresează lucrătorilor din cadrul Departamentului Aprovizionare al întreprinderii şi
rulează pe Intranet. Programele sunt scrise în Microsoft Visual C - MSVC 6.0 şi C
Language Integrated Production System - CLIPS 6.2. A doua componentă se adresează
furnizorilor şi deci rulează pe Internet. Programele sunt scrise în Active Server Pages -
ASP. O componentă automată, al cărei rol este de a înlocui intervenţia specialiştilor
întreprinderii în procesele de calcul şi de comunicaţie, leagă cele două componente.
Această componentă are la bază un program de supervizare, dezvoltat în tehnica
dormantă, care rulează, la o cadenţă dată, modulele de program conform unui program
predefinit. E uşor de imaginat ce se întâmplă când optimizările se execută pe serverul
furnizorului. Dacă mai mulţi furnizori încearcă să acceseze simultan serverul,
activităţile de realizat, adică interfaţa cu utilizatorul şi optimizările, vor putea depăşi
puterea de calcul a calculatorului. Pentru a executa uşor aceste sarcini, pe lângă server,
este utilizat un calculator special destinat executării optimizărilor. De altfel,
configuraţia reţelei Intranet a înteprinderii este esenţială pentru a realiza o bună
implementare a soluţiei informatice.
Problemele de securitate au fost ridicate de o manieră deosebită. Pentru exterior,
există un modul bazat pe chei publice (Public Key Infrastructure – PKI) şi chei private
care asigură controlul accesului, autentificarea utilizatorilor precum şi non-repudierea
lor, integritatea datelor transferate, semnătura digitală etc. Pentru a putea accesa web
site-ul folosind un browser, Microsoft Internet Explorer sau Netscape Navigator, orice
potenţial furnizor trebuie mai întâi să se înregistreze. Produsul program are o procedură
clasică de inregistrare dar trebuie făcută precizarea că un utilizator de pe Internet poate
să se înregistreze ca partener de afaceri, adică ca un furnizor de produse, servicii sau
lucrări, sau ca vizitator, caz în care el poate naviga pe tot site-ul dar acţiunile sale nu
sunt înregistrate în sistem. Pentru interior, o componentă specială supervizează
integritatea bazei de date. Orice acces neautorizat pe tabelele bazei de date, chiar şi cel
al programatorilor, provoacă blocarea sistemului. Acesta îşi recapătă automat
integritatea prin rularea unei proceduri speciale de refacere după incident. Programul
de supervizare rulează toate acestea după un algoritm special conceput ca după
implementare să nu mai fie necesară intervenţia proiectanţilor sistemului. Se poate
150
spune că toţi competitorii pot avea încredere că sistemul care mijloceşte competiţia este
caracterizat de corectitudine şi loialitate din partea întreprinderii. Rămâne în discuţie
doar onoarea furnizorilor, însă se ştie că afacerile se bazează întotdeauna pe onoarea
partenerilor.
5.1.4 Funcţiile produsului program Tele-SUPPLY
Managementul ciclului de aprovizionare este acoperit integral, toate aspectele

sunt abordate cu aceeaşi atenţie. Principalele facilităţi oferite de acest produs program
sunt:
- Cererile de oferte pot referi obiectele de cumpărat împreună cu caracteristicile lor şi
cantităţile absolut necesare procesului de producţie şi activităţilor secundare.
- Informaţia este structurată pe categorii de obiecte de cumpărat;
- Sistemul poate prelua ofertele furnizorilor făcute ca răspuns la cererile de oferte;
- Editarea ofertelor este asistată, se furnizează informaţii despre cantităţile necesare şi
ofertele cumulate pentru un anumit obiect şi furnizor la un moment dat;
- Cantităţile oferite pot fi din stoc sau din planurile de producţie. Când un furnizor
lucrează cu cele două tipuri de cantităţi, el trebuie să ştie de la început că acestea sunt
considerate separat;
- Pentru cantităţile din plan, este posibilă selectarea nivelurilor şi orizonturilor
temporale. Nivelurile temporale pot fi luna / trimestrul / anul iar orizonturile temporale
pot fi prezent / viitor. De remarcat că, pentru cantităţile din plan, fiecare nivel suportă
sub-intervale de timp şi anume: decade, luni şi, respectiv, trimestre. Sistemul de
cantităţi este gestionat coerent în raport cu nivelurile şi orizonturile temporale;
- Cantităţile specificate pot să nu reprezinte uneori întreaga cantitate necesară planului
de producţie ci numai acele cantităţi care trebuie aprovizionate prin mijloace
electronice. Deci, pentru început, o parte din aprovizionarea întreprinderii poate să
rămână în manieră tradiţională;
- Pornind de la ierarhizarea ofertelor, ordonate descrescător, de la cea mai bună până la
cea mai rea, se lansează electronic comenzile de aprovizionare;
- Tranzacţiile comerciale de volum mare sau de valoare mare pot fi derulate numai prin
intermediul unor contracte economice, semnate după obţinerea rezultatelor unor licitaţii
anume organizate (Resteanu, 2003);
- Fluxul aprovizionării cu obiectele necesare planului de producţie începe numai în
momentul în care banca furnizorului certifică plata făcută prin transfer bancar sau cec;
- La dispoziţia utilizatorilor este pus un Help on-line, senzitiv la context.
5.1.5 Lucrul cu produsul program Tele-SUPPLY
Componenta Internet a produsului program rulează pe un calculator puternic,

organizat ca server SQL, server de WEB şi server de MAIL. Componenta Intranet a
produsului program rulează pe calculatoare obişnuite care se găsesc în cadrul
Departamentului Aprovizionare. Prima operaţiune în lucrul cu Tele-SUPPLY este
instalarea software-ului urmată de generarea bazei de date şi a magaziei de date. Acest
pas necesită personal foarte bine calificat. Ca o regulă, echipa de proiectanţi va duce la
îndeplinire această operaţie. Pentru a pregăti bazele utilizării curente a produsului Tele-
151
SUPPLY, specialiştii din Departamentul Informatică al întreprinderii, în cooperare cu
echipa de proiectare, realizează interfaţa între sistemul informatic al întreprinderii şi
Tele-SUPPLY. Astfel, se transferă toate datele despre obiectele de cumpărat prin acest
mijloc electronic din baza de date a întreprinderii în baza de date şi magazia de date a
produsului program Tele-SUPPLY. Obiectele de cumpărat sunt împărţite în două clase
depinzând de modul în care sunt achiziţionate: prin comenzi directe şi prin licitaţii.
După acest pas, fiecare tranzacţie din baza de date a întreprinderii, care se referă la
aceste mulţimi de date şi la scopurile lor, este replicată în baza de date a produsului
program Tele-SUPPLY. În acelaşi timp, proiectanţii produsului, ajutaţi de personalul
Departamentului Aprovizionare, scriu regulile de producţie care descriu cunoaşterea
expert în domeniul aprovizionării. După ce s-a făcut instalarea şi cunoştinţele de tip
expert au fost încărcate, furnizorii potenţiali ai întreprinderii pot accesa site-ul
electronic al întreprinderii, şi anume Secţiunea Aprovizionare. Pentru a deţine acces
complet la toate funcţiile produsului, reamintim că potenţialii furnizori trebuie să se
înregistreaze în sistemul Tele-SUPPLY ca parteneri de afaceri.
1 ) Comenzi directe
Pentru a face o ofertă, un furnizor alege o categorie de obiecte şi, în cadrul ei, un obiect
necesar întreprinderii. După precizarea nivelului de timp şi a orizontului de lucru,
pentru acel obiect este prezentată numai cererea întreprinderii care nu este acoperită cu
oferte. Acum, furnizorul îşi poate înregistra oferta la obiectul respectiv completând
atributele acestuia precum şi cantitatea oferită. Trebuie acordată o deosebită atenţie la
completarea descrierii obiectului. Fiecare atribut trebuie completat cu acurateţe pentru
că modelul matematic folosit pentru ierarhizarea dinamică a perechilor obiecte de
aprovizionat – competitori se bazează pe aceste informaţii. Este disponibilă o facilitate
prin care utilizatorii sunt asistaţi pentru a completa cât mai bine descrieri de atribute.
De asemenea, se pot obţine informaţii despre cantităţile deja oferite. Furnizorul îşi
poate calcula valoarea ofertei făcute înainte de transmiterea ei. După ce furnizorul a
transmis oferta făcută, informaţiile din baza de date a întreprinderii se actualizează prin
înregistrarea ofertei respective. Lucrătorii Departamentului Aprovizionare sunt
anunţaţi, prin e-mail-uri lansate automat, când o nouă avalanşă de oferte apare în
sistem şi se solicită o analiză din partea lor. Prelucrarea ofertelor de către lucrătorii
Departamentului Aprovizionare se referă, după cum s-a mai spus, la trecerea ofertelor
în revistă cu acceptarea ofertelor ca atare, acceptarea ofertelor în cantităţi mai mici,
amânarea sau respingerea lor. La acest pas, pentru fiecare ofertă, se decide asupra
acceptării sau respingerii ei, dar dacă este necesar, decizia în privinţa ei poate fi
amânată. În cazul în care o ofertă este considerată ca inacceptabilă în forma curentă,
dar totuşi cu un oarecare potenţial, furnizorul este invitat la negociere pentru a
îmbunătăţi caracteristicile obiectului de cumpărat. Astfel oferta rămâne încă în sistem
şi decizia legată de ea este amânată. În cazul în care o ofertă este considerată ca
inacceptabilă, ea va fi eliminată din sistem. Totuşi, chiar şi în acest caz, unele oferte
respinse pot fi reconsiderate prin reintroducerea lor în sistem.
Când întreg portofoliul de oferte este finalizat, comenzile ferme sunt lansate.
Ofertele acceptabile sunt ierarhizate de la cea mai bună la cea mai rea în termenii
preţurilor generalizate şi amendate. Comenzile sunt standardizate, pe acelaşi formular
de comandă este posibilă cererea, renunţarea sau modificarea în timp a cantităţii
152
obiectelor. Pentru a face posibilă monitorizarea activităţilor de aprovizionare,
comenzile de aprovizionare sunt transferate automat sistemului informatic al
întreprinderii.
2) Comenzi după o licitaţie

În cele ce urmează se prezintă secvenţa de paşi: pregătire, înregistrare, licitare, re-
licitare, închidere şi decidere pentru o licitaţie electronică, folosind produsul program
Tele-SUPPLY. Acesta suportă organizarea de licitaţii după o combinaţie între metodele
anglo-saxonă şi olandeză (Resteanu, 2002a; Resteanu, 2002b; Resteanu, 2002c;
Resteanu, 2002d; Resteanu, 2003).
Pregătirea licitaţiei este un proces care se desfăşoară pe două niveluri. Primul
este reprezentat de definirea obiectivelor de investiţii făcută de echipa de manageri din
Departamentul de Investiţii, pentru că de obicei numai achiziţiile necesare unor
investiţii se fac prin intermediul licitaţiilor. Al doilea nivel e reprezentat de declararea
şi definirea claselor de obiecte care vor fi procurate pentru fiecare obiectiv de investiţii.
Un obiectiv de investiţii e bine definit dacă sunt introduse următoarele informaţii:
codul şi numele obiectivului, valoarea planificată şi modul de finanţare, data
deschiderii licitaţiei şi termenul limită. Ca răspuns, sistemul calculează şi afişează
necesarul de bani pentru îndeplinirea obiectivului, prin însumarea rezultatelor curente
din toate licitaţiile care ţin de acel obiectiv de investiţii.
O clasă de obiecte ţinând de un obiectiv de investiţii este bine definită dacă sunt
furnizate următoarele informaţii: mai întâi, codul şi numele clasei de obiecte, unitatea
de măsură, preţul planificat, cantitatea planificată, şi termenul limită al licitaţiei
deschise pentru această clasă de obiecte. De asemenea, se precizează dacă prin licitaţie
se cere o cantitate neapărat egală cu cea planificată sau cantitatea poate fi şi mai mică.
Ca răspuns, sistemul calculează şi afişează, la orice moment, cantitatea provenită din
licitaţii şi valoarea planificată vis a vis de valoarea provenită din licitaţii. Modulele
program sunt realizate după principiul sistemelor mari şi complexe astfel că produsul
este pregătit să suporte o participare fără limite iar dimensiunea fiecărei afaceri nu
constituie o limitare.
Procedura competiţiei este foarte simplă, obiectivele de investiţii şi clasele de
obiecte de cumpărat, cu cantităţile necesare şi atributele lor sunt prezentate
competitorilor într-o manieră prietenoasă. Ca şi în cazul comenzilor obişnuite, un
competitor trebuie să completeze: numele obiectului său, cantitatea licitată şi toate
atributele obiectului respectiv.
În timpul licitaţiei, pentru un obiect fixat, produsul furnizează informaţii despre
atributele acestuia în comparaţie cu atributele primelor trei obiecte clasate, altele decât
obiectul fixat. Astfel, competitorii pot îmbunătăţi atributele obiectelor lor pentru a le
face mai competitive. Sunt permise numai cinci sesiuni de actualizare a atributelor, însă
nu se impun restricţii în ceea ce priveşte numărul de modificări ale cantităţii licitate şi
preţului. Dacă cu 24 de ore înainte de încheierea licitaţiei, preţul unui competitor
depăşeşte preţul planificat, considerat ca preţ limită superioară, se expediază un e-mail
în care competitorul este informat asupra acestui aspect şi i se permite să mai modifice
preţul o singură dată. Retragerea din licitaţie e posibilă în orice moment fără a avea
consecinţe asupra credibilităţii competitorilor în licitaţii ulterioare.
153
În momentul când starea licitaţiei a devenit închisă, nu mai sunt posibile
actualizări. Pentru obiectul în licitaţie sunt date toate caracteristicile cu care el a
finalizat licitaţia. Competitorul trebuie să aştepte afişarea rezultatelor licitaţiei care apar
în momentul când starea licitaţiei devine decisă. Funcţia de informare asupra derulării
licitaţiei oferă, în orice moment, personalului avizat din Departamentele Investiţii şi
Aprovizionare, clasamentul competitorilor şi implicit al obiectelor de achiziţionat.
Pentru o pereche obiectiv de invesţii – clasă de obiecte sunt prezentate: valoarea
planificată (cheltuieli planificate) şi valoarea rezultată (cheltuielile reale). Rezultatele
licitaţiei sunt determinate după ierarhizarea competitorilor în raport cu meritul lor
smi( ô ). Clasamentul curent este dat într-o tabelă conţinând următoarele câmpuri:
compania, obiectul, meritul, preţul, cantitatea, valoarea şi cantitatea comandată. Cu o
singură excepţie, toate câmpurile sunt numai în citire. Timp de 24 de ore, după
momentul închiderii licitaţiei, lucrătorii avizaţi ai Departamentului Aprovizionare pot
face modificări în coloana cantitatea comandată la furnizor. Astfel, este posibilă
ignorarea rezultatelor deciderii automate a licitaţiei dar sistemul va arăta acest lucru.
Toate corecţiile umane sunt înregistrate într-o tabelă a bazei de date care conţine:
numele operatorului şi poziţia sa în firmă, compania parteneră, bunul / serviciul /
lucrarea comandată, cantitatea şi preţul, momentul licitaţiei şi codul ei.
În momentul când starea licitaţiei devine decisă, competitorii sunt informaţi
asupra rezultatelor finale ale licitaţiei. Se oferă o privire de ansamblu asupra
participanţilor. Se emit automat comenzi de aprovizionare sau, dacă obiectele de
aprovizionat au un regim special pe piaţă, câştigătorul sau câştigătorii sunt invitaţi tot
automat pentru semnarea contractelor economice. Este posibil ca unii potenţiali
furnizori, cu toate că au fost invitaţi în calitate de câştigători ai licitaţiei, să ignore acest
lucru. Următorii furnizori din ierarhia finală sunt chemaţi să semneze contractele.
Oricum, lipsa de seriozitate a competitorilor este penalizată. Pentru următoarele
licitaţii, aceasta va fi evidenţiată şi se va reflecta în meritul lor. Acest handicap va
dispărea în timp numai prin câştigarea de noi licitaţii semnificative ca valoare. O
specificare de rea credinţă a atributelor obiectelor, în contradicţie cu realitatea, va duce
la excluderea competitorilor respectivi din lista partenerilor.
5.1.6 Interfaţa Tele-SUPPLY - utilizator
Interfaţa Tele-SUPPLY este una prietenoasă, oameni fără pregătire specială în

domeniile matematică şi informatică pot să utilizeze produsul program cu uşurinţă. Se
poate remarca faptul că, deşi modelul matematic utilizat prezintă o mare complexitate,
interfaţa dezvoltată pe Internet şi Intranet este una foarte simplă. Este necesară
înţelegerea manierei de construire şi afişare a cererii de oferte a întreprinderii,
cunoaşterea editării ofertelor şi a prelucrării acestora şi, în final, abilitatea purtării
negocierilor pe întreg ciclul cerere de ofertă – procesare de ofertă – lansare de
comandă. Singurul pas care se execută complet în afara sistemului informatic este
semnarea contractelor economice, şi aceasta în principal datorită birocraţiei, acceptată
ca necesară în acest domeniu!
Lucrătorii din Departamentul Aprovizionare împreună cu specialişti din
Departamentul Informatică al întreprinderii doar supraveghează sistemul şi răspund la
e-mail-urile primite de la furnizori. Scopul principal a fost elaborarea unui mecanism în
154
cadrul căruia intervenţia umană să fie redusă la minimul necesar. Calculatorul
întreprinderii rezolvă automat problemele MADM, ierarhizează perechile oferte –
furnizori sau furnizori - oferte şi face să circule datele între modulele sistemului.
5.1.7 Concluzii şi câteva rezultate experimentale
Capitolul care tocmai s-a sfârşit a pus problema găsirii unor indicatori buni
pentru ierarhizarea ofertelor furnizorilor în vederea lansării unor comenzi de
aprovizionare optime. Atât preţurile generalizate şi amendate cât şi meritul furnizorilor
sunt elemente cheie folosite la ierarhizarea ofertelor furnizorilor. În încercarea de a
crea un înlocuitor al omului care să rezolve anumite tipuri de probleme, s-au utilizat
tehnici hibride. Multe probleme SCM pot fi rezolvate introducând elemente de
inteligenţă artificială în metodele tradiţionale. Prezenta abordare are în vedere lucrul
KBC în tandem cu tehnici MADM. Se anticipează că în viitorul apropiat, alte soluţii
moderne vor fi oferite în domeniile managementul aprovizionării şi a desfacerii cu
impact direct asupra eficienţei comerciale a întreprinderilor industriale. Aceste soluţii
vor fi venind tot prin replicarea gândirii umane dar şi prin folosirea mijloacelor
moderne specifice tehnologiei informaţiei şi a comunicaţiilor. Internet-ul a devenit deja
un mediu stabil şi suficient de bogat pentru a susţine comerţul electronic şi
procurement-ul la nivel industrial iar produsele program elaborate peste tot în lume în
acest domeniu marchează începutul unei noi ere. În zilele noastre, e-applicaţiile cunosc
o dezvoltare rapidă. În câţiva ani, vor apărea produse informatice de bază, elaborate de
mari case de software, funcţionând pe Internet, capabile să asiste integral activitatea de
aprovizionare.
Cât despre Tele-SUPPLY, el este un produs program experimental. Experimentul
s-a realizat la Petrobrazi, care este cea mai mare rafinărie din România. Lucrătorii
Departamentului Aprovizionare şi furnizorii de ţiţei din ţară au pus la dispoziţie datele
experimentului. Concluzia a fost că, din punct de vedere tehnic, această manieră de
realizare a unei părţi din activitatea de aprovizionare este posibilă şi se constituie într-o
soluţie de viitor. De asemenea, experimentul a arătat că soluţia matematico-informatică
este bună. Dându-se un set de oferte multiple neordonate, pentru o mare varietate de
ţiţeiuri de achiziţionat, cei mai mulţi lucrători ai Departamentului Aprovizionare au
realizat manual aceeaşi ierarhizare a ofertelor ca şi algoritmul hibrid.
Pentru exploatările terestre Ploieşti (Boldeşti, Băicoi, Berca), Videle (Videle,
Roata, Poeni, Bolintin), Brăila, Timişoara (Timişoara, Arad), Piteşti (Piteşti, Ciureşti,
Drăgăşani), Suplac (Suplac, Marghita), Moineşti (Moineşti, Modârzău, Zemeş),
Craiova (Craiova, Stoina), Târgu-Jiu (Ticleni, Turburea), Târgovişte (Târgovişte,
Moreni, Găeşti) şi pentru cele maritime Constanţa (Petromar), s-a experimentat
aprovizionarea cu ţiţei în regim de e-commerce. Experimentele au certificat
posibilitatea lansării automate a comenzilor. De asemenea, s-a simulat o licitaţie
electronică încununată de succes. Achiziţiile în regim de e-auction pot conduce la
economii ce pot reprezenta până la 25% din valoarea costurilor totale de achiziţie. Şi
licitaţia simulată a produs economii care s-au apropiat de cele prevăzute de studiile
teoretice.
155
Referinţe bibliografice
Amor, D. (1999). The E-business ®evolution. Prentice Hall, Hewlett-Packard

Professional Books.
Ayers J. B. (2002). “Making Supply Chain Management Work: Design,
Implementation, Partnerships, Technology, Profits”, Auerbach Publishers.
Giarratano, J.C. and G.D. Riley (1999). Expert Systems: Principles and Programming -
3rd edition. PWS Publishing Company, Boston.
Grieger, M. (2003). “Electronic marketplace: A literature review and a call for supply
chain management research”. In European Journal of Operational Research,
Volume 144, Issue 2, 16 January, pp. 280-294.
Hwang, C-L. and K.Yoon (1981). Multiple attribute decision making. Springer-Verlag,
Berlin-Heidelberg, New York.
Resteanu, C., N. Andrei, E. Mitan (2000). “Continuous process plant as a system open
to business”. In: Dietmar P.F. Moller Ed., Proceedings of the ESS 2000, 12-th
European Simulation Symposium, Simulation in Industry. Hamburg, Germany,
September 28-30, pp. 260-264.
Resteanu, C., M. Dobre and S. Masei (2001). TELE-PRODCONT, a software for e-
commerce and e-business in petrochemistry. In Proceedings of the “2nd European
Conference on e-commerce / e-activities / e-working / e-business, e-learning, e-
health / on-line servicies, virtual institutes and their influences on the economic
and social environment” – E-COMM-LINE 2001 (Bucharest, September 24-25),
pp. 48-51.
Resteanu, C. (2002). Electronic auction, Romanian achivements. In E-Business -
Romanian Perspective, Ed. ASE, ISSN 1454-0320, July 2002, pp. 72-81.
Resteanu, C. (2002). Tele-AUCTION, a software that improves the procurement
activity. In Proceedings of the “3rd European Conference on e-commerce / e-
activities / e-working / e-business, e-learning, e-health / on-line servicies, virtual
institutes and their influences on the economic and social environment” – E-
COMM-LINE 2002, (Bucharest, September 26-27), pp. 45-49.
Resteanu, C. (2002). Goods and services acquisition system by electronic auction. In
Proceedings of twelth eBusiness and eWork 2002. Challenges and achievements in
E-business and E-work. (Prague, October 16-18), pp. 372-377.
Resteanu, C. (2002). Tele-AUCTION, a software for e-procurement. În Romanian
Automation Review, vol IX, number 4, ISSN 1454-9077, November 2002, pp. 25-
30.
Resteanu, C. (2003). Tele-AUCTION: An advanced e-procurement tool. In the abstract
book of the 5th EURO / INFORMS Joint International Meeting - New
Opportunities for Operations Research, (Instanbul, July 6-10), pp. 200.
Resteanu, C. and M. Resteanu (2005). More Than Lowest Prices for Industrial Plants’
Supply. In Proceedings of The 6th European Conference e-learning / e-business /
156
e-government / e-work / e-health / e-democracy / e-mediary, virtual institutes, era,
on-line / bb services, and their influences on the economic and social environment
– E-COMM-LINE 2005. (Bucharest, Romania, September 19-20, 2005).
Resteanu, C. (2005). More Than Lowest Prices for Production Needs. În Romanian
Automation Review, September 2005, Vol. XVIII, number 3, ISSN 1454-9077, pp.
23-33.
Resteanu, C. (2005). Optimal orders through plants’ supply chains. In E-Proceedings
of the International Conference on Industrial Engineering and Systems
Management – IESM ’05. (Marrakech, Morocco, May 16-19, 2005).
Resteanu, C. (2005). Amended Generalized Prices Computing for Suppliers’ Offers
Ranking in Supply Chain Management. In Proceedings of the Seventh
International Conference on Informatics in Economy – Information & Knowledge
Age. (Bucharest, Romania, May 19-20, 2005), pp. 218-223.
Resteanu C. and M. Somodi (2006). On Amended Generalized Price and Supplier’s
Merit in Supply Chain Management. The Business Review, Cambridge (ISSN 1553
- 5827), vol 5, number 1 September.
Simchi-Levi, D., P. Kaminski and E. Simchi-Levi (1999). “Designing and Managing
the Supply Chain: Concepts, Strategies, and Cases Studies”, McGraw-Hill Higher
Education.
http://www.industrialhub.com/supply-chain-management.htm.
157
5.2 Intreţinerea infrastructurii sistemelor de producţie complexe
Produsul software RELSYAN poate fi considerat un instrument software pentru

managementul, centrat pe fiabilitate, al întreţinerii infrastructurii sistemelor de
producţie (Gerstbakh, 1989; Birolini, 1994). El este destinat în principal obţinerii de
programe de întreţinere optime, care să satisfacă o mulţime mare de obiective. E bine
ştiut faptul că metodele analitice şi cele bazate pe lanţurile Markov au multe
dezavantaje, spre exemplu ele nu permit rate de cădere variabile în timp (Barlow şi
Prochan, 1965). În consecinţă, RELSYAN implementează metoda de simulare Monte
Carlo (Cassandras, 1993; Hoyland şi Raussand 1994; Fishman, 1996) pentru analiza
modului în care funcţionează infrastructura sistemului de producţie. Modelarea este
una dintre cele mai puternice funcţiuni ale produsului RELSYAN. Editoarele
diagramelor de structură şi a arborilor de avarie ajută la crearea, într-o manieră grafică,
a modelului infrastructurii sistemului de producţie (Resteanu şi alţii, 1998). Modelul
creează fundamentele pentru generarea problemelor de simulare Monte Carlo şi oferă
posibilitatea calculului rapid al funcţiei sistem (Resteanu şi alţii, 1999), aceasta
constituindu-se în cheia de succes pentru acest tip de simulare. Componentele
principale ale algoritmului de simulare Monte Carlo (Ripley, 1987; Văduva, 1977;
Zeigler, 1976) sunt descrise succint. În vederea creării unei baze solide pentru luarea
deciziei în managementul de întreţinere, produsul RELSYAN poate simula un număr
mare de strategii diferite de întreţinere împreună cu politici de încărcare a forţei de
muncă şi de achiziţionare a pieselor de schimb, modalităţi de exploatare a sistemului,
îndemânare în operarea lui şi factori de stres externi. Pentru a preciza parametrii
necesari în vederea obţinerii celei mai bune variante de strategie de întreţinere asociată
cu o politică de încărcare a forţei de muncă şi de achiziţie a pieselor de schimb, se iau
în discuţie ieşirile statistice (Sherwin şi Bosche, 1993; Shaked şi Shantikunar, 1990).
Această alegere optimă se face prin intermediul teoriei MADM (Hwang şi Yoon, 1981;
Resteanu şi alţii, 1996).
5.2.1 Modelarea infrastructurii unui sistem de producţie

folosind produsul program RELSYAN
Funcţia de modelare RELSYAN pune la dispoziţie un set de instrumente cu

ajutorul căruia utilizatorul poate realiza modelul sistemului. De fapt, în orice aplicaţie
informatică bazată pe simulare, există două tipuri de modele, modelul extern şi cel
intern, însă utilizatorul final, adică omul din întreprindere care are de-a face cu
modelul, îl percepe numai pe primul, cel de-al doilea fiind transparent pentru el.
Modelul extern al sistemului de producţie este orientat obiect (Rumbaugh şi alţii, 1991)
şi este reprezentat de o diagramă de structură şi unul sau mai mulţi arbori de avarie.
Pentru modelarea sistemului, utilizatorul asociază un limbaj de modelare pictorială
(LMP) cu metodele tradiţionale pentru achiziţia şi structurarea datelor primare folosite
în analiza fiabilităţii sistemelor (AFS). Pentru modelarea infrastructurii sistemelor de
producţie, interfaţa avansată (perechea LMP - AFS) dă descrierea morfo-fiziologică a
sistemului. Din punct de vedere matematic, diagrama de structură este un multi-graf
fără circuite şi arborele de avarie este un anume tip de arbore, ambele având acelaşi
158
mod de stocare. Cât despre modelul intern, el este o translatare a modelului extern într-
un format orientat pe executarea rapidă a funcţiilor produsului RELSYAN.
Entităţi de bază
În primul rând se consideră baza de informaţii pentru procesul de modelare. Aceasta
presupune existenţa blocurilor, componentelor, evenimentelor, intrărilor, fluxurilor
interne, fişierelor de intrare ale sistemului (coduri, nume, comportamente individuale)
şi fişierelor de management al întreţinerii (stocuri de piese de schimb şi politici de
achiziţie, resurse de forţă de muncă şi modul de organizare a echipelor, sarcini de
întreţinere corectivă / preventivă / condiţională etc.). Datele referitoare la aceste entităţi
vor fi referite la descrierea sistemului şi la simularea funcţionării acestuia. Sistemele de
mari dimensiuni referă o cantitate imensă de date care trebuie, pe cât posibil, precizate
înainte de descrierea sistemului. Deşi aceasta este regula de bază, este permisă
definirea elementelor de descriere în timpul desenării diagramelor de structură /
arborilor de avarie. Implementarea RELSYAN nu depinde de existenţa unui software de
control a întreţinerii. Dacă nu există un astfel de software, utilizatorul apelează la sub-
funcţia prezentată mai sus pentru pregătirea informaţiilor de bază, dacă acest software
este deja implementat, atunci produsul RELSYAN va ataşa parţial sau total baza de date
deja existentă.
Descriere
Structura infrastructurii sistemului de producţie şi comportamentul său se vor defini
folosind editoarele grafice care vor produce diagramele de structură şi arborii de avarie
(Figura 5.2.1.1 şi Figura 5.2.1.2).
Figura 5.2.1.1. Editorul grafic al diagramelor de structură

159
Figura 5.2.1.2. Editorul grafic al arborilor de avarie
Diagrama de structură, a cărei editare ierarhică e dată de structura organizatorică

a sistemului, va da entităţile structurale de bază şi le va organiza într-un formalism
grafic care reprezintă sistemul. Conceptual vorbind, diagrama rezultată este un multi-
graf orientat. Nodurile sale vor fi reprezentate de pictograme: dreptunghiuri cu contur
umbrit dacă este vorba de elemente de structură ne-terminale (blocuri) sau
dreptunghiuri cu contur normal dacă este vorba de elemente de structură terminale
(componente). Arcele multi-grafului sunt conexiuni între elementele de structură şi se
judecă în termeni de efecte ale căderilor. Pentru a construi o diagramă de structură,
utilizatorul are la dispoziţie două tipuri de micro-structuri de pictograme. Primul tip,
denumit micro-structuri standard, conţine micro-structuri de componente sau blocuri
seriale, paralele, (k-din-n, consecutive sau nu), stand-by (cu dispozitiv de avertizare sau
fără), micro-structuri de tip punte. Micro-structurile standard sunt predefinite. Al doilea
tip, denumit micro-structuri specifice sau utilizator, includ producţiile refolosibile ale
utilizatorului. Utilizatorul e sfătuit să foloseacă în mod consecvent acest tip de
structuri. De fapt, diferenţe între micro-structurile standard şi cele specifice, odată
create, nu există, atât din punct de vedere al stocării cât şi din punct de vedere al
utilizării lor.
Un arbore de avarie este o diagramă logică care descrie interacţiunile între
posibilele evenimente critice (accidente) ale sistemului şi factorii care produc aceste
evenimente. Produsul RELSYAN foloseşte arbori de avarie calitativi. Atenţie, analiza
cantitativă se face cu metoda Monte Carlo la timpul potrivit. Dacă diagrama de
structură se referă la descrierea structurală, incluzând descrierea funcţională, arborii de
avarie se referă mai mult la descrierea funcţională. Pentru a realiza descrierea arborelui
de avarie utilizatorul foloseşte tot pictograme (dreptunghi cu un simbol de continuare,
160
simbol nedezvoltat care generează, prin personalizare, orice simbol grafic folosit:
anume porţi şi / sau, transferuri in / out şi evenimente de bază. Utilizatorul trebuie să
ataşeze, la elementele terminale ale celor două tipuri de diagrame, atribute care să le
identifice şi să le definească funcţionarea. Pentru diferitele tipuri de căderi şi reparaţii
se folosesc modelele: exponenţial, normal, log-normal, Weibull, Gamma, Pareto,
Birnbaum-Saunders, Gumbel-small extreme, inverse-Gaussian, Rayleigh, Fisk etc.
Diagramele de structură şi arborii de avarie pot fi validaţi în mod explicit, astfel că
utilizatorul este în măsură să rezolve cazuri speciale cum ar fi: inconsistenţa şi
incompletitudinea. Indiferent de descrierea structurală a sistemului, RELSYAN
foloseşte funcţia de stare Φ ( x ) = Φ ( x1 , x2 , x3 ,..., xn ) care ia valoarea 1, dacă sistemul
lucrează şi 0 altfel. Fiecare argument xi descrie, în acelaşi fel, starea componentei i.
Modele hibride
Pentru definirea modelului sistemului, RELSYAN permite folosirea unei diagrame de
structură împreună cu unul sau mai mulţi arbori de avarie (Resteanu, 2000). De fapt,
pentru modelarea sistemului, utilizatorul poate alege atât diagrame de structură cât şi
arbori de avarie. În mod frecvent apare numai un tip de modelare şi anume arborii de
avarie care se pot descrie mai uşor. Utilitatea lor este dovedită cu siguranţă pentru
sisteme foarte complexe şi fiabile; dacă numărul componentelor care suportă căderi
este redus, atunci se poate folosi unul sau mai mulţi arbori de avarie care să sintetizeze
corespunzător comportamentul sistemului. Totuşi, acurateţea ieşirilor depinde de
construcţia completă a arborilor de avarie. Dacă se folosesc numai arborii de avarie, se
poate ca unele date din baza de date, referitoare la căderea componentelor sistemului,
să nu se regăsescă în descriere. În acest caz aceste date sau sunt nesemnificative sau
arborele de avarie este descris parţial. Chiar dacă descrierea unei diagrame de structură
este o activitate laborioasă, odată realizată, aceasta va ţine seama de toate căderile
posibile ale sistemului. Dacă utilizatorul nu este capabil să modeleze exact
comportamentul sistemului prin intermediul arborilor de avarie, folosind diagramele de
structură va realiza cu siguranţă acest lucru. Pentru sisteme complexe de mari
dimensiuni este recomandabil să se folosească atât diagrame de structură cât şi arbori
de avarie. Factorii endogeni şi factorii exogeni sunt de aceeaşi importanţă pentru o
bună apreciere a funcţionării sistemului. Este dificil, dacă nu chiar imposibil, ca o
diagramă de structură să redea comportamentul factorilor exogeni. În acelaşi timp,
după cum am văzut, arborii de avarie nu pot fi doar o alternativă palidă a diagramei de
structură, rolul lor este să completeze modelul sistemului până la identificarea cu
sistemul real. Aşa-numiţii factori de stres (factori de de mediu (condiţii climaterice,
condiţii de ambient), dezastre naturale (cum ar fi inundaţiile, furtunile, cutremurele,
incendiile), sabotaje, conflicte militare, epuizare fizică sau psihică a operatorilor umani,
nerespectarea programului de întreţinere etc.) nu pot fi prinşi în diagramele de
structură. Dacă s-a recurs numai la folosirea diagramelor de structură, această descriere
nu va conţine influenţa factorilor de stres. În concluzie, numai împreună diagrama de
structură şi arborii de avarie pot constitui o soluţie în modelarea unui sistem supus
analizei de fiabilitate! Este de menţionat că, în cazul unei astfel de modelări,
utilizatorul este scutit să invoce concepte matematice de teoria fiabilităţii, cum sunt
161
funcţia de structură, mulţimi drum / tăietură etc. Acestea sunt înglobate, şi chiar mai
mult, ascunse în descrierea morfo-fiziologică .
5.2.2 Construirea şi rezolvarea problemelor de simulare a

funcţionării infrastructurii sistemelor de producţie şi rezolvarea lor
Modelul infrastructurii sistemului de producţie în complexitatea sa, incluzând

comportamentul său influenţat de factorii aleatori endogeni şi cei exogeni, stă la baza
execuţiei principalelor funcţii RELSYAN.
Construcţia problemelor de simulare Monte Carlo

Dându-se un model, se pot construi mai multe probleme foarte diferite între ele.
Acestea diferă pentru că parametrii precizaţi la intrare, destul de mulţi ca număr, pot fi
daţi într-o varietate de combinaţii. Aceşti parametri sunt:
- Numele lucrătorului din Departamentul Mecanic care face simularea funcţionării

infrastructurii sistemului de producţie;
- Starea naturii în care se face simularea funcţionării sistemului de producţie, anume: a)
modul de funcţionare a sistemului de producţie (sub-solicitat, normal-solicitat sau
supra-solicitat) şi b) codul arborelui / arborilor de avarie asociat / asociaţi diagramei de
structură, care definesc mediul în care funcţionează infrastructura sistemului de
producţie împreună cu probabilităţile lor de manifestare în cadrul modelului;
- Aria maximală de considerare a modelului pentru care se va construi problema.
Problemele se pot genera pentru întreg sistemul, care este cazul implicit, sau numai
pentru o parte din el, dacă se precizează nivelul dorit din structura organizatorică;
- Orizontul de timp, dat prin data de început şi data de sfârşit a simulării şi anumite
momente de timp, în interiorul acestuia, la care se cere afişarea unor indicatori
statistici;
- Calendarul de funcţionare a sistemului de producţie şi regimul de schimburi;
- Codul de identificare a unei strategii de întreţinere predefinite;
- Codul de identificare a politicii stocurilor şi achiziţiei pieselor de schimb;
- Codul de identificare a politicii forţei de muncă în Departamentul Mecanic;
- Nivelul de afişare a rezultatelor simulării (indicatori statistici de bază, complementari,
detaliaţi, resurse necesare întreţinerii sistemului pe tipuri de resurse). Specificarea unui
anumit nivel din lista anterioară provoacă afişarea tuturor indicatorilor statistici până la
acel nivel inclusiv.
O problemă de simulare este bine definită de aceşti parametri. Dacă în sistem

intră după simulare a doua problemă cu aceiaşi parametri de definire, numai ultima
instanţiere persistă pentru prelucrări anterioare. Problemele având aceeaşi arie
maximală şi acelaşi orizont de timp se consideră că aparţin aceleiaşi clase de
echivalenţă. O problemă permite automat acordarea fină a parametrilor, cu menţinerea
în aceeaşi clasă de echivalenţă, în concordanţă cu diferitele necesităţi de construire a
problemelor de simulare a funcţionării infrastructurii sistemului de producţie. Astfel,
plecând de la o problemă dată, se poate construi o nouă problemă, aparţinând aceleiaşi
clase cu problema iniţială, fără a se relua de la început lucrul pe baza de date.
162
Rezolvarea problemelor de simulare Monte Carlo
Metoda Monte Carlo răspunde cerinţelor specifice simulării funcţionării infrastructurii
unui sistem de producţie pentru că ea poate lua în considerare un plan complex de
întreţinere cu toate tipurile de întreţinere: corectivă (directă, amânată, curativă),
preventivă (normală, condiţională, sistematică, ciclică, indicativă, critică, limitativă),
mixtă (funcţională, pe celule, permisivă, ciclică, indicativă), toate politicile de achiziţie
a pieselor de schimb, toate modalităţile de utilizare a forţei de muncă disponibile şi
toate tipurile de căderi în funcţionare (datorate factorilor endogeni şi exogeni).
Se presupune că sistemul este cu componente independente şi reparabile. Fiecare
componentă are propriul ceas T [i ] (timp operaţional) precizat separat pentru fiecare tip
de întreţinere (corectivă, preventivă, mixtă). Pentru a descrie funcţionarea dinamică a
sistemului este folosită tehnica incrementării variabile a ceasului simulării, care se
calculează în timpul simulărilor:
clock = min T [i ] (5.2.2.1)
1≤ i ≤ n
Pe scurt, algoritmul de simulare este următorul: ceasul este iniţializat la 0,
componentele sistemului se găsesc în diferite stări initiale, care sunt citite de sistemul
RELSYAN la generarea problemei. Apoi ceasul simulării este avansat după regula
evenimentului următor (i.e. dată de formula (5.2.2.1)). Componentele sunt apoi
analizate la cădere şi repornire cu actualizarea statisticilor astfel: actualizarea totalurilor
timpilor alocaţi reparaţiilor sau a timpilor de aşteptare, actualizarea cantitativă a
resurselor (piese de schimb, mână de lucru) necesare pentru estimarea costurilor
întreţinerii, actualizarea costurilor stocului de piese de schimb care intervin în
managementul întreţinerii. După simularea unei traiectorii, se determină pentru
caracteristicile de fiabilitate cerute: valorile medii, varianţele şi coeficienţii de corelaţie
ale acestor caracteristici precum şi repartiţiile de probabilitate empirice (histograme sau
tabele de contingenţă pentru perechi de astfel de caracteristici) (Devroye, 1986;
Drosebeke şi alţii, 1989; Engin şi Tuncer, 1991; Văduva, 1994). Apoi, folosind un
număr mare de traiectorii sunt calculate: mediile aritmetice, varianţa empirică sau alte
statistici care furnizează informaţii mai precise, precizia fiind bineînţeles funcţie de
numărul de traiectorii simulate.
Soluţiile unei probleme de simulare Monte Carlo

După rezolvarea unei probleme de simulare, produsul RELSYAN asigură accesul la
indicatorii statistici de ieşire asociaţi parametrilor de intrare. Se oferă estimări ale
indicatorilor RAM (Reliability, Availability, Maintainability). Statisticile oferite sunt
de trei feluri: de bază, complementare şi detaliate.
Indicatorii statistici de bază sunt: I01 – Fiabilitatea (R), I02 – Disponibilitatea
(A), I03 – Mentenabilitatea (M), I04 – Costurile pentru achiziţia pieselor de schimb
(CS), I05 – Costurile pentru plata forţei de muncă (CM).
Indicatorii statistici complementari sunt: I06 – Indisponibilitatea (UA), I07 –
Numărul de căderi ale sistemului (NSF), I08 – Timpul de staţionare (DT), I09 – Timpul
de staţionare datorat căderilor (DTF), I10 – Timpul de staţionare datorat întreţinerii
corective (DTC), I11 – Timpul de staţionare datorat întreţinerii preventive (DTP), I12 –
Timpul de staţionare datorat lipsei pieselor de schimb (DTS), I13 – Timpul de
staţionare datorat lipsei forţei de muncă (DTR), I14 – Costurile totale (TC), I15 –
163
Costurile pierderii de producţie datorate indisponibilităţii (UCP), I16 – Costurile
întreţinerii (MC), I17 – Costuri datorate întreţinerii corective (MCC), I18 – Costuri
datorate întreţinerii preventive (MCP), I19 – Costuri datorate lipsei pieselor de schimb
(UCS), I20 – Costuri datorate lipsei forţei de muncă (UCR).
Pentru fiecare indicator statistic de unul dintre tipurile menţionate mai sus se
dau: codul, valoarea medie, deviaţia standard, limita inferioară, limita superioară şi,
pentru perioada de simulare, reprezentarea grafică , tabela de frecvenţă
(Figura 5.2.2.1), matricea de corelare .
Indicatorii statistici de detaliu se împart în trei clase:
- Pentru fiecare tip de componentă / mod de cădere / cauză a căderii: I21 – Timpul de
staţionare datorat căderilor (DTF/C), I22 – Timpul de staţionare datorat întreţinerii
preventive (DTP/C), I23 – Costul total (TC/C), I24 – Costul datorat întreţinerii
corective (MCC/C), I25 – Costul datorat întreţinerii preventive (MCP/C);
- Pentru fiecare tip de piese de schimb: I26 – Numărul necesar (NN/S), I27 – Timpul
de staţionare datorat lipsei în stoc (DT/S), I28 – Costul total (TC/S), I29 – Costul
datorat lipsei în stoc (UC/S);
- Pentru fiecare tip de forţă de muncă: I30 – Numărul necesar de personal (NN/M), I31
– Ore lucrate (WH/M), I32 – Gradul de ocupare (DE/M), I33 – Timpul de staţionare
datorat lipsei forţei de muncă (DT/M), I34 – Costul total (TC/M), I35 – Costul datorat
lipsei forţei de muncă (UC/M).
Pentru fiecare indicator statistic de tipurile menţionate mai sus se dau: codul,
valoarea, importanţa dată de timpul de staţionare şi cea dată de costuri. Dacă se
defineşte o politică de achiziţii a pieselor de schimb, atunci se calculează indicatorii
I27, I28 şi I29, altfel se calculează numai I26. Analog, dacă se defineşte o politică în
domeniul forţei de muncă, se calculează indicatorii I31, I32, I33, I34 şi I35, altfel se
calculează numai I30.
Toţi aceşti indicatori sunt calculaţi pe orizontul de timp dat la intrare sau la
anumite momente de timp specificate în interiorul acestui orizont. De asemenea, ei pot
fi prezentaţi la nivelul sistemului sau la sub-niveluri organizatorice care sunt definite la
generarea problemei.
Ieşirile sunt prezentate atât în mod clasic cât şi grafic. Să presupunem că
indicatorul curent este NSF, atunci se obţine:
Figura 5.2.2.1 Informaţii statistice despre numărul de căderi ale sistemului

164
5.2.3 Soluţia optimă a problemelor de simulare Monte Carlo
Compararea, fără un instrument special, a unui număr mare de strategii de

întreţinere care aparţin aceleiaşi clase, este o sarcină dificilă prin prisma celor 35 de
indicatori statistici. De aceea este necesară construirea unei probleme de alegere optimă
pornind de la datele statistice asociate fiecărei strategii de întreţinere simulate cu
metoda Monte Carlo.
Pentru orice clasă de strategii de întreţinere care au fost analizate prin simularea
funcţionării infrastructurii sistemului de producţie, se consideră următorul model
MADM:
- D = {d (l ) | l = 1, l}, ( l = card( D )), ale cărei elemente sunt decidenţii, adică
persoanele din Departamentul Mecanic însărcinate cu optimizarea strategiilor de
întreţinere a infrastructurii sistemului de producţie. Importanţele lor absolute I Da (l),
stabilite prin negociere în cadrul mulţimii decidenţilor, sunt valabile pentru orice clasă
de strategii de întreţinere. Ele satisfac următoarele condiţii: 0 < I D (l ) ≤ 1 , descrescând
a
de la primul la ultimul, şi ∑I a
D
(l ) = 1 ;
1≤ l ≤ l
- S = {s (k ) | k = 1, k}, ( k = card( S )), ale cărei elemente sunt stările naturii, fiecare
dintre ele semnificând totalitatea condiţiilor care pentru aceeaşi strategie de întreţinere
provoacă la simulare indicatori statistici diferiţi. Importanţele lor absolute I Sa (k) sunt
bine definite pentru fiecare clasă de strategii de întreţinere în parte, printr-o analiză
adecvată a elementelor clasei respective. Ele satisfac următoarele condiţii:
0 < I S ( k ) ≤ 1 , descrescând de la primul la ultimul, şi ∑ I ( k ) = 1 ;
a a
S
1≤ k ≤ l
- M = {m(i ) | i = 1, i}, (i = card( M )), mulţimea tuturor strategiilor de întreţinere

caracterizate prin simulare şi aparţinând aceleiaşi clase de strategii. Astfel, m(i) este
strategia de întreţinere caracterizată la simularea i;
- A = {a ( j ) | j = 1, j}, (j = card(A)), mulţimea atributelor considerate importante pentru a
realiza o descriere bună a strategiilor de întreţinere în cadrul clasei de echivalenţă
respective, în acest caz, cei 35 de indicatori statistici aleşi pentru a face discriminarea
între strategiile de întreţinere. Pentru fiecare strategie de întreţinere, primul atribut din
mulţimea atributelor este fiabilitatea, deoarece managementul întreţinerii este
considerat ca fiind centrat pe fiabilitate. Astfel, a(1) reprezintă indicatorul de fiabilitate
a clasei strategiilor de întreţinere. Fiecărui atribut a(j) i se asociază tipul cardinal,
deoarece toţi indicatorii statistici rezultaţi din simulare sunt valori cardinale, sensul de
apreciere sense(j), care poate lua una dintre valorile max sau min depinzând de faptul
că sunt preferate valorile cele mai mari sau cele mai mici ale lui a(j) şi importanţa lui
absolută I Aa (j). Importanţele atributelor, date de experţii în întreţinere şi valabile pentru
orice clasă de strategii de întreţinere, satisfac următoarele condiţii: 0 < I A ( j ) ≤ 1 ,
a
descrescând de la primul la ultimul, şi ∑I a
A
( j) = 1 .
1≤ j ≤ j
165
- C={ ( c (i , j , k , l ) ) 1 ≤ i ≤ i , 1 ≤ j ≤ j ,1 ≤ k ≤ k ,1 ≤ l ≤ l } un masiv 4-dimensional de tipul i
× j × k × l numit tensorul caracteristicilor; fiecare c (i , j , k , l ) în C reprezintă valoarea
atributului a(j) pentru strategia de întreţinere m(i) în starea naturii s(k) şi în opinia
decidentului d(l).
Se doreşte prezentarea la lucru tot a metodei Pareto dar de data aceasta în cazul
mai mulţi decidenţi şi mai multe stări ale naturii. După cum se ştie, metoda
minimizează distanţa la punctul ideal, în acest caz o strategie de întreţinere care are
cele mai bune caracteristici pe fiecare coloană a matricei caracteristicilor rezultate
pentru oricare s(k) şi d(l) fixaţi. Astfel, trebuie să existe la îndemână lo_a(j) şi up_a(j).
Din simulare însă nu reiese în mod direct intervalul de valori în care variază atributele
în cadrul unei clase de echivalenţă. De aceea trebuie să se calculeze:
lo_a(j) = min min min c (i , j , k , l ) şi up_a(j) = max max max c(i , j , k , l ) .
1≤ i ≤ i 1≤ k ≤ k 1≤ l ≤ l 1≤ i ≤ i 1≤ k ≤ k 1≤ l ≤ l
Atributele a(j) pentru care intervalul de valori standard este degenerat, adică pentru
care lo_a(j) = up_a(j), se elimină din model; ele nu influenţează discriminarea finală a
strategiilor de întreţinere.
Se dă în continuare rezolvarea problemei de alegere optimă prin metoda Pareto,
dată în pseudocod, însă în final se va trece de la distanţa la punctul ideal la merit pentru
ca judecata utilizatorului să coincidă cu ieşirea metodei.
for l=1,l for=1,l
for k=1,k for i=1,i
for j=1,j c(i,0,0,l)=0
d_a(j)=up_a(j)-lo_a(j) endfor
if d_a(j)=0 then for k=1,k
d_a(j)=1 for i=1,i
endif c(i,0,0,l)= c(i,0,0,l) +
for i=1,i (1- I Sa (k))* c(i,0,k,l)
c(i,0,k,l)=0 endfor
endfor endfor
for i=1,i endfor
if sense_a(j)=”max” then for i=1,i
c(i,0,k,l)= c(i,0,k,l)+ c(i,0,0,l)=0
I Aa (j)*(up_a(j)- endfor
c(i,j,k,l))/d_a(j) for l=1,l
else for i=1,i
c(i,0,k,l)= c(i,0,k,l)+ c(i,0,0,0)= c(i,0,0,0) +
IAa
(j)*(c(i,j,k,l)- (1- I Da (l))* c(i,0,0,l)
lo_a(j))/d_a(j) endfor
endif endfor
endfor sort des (1-c(i,0,0,0)),i=1,i giving
endfor (o(σ (i)),1-c(σ(i),0,0,0))i=1,i
endfor
endfor
Calcul pentru un decident şi o stare a naturii Reducerea decidenţilor şi a stărilor naturii
166
Strategiile de întreţinere pot fi astfel ierarhizate în mod natural în funcţie de

evaluările (o(σ (i)),1-c(σ(i),0,0,0)) i=1,i după cum urmează:
- Cea mai bună strategie de întreţinere este cea care are valoarea respectivă cea mai
mare;
- Cea mai puţin atractivă strategie este cea care are valoarea respectivă cea mai mică.
Astfel, se poate alege strategia optimă de întreţinere a infrastructurii sistemului de
producţie.
5.2.4 Concluzii şi viitorul produsului program
În România, datorită dezvoltării întreprinderilor industriale mari, s-au

intensificat eforturile pentru proiectarea de sisteme informatice menite să contribuie la
managementul optimal al acestora. În acest sens, rezultatele obţinute de ICI au devenit
cunoscute în cercuri informatice largi şi astfel a devenit posibilă cooperarea cu
importante case producătoare de software. RELSYAN a fost dezvoltat pe contract cu
firma SIVECO Franţa.
Pentru a avea o imagine clară asupra performanţelor produsului RELSYAN, se
vor prezenta rezultatele testării cu datele de casă ale proiectantului. S-a considerat un
model de dimensiune şi complexitate medie (500 noduri, 6 nivele de imbricare, toate
tipurile de micro-structuri, 30% k -din- n micro-structuri, doi arbori de avarie cu 125
de noduri, descriind evenimente de natură exogenă). Simularea s-a realizat pe durata
unui an. Pentru simularea funcţionării infrastructurii sistemului de producţie s-au
generat 5000 de istorii pentru fiecare strategie de întreţinere luată în analiză. S-au
analizat 10 strategii de întreţinere în asociere cu 3 politici de aprovizionare cu piese de
schimb şi 3 politici de utilizare a forţei de muncă. S-au testat toate facilităţile de calcul
ale RELSYAN, inclusiv alegerea optimă a celei mai bune strategii de întreţinere. Este de
remarcat faptul că timpul de evaluare a funcţiei sistem, după schimbările de stare a
variabilelor, au luat 15% din timpul total de execuţie. Pe un sistem Pentium IV,
performanţa este considerată ca fiind foarte bună, deoarece această simulare complexă
se poate executa într-o oră. Pe piaţa mondială nu există, la ora actuală, un produs
program care să ia în considerare, în timpul procesului de simulare cu metoda Monte
Carlo, un model hibrid bazat pe o diagramă de structură şi unul sau mai mulţi arbori de
avarie. Aceeaşi observaţie se poate face şi în cazul perechii simulare cu metoda Monte
Carlo, optimizare MADM. După cum se poate vedea, este util, în managementul
întreţinerii, să punem la lucru împreună simularea şi optimizarea pentru a obţine o bună
strategie de întreţinere şi, în acelaşi timp, o bună politică de resurse adică piese de
schimb şi forţă de muncă.
RELSYAN are un viitor asigurat pentru că firma SIVECO îl prezintă la vânzare
peste tot pe glob. Primele implementări la scală mare au avut loc în Grecia, Franţa şi
Germania. Ele au dovedit eficienţa utilizării unui astfel de instrument de asistare a
deciziei în activitatea de întreţinere a infrastructurii sistemelor de producţie.
Implementările de până acum, destul de diverse, au probat capabilităţile produsului
167
program şi în cazul grefării pe un sistem informatic ce conţine o aplicaţie de tipul
managementul infrastructurii sistemului de producţie şi în cazul când aceasta nu există.
Barlow, R.E. and F. Prochan (1965). Mathematical Theory of Reliability, John Wiley
and Sons, New York.
Birolini, A. (1994). Quality and Reliability of Technical Systems. Theory-Practice-
Management, Springer Verlag, Berlin.
Cassandras, C. (1993). Discrete Events Systems Modeling and Performance Analysis,
Richard D. Irvin and AKSEN Associates Inc.
Devroye, L. (1986). Non-Uniform Random Variate Generation, Springer Verlag,
Berlin.
Droesbeke, JJ., B. Fichet and PH. Tassi (eds.) (1989). Analyse Statistique des Durees
de la Vie. Modelisation des Donnees Censurees, Economica, Paris.
Engin, S. and Y. Tuncer (1991). "The use of Copulas to Generate New Multivariate
Distributions". The Frontiers of Statistical Computation, Simulation and Modeling,
Vol.1, Proc. of ICOSCO-1, The First Conf. of Statistical Computing, Ed.Chief
NELSON P.R., pp. 197-222.
Fishman, S.G. (1996). Monte Carlo Concepts, Algorithms and Applications, Springer-
Verlag, Berlin.
Gerstbakh, I.B. (1989). Statistical Reliability Theory. Marcel Dekker, Inc., New York
and Basel.
Hoyland, A. and M. Raussand (1994). System Reliability Theory. Models and
Statistical Methods, John Wiley and Sons, Inc. New York.
Hwang, C-L. and K. Yoon (1981). Multiple attribute decision making. Springer-
Verlag, Berlin-Heidelberg, New York.
Resteanu, C., F.G. Filip, C. Ionescu and M. Somodi (1996). “On Optimal Choice
Problem Solving”. In Proceedings of SMC ‘96 Congress (Beijing, October 14-17).
A.P. Sage and W. Zheng (Eds.), IEEE Publising House, Piscataway NJ, pp. 1864-
1869.
Resteanu, C., F.G. Filip, T.S. Stănescu and A. Mihăilescu (1998). “Building Pattern
Charts and Fault Trees for Reliability, Availability and Maintainability Analysis”.
In: The Proceedings of the 12th European Simulation Multi-Conference, Society
for Computer Simulation International, Manchester, United Kingdom, pp. 211-
215.
Resteanu, C., T.S. Stănescu and E. Mitan (1999). “On system function in RAM
analysis”. In Proceedings of the IEPM ’99 International Conference on Industrial
Engineering and Production Management, (Glasgow, July 12-15), pp. 107-115.
Resteanu, C. and F.G. Filip (2002). Hybrid modelling in reliability analysis. In
Proceedings of the “4-th International conference on Quality, Reliability, and
Maintenance QRM 2002” (Oxford, March 21- 22), pp. 43-46.
Rumbaugh, J., M. Blaha, W. Premerlani, F. Eaddy and W. Lorensen (1991). Object -
Oriented Modelling and Design. Prentice - Hall International, Inc., Englewood
Cliffs, N. J.
168
Ripley, B.D. (1987). Stochastic Simulation. John Wiley and Sons, New York.
Shaked, M. and G.J. Shantikunar (1990). Reliability and Maintainability. Handbook in
OR & MS, Vol.2, D.P. Heyman, M.J. Sobel Eds., Elsevier Science Publishers B.V.
(North Holland), pp. 653-713.
Sherwin, D.J. and A. Bosche (1993). The Reliability, Availability and Productivness of
Systems. Chapman and Hall, London.
Văduva, I. (1977). Modele de Simulare cu Calculatorul. Editura Tehnica, Bucuresti.
Văduva, I. (1994). "Fast Algorithms for Computer Generation of Random Vectors
Used in Reliability and Applications". Preprint No. 1603, Januar 1994, Technische
Hochschule Darmstadt, Germany.
Zeigler, B.P. (1976). Theory of Modelling and Simulation. John Wiley and Sons, New
York.
169
5.3 Afaceri de procesare pentru întreprinderile petrochimice
În cele ce urmează este prezentat un exemplu menit să ilustreze, pentru afacerea

de tip processing, posibilitatea încheierii de afaceri optime atât din punctul de vedere al
întreprinderii petrochimice cât şi din cel al partenerilor săi de afaceri. Lucrarea s-a
realizat pentru complexul petrochimic Petrobrazi.
Modernizarea întreprinderilor industriale este un concept foarte complex. În
opoziţie cu întreprinderile cu producţie discretă, care pentru modernizare pot adopta în
afară de retehnologizare şi reorganizare internă, integrarea orizontală cu întreprinderile
partenere, apelând la conceptul de întreprindere extinsă, întreprinderile cu producţie
continuă pot apela, în stadiul actual de dezvoltare tehnologică, doar la reingineria
proceselor lor de afaceri (Resteanu şi Filip, 1995; Resteanu şi Nistor, 2001; Resteanu şi
alţii, 2001a; Resteanu şi alţii, 2001b; Resteanu şi alţii, 2001c). Pentru aceasta este
nevoie să se reconsidere o serie de aspecte. Unul dintre acestea este planificarea
producţiei, care trebuie să susţină simulări rapide ale aşa-numitelor afaceri de
procesare.
Întreprinderile cu producţie continuă, cele din domeniul petrochimiei în special,
pot să obţină beneficii mari lucrând în regim de processing. În acest regim, materiile
prime nu sunt cumpărate de către întreprinderea prelucrătoare, ele sunt deţinute de un
partener de afaceri care intenţionează să obţină maximum posibil din prelucrarea lor.
Deschiderea porţilor unei întreprinderi partenerilor de afaceri, pentru o mai bună
cooperare, înseamnă un salt imens în mentalitatea tradiţională. Se apreciază de către
economiştii de înaltă calificare, care activează în mari companii transfrontaliere, în
mari universităţi şi în institute de cercetare renumite, că activitatea de aprovizionare va
arăta la sfârşitul veacului curent cu totul altfel decât la sfârşitul veacului douăzeci. În
domeniul petrochimic, această apreciere se adevereşte încă de pe acum. Aprovizionarea
cu ţiţei la Petrobrazi prin aşa-zisele afaceri de processing nu înseamnă altceva decât
faptul că oameni de afaceri care nu fac parte din societatea comercială respectivă se
ocupă de aprovizionarea cu anumite cantităţi de ţiţei.
Dezavantajul, în acest caz, este bombardarea întreprinderii cu propuneri de
afaceri pentru prelucrarea unor loturi de materie primă, propuneri care nu se vor
finaliza niciodată din cauza pretenţiilor exagerate ale oamenilor de afaceri. La
Petrobrazi, pentru că rafinăria este foarte performantă, se înregistrează până la 50 de
propuneri de processing pe an, ceea ce înseamnă că săptămânal conducerea la vârf a
sucursalei, plus un decident de la nivelul PETROM, trebuie să se ocupe de analiza
fezabilităţii propunerii. Aceasta înseamnă un mare consum de forţă de muncă de foarte
mare calificare. O soluţie poate fi dialogul prin Internet între partenerii potenţiali şi un
sistem de calcul al întreprinderii. Dialogul constă în definirea şi rezolvarea automată a
unor probleme de progamare liniară multi-criterială pentru evaluarea profitului ambelor
părţi. Odată afacerea găsită convenabilă, pot începe şi negocierile cu echipa de
manageri ai întreprinderii. Astfel, se deschid noi drumuri spre afaceri reciproc
avantajoase.
Ca o regulă, datele modelului sunt proprietatea intelectuală a întreprinderii şi
sunt secrete. Pentru a proteja aceste date, întreprinderea afişează pe Internet numai
datele referitoare la listele de produse finite. Pentru un partener, este normal să
furnizeze cantităţile de materii prime care vor fi procesate cu proprietăţile lor fizico-
170
chimice precum şi datele despre nivelurile asociate produselor finite. Principalele
obiective incluse în mulţimea obiectivelor întreprinderii sunt: cantitatea de produse
finite, valoarea de piaţă a produselor finite, valoarea producţiei nete, costurile de
producţie, stocurile de produse finite, stocurile pe flux, costurile cu manopera, costurile
de prevenire a poluării, profitul. Mulţimea obiectivelor partenerului conţine de obicei:
costul materiei prime şi a ingredienţilor, costurile de transport, costurile de procesare,
valoarea cantităţilor de produse finite şi, în final, profitul.
Un partener de afaceri doreşte ca procedurile prezentate pe Internet să fie foarte
uşor de folosit. Cererea de procesare iniţială precum şi protocolul de negociere pe
Internet, constând în reiterarea cererii în alte condiţii de optimizare, trebuie să nu ridice
probleme de înţelegere partenerului de afaceri. Lucătorii Departamentului Producţie
vor urmări şi ei, de cele mai multe ori, cum decurge “negocierea” partenerilor cu
calculatorul întreprinderii şi pot trimite e-mail-uri de direcţionare, atenţionare sau
explicare în legătură cu procesul de optimizare. Rezultatele calculelor, adică nivelurile
atinse în optimizarea producţiei inclusiv valorile obiectivelor, vor fi comunicate
partenerului de afaceri la fiecare iteraţie.
Pe scurt, după înregistrarea în sistem, un partener de afaceri poate prezenta o
cerere de procesare, în care precizează caracteristicile ţiţeiului de prelucrat precum şi
costul transportului. Sistemul calculează automat profitul reieşit din afacere. După
optimizare se oferă în plus trei categorii de informaţii. Pe intrări: informaţii despre
ingredienţi, pe ieşiri: informaţii despre produsele finite, pentru indicatorii calculaţi:
valoarea ţiţeiului, costul transportului, costul ingredienţilor, costul procesării, valoarea
produselor finite şi profitul. Partenerul de afaceri va fi, de cele mai multe ori, nevoit să
reitereze cererea de optimizare, prin precizarea altor condiţii asupra nivelurilor
produselor finite dorite la ieşire, până când este mulţumit de rezultate. Desigur că,
uneori, partenerul poate renunţa la o afacere care nu se dovedeşte avantajoasă pentru el.
Un complex industrial bazat pe procese tipic continue transformă materiile
prime şi materialele auxiliare (de calităţi diferite şi cu proprietăţi fizico - chimice
diferite) în produse finite printr-o serie de faze de procesare realizate în câte o celulă
de producţie specializată (CPS) în realizarea unui produs intermediar sau final.
Materiile prime / ingredienţii şi produsele intermediare / finite sunt admise şi,
respectiv, livrate în mod normal prin intermediul conductelor, rezervoarelor de intrare /
ieşire şi al magaziilor. La nivelul întreprinderii, interconexinile între CPS-uri sunt
realizate în mod normal prin conducte prevăzute cu noduri de acumulare / distribuire şi
în unele cazuri, cu rezervoare tampon de intrare / ieşire. Fluxul de materiale este, în
mod uzual, orientat dinspre intrarea sistemului către ieşire, rareori există recirculări.
Multiple utilităţi (energie electrică, diverşi combustibili, aer, abur, apă pentru răcire sau
care intră în compoziţia diferitelor produse etc.) trebuie avute de asemenea în vedere.
Se presupune că principalele CPS-uri lucrează în regimuri staţionare, specificate de
tehnologiile de prelucrare, astfel încât funcţionarea continuă a întregului proces de
producţie să fie garantată.
5.3.1 Modelul matematic de planificare a producţiei
Descrierea matematică a unei astfel de întreprinderi (Bonner şi Moore, 1989;

Ciriani şi Gliozzi, 1994; Simons, 1987; Fourer şi alţii, 1990), folosind modelarea
171
pictorială (Resteanu şi alţii, 2000; Rumbaugh şi alţii, 1991), este platforma pentru
generarea problemelor de programare liniară multi-obiectiv. O problemă de planificare
a producţiei include componente cum sunt restricţiile comerciale şi tehnologice şi
diferite obiective.
Fie F = {x ∈ ℜ + x satisface relaţiile definite de comportamentul CPS - urilor
n
întreprinderii} şi fie f ( x ) vectorul funcţiilor obiectiv de minimizat / maximizat la

întreprindere. Astfel problema MOLP este definită după cum urmează:
min f ( x) (5.3.1.0)
x∈F
Să considerăm problema MOLP dată în forma canonică:

min f ( x)

 g ( x) ≥ b ,

 x≥0
unde:
f ( x) = ( f1 ( x),.., f o ( x)) , g ( x) = ( g1 ( x),.., g m ( x)) x = ( x1 ;.., xn ) , b = (b1 ;.., bm ) ,
n n
0 = (01 ;..,0 n ) f l ( x) = ∑ cli xi , l ∈ 1, h , g j ( x) = ∑ a ji xi , j ∈ 1, m cli , a ji , b j ∈ ℜ , (∀) l ∈ 1, o ,
i =1 i =1
i ∈ 1, n , j ∈ 1, m .
6
Fie C = U Ck mulţimea CPS-urilor, descompusă în şase clase: 1) intrările
k =1
sistemului, 2) celulele cu funcţionare bazată pe relaţii de tip randament, 3) celulele de
amestec, 4) celulele cu funcţionare bazată pe relaţii de tip consum specific, 5) nodurile
de acumulare / distribuire, 6) ieşirile sistemului. În terminologia multi-grafurilor
(Berge, 1962; Harary, 1972; ), toate elementele lui C sunt noduri; în timp ce, pentru
C1 şi C6 există numai arce de ieşire, respectiv intrare, pentru Ck (( ∀) k ∈ 2 ,5) ambele
tipuri de arce sunt posibile. Pentru un anumit nod c, fie id(c) numărul de arce care intră
în nod şi od(c) numărul arcelor care ies din nod. Pot fi identificate anumite trasături
caracteristice ale modelului extern care reprezintă complexul industrial:
5
1) id(c)=0 (∀)c∈ C1 , od(c)=0 (∀)c∈ C6 şi 1≤id(c), od(c) ≤20 (∀)c ∈ U Ck ;
k =2
2) nu există nici un ciclu de lungime unu;
3) toate recirculările conţin mai mult de două arce;
4) dimensiunile sunt mai de grabă mari, numărul de noduri şi arce în mod uzual
ajunge la sute, respectiv mii, în consecinţă, o astfel de întreprindere este un sistem de
mari dimensiuni.
Fiecare clasă de CPS-uri are un comportament propriu, definit în cele ce urmează:

172
c c
Pentru C1 , ( ∀) c ∈ 1, c1 , ieşirile Oi , disponibilul AVAC şi cantităţile Qmin ,
c
Qmax , verifică:
- relaţia de limitare a cantităţii disponibile

c c c
Qmin ≤ AVA ≤ Qmax (5.3.1.1)
- relaţia de distribuire a cantităţii disponibile
od (c) c c
∑ O ≤ AVA (5.3.1.2)
i=1 i
c c c
Pentru C2 , ( ∀) c ∈ 1, c2 , intrările I j , ieşirile Oi , capacităţile CAPmin şi
c c c c
CAPmax , randamentele Rij de transformare a intrărilor I j în ieşirile Oi , cantităţile
c c
Qmin , Qmax şi ponderile pk , qk pentru intrări, respectiv ieşiri, verifică:
- relaţiile randamentelor
id ( c )
c c c
Oi = ∑ Rij ⋅ I j (∀) i∈ 1, od ( c ) (5.3.1.3)
j =1
id ( c )
c c
unde Rij îndeplineşte condiţia ∑ Rij = 1 (∀) i∈ 1, od ( c )
j =1
- relaţia de capacitate
id ( c )
c c c
CAPmin ≤ ∑ I j ≤ CAPmax (5.3.1.4)
j =1
- restricţiile impuse anumitor intrări
c c c
(∃) i∈{1,2..od(c)} astfel încât Qmin ≤ Oi ≤ Qmax (5.3.1.5)
- relaţiile de inter-condiţionare între intrări şi ieşiri
 ISUB c ⊆ ({1,2,.., id ( c)} \ { j})
(∃)  c
pentru j fixat
 pk ∈ ℜ + ( ∀) k ∈ ISUB
c c
astfel încât Ij = ∑ pk I k (5.3.1.6)
k ∈ISUB c
OSUB c ⊆ ({1,2 ,.., od ( c)} \ {i})

(∃)  c
pentru i fixat
q k ∈ ℜ + ( ∀) k ∈ OSUB
c c
astfel încât Oi = ∑ q k Ok (5.3.1.7)
k ∈OSUB c
c c c
Pentru C3 , (∀) c∈ 1, c3 , intrările I j , ieşirile O , capacităţile CAPmin şi
c min max
CAPmax , coeficienţii de amestec rj, calităţile QUALl , QUALl ale ieşirilor şi
173
calităţile QUALlj care definesc contribuţia intrării j la calitatea corespunzătoare ieşirii
QUALl , verifică:
- relaţia amestecului liber
id ( c )
c c
O = ∑ Ij (5.3.1.8)
j =1
- relaţia amestecului după reţetă
I cj = r j O c , ( ∀) j ∈ 1, id ( c ) (5.3.1.9)
id ( c )
cu 0 ≤ r j ≤ 1, ( ∀ ) j ∈ 1, id ( c ) şi ∑ rj =1
j =1
- relaţiile calităţii standard
id ( c )
c min c c
O ⋅ QUALl ≤ ∑ QUALlj ⋅ I j , ( ∀) l ∈ 1, l ( O ) (5.3.1.10)
j =1
id ( c )
c max c c
O ⋅ QUAL ≥ ∑ QUALlj ⋅ I , ( ∀) l ∈ 1,l ( O ) (5.3.1.11)
l j
j =1
- relaţia capacităţii
c c c
CAPmin ≤ O ≤ CAPmax (5.3.1.12)
c c
Pentru C4 , (∀) c∈ 1, c4 , intrările I j , ieşirile principale / secundare PRI _ Oi şi
p
c c c c c
SEC _ Oi , capacităţile CAPmin , CAPmax , cantităţile Q , Qi max , consumurile
s i p min p
c
specifice pentru obţinerea principalelor ieşiri SCi şi proporţia obţinerii ieşirilor
pj
c
secundare din prima ieşire principală RAi 1 , verifică:
s
- relaţia balanţei intrări - ieşiri
id ( c )
c c c
∑ Ij = ∑ PRI _ O
ip
+ ∑ SEC _ O
is
(5.3.1.13)
j =1 i p ∈PRI _ OSUB c i s ∈SEC _ OSUB c
unde:
PRI _ OSUB c , SEC _ OSUB c ⊂ {1,2,. . . , od ( c )}
 c c
PRI _ OSUB , SEC _ OSUB ≠ ∅
 c c
PRI _ OSUB I SEC _ OSUB = ∅
 c c
PRI _ OSUB U SEC _ OSUB = {1,2,. . . , od ( c )}
card ( PRI _ OSUB c ) << card ( SEC _ OSUB c )

174
- relaţiile consumurilor specifice
c
c c
i p ∈ PRI _ OSUB
PRI _ O = CS ⋅ I j (∀)  (5.3.1.14)
ip ip j
 j ∈ 1, id ( c )
- relaţiile fracţiilor secundare
c c c c
SEC _ O = RA ⋅ PRI _ O1 , ( ∀)i s ∈ SEC _ OSUB (5.3.1.15)
i s i 1 s
- relaţia capacităţii
id ( c )
c c c
CAPmin ≤ ∑ I j ≤ CAP (5.3.1.16)
j =1 max
- relaţia de restricţionare a ieşirilor principale
c
( ∃)i p ∈ PRI _ OSUB
c c c
astfel încât: Q ≤Q ≤Q (5.3.1.17)
i p min ip i p max
c c
Pentru C5 , (∀) c∈ 1, c5 , intrările Ij, ieşirile Oi şi ponderile intrărilor, respectiv
ieşirilor pk, qk, verifică:
- relaţia balanţei intrări - ieşiri
id ( c ) od ( c )
c c
∑ Ij = ∑ Oi (5.3.1.18)
j =1 i =1
- relaţiile de inter-condiţionare a intrărilor şi ieşirilor
 ISUB c ⊆ ({1,2,.., id ( c)} \ { j})
(∃)  c
pentru j fixat,
 pk ∈ ℜ + ( ∀) k ∈ ISUB
c c
astfel încât Ij = ∑ pk I k (5.3.1.19)
k ∈ISUBc
OSUB c ⊆ ({1,2 ,.., od ( c)} \ {i})

(∃)  c
pentru i fixat,
q k ∈ ℜ + ( ∀) k ∈ OSUB
c c
astfel încât Oi = ∑ q k Ok (5.3.1.20)
k ∈OSUB c
c c c
Pentru C6 , (∀) c∈ 1, c6 , intrările I j , livrările DEL , cantitatea minimă necesară Omin
c
şi cantitatea maximă ce poate fi stocată / transportată S / T _ Omax , verifică:
- relaţia de acumulare a cantităţii livrabile

id ( c )
c c
DEL = ∑ I j (5.3.1.21)
j =1
- relaţia care limitează cantitatea livrabilă
175
c c c
Qmin ≤ DEL ≤ S / T _ Qmax (5.3.1.22)
Observaţii:
c
- Pentru conductele cu depozite intermediare, intrarile în depozitele intermediare I ,
c c c
ieşirile din depozitele intermediare O , capacitatea CAPmax , stocul iniţial I _ S ,
c c c
stocul final F _ S şi cantităţile înainte / după depozitul intermediar A _ Q şi P _ Q ,
verifică:
- relaţia de conservare a debitului
c c c c
A_ Q + O = P _ Q + I (5.3.1.23)
- relaţia de conservare pentru depozitele intermediare
c c c c
I + I_ S = O + F_ S (5.3.1.24)
- relaţiile capacităţii depozitelor intermediare
c c c c c
I + I _ S ≤ CAPmax , O ≤ I _ S (5.3.1.25)
şi deci, legăturile au comportamentul lor propriu;
- CPS-urile aparţinând lui C2 şi C4 pot avea mai multe moduri de funcţionare. Astfel,
relaţiile (5.3.1.3), (5.3.1.13), (5.3.1.14), (5.3.1.15), (5.3.1.16) şi (5.3.1.17) trebuie
supraindiciate printr-un indice r care indică regimul de funcţionare considerat. Ca o
consecinţă, trebuie considerate neapărat şi următoarele relaţii:
r (c)
cr c
∑ I j = I j ( ∀) j ∈ 1, id ( c) (5.3.1.26)
r =1
r (c)
cr c
∑ O j = O j ( ∀) j ∈ 1, id ( c) (5.3.1.27)
r =1
- La un moment dat, CPS-urile aparţinând lui C3 pot funcţiona conform unei singure
mulţimi de relaţii: (5.3.1.8) / (5.3.1.9) / (5.3.1.10) şi (5.3.1.11);
- Decidentul poate defini o mulţime de funcţii obiectiv liniare, notate cu f = (f1(x),

n
f2(x),.., fl(x)), unde x ∈ ℜ + . De exemplu, valoarea producţiei marfă este:
c c
∑ DEL _ PRICE ⋅ DEL (5.3.1.28)
c ∈C7'
C7 = C7' U C7''

unde  ' ''
C7 I C7 = ∅
' ''
C7 fiind ieşirile livrabile şi C7 fiind ieşirile de tip rezidual.
- Parametrii şi variabilele ce descriu comportamentul CPS-urilor iau valori în ℜ+.
176
Astfel, există:
n - variabile de decizie (produsele care trebuie realizate),

m - restricţii ( m = m1 + m 2 , unde m1 sunt restricţii tehnologice şi m2 sunt restricţii
comerciale),
o - obiective ( o = o1 + o2 , unde o1 sunt obiectivele întreprinderii şi o2 sunt obiectivele
partenerului).
În acest domeniu, problemele MOLP au următoarele caracteristici: dimensiuni
foarte mari (mii de linii şi de coloane), relaţiile de egalitate sunt predominante
(rezultând din prima lege a lui Kirkhoff), raritate accentuată, mari diferenţe în ordinul
de mărime al diferiţilor coeficienţi ai modelului, domenii de fezabilitate înguste
(câteodată conducând la absenţa unei soluţii fezabile). Acestea sunt valabile, în
principal, pentru restricţiile tehnologice. Însă problema conţine şi restricţii comerciale
care sunt impuse de către partenerul de afaceri. Este vorba de precizarea limitelor
pentru produsele finite. Recapitulând, principalele obiective ale întreprinderii sunt:
cantităţile de produse finite, valoarea de piaţă a produselor finite, valoarea producţiei
nete, costurile de producţie, stocurile de produse finite, stocurile pe flux, costurile cu
munca vie, profitul, costul depoluării. Obiectivele partenerului sunt: costurile cu
materia primă şi ingredienţii, costurile cu transportul, cantităţile solicitate pentru
produsele finite şi profitul. Este adevărat că pentru aceste funcţii obiectiv se pot găsi
aproximări liniare destul de bune. Totusi, de exemplu, este ştiut faptul că într-un
sistem, scăderea costurilor se produce odată cu creşterea volumului producţiei, şi astfel,
se cer exprimări pătratice. Mai mult, unele obiective se exprimă numai prin funcţii
neliniare complicate sau tabelare, cum ar fi costurile depoluării. Un instrument care să
trateze orice mulţime de funcţii obiectiv ar fi necesar, nu în cazurile de mici dimensiuni
ci pentru probleme de mari dimensiuni. Este bine ştiut că un astfel de instrument nu
există pe piaţă. Astfel, trebuie luată în considerare o metodă folosind instrumentele
existente. O soluţie fezabilă este un rezolvitor de probleme de LP (Hwang şi Masud,
1979) în asociere cu calculul bazat pe modele MADM (Hwang şi Yoon, 1981;
Resteanu şi alţii, 1995).
5.3.2 Obţinerea planului de producţie prin cooperare-coordonare
Cadrul decizional pentru problemele MOLP se referă, în mod tradiţional, la

funcţiile obiectiv, valorile acestora şi, desigur, la soluţia însăşi. În mod uzual, există o
apreciere a gradului de acceptabilitate a nivelurilor lor, dar acest raţionament este
limitat numai la informaţia conţinută în matricea consecinţelor. Va fi explicat mai jos
ce se înţelege prin extinderea cadrului decizional.
Decidenţii sunt structuraţi pe două nivele, cel al departamentelor de producţie,
între care sunt relaţii de colaborare şi nivelul general al conducerii întreprinderii, care
realizează coordonarea departamentelor. Pentru fiecare decident, accesul la contextul
decizional este limitat în conformitate cu competenţa acestuia. Fiecare decident este
responsabil pentru un set de obiective. Sistemul ca un întreg este controlat de
activitatea de cooperare – coordonare realizată de mulţimea structurată a decidenţilor.
177
Relaţiile de colaborare presupun că fiecare departament are, la intrare, anumite resurse
şi, la ieşire, anumite obiective stabilite de comun acord între departamente adiacente.
Relaţiile de coordonare implică intervenţia decidenţilor de la nivelul întreprinderii, în
cazul stabilirii obiectivelor finale, a unor obiective locale sau în cazul conflictului
dintre două departamente adiacente.
În ceea ce priveşte stările naturii, trebuie acentuat că obiectivele vor fi realizate
într-un fel în cazul unei economii care funcţionează normal şi în cu totul alt mod în
cazul inflaţiei sau deflaţiei. Unii indicatori vor fi evaluaţi într-un fel în situaţia în care
resursele sunt în limite normale şi în alt fel în cazul abundenţei sau penuriei acestora;
de asemenea, vor apărea diferenţieri la evaluarea indicatorilor în cazul în care piaţa este
stabilă faţă de cazul când nu este. Este evident că noţiunea de stare a naturii apare în
mod natural în astfel de probleme. Extensia cadrului decizional înseamnă de asemenea
accesul la toate datele implicate în procesul de planificare, chiar dacă nu sunt în model
dar sunt influenţate în mod evident de planul de producţie ce va fi adoptat. Aceste date
pot fi obiective, chiar dacă pot fi exprimate numai de predicate de mare complexitate
(după cum am mai spus: expresii neliniare, tabele, algoritmi laborioşi etc.).
Metoda construieşte o soluţie preferată (adică o soluţie aleasă de decidenţi din
mulţimea soluţiilor nedominate prin extinderea cadrului decizional) înlănţuind
optimizările MOLP de la nivelurile departamentelor. Aşa cum s-a văzut, fiecare
departament Dh al întreprinderii impune un domeniu de restricţii Fh definit de
mulţimea relaţiilor asociate cu CPS-urile sale, şi astfel, pentru fiecare departament, se
poate considera problema:
min f ( x), (∀)h = 1,d (5.3.2.1)
x∈Fh
De observat că, cele d departamente ale întreprinderii sunt ordonate în
conformitate cu fluxul producţiei. Funcţia vectorială f ( x) are o componente conţinând
atât obiectivele întreprinderii cât şi cele ale partenerului. În acest moment, se consideră
o = p + s, unde p – obiective principale, neapărat liniare, şi s – obiective secundare, nu
neapărat liniare. În acest domeniu, are loc inegalitatea p << p + s . În general, p ≤ 10
pentru a realiza un timp de calcul rezonabil cu ajutorul rezolvitoarelor de probleme de
PL. Numărul obiectivelor secundare poate fi mai mare, în număr de sute, în cele mai
multe cazuri. Ele sunt reprezentate de indicatorii tehnici şi economici ai întreprinderii
care, după cum s-a văzut, nu pot fi întotdeauna exprimaţi prin funcţii liniare. Problema
**
va avea soluţia optimă x h . Soluţia globală va fi construită prin concatenarea acestor
** ** **
soluţii parţiale. Vom avea ( x1 , x 2 , ..., x d ). Este evident că, în lanţul respectiv, natura
elementelor constitutive ale modelului se modifică. Din variabile ele devin constante şi
din obiective pot deveni restricţii. Astfel, se obţine un lanţ coerent de probleme care
trebuie rezolvate de către calculatorul întreprinderii cu implicarea angajaţilor
departamentelor de producţie. Altă categorie de decidenţi, şi anume managerii
întreprinderii, precum şi consilierii acestora, care sunt de obicei experţi având o bogată
experienţă în domeniul producţiei, coordonează procesul de simulare a planurilor de
producţie şi intervin prin decizii bazate pe cunoaşterea globală a stărilor, resurselor şi
obiectivelor întreprinderii. Scopul este acela de a optimiza comportamentul de
178
ansamblu al întreprinderii prin cooperare – coordonare. În timp, odată cu dobândirea de
experienţă în lucrul la nivelul departamentelor, funcţia de coordonare va deveni din ce
în ce mai puţin necesară. Practic, doar în situaţii mai delicate va interveni nivelul
superior iar acesta este un mare câştig de timp în favoarea managementului global al
întreprinderii.
Referitor la optimizările la nivelul departamentelor, soluţia construită se bazează
pe ideea alegerii optime a ponderilor care definesc funcţia obiectiv globală, pornind de
la funcţiile obiectiv elementare, luate în calculul iniţial. Aceasta se va realiza cu
ajutorul metodelor de decizie multi-atribut. Se va dovedi astfel utilitatea acestor metode
şi în conlucrarea cu alte metode matematice, pentru atingerea scopurilor acestora.
5.3.3 Rezolvarea problemei de programare liniară multi-criterială
Pentru a prezenta algoritmul, să considerăm la nivel de departament, următoarea

problemă MOLP, dată în forma canonică:
min f ( x)
 (5.3.3.1)
 g h ( x) ≥ b , x ≥ 0
Pasul 0
Primul nivel în ordonarea departamentelor este considerat drept departament curent.
Pasul 1
Pentru fiecare departament Dh pe nivelul “departament” se execută în paralel
următoarele acţiuni:
Se negociază cu departamentele precedente “resursele” şi cu următoarele departamente
“necesităţile”, astfel încât efectiv să aibă loc inegalitatea g ( x ) ≥ b . Dacă relaţia
h
implică un domeniu vid, negocierea va fi reîncepută sau vor interveni decidenţii de la
nivelul “întreprindere”. Altfel, pentru i = 1 la p , se rezolvă problemele cu un singur
obiectiv
min fi ( x)
 (5.3.3.2)
 g h ( x) ≥ b, x ≥ 0
* * *
obţinându-se x h (i ) şi f hi = fi ( x h (i )),(∀) i = 1, p .
* * * * * * *
Fie f = ( f h1 , f h 2 , ..., f hp ) soluţia ideală. Dacă (∃) x h astfel încât f ( x h ) = f atunci
h h
** * *
x h := x h este soluţia optimă parţială şi se trece la Pasul 5. Totuşi, în general x h ∉ Fh .
În acest caz, aşa cum s-a afirmat mai sus, decidenţii trebuie să obţină o soluţie preferată
pornind de la mulţimea acestor soluţii nedominate prin extinderea contextului
decizional. Extinderea contextului decizional înseamnă considerarea diferitelor păreri
ale tuturor decidenţilor care văd, drept consecinţe a adoptării soluţiilor acestora, diferite
valori pentru funcţiile obiectiv neliniare şi aceasta diferit în fiecare din stările naturii
luate în calcul.
179
Pasul 2
Se calculează matricea consecinţelor extinsă cu ajutorul unor predicate construite
anterior în conformitate cu natura calculatorie a acestor consecinţe, anume toţi
c h ,(∀) k = 1, d ; l = 1, s; i = 1, p; j = p + 1, o . Evident, c h unde i = 1, p şi j = 1, p
klij klij
sunt consecinţele obţinute din procesul de optimizare şi ckh l ij = c kh l ij (∀) k1 , k2 ∈
11 22
h
∈ 1, d ; l1 , l 2 ∈ 1, s; i = 1, p; j = 1, p , c = fhi , (∀) i = 1, p . Obiectivelor secundare li
*
klii
se acordă, după cum se poate vedea în cele ce urmează, aceeaşi importanţă ca şi
primelor p.
Pasul 3
Se aplică una sau mai multe metode MADM acestor matrice a consecinţelor extinse
calculate pentru fiecare element al produsului cartezian dintre mulţimea decidenţilor şi
mulţimea stărilor naturii. Fiecare dintre metode va furniza un vector de ponderi; astfel
h
se consideră matricea ponderilor ( w ( j , i )) j =1, m ,i =1, p . După ce se compară toate liniile
matricei între ele, se alege numai o linie. La alegere se ia în considerare faptul că, cu
cât o pondere este mai mare, cu atât valoarea acelei funcţii obiectiv va fi mai aproape
de valoarea sa ideală.
Pentru a exemplifica modul cum o metodă MADM construieşte un vector de
ponderi în matricea ponderilor, se va prezenta în continuare la lucru o astfel de metodă,
mai precis metoda Onicescu.
Pentru (∀) k şi (∀) l , fixaţi, şi pentru (∀) j = 1, p + s vectorii coloană (c )
klij i = 1, p
sunt ierarhizaţi crescător, obţinându-se p + s (= o) ierarhizări ale soluţiilor optime

*
( x h (i )) .
i = 1, p
1, dacă x* (i ) se clasează al m − lea în ierarhizarea j
Fie δ ( x*h (i )) =  h ,
mj
0, altfel
p+s 1 m→∞
*
n = ∑ δ ( x h (i )) şi → 0 .
im j =1 mj 2m
p n
* *
Considerând π ( x h (i )) = ∑ iml (∀) i = 1, p , vectorul (π ( x h (i ))) este
m =1 2 i = 1, p
utilizat la formarea vectorului ponderilor ( w

h ) cu ajutorul şirului de proporţii
kli i = 1, p
π π p
, (∀) i, j = 1, p şi al relaţiei ∑ wh = 1 .
i j
egale =
w w i =1 kli
kli klj
180
Pentru reducerea celor s stări, pentru (∀) k fixat, matricei ( w

h ) i se
kil i =1, p,l =1,s
aplică algoritmul prezentat anterior obţinându-se vectorul (wh )i=1, p . În sfârşit,
ki
pentru reducerea celor d decidenţi se consideră matricea ( wh ) căreia i se
ik i =1, p,k =1,d ,
aplică acelaşi algoritm, obţinându-se vectorul final de ponderi ( wih )i =1, p . Astfel
rezultă nişte ponderi care înglobează în ele toată expertiza asupra noţiunii de optim la
nivelul departamentului h.
Pasul 4
Se rezolvă problema:
 p
min i∑ wih f ( x)
=1 i
 (5.3.3.3)
 g ( x) ≥ b, x ≥ 0
 h
**
Se obţin x**
h
şi f
h
care reprezintă soluţia preferată local.
Pasul 5
x*h* va fi concatenat la vectorul soluţiei globale, astfel încât se obţine
** ** ** **
( x , x ,..., x , x h ) . Un nou nivel în descompunerea de nivel a sistemului
1 2 h −1
va fi abordat. Dacă nivelul curent a fost ultimul, se trece la Pasul 6, altfel se trece la
Pasul 1.
Pasul 6
Stop.
5.3.4 Produsul program Tele-PROCESSING şi caracteristicile sale
Este important faptul că Tele-PROCESSING (Resteanu şi Mitan, 2003;

Resteanu, 2003a; Resteanu, 2003b; Resteanu şi Mitan, 2004) lucrează ca o anvelopă
peste produsul PIMS a cărui bază de date este astfel disponibilă. Ea conţine: ţiţeiurile
cu caracteristicile lor, materiile prime, ingredienţii, produsele finale, capacităţile, datele
tehnologice (privind randamentele de transformare, consumurile specifice, reţetele
pentru amestecuri, relaţiile de inter-condiţionare intrări / ieşiri, capacităţile de stocare,
regimurile de funcţionare), reparaţiile, orarul sistemului etc. Se poate lua în discuţie
numai o cerere de procesare pentru un ţiţei pe care sistemul de producţie îl poate
prelucra şi numai pentru acele capacităţi de producţie care sunt disponibile într-un
anumit nivel de timp (decadă, lună, trimestru şi an). Chiar şi pentru acelaşi nivel de
timp, în diferite orizonturi de timp, harta capacităţilor de producţie disponibile poate fi
foarte diferită pentru că planurile de producţie normale pot fi diferite. Adăugând, la
181
aceste date de bază, informaţia structurată despre partenerii întreprinderii (utilizatori,
companii şi băncile acestora), planurile de procesare simulate asociate şi un set de
atribute de caracterizare a acestora, se pot obţine informaţii despre cadrul în care
funcţionează produsul Tele-PROCESSING. Întreprinderea implementatoare poate şi
trebuie să fie caracterizată de “atributele ţiţeiurilor” ce pot fi prelucrate de acea
întreprindere. Aceste atribute, sau caracteristici, sunt importante din punct de vedere al
sistemului tehnologic, pentru că se ştie că nu orice fel de ţiţei se poate procesa în orice
fel de rafinărie. În consecinţă, personalul din compartimentul de producţie trebuie să
specifice următoarele informaţii: numele atributului, unitatea de măsură, limita
inferioară şi limita superioară. În acest fel, se crează un şablon pentru ţiţeiurile care pot
fi tratate de către sistemul de producţie în cauză. Pe scurt, caracteristicile unui ţiţei
anume îl recomandă pe acesta, în primul rând, la calitatea de a putea fi procesat într-o
anume întreprindere petrochimică, iar în al doilea rând, la apartenenţa sa la o clasă de
ţiţeiuri aflată în baza de date PIMS.
Propuneri de procesare
După accesarea site-ului, un partener de afaceri poate prezenta o cerere de procesare
precizând: numele cererii de procesare, denumirea ţiţeiului, unitatea de măsură, preţul
şi cantitatea lui. De aceeaşi importanţă este descrierea acestui ţiţei. Aceasta se
realizează prin completarea tabelului definit de: nume atribut, unitate de măsură, nivel.
De mai mică importanţă este prezentarea informaţiei despre costul transportului.
Totuşi, aceasta este necesară pentru ca sistemul să calculeze automat profitul reieşit din
afacere. Prin simpla apăsare a butonului Submit se declanşează preluarea cererii de
procesare de către supervizorul produsului.
Pentru a decide dacă ţiţeiul va fi sau nu prelucrat, supervizorul verifică
proprietăţile acestuia. Dacă sunt inacceptabile din punct de vedere tehnologic,
partenerul este invitat să furnizeze ţiţei cu alte caracteristici care să corespundă
sistemului de producţie al întreprinderii. Dacă ţiţeiul este acceptabil, caracteristicile
sunt îngheţate, adică nu mai pot fi modificate iar cererea de procesare este înaintată
pentru optimizare ca problemă MOLP mecanismului de ordonanţare. Acesta inserează
cererea în coada de aşteptare. Inserarea este făcută în concordanţă cu coeficientul de
prioritate calculat având în vedere valoarea afacerii şi numărul anterior de optimizări.
Chiar şi un calculator foarte puternic, nu poate rezolva simultan mai mult de cinci
astfel de optimizări. Astfel, lansarea în execuţie este făcută gradat în timp. Partenerul se
poate informa despre răspunsul întreprinderii prin consultarea stării optimizării. După
ce s-a încheiat optimizarea, se oferă trei categorii de informaţii: a) Intrări (numele
ingredientului necesar prelucrării, unitatea de măsură, cantitatea, preţul şi valoarea); b)
Ieşiri (numele produsului finit, unitatea de măsură, limita inferioară, cantitatea optimă,
limita superioară, preţul şi valoarea); c) Indicatorii economici (valoarea ţiţeiului, costul
transportului, costul ingredienţilor, costul procesării, valoarea produselor finite şi
profitul). În acest moment, partenerul de afaceri poate stabili anumite condiţii pentru
nivelurile produselor finite, luând în considerare cerinţele şi cursul pieţei, şi poate
solicita o nouă optimizare. Numărul optimizărilor, asemeni timpului alocat
negocierilor, este limitat. După cum s-a arătat mai înainte, partenerul de afaceri
analizează rezultatele fiecărei optimizări, adică nivelurile produselor finite obţinute în
timpul optimizării şi valoarea profitului. Partenerul de afaceri poate considera necesar
182
ca iteraţiile de optimizare a producţiei să fie făcute de calculatorul întreprinderii până
când se obţine cel mai bun rezultat. Uneori, dacă nu-i convin rezutatele, se poate
retrage din afacere. Aceeaşi grijă pentru optimizări se aşteaptă de la Departamentul
Producţie al întreprinderii care are la dispoziţie funcţii informatice asemănătoare ca
descriere dar care permit numai consultarea.
Cele mai bune propuneri de procesare

Ţinând cont de faptul că mai mulţi parteneri de afaceri de procesare pot face simultan
propuneri tentante pentru acelaşi nivel şi orizont temporal, trebuie ca propunerile să fie
grupate, pentru fiecare nivel şi orizont temporal, în trei clase, funcţie de dimensiunea
afacerii, şi anume: afaceri mari, mijlocii şi mici. Fiecare clasă beneficiază de o
procedură de alegere optimă folosind, de exemplu, tot metoda de decizie multi-atribut
Onicescu. Este evident, după cele arătate în paragrafele anterioare, că fiecare soluţie de
plan generată de un partener de afaceri şi existentă într-o anumită clasă de echivalenţă
are în final, după parcurgerea optimizărilor la nivelul departamentelor, o structură bine
definită ca niveluri de produse finite, indicatori ai partenerului de afaceri şi valori ale
zecilor sau sutelor de funcţii obiectiv urmărite de întreprindere şi raportate la mai mulţi
decidenţi şi la mai multe stări ale naturii. Astfel, conducătorii întreprinderii pot aprecia,
pe baze solide, care este cea mai bună propunere de procesare.
5.3.5 Concluzii asupra modernizării afacerii de procesare
Optimizarea prin intermediul Internet-ului este o nouă tendinţă în tratarea

problemelor industriale complexe. Astfel, Tele-PROCESSING are capacitatea de a
susţine afacerile de processing prin utilizarea tehnicilor avansate de simulare şi
optimizare. Punctul forte al produsului Tele-PROCESSING este faptul că oferă, pentru
afacerea de tip processing, caracterul de optim atât din punctul de vedere al
întreprinderii cât şi din cel al partenerilor săi de afaceri.
Datorită existenţei unei importante industrii petrochimice (în România,
capacitatea de prelucrare a industriei petrochmice se ridică la peste 30 Mt), au fost
depuse în mod constant eforturi pentru proiectarea de sisteme informatice care să
contribuie la reingineria domeniului. Produsul Tele-PROCESSING contribuie la
modernizarea afacerilor de procesare şi la înviorarea afacerilor. Dezvoltarea economică
rapidă prin intermediul cercetării şi inovării implică considerarea tehnologei IT ca o
cale de consolidare a producţiei industriale. Capacitatea de a construi produse software
de calitate pentru simularea rapidă a planurilor de producţie contribuie, în acelaşi timp,
la creşterea volumului de afaceri al întreprinderii.
Tele-PROCESSING este proiectat şi realizat utilizând tehnologia OPTCHOICE
în contextul folosirii lui în tandem cu produsul program PIMS care simulează planuri
de producţie optime. Încă de la această precizare se poate observa că modelele de tip
MADM trebuie să lucreze în prezenţa modelelor de tip LP. Pentru că datele celor două
modele se “intrepătrund”, este clar că, dacă dorim corectitudine şi performanţă
informatică, nu putem folosi direct baza de date MADM şi nici programele MSVC care
lucrează pe ea. Este foarte clar că trebuie să se folosească Nivelul II al tehnologiei
OPTCHOICE pentru a realiza o lucrare de asemenea complexitate.
183
Dezvoltările viitoare ale produsului au în vedere extinderea posibilităţii de
utilizare a acestuia în alte domenii industriale cu procese continue. Aceasta înseamnă
că modulele care lucrează pe Internet şi mecanismul de simulare vor fi aceleaşi, numai
modulele care lucrează pe Intranet vor suferi modificări. Astfel, o bună parte din
programele scrise vor fi folosite în continuare, ceea ce va conduce la scurtarea timpului
de realizare şi livrare precum şi a preţului produsului informatic. Mai mult, echipa de
proiectare se preocupă pentru extinderea facilităţilor de tratare a optimizărilor
concurente prin folosirea soluţiilor GRID.
Berge C. (1962). The Theory of Graphs and Its Applications. John Wiley & Sons, Inc.,
New York.
Bonner & Moore. (1989). GAMMA 2000 User’s Manual Version 1.0, Bonner &
Moore Management Science. Huston, Texas.
Ciriani, T.A. and S. Gliozzi (1994). Algebraic Formulation of Mathematical
Programming Models. Optimization in Industry, 2. Ciriani T. A., R. C.
Leachman (Eds.), Wiley, London.
Fourer, R., D.M. Gay and B.W. Kernighan (1990). A modeling language for
mathematical programming. Management Science, 36, 5, pp. 519-554.
Harary, F. (1972). Graph Theory. Addison - Wesley Publishing Company, Inc.,
Reading, Massachusetts - Menlo Park, California - London - Don Mills, Ontario.
Hwang, C-L. and A.S.Md. Masud (1979). Multiple Objective Decision Making -
Methods and Applications. Springer Verlag, Berlin.
Hwang, C-L. and K. Yoon (1981). Multiple attribute decision making. Springer Verlag,
Berlin-Heidelberg, New York.
Resteanu, C. and F.G. Filip (1995). Simulation as Complement to and Substitute for
Optimization in DSS for Petrochemical Plants. Proceedings of the 9th European
Simulation Multiconference. Verbraeck, A. and E. J. H. Kerckhoffs (Eds.), Delft
University of Technology, The Netherlands, pp. 462-467.
Resteanu, C., F.G. Filip, C. Ionescu and M. Somodi (1995). Knowledge-based
Simulation in Multi-attribute Decision Making. Proceedings of EUROSIM ‘95
Simulation Congress (Vienna, Sept.11-15). F.Breitenecker and I.Husinsky
(Eds.), North-Holland, Elsevier Science, Amsterdam, pp. 1271-1276.
Resteanu, C., F.G. Filip, S. Stănescu and C. Ionescu (2000). A cooperative production
planning method in the field of continuous process plants. Elsevier Science,
International Journal of Production Economics 64, pp. 65-78.
Resteanu, C. and P.M. Nistor (2001). PRODCONT-BUSINESS a business-to-business
software for petrochemical plants. In Proceedings of The 5th International
Symposium on Economic Informatics. INFOREC Printing House. (Bucharest,
May 10-13), pp. 353-362.
184
Resteanu, C., E. Mitan and S. Masei (2001a). Production planning method for
supporting processing business in petrochemistry. In: Preprints of LSS 2001 –
The 9th IFAC / IFORS / IMACS / IFIP / Symposium. Large Scale Theory and
Applications. (Bucharest, July 18-20), pp. 237-242.
Resteanu, C., M. Dobre and S. Masei (2001b). TELE-PRODCONT, a software for e-
commerce and e-business in petrochemistry. In Proceedings of the “2nd
European Conference on e-commerce / e-activities / e-working / e-business, e-
learning, e-health / on-line servicies, virtual institutes and their influences on the
economic and social environment” – E-COMM-LINE 2001 (Bucharest,
September 24-25), pp. 48-51.
Resteanu, C., M. Dobre and S. Masei (2001c). TELE-PRODCONT, a software for e-
commerce and e-business in petrochemistry. In Romanian Automation Review,
vol V, number 4, ISSN 1454-9077, Decembre 2001, pp. 17-20.
Resteanu, C. and E. Mitan (2003). Remote simulation of crude oil processing in
petrochemical plants. In Proceedings of the the sixth International Conference
on Economic Informatics, INFOREC Printing House, (Bucharest, May 8-11), pp.
827-831.
Resteanu, C. (2003a). Tele-PROCESSING, a software for petrochemical plants’
electronic processing business. În Romanian Automation Review, June 2003,
Vol. XI, number 2, ISSN 1454-9077, pp. 23-33.
Resteanu, C. (2003b). Tele-PROCESSING, a software for petrochemical plants’
electronic processing business. In Proceedings of the “4th European Conference
on e-commerce / e-activities / e-working / e-business, e-learning, e-health / on-
line servicies, virtual institutes and their influences on the economic and social
environment” – E-COMM-LINE 2003 (Bucharest, September 25-26), pp. 51-60.
Resteanu, C. and E. Mitan (2004). The Best Choice from Remote-made Processing
Proposals in Petrochemistry. În Scientific Buletin of Politehnica University,
Timişoara, Serie Automation and Computers, vol. 49 (63) 2004 number 2, ISSN
1224+600X, pp. 167-172.
Rumbaugh, J., M. Blaha, W. Premerlani, F. Eaddy and W. Lorensen (1991). Object -
Oriented Modelling and Design. Prentice - Hall International, Inc., Englewood
Cliffs, N. J.
Simons, R.V. (1987) Mathematical programming modeling using MGG (Matrix
Generated Generator). IMA Journal of Mathematical Management, 1, 267-276.
185
(Aluja, 1992), (Anderberg, 1973), (Andraşiu, 1982), (Andriole, 1989),

(Arrow, 1951), (Arrow, 1959), (Arrow, 1963), (Baldwin, 1994), (Bana e
Costa, 1990), (Bass, 1977), (Bellman, 1970), (Boldur-Lăţescu, 1973),
(Brans et al., 1984), (Brans şi Vinke, 1985), (Buckley şi Hayashi, 1994),
(Bui, 1988), (Carlsson şi Fuller, 1996), (Chang şi alţii, 1992), (Chen şi
Hwang, 1992), (Chen şi Klein, 1997), (Cherhoff, 1959), (Chiclana şi alţii,
1998), (Cho şi alţii, 1998), (Czogala, 1990), (Delgado şi alţii, 1998), (Dong,
1985), (Gomes şi Oliveira, 1993), (Granovski şi Rogova, 1987), (Harker şi
Vargas, 1987), (Hwang şi Yoon, 1981), (Hwang şi Lin, 1987), (Kacprzyk şi
Fedrizzi, 1990), (Keeney, 1969), (Keeney şi Raiffa, 1993), (Koksalan şi
Zionts, 2001), (Korhonen, 1986), (Laarhoven şi Pedrycz, 1983), (Lai şi
Hwang, 1996), (Luce, 1958), (Maystre şi alţii, 1994), (Meldrum şi alţii,
1991), (von Neumann şi Morgenstern, 1947), (Paolucci şi Pesenti, 1991),
(Park et al., 1996), (Perny şi Roy, 1992), (Ralph şi Hugh, 1995), (Ribeiro,
1996), (Roubens şi Vincke, 1985), (Roy, 1968), (Roy, 1996), (Saaty, 1980),
(Sage, 1991), (Sen şi Yang, 1994), (Sen şi alţii, 1994), (Triantaphyllou,
2002), (Valls şi Torra, 2000), (Yager, 1993), (Yang, 1993), (Yang şi Sen,
1994), (Yoon şi Hwang, 1995), (Wang şi alţii, 1996), (Zeleny, 1982),
(Zeleny, 1992), (Zimmermann şi alţii, 1992), (Zions, 1981), (Zopounidis,
2002)
ii
(Back şi alţii, 1991), (Backer, 1985), (Bridges şi Goldberg, 1987), (Davidor,

1990), (Davis, 1991), (Fang, 1994), (Fonseca şi Fleming, 1995), (Goldberg,
1987), (Goldberg şi Deb, 1991), (Greffenstette, 1986, 1991), (Haasdick,
1994), (Reeks, 1994), (Ritthoff şi alţii, 2002), (Sen şi alţii, 1992), (Todd,
1995), (Todd şi Sen, 1997 a, b), (Zitzler, 1999)
iii
(Agarwal, 2003), (Gallant, 1988), (Kim şi alţii, 1994), (Kim şi alţii, 1997),
(Kim şi alţii, 1998), (Scott, 1998), (Wang, J. şi M. Bender, 1991), (Yang şi
Sen, 1994 a, b), (Yang şi Sen, 1995)
iv
(Agusti-Cullel, 2003), (Aluja, 1995), (Barnett, 1981), (Becerra-Fernandez,

2000), (Benjamins, 1998), (Choi şi alţii, 1998), (Decker, 1998), (Decker şi
alţii, 1999), (Erdmann şi alţii, 2000), (Everitt, 1977), (Fodor şi Roubens,
1992, 1994), (Garvey şi alţii, 1981), (Gogus şi Boucher, 1997), (Greenwell,
186
1989), (Ignizio, 1991), (Jain şi Dubers, 1988), (Kifer şi alţii, 1995), (Kim şi
alţii1988), (Kim şi Chung 1991), (Kim şi Kim, 1991), (Kim şi alţii1992),
(Klein şi Methlie, 1995), (Lloyd şi Topor, 1984), (Lu şi alţii, 1999), (Ma,
1996), (Negoiţă şi Rălescu, 1987), (Ngweenyama şi Bryson, 1992),
(Papamichail, 1998), (Pawlak, 1997), (Pinson şi Moraitis, 1996), (Pi-Shen şi
alţii1990), (Poh, 1998), (Riano, 1998), (Schnurr şi Staab, 2000), (Shaw şi
Fox, 1993), (Staab şi alţii, 2000), (Staab şi Maedche, 2000), (Staab şi
O’Leary, 2000), (Vincke, 1992), (Werners şi Zimmermann, 1989), (Wiss,
1999), (Wooldridge, 2002), (Yang şi Sen, 1993), (Yang şi Sen, 1994 a, b),
(Zadeh, 1983), (Zimmermann, 1987), (Zimmermann, 1990)
BIBLIOGRAFIE EXTINSĂ
Agarwal, A., H. Pirkul and V.S. Jacob, Augmented neural networks for task
schedulling, In: European Journal of Operational Research, Vol. 151, Issue 3, Dec.,
2003.
Agusti-Cullel, J., F. Esteve, P. Garcia, L. Godo and C. Sierra, Combining Multiple-
valued Logics in Modular Expert Systems, Proc. 7 th Conference on Uncertainty in AI,
Los Angeles, 17-25, 1991.
Aluja, J.G., The Economic Environment in the Decision to Invest a Context of
Uncertain, In: Advances in Fuzzy Sets and Applications Journal, Iasi, Romania, pp.
110-116, 1992.
Aluja J. G., A.P. Tacu, H.N. Teodorescu, Fuzzy System and Expert System in Decision
Making, In: Publising House Expert, Bucharest, Romania, 1995.
Andreica, M., Stoica, M., Luban F., Metode cantitative în management, Editura
Economică, Bucureşti, 1998
Boldur – Lăţescu G., Logica decizională şi conducerea sistemelor. Editura Academiei
Române, Bucureşti, 1992
Anderberg, M.R., Cluster Analysis for Applications, Academic Press, New York, 1973.
Andraşiu, M., A. Baciu, A. Pascu, E. Puşcaş şi Al. Taşnadi, Metode de decizii
multicriteriale. Bucureşti, Editura Tehnică, 1986.
Andraşiu, M., C. Calude şi Gh. Păun, Posibilităţi de agregare a deciziilor
multicriteriale. Studii şi cercetări matematice, vol. 34, nr. 2, 1982.
Andriole, S.J., Advanced Information Technology for Next Generation Decision
Support, In: Information and decision technologies, Vol. 15, 243-257, 1989.
Arrow, K. I., Social Choice and Individual Values, John Wiley and Sons eds., New
York, USA, 1951.
Arrow, K. J., Mathematical Methods in the Social Scientes. Proceedings of the First
Standford Symposium, Standford University Press, 1959.
Arrow, K.J., Social choice and individual values, Wiley, 1963.
Aurian, J., Gh. Boldur şi S. Lazăr, Cercetare operaţională în construcţii. Bucuresti,
Editura Stiinţifică, 1967.
187
Back, T., F. Hommfeister and H.P. Schwefel, A Survey of Evolution Strategies, In:
Proc. 4th International Conf. of Genetic Algorithms, Morgan-Kaufmann, 1991.
Backer, J., Adaptive selection methods for genetic algorithms, In: Proc. International
Conf on Genetic Algorithms and Their Applications, J. Greffenstette, ed. Lawrence
Erlbaum, 1985.
Baciu, A., S. Crăete şi A. Pascu, Clasificarea dezvoltării economico-sociale a judeţelor
ţării cu ajutorul unei metode multicriteriale. Modelare cibernetică a proceselor de
producţie, vol. 1, Bucureşti, A.S.E., 1984.
Baciu, A. şi A. Pascu, Decizii pentru criterii multiple în construcţii. Simpozionul
“Modelarea cibernetică a proceselor de producţie”, Bucureşti, A.S.E., 1980.
Baciu, A şi A. Pascu, Decizii multicriteriale, decizii fuzzy (cu aplicaţii în economie). Al
VII-lea simpozion de informatică şi conducere, Cluj, 1981.
Baciu, A., A. Pascu, A. şi E. Puşcaş, Alegerea deciziilor multicriteriale multiatribut.
Cibernetica Aplicată, Bucureşti. Editura Academiei R.S.R., 1984.
Baldwin, F., Fuzzy and evidential reasoning in AI, Ed.Research Studies Press, 1994.
Bana e Costa, C.A. and P. Vincke, Multiple Criteria Decision Aid: An Overview, in:
C.A. Bana e Costa ed., In: Readings in Multiple Criteria Decision Aid, Springer
Verlag, Berlin-Heidelberg, 1990.
Barnett, J.A., Computational methods for mathematical theory of evidence, In:
Proceedings of the 7th International Joint Conference on Artificial Intelligence, 868-
875, 1981.
Bass, S. M. and H. Kwakermaak, Rating and Ranking of Multiple-Aspect Alternatives
Using Fuzzy Sets. Automatica, vol. 13, 47-58,1977.
Bellman, R.E. and L.A. Zadeh, Decision-Making in a Fuzzy Enviroment, Management
Science, vol. 17, nr. 4, 1970.
Becerra-Fernandez, I., The role of artificial intelligence technologies in the
implementation of people-finder knowledge management systems, Staab & O’Leary,
2000.
Benayoun, R., J. de Montogolfier, J. Tergny and O. Larichev, Linear Programming
with Multiple Objective Functions: Step Method (STEM), In: Mathematical
Programming, 1, 3, 366-375, 1971.
Benjamins, V.R., D. Fensel and A. Gomez, Knowledge management through
ontologies, In: PAKM 98 Practical Aspects of Knowledge Management — Proceedings
of the 2nd International Conference, 1998.
Bitran, G.R., Linear Multiple Objective Problems with Interval Coeficients, In:
Management Science, 26 694-706, 1980.
Bizon, N.; Gh. Serban, The Fuzzy Method of Linear Attribution, In: Proceedings oh
the 9th International Conference on Control Systems on Computer Science, Bucharest,
Roamnia, Vol. 2, 240-246, 1993.
Bizon, N., Systems performances evaluation usign multi-criterions methods, BS thesis,
Bucharest, Romania, 1996.
Boldur, Gh., şi I. Băncilă, Metode şi mijloace moderne de luare a deciziilor în
intreprinderi. I.D.T. Bucureşti, 1970.
Boldur-Lăţescu, Gh., Procese informaţionale şi de decizie. Bucureşti, Editura
Ştiinţifică, 1969.
188
Boldur-Lăţescu, Gh., Asupra deciziilor multicriteriale, Studii şi Cercetări de Calcul

Economic şi Cibernetică Economică, nr. 4, 1970.
Boldur-Lăţescu, Gh., Fundamentarea complexă a procesului decizional economic.
Bucureşti, Editura Ştiinţifică, 1973.
Boldur-Lăţescu, Gh., Logica decizională şi conducerea sistemelor, Editura Academiei
Române, Bucureşti, 1992.
Brans, J.P., P.H. Vinke and B. Mareschal, PROMETHEE: A New Family of
Outranking Methods in Multicriteria Analysis, In: J.P. Brans, ed., Operations Research
’84, Elsevier Science Publishers, 477-490, 1984.
Brans, J.P. and P.H. Vinke, A Preference Ranking Organization Method (The
PROMETHEE Method for Multiple Criteria Decision Making), Management Science,
Vol. 31, 647-656, 1985.
Bridges, C. and D. Goldberg, An analysis of reproduction and crossover in a binary-
coded genetic algorithm, Proc. 2nd International Conf on Genetic Algorithms and Their
Applications, J. Greffenstette, ed. Lawrence Erlbaum, 1987.
Buckley, J.J., Stochastic versus Possibilistic Programming, In: Fuzzy Sets and Systems,
34, 173-177, 1990.
Buckley, J.J., Multiobjective possibilistic linear programming, In: Fuzzy Sets and
Systems, 35, 23-28, 1990.
Buckley J.J. and Y. Hayashi, Fuzzy genetic algorithm and applications, In: Fuzzy Sets
and Systems, 61, 129-136, 1994.
Bui, X. T. and T.R. Sivasankaran, An Intelligent Front End for MCDM Based Decision
Support Systems, Proceedings of the 8th International Conference on Multiple Criteria
Decision Methods, Manchester, England, 1988.
Carlsson, C., Approximate Reasoning for solving fuzzy MCDM problems, In:
Cybernetics and Systems: An International Journal, 18, 35-48, 1987.
Carlsson, C., and R. Fuller, Fuzzy multiple criteria decision making: Recent
Developments, Fuzzy Sets and Systems, vol.78, 139-153, 1996.
Chakraborty, D., J.R. Rao and R.N. Tiwari, Multiobjective Imprecise-Chance
Constrained Programming Problem, In: The Journal of Fuzzy Mathematics, 1, 377-387,
1993.
Chang, H.G., S.H. Choi, Y.S. Choi and S.H. Kim, An MCDM-Based Integrated
Economic Analysis Model for the New Telecommunication Services, IE Interfaces,
vol.5, no.2, 3-17, Oct., 1992.
Chen, S.J. and C.L. Hwang, Fuzzy Multiple AttributeDecision Making: Methods and
Applications, Springer Verlag, Berlin, 1992.
Chen, Ch., and C.M. Klein, An efficient approach to solving fuzzy MADM problems,
Fuzzy Sets and Systems, vol. 88, 51-67, 1997.
Cherhoff, H.and L. Moses, Elementary Decision Theory, New York, Wiley, 1959.
Chiclana, F., F. Herrera, and E. Herrera-Viedma, Integrating three representation
models in fuzzy multipurpose decision making based on fuzzy preference relations,
Fuzzy Sets and Systems, vol.97(1), 33-48, 1998.
Cho, K.I. and S.H. Kim, An Improved Interactive Hybrid Method for the Linear Multi-
Objective Knapsack Problem, Computers and Operations Research, Vol. 24, No. 11,
991 - 1003, 1997.
189
Cho, Y.H., J.K. Kim and S.H. Kim, Business Process Simulation Modeling and
Analysis Based on Role-Based Modeling Concept, The Journal of MIS Research,
vol.8, no.2, 1998.
Choi, S.H., J.K. Kim, C.H. Han and S.H. Kim (1998), Knowledge-based decision
system for goal directed military resource planing, International Conference on
Computers and Industrial Engineering, Serial.23, Chicago, 1998.
Chu, A.T., R.E. Kalaba and K.A. Spingarn, Comparision of Two Methods for
Determining the Weights of Belonging to Fuzzy Sets, Journal of Optimization Theory
and Application, vol. 27, No. 4, 1979.
Ciucu, G., Elemente de teoria probabilităţilor şi statistică matematică, Ed. Didactică şi
Pedagogică, 1968.
Ciucu, G., Craiu, V., Introducere în teoria probabilităţilor şi statistică matematică, Ed.
Didactică şi Pedagogică, 1971.
Ciucu G., Tudor, C., Teoria probabilităţilor şi aplicaţii, Ed. Ştiinţifică, Bucureşti,
1983.
Cuculescu, I., Teoria probabilităţilor, Tipografia Universităţii Bucureşti, 1976.
Cuculescu, I., Teoria probabilităţilor, Ed. All, Bucureşti, 1998.
Czogala, E., Multi-criteria decision making by means of fuzzy and probabilistic sets.
Fuzzy Sets and Systems, vol. 36, no. 2, june 25, 1990.
Davidor, Y., Genetic Algorithms and Robotics: A Heuristic strategy for Optimization,
World scientific, singapore/New Jersey/London, 1990.
Davis, L.D., Handbook of Genetic Algorithms, van Nostrand Reinhold, 1991.
Decker, S., On domain-specific declarative knowledge representation and database
languages, In: Borgida, A., Chaudri, V., & Staudt, M. (Eds.), KRDB-98 — Proceedings
of the 5th Workshop Knowledge Representation meets DataBases, Seattle, WA, 1998.
Decker, S., M. Erdmann, D. Fensel and R. Studer, Ontobroker: Ontology Based Access
to Distributed and Semi-Structured Information, In: Meersman, R. et al. (Eds.),
Database Semantics: Semantic Issues in Multimedia Systems, 351-369. Kluwer
Academic Publisher, 1999.
Delgado, M., F. Herrera, E. Herrera-Viedma, and L. Martinez, Combining Numerical
and Linguistic Information in Group Decision Making, Information Sciences, vol.107,
177-194, 1998.
Deng H., A DSS Approach for Ranking Multicriteria Alternatives. În Proceedings of
the 2001 IEEE International Conference on Intelligent Processing Systems, October
2001, Beijing China, pp. 1564 – 1568
Do Sperra H. and G. Maluin, Navigation in tutorial systems, Rand Corporation, 2004.
Dobson R.F., Knowledge sources in tutorial system, în Proceedings of TAFEE
Educational Convention, SanAntonio, 2003, pp. 65-78.
Dong, W.M, H.C., Shah, and F.S. Wong, Fuzzy computations in risk and decision
analysis, Civil Engineering Systems, vol.2, 201-208, 1985.
Dubois, D., and H. Prade, Fuzzy sets and systems: Theory and a applications, Ed.
Academic Press, 1980.
Dubois, D., and H. Prade, Rough fuzzy sets and fuzzy rough sets, In: International
Journal of General Systems, vol. 17, 191-200, 1990.
190
Dumitrescu, M., Florea, D., Tudor, C., Elemente de teoria probabilităţilor şi statistică
matematică. Probleme şi soluţii, Tipografia Universităţii Bucureşti, 1983.
Erdmann, M., A. Maedche, H.-P. Schnurr and S. Staab, From manual to semi-
automatic semantic annotation: About ontology-based text annotation tools, In: P.
Buitelaar &K. Hasida (eds). In: Proceedings of the COLING 2000 Workshop on
Semantic Annotation and Intelligent Content, Luxembourg, 2000.
Everitt, B., Cluster Analysis, Heinemann Educational BoosLtd., 1977.
Fang, H.-L., P.M. Ross and D. corne, A promising hybrid ga/heuristic approach for
open-shop schedulling problems, In: A.G. Cogn, editor, Proceedings of ECAI – 94,
590-594, John Wiley, 1994.
Fedrizzi M. and R. Fuller, On stability in multiobjective possibilistic linear programs,
In: European Journal of Operational Reseach, 74, 179-187, 1994.
Feller, W., An Introduction to Probability Theory and Its Applications, Vol. 1,3-rd ed.,
John Wiley and Sons, Inc., New York, 1968.
Feller, W., An Introduction to Probability Theory and Its Applications, Vol. 2, John
Wiley and Sons, Inc., New York, 1966.
Filip F. G., Decizie asistată de calculator. Decizii, decidenţi. Metode şi instrumente de
bază. Editura Tehnică şi Editura Expert,Bucureşti, 2002
Fodor J.C. and M. Roubens, Aggregation and scoring procedures in multicriteria
decision-making methods, In: Proceedings of the IEEE International Conference on
Fuzzy Systems, San Diego, 1261–1267, 1992.
Fodor, J., and M. Roubens, Fuzzy Preference Modelling and Multicriteria Decision
Support, Kluwer Academic Publishers, 1994.
Fonseca, C.M., and P.J. Fleming, An overview of evolutionary algorithms in
multiobjective optimization, In: Evolutionary Computation, vol.3:1, 1-16, 1995.
Gallant, S.I., Connectionist Expert Systems, In: Comm. ACM, Vol. 31, 2, 152-169,
1988.
Garvey, T., M. Lowrance and M. Fischer, An inference technique for integrating
knowledge from disparate sources. In. Proc.7th Int. Joint Conf. Artificial Inteligence 1,
1981.
Gnedenko, B., The Theory of Probability, Mir Publishers, Moscow, 1976.
Gogus, O. and T.O. Boucher, A consistency test for rational weights in multi-criterion
decision analysis with fuzzy pairwise comparisons, In: Fuzzy Sets and Systems (86),
129-138, 1997.
Goldberg, D., Genetic Algorithms in search, Optimization and Machine Learning,
reading, MA: Addison-Wesley, 1987.
Goldberg, D. and K. Deb, A Comparative Analysis of Selection Schemes Used in
Genetic Algorithms, In: Foundations of Genetic Algorithms, G. Rawlins, ed. Morgan-
Kaufmann, 69-93, 1991.
Gomes, L.F.A.M. and P.R. Wagner, Use of a multicriteria decision support system in
the problem of setting a bus tariff policy, In: Foundations of Computing and Decision
Sciences, vol. 15, No.2, 1991.
Gomes, L.F.A.M. and M.M.P.P. Lima, Todim: Basic and Applications of projects with
enviromental impacts, In: Foundations of Computing and Decision Sciences, vol. 16,
No 3-4, 1991.
191
Gomes, L.F.A.M. and J.R. Oliveira, A multicriteria approach to performance

measuring for organizations processes - the case data processing centres, In:
Foundations of Computing and Decision Sciences, vol. 17, No. 1, 1992.
Gomes, F.A.M. and J.R. Oliveira, Analysis of Strategies for Improving Quality and
Productivity of Computing Services - An Application of Multicriteria Decision Aiding.
Qualitymark Editora Ltda., Rio de Janeiro, 1993.
Granovski, B. and G. Rogova, Discrete Choice Models and Passenger Flow
Assignment, In: Achievements of Science and Technique: Transportation, 80-101,
Moscow, 1987.
Green, P.E. and V. Srinivasan, Conjoint Analysis in Consumer research: issues and
outlook, In: J. Consumer Res., Vol. 5, 103-123, 1978.
Greenwell, M., Knowledge Engineering for Expert Systems. Ellis Horwood.
Chichester, 1989.
Greffenstette, J.J., Optimization of Control Parameters for Genetic Algorithms, In:
IEEE Trans. Systems, Man and Cybernetics, 16(1), 122-128, 1986.
Greffenstette, J.J., Strategy acquisition with genetic algorithms, In: L. Davis, editor,
Handbook of Genetic Algorithms, 186-201, van Nostrand Reinhold, 1991.
Haasdick, E.W., R.F. Walker, D. Barrow and M.C. Gerrets, Genetic algorithms in
business, In:J. Stender, E.Hilleldrand and J. Kingdom, editors, Gas in Optimisation,
Simulation and Modelling, IOS Press, Amsterdam, 1994.
Halstead R.W. and M.H. Rogers, Modularisation of educational processes, în Oxford
Educational Bible, Oxford Press, 2004.
Harker, P.T. and L.G. Vargas, Theory of Ratio Scale Estimation: Saaty’s Analytic
Hierarchy Process, In: Management Science, Vol. 33, 1383-1403, 1987.
Hîncu, D., Ene, N.- Metode cantitative pentru administraţia publică, Editura Eficon,
Bucureşti, 2005
Hwang, C.L., and A.S.M. Masud, Multiple objective decision making: Methods and
Applications, Springer-Verlag, 1979.
Hwang, C. L. and K. Yoon, Multiple Attribute Decision Making. Berlin-Heidelberg,
New York, Springer-Verlag, 1981.
Hwang, C.L., and M.J. Lin, Group decision-making Under Multiple Criteria, Springer
Verlag, New-York, 1987.
Ignizio, J. P., Goal Programming and Extensions, Lexington Books, Massachusetts,
1976.
Ignizio, J. P., The Determination of a Subset of Efficient Solutions via Goal
Programming, In: Computer and Operations Research, 8, 9-16, 1981.
Ignizio, J.P., Introduction to Expert Systems. The Development and Implementation of
Rule-Based Expert Systems, McGraw-Hill, 1991.
Iosifescu, M., Mihoc, G., Theodorescu R., Teoria probabilităţilor şi statistică
matematică, Bucureşti, Ed. Tehnică, 1966.
Ishibuchi, H. and H. Tanaka, Multiobjective Programming in Optimization of the
Interval Objective Function, In: European Journal of Operational Research, 48, 1990.
Jain, A.K, and R.C. Dubers, Algorithms for clustering data, Prentice-Hall, 1988.
Kacprzyk, J. and M. Fedrizzi, Multiperson Decision Making Models Using Fuzzy Sets
and Possibility Theory, Kluwer Academic Publishers, 1990.
192
Kaufmann, A., Metode si modele ale cercetarii operationale, vol. 1 si 2, Bucuresti,

Editura Ştiinţifică, 1967.
Keeney, R. L., Multi-dimensional utility functions, In: Theory, Assessment and
Application, Technical Raport 43, Operations Research Center, MIT, 1969.
Keeney, R.L, and H. Raiffa, Decision with multiple objectives: preferences and value,
Trade off Cambridge University Press, 1993.
Kifer, M., G. Lausen and J. Wu, Logical foundations of object-oriented and frame-
based languages, In: Journal of the ACM, 42, 1995.
Kim, S.H., B.H. Jeong and K.J. Kim, A Model of Decision Making with Biased
Information of an Agent, In: Korean Operations Research and Management Science
Society, vol. 13, no.2, 1-8 Dec., 1988.
Kim, S.H. and T.Y. Chung, A Knowledge-Based Decision System to Build An
Influence Diagram, In: Proceedings of the first World congress on Expert System,
Orlando, Florida, 16-18 Dec., 1991.
Kim, S.H. and J.K. Kim, Explanation in a Decision-Theoretic System: An Axiomatic
Approach, In: Applied Artificial Intelligence, Vol. 5, 393 - 409, 1991.
Kim, S.H., T.Y. Chung and J.K. Kim, Building and Influence Diagram in a
Knowledge-Based Decision System, In: Expert Systems with Applications: An
International Journal, Vol. 4, 33 - 44, 1992.
Kim, S.H., K.S. Park and K.C. Jeong, A Knowledge-Based System Using a Neural
Network for Management Evaluation and Its Support, In: Journal of the Korean
OR/MS Society, vol.19, no.2, 129-151, 1994.
Kim, S.H., S.S. Cho, S.U. Kim and H.K. Park, Design and Implementation of Group
Decision Support System using Object-Oriented Modeling Technique, In: IE
Interfaces, vol.10, no.1, 1997.
Kim, S.H., S.H. Choi and B.S. Ahn, Interactive group decision process with
evolutionary database, In: Decision Support Systems, Vol. 23, 333 - 345, 1998.
Klein, M. R. and L.B. Methlie, Knowledge-Based Decision Support Systems with
Applications in Business, John Wiley and Sons, 1995.
Klimov, G., Probability Theory and Mathematical Statistics, Mir Publishers, Moscow,
1986.
Klir, G. J. and T. A. Folger, Fuzzy Sets, Uncertainty and Information, Prentice Hall,
Englewood Cliffs, New Jersey, USA, 1988.
Klir, G.J. and B. Yuan, Fuzzy Sets and Fuzzy Logic. Theory and Applications, Ed.
Prentice-Hall, 1995.
Koksalan, M.M., M.H. Karwan and S. Zionts, An Improved Method for Solving
Multiple Criteria Problem Involving Discrete Alternatives, In: IEEE Trans. on Systems,
Man, and Cybernetics, Vol. 14, 1, 24-34, Jan., 1984.
Koksalan, M. and S. Zionts, Multiple Criteria Decision Making in the New Millenium,
In: Proceedings of the 15 th International Conference on Multiple Criteria Decision
Making, Lecture Notes in Economics and Mathematical Systems, Springer-Verlag,
2001.
Korhonen, P.J., A hierarchical interactive method for ranking alternatives with multiple
qualitative criteria, In: European Journal of Operations Research, 24, 256-276, 1986.
193
Laarhoven, P.J.M., and W. Pedrycz, A fuzzy extension of Saaty’s priority theory, In:
Fuzzy Sets and Systems, vol.11, 229-241, 1983.
Lai, Y. and C. Hwang, Fuzzy multiple objective decision making. Methods and
applications, Springer-Verlag, 1996.
Larichev O.I., H.M. Moshkovich, A.I. Mechitov and D.L. Olson, Experiments
Comparing Qualitative Approaches to Rank Ordering of Multiattribute Alternatives.
In: Journal of Multi-Criteria Decision Analysis 2(1), 5-26, 1993.
Lin, C. and P. Hajela, Gentic search strategies in large scale optimization, In: AIAA
Structures, structural Dynamics and Materials Conference, 1993.
Lloyd, J.W. and R.W. Topor, Making Prolog more expressive, In: Journal of Logic
Programming, 1(3), 1984.
Lomet, D.B. and B. Salzberg, The hB-Tree: A Multiattribute Indexing Method with
Good Guaranteed Performence, In: ACM Transactions on Database Systems, vol. 15,
no. 4, december 1990.
Lu, J., M.A. Quaddus and R. Williams, A Framework and Prototype for Intelligent
Multiple Objectives Decision Support System, In: Proceedings of 4th Asia Pacific
Decision Sciences Institute Conference, Shanghai, China, 1999.
Luban, F., Modeling imprecision and subjectiveness for the multiattribute decisions. In
Actas del XII Congreso Internationa SIGEF. Instrumentos Economicos y de Gestion
Aplicados a Ambiente con Alta Incertidumbre. Bahia Blanca, Argentina, Octubre 26 –
28, 2005, Univ. Nacional del Sur – Ediuns, 2005, pag. 201 – 209
Luban F.- A Fuzzy Approach for Multiattribute Analysis. In Economic Computation and
Economic Cybernetics Studies and Research, Vol. 38, No. 1-4/2004, pag. 51-62
Luce, R.D. and H. Raiffa, Games and Decisions, Wiley, New York, 1958.
Luhandjula, M.K., Linear programming under fuziness and randomness, In: Fuzzy Sets
and Systems, 10, 45-55, 1983.
Ma, J., Problem-based learning with database systems, In: Computers and Education,
vol. 22, no. 3, 257-263, 1994.
Ma, J., Group decision support system for assessment of problem-based learning, In:
IEEE Transactions on Education, vol. 39, no.3, 383-393, 1996.
Mariancu M., Lucrul cu sistemele tutoriale, EC multimodul, în Revista Românã de
Psihologie Informatizatã, no. 23, pg.11-34, 2003.
Masud, A.S.M. and C.L. Hwang, Interactive Sequential Goal Programming, In:
Journal of the Operational Research Society, 32, 391-440, 1981.
Maystre L.Y., J. Pictet and J. Simos, Multiple Criteria Methods ELECTRE:
Description, Practical Advice and Cases in Environmental Management. Presses
Polytechniques et Universitaires Romandes, Lausanne, 1994.
Mica enciclopedie de matematica. Editura Tehnică, 1980.
MCDM, 2002, International Society on Multiple Criteria Decision Making,
http://www.terry.uga.edu/mcdm/ (September, 2002).
Meldrum, P.F., B.J. King and J.-B. Yang, Style and portability guidelines for C++
programming, University of Newcastle upon Tyne, Engineering Design Centre, In:
Report No. EDCN/MCDM/MISC/1/1, Apr., 1991.
194
Meldrum, P.F., P. Sen and J.-B. Yang, The analytic hierarchy process: the problem of
right-left eigenvector asymmetry, University of Newcastle upon Tyne, Engineering
Design Centre, In: Report No. EDCN/MCDM/RESC/12/1, Dec., 1991.
Mihalca R., A.Uţã and Şt.Kovacs, Computer Based Intelligent Learning Environments
(CBILE) specific to the high level safety training, in International Conference on
Computer Systems and Technologies, CompSysTech 2005.
Mihoc, G., Ciucu, G., Craiu, V., Teoria probabilităţilor şi statistică matematică, Ed.
Didactică şi Pedagogică, Bucureşti, 1970.
Mihoc, G., Iosifescu, M., Urseanu V., Elemente de teoria probabilităţilor şi aplicaţiile
ei, Ed. Ştiinţifică, Bucureşti, 1966.
Mihoc, G., Craiu, V., Tratat de statistică matematică, Ed. Academiei, Vol. I, Selecţie şi
estimaţie, 1976; Vol. II, Verificarea ipotezelor statistice, 1977.
Negoiţă, C.V., şi D.A. Rălescu, Mulţimi vagi şi aplicaţiile lor, Editura Tehnică,
Bucureşti, 1974.
Negoiţă, C. V., Expert Systems and Fuzzy Systems, The Benjamin Cumming
Publishing Company, Inc., Menlo Park, California, USA, 1985.
Negoiţă, C.V. and D.A. Rălescu, Simulation, Knowledge-Based Computing, and Fuzzy
Ststistics, Van Nostrand Reinhold Company Inc., New York, 1987.
von Neumann, J. and O. Morgenstern, Theory of Games and Economic Behaviour,
Princeton, Princeton University Press, 1947.
Ngweenyama, O.K. and N. Bryson, A formal method for analyzing and integrating the
rule-sets of multiple experts, In: Information Systems, vol. 17, No 1, 1-16, 1992.
North, D.W., A tutorial Introduction To Decision Theory, In Systems Science and
Cybernetics, vol. 4, nr. 4, 1968.
Onicescu, O., Comparative Estimation Methods for multi-characteristic objects, In:
Review of Statistic, Bucharest, Romania, No. 4, pp. 18-28, 1970.
Onicescu, O., Calculul probabilităţilor, Ed. Tehnică, Bucureşti, 1956.
Onicescu, O., Mihoc, G., Ionescu-Tulcea, C.T., Calculul probabilităţilor şi aplicaţii,
Ed. Academiei, Bucureşti, 1956.
Orlovski, S.A, Decision-making with a fuzzy preference relation, In: Fuzzy Sets and
Systems, vol.1, 155-167, 1978.
Orlovski, S.A., On formalization of a general fuzzy mathematical problem, In: Fuzzy
Sets and Systems, 3, 311-321, 1980.
Orlovski, S.A., Multiobjective Programming Problems with Fuzzy Parameters, In:
Control and Cybernetics, 4, 175-184, 1984.
Quaddus, M.A. and A.G. Holzman, IMOLP: An Interactive Method for Multiple
Objective Linear Programs, In: IEEE Transactions on Systems, Man, and Cybernetics,
SMC-16, 3, 462 –468, 1986.
Paolucci, M. and R. Pesenti, A New Cost Function to Solve Multi-Attribute Decision
Making Problems with Non Separable Attributes, In: IEEE Int. Conf. on Systems, Man,
and Cybernetics, 1961-1965, 1991.
Papamichail, H.N., Explaining and justifying decision support advice in intuitive terms,
In: Proceedings of the 13th European Conference on Artificial Intelligence, 102-103,
H. Prade Ed., John Wiley&Sons, 1998.
195
Park, K.S., S.H. Kim and W.C. Yoon, An Extended Model for Establishing Dominance
in Multi-attribute Decisionmaking, In: Journal of the Operational Research Society,
Vol. 47, 1415 - 1420, 1996.
Paryen, E., Modern Probability Theory and Its Applications, John Wiley and Sons,
New York, 1960.
Pawlak, Z., Rough set approach to knowledge-based decision support, In: European
Journal of Operational Research, vol.99, 48-57, 1997.
Perny, P., and B. Roy, The use of fuzzy outranking relations in preference modelling,
In: Fuzzy Sets and System, vol. 49, 33-53, 1992.
Pinson, S. and P. Moraitis, An Intelligent Distributed System for Strategic Decision
Making, In: Group Decision and Negotiation, 6, 77-108, 1996.
Pi-Shen, D.C., W. Holsapple and A.B. Whinston, A skill refinement learning model for
rule-based expert systems, In: I.E.E.E. Expert Systems, IV, 1990.
Pârvu, D., Andreica, M. (coord.) – Eficienţa şi finanţarea investiţiilor, Editura
Cibernetica MC, Bucureşti, 2003
Poh, K., Knowledge-Based Guidance System for Multi-Attribute Decision Making, In:
Artificial Intelligence in Engineering,12, 3, 315-326, 1998.
Poh, K.L., M.A. Quaddus and K.L. Chin, MOLP-PC: An Interactive Decision Support
Environment for Multiple Objective Linear Optimization, In: M. C. T. L. Goh (ed.) OR
Applications in Singapore, Operational Research Society of Singapore, 25-39, 1995.
Preda, V., Statistică matematică, Editura Universităţii Bucureşti, 1993.
Proceedings of TAFEE Educational Convention, SanAntonio, 2003, pp. 125-127.
Ralph, H.S.Jr. and J.W. Hugh, Decision Support for Management, Prentice Hall, New
Jersey, 1995.
Reeks, S., Genetic algorithms for strategy acquisition, B. Sc. Final Year Project
Report, 1994.
Reuhklin W., About loss in communication between trainers and student, în American
Journal for Higher Education, no 123, pp. 12-22, January 2005.
Resteanu, C., F.G. Filip, C. Ionescu and M. Somodi, Knowledge-based Simulation in
Multiattribute Decision Making, In: Proceedings of EUROSIM ‘95 Simulation
Congress (Vienna, Sep. 11-15). F.Breitenecker and I.Husinsky (Eds.), North-Holland,
Elsevier Science, Amsterdam, 1271-1276, 1995.
Resteanu, C., F.G. Filip, C. Ionescu and M. Somodi, On Optimal Choice Problem
Solving, In: Proceedings of SMC ‘96 Congress (Beijing, Oct. 14-17), A.P. Sage and
W. Zheng (Eds.), IEEE Publising House, Piscataway NJ,1864-1869, 1996.
Resteanu, C., A. Popa, M. Somodi, E. Mitan şi I. Călin, Programare liniară cu mai
multe funcţii obiectiv. Set integrat de instrumente în domeniul deciziilor multiatribut.
Faza: Produs program MADM, Manual de utilizare, Bucureşti, oct. 1995.
Riano, D., Automatic Construction of Descriptive Rules, In: Communications: the
European Journal on AI, vol.11 (1), 1998.
Ribeiro, R.A, Fuzzy multiple attribute decision making: A review and new preference
elicitation techniques, In: Fuzzy Sets and Systems, vol.78, 155-181, 1996.
Ritthoff, O., R. Klinkenberg, S. Fischer and I. Mierswa, A hybrid approach to feature
selection and generation using an evolutionary algorithm, In: J.A. Bullinaria, editor,
196
Proceedings of the 2002 U.S. Workshop on computational intelligence, (UKCI-02),

147-154, Birmingham, U.K., Sep., 2002.
Roubens, M. and P.Vincke, Preference Modeling, Springer-Verlag, Berlin, 1985.
Roubens, M. and J. Teghem Jr., Comparison of methodologies for fuzzy and stochastic
multi-objective programming, In: Fuzzy Sets and Systems, 42, 119-132, 1991.
Rouning, X., and Z. Xiaoyan, Fuzzy logarithmic least squares ranking method in the
analytic hierarchy process, In: Fuzzy Sets and Systems, vol.77, 175-190, 1996.
Roy, B., Classement et choix en presence de poits de vue multiples (la methode
ELECTRE), In: R.A.I.R.O., vol. 2, nr. 8, 1968.
Roy, B. and P. Bertier, La methode ELECTRE II / Une application au media planning,
In: 6th Conf. Int. Oper. Res., Dublin, 1972.
Roy, B., The outranking approach and the foundations of Electre methods, In: Theory
and Decision, vol.31, 49-73, 1991.
Roy, B., Multicriteria Methodology for Decision Aiding, Kluwer, 1996.
Rumelhart, D.E. and J.L. McClelland, (Eds.) Parallel Distributed Processing,
Cambridge, MIT Press, 1986.
Saaty, R., The Analytic Hierarchy Process - What it Is and How it Is Used, In:
Mathematical Modeling, Vol. 9, 161-176, 1987.
Saaty, T.L., A Scaling Method for Priorities in Hierarchical Structures, In: Journal of
Mathematical Psychology, vol. 15, nr. 3, 1977.
Saaty, T.L., The Analytical Hierarchy Process, McGraw-Hill, 1980.
Saaty, T.L., Axiomatic Foundation of the Analytic Hierarchy Process, In: Management
Science, Vol. 32, 841-855, 1986.
Sage, A.P., Decision Support Systems Engineering, John Wiley and Sons, Inc., 1991.
Sakawa, M., and H. Yano, Feasibility and Pareto Optimality for Multiobjective
Nonlinear Programming Problems with Fuzzy Parameters, In: Fuzzy Sets and Systems,
43, 1-15, 1991.
Sakawa, M., H. Yano and J. Takahashi, Pareto Optimality for Multiobjective Linear
Fractional Programming Problems with Fuzzy Parameters, In: Information Sciences,
63, 33-53, 1992.
Sakawa, M., Fuzzy Sets and Interactive Multiobjective Optimization, Applied
Information Technology, Plenum Press, New York, 1993.
Saphier, I. şi A. Rusu, Algoritm de ordonare a unei mulţimi de obiecte pe baza
caracteristicilor comune, In: Revista de statistică, nr. 8, 1971.
Schnurr, H.-P. and S. Staab, A proactive inferencing agent for desk support, Staab &
O’Leary, 2000.
Scott, J. A., D. S. Todd and P. Sen, An Evolutionary Approach to the Scheduling of
Ship Design and Production Processes, In: PRADS'98, Practical design of ships and
mobile units, International symposium; 7th Sep., The Hague, Netherlands. Elsevier,
Developments in Marine Technology 11, 351-358, ISBN 0444829180, ISSN 0928-
2009, 1998.
Sen, P. and J.-B.Yang, Multiple criteria decision making and engineering design,
Springer Verlag, ISBN 3540199322, 1988.
Sen, P., Marine design: the multiple criteria approach, In: Trans RINA, v. 134 pt B,
261-276, 1992.
197
Sen, P., Application of multiple criteria decision making techniques in engineering

design, In: Portsmouth EDC Seminar on Adaptive Search and Optimization in
Engineering Design; Nov., Plymouth University, UK. ISBN not stated, 1992.
Sen, P., P.K. Chawdhury and J.-B. Yang, Multiple criteria approaches to design
selection and synthesis, In: Seminar on Optimization and the Genetic Algorithm,
Polytechnic South West EDC, 6 Dec., 1992.
Sen, P. (University of Newcastle upon Tyne, Marine Technology Dept), The analytic
hierarchy process (AHP). In: Multiple Attribute Decision Making Introductory
Workshop for CODASID & AHP, Newcastle upon Tyne, 24 Feb., sponsored by
Engineering Design Centre at the Universities of Newcastle upon Tyne, Northumbria
at Newcastle, Sunderland, & Tyneside TEC Ltd. [Organised by TMTU on behalf of
Engineering Design Centre]. [Workshop notes], Paper No. 7, 6 & [25] p., 1993.
Sen, P. and J.-B. Yang, A multiple criteria decision support environment for
engineering design, In: Proceedings of ICED 93, 9th International Conference on
Engineering Design, 17-19 Aug., 1993, The Hague, Netherlands. Organised by KIvI &
WDK. Edited by N.F.M. Roozenburg. Switzerland; Heurista, Schriftenreihe WDK 22,
v 1, 465-471. ISBN 3 85683 0272, 1993.
Sen, P. and J.-B. Yang, Interactive trade-off analysis in multiple criteria preliminary
design of a semi-submersible, In: IMCES 93, Proceedings of 6th International
Conference on Marine Engineering Systems, Marine Systems Design and Operation,
29 Sep. -1 Oct., 1993; University of Hamburg, Germany. Sponsored by I.Mar.E.
/Institut fur Schiffbau, Hamburg /Institut fur Schiffstechnik, Berlin. Marine
Management Holdings Ltd, Transactions Institute of Marine Engineers, Series C, Vol.
105, No. 3, 105-114, ISBN 0907206530, 1993.
Sen, P. and J.-B.Yang, Design decision making based upon multiple attribute
evaluation and mininal preference information, In: Mathematical and Computer
Modelling, v 20 n 3, 107-124, ISSN 0895-7177, 1994.
Sen, P. and J.-B. Yang, Combining objective and subjective factors in multiple criteria
marine design, In: Proceedings IMDC '94, 5th International Marine Design Conference
and Summer Meeting of the German Society of Naval Architects, Delft, Netherlands,
24-27 May, ed. S. Erichsen, et al., Delft University of Technology, IMDC '94, Vol. 1,
505-519, Vol. 2, 149-151, 1994.
Sen, P., C.R. Labrie and J. Wang, Design for safety: in the Context of Fault Tree
Analysis: Introductory Concepts: a Risk Indentification and Risk Evaluation Tool, In:
Design for Safety, [course], Newcastle upon Tyne, 13 Jul., Engineering Design Centre,
at the Universities of Newcastle upon Tyne, Northumbria at Newcastle, Sunderland,
[43 & 26] p. including reprints, 1994.
Sen, P. and J.-B.Yang, Preference modelling in multiple criteria design decisions, In:
Proceedings Conference on Informing Technologies to Support Engineering Decision
Making, Nov. London, UK. EPSRC, DRAL (sponsors). Powell, J. (ed). DRAL, 133-
142, ISBN 0902 376 152, 1994.
Sen, P. and J.-B.Yang, Multiple criteria decision making in design selection and
synthesis, In: Journal of Engineering Design, v 6 n 3, 207-230, ISSN 0954-4828, 1995.
Sen, P. and M.M. Andresen, Many approaches in evaluation and decision-making in
design, In: Journal of Engineering Design, v 6 n 3, 171-172, ISSN 0954-4828, 1995.
198
Sen, P. and J.-B.Yang, An investigation into the influence of preference modelling in

ship design with multiple objectives, In: PRADS'95, 6th International Symposium on
Practical Design of Ships and Mobile Units, 17-22 Sep.; Seoul, Korea, Society of
Naval Architects of Korea (organiser). Various sponsors. Kim, H. & Lee, J.W. (eds) .
Society of Naval Architects of Korea, v 2, 2.1252-2.1263, ISBN 89-950016-2-3, 1995.
Sen, P., Z. Rao and P.N.H. Wright, Mulitcriteria robust optimization of engineering
design systems under uncertainty, In: ICED'97; 11th International Conferences on
Engineering Design; 19-21 Aug., Tampere, Finland, Tampere Univ Technology,
WDK, n 25, v 2, 357-364, ISBN 9517227884, 1997.
Shafer, G., A Mathematical Theory of Evidence, Princeton, MIT Press, 1976.
Shaw, M.J., and M.S. Fox, Distributed artificial intelligence for group decision support.
In: Decision Support Systems, vol. 9, nr. 4, VI, 1993.
Slowinski, R., and J. Teghem, Stochastic versus fuzzy approaches to multiobjective
mathematical programming under uncertainty, Kluwer, 1990.
Staab, S., J. Angele, S. Decker, M. Erdmann, A. Hotho, A. Maedche., R. Studer, and
Y. Sure, Semantic Community Web Portals, In: Proceedings of the 9th World Wide
Web Conference (WWW-9), Amsterdam, Netherlands, 2000.
Staab, S. and A. Maedche, Ontology engineering beyond the modeling of concepts and
relations. In: Proceedings of the ECAI’2000 Workshop on Application of Ontologies
and Problem-Solving Methods, IOS Press, Amsterdam, 2000.
Staab, S. and O’Leary, D. (Eds.). Bringing Knowledge to Business Processes.
Workshop in the AAAI Spring Symposium Series, Stanford, March 20-22, Menlo Park,
CA. AAAI, 2000.
Stănciulescu, F. şi V. Popa, Sistem experimental pentru modelarea şi simularea bazată
pe cunoştinţe. Raport de cercetare, I.C.I., iunie, 1993.
Steur, R.E., Multiple Criteria Optimization: Theory, Computation and Application.
New York, John Wiley & Sons, 1986.
Steuer, R. E., An Interactive Multiple Objective Linear Programming Procedure, In:
TIMS Studies in the Management Sciences, 6, 225-239, 1977.
Stoleru, L., L’equilibre et la croissance economique, Dunod, Paris, 1969.
Sulowinski, R. and J. Teghem Jr. Stochastic versus Fuzzy Approaches to Multiobjective
Mathematical Programming under Uncertainty, Kluwer Academic Publishers,
Dordrecht, 1990.
Tecle, A. and L. Duckstein, (eds) A Procedure for Selecting MCDM Techniques for
Forest Resource Management, Springer-Verlag, New York, 1992.
Todd, D., Multiple criteria decision making in engineering design using genetic
algorithms: PhD first year report, University of Newcastle upon Tyne, EDC Internal
Report, University of Newcastle upon Tyne, Engineering Design Centre, In: Report
No. EDCN/MCDM/RESC/50/1, 1995.
Todd, D.S. and P. Sen (Univ Newcastle, ESPRC Eng Design Centre, & Dept Marine
Technology), A multiple criteria genetic algorithm for containership loading, In: ICGA
97: Proceedings of the 7th international conference on genetic algorithms; 19-23 Jul.;
Michigan State University, East Lansing. MI, USA. Back, Thomas (editor). ONR,
NRL, Philips Lab, Intnl Society Genetic Algorithms, MSU GARAGe (supporters).
Morgan Kaufman Publishers Inc, , p 674- 681, ISBN 1-55860-498-1, 1997.
199
Todd, D.S. and P. Sen, Multiple criteria scheduling using genetic algorithms in a
shipyard environment, In: ICCAS'97; 9th International Conference on Computer
Applications in Shipbuilding, 13-17 Oct., Yokohama, Japan, IFIP; Soc Naval
Architects Japan (sponsors). Johansson, K.; Koyama, T. (editors). Tokyo, Society of
Naval Architects of Japan, v 1. 259-274, ISBN 4930966027, 1997.
Triantaphyllou, E. and C.T. Lin, Development and evaluation of five fuzzy
multiattribute decision-making methods, In: International Journal of Approximate
Reasoning, 14, 281-310, 1996.
Triantaphyllou, E., Multi-criteria decision making methods: A comparative study,
Kluwer Academic Publishers, 2002.
Tseng, T.Y., and C.M. Klein, A new algorithn for fuzzy multicriteria decision making,
In: International Journal of Approximate Reasoning, vol.6, 45-66, 1992.
Turban E., Aronson J.E., Decision Support Systems and Intelligent Systems. Sixth
edition. Upper Saddle River, NJ, 2001
Vaduva, I., Analiză dispersională, Bucureşti, Ed. Tehnică, 1970.
Vaduva, I., Metode de simulare cu calculatorul, Bucureşti, Ed. Tehnică, 1977.
Vaduva, I., Modele de simulare, Editura Universităţii Bucureşti, 2004.
Valls, A., and V. Torra, Using classification as an aggregation tool in MCDM, In:
Fuzzy Sets and Systems, vol.115, 159-168, special issue on Soft Decision Analysis,
2000.
Verdegay J.L. and M. Delgado eds., The Interface between Artificial Intelligence and
Operations Research in Fuzzy Environment, Verlag T¨UV Rheinland, ISR Series no.
95, 1989. 4
Vincke, P., Multicriteria Decision-Aid, Ed. John Wiley & Sons, ISBN:0-471-93184-5,
1992.
Wanders G. and Fooa M.E., Education as a common buisness, în Proceedings of the
XXX Arpa Convention, New Jersey, 1999 .
Wang, J. and M. Bender, Connectionist Decision Support Systems for Multiple Criteria
Decision Making, In: IEEE Int. Conf. on Systems, Man, and Cybernetics, 1955-1960,
1991.
Werners, B., Interactive Multiple Objective Programming Subject to Flexible
Constraints, In: European Journal of Operational Research, 31, 324-349, 1987.
Werners, B. and H.-J. Zimmermann, Evaluation and selection of alternatives
considering multiple criteria, In: A.S. Jovanovic, K.F. Kussmaul, A.C.Lucia and
P.P.Bonissone eds., 7th Proceedings of an International Course on Expert Systems in
Structural Safety Assessment (Stuttgart, Oct. 2-4) Springer- Verlag, Heilderberg, 167-
183, 1989.
Wiss, G., (Ed.) Multiagent systems: a modern approach to distributed artificial
intelligence, The MIT Press, Cambridge, 1999.
White, C.C, A.P. Sage and S. Dozono, A Model of Multi-Attribute Decision Making
and Trade-off Weights Determination Under Uncertainty, In: IEEE Trans. on Systems,
Man, and Cybernetics, Vol. 14, 2, 223-229, March, 1984.
Wooldridge, M., An introduction to multiagent systems, John Wiley & Sons, 2002.
Yager, R. R. and D. Basson, Decision Making with Fuzzy Sets, In: Decision Sciences,
vol. 6, nr. 3, 1976.
200
Yager, R.R., Fuzzy decision making including unequal objectives, In: Fuzzy Sets and
Systems, vol.1, 87-95, 1978.
Yager, R.R., A new methodology for ordinal multiobjective decisions based on fuzzy
sets, In: Decision Science, vol.12, 589-600, 1981.
Yager, R.R., On ordered weighted averaging aggregation operators in multicriteria
decision-making, In: IEEE Trans. On Systems, Man, and Cybernetics, SMC-18, 183-
190, 1988.
Yager, R.R., Non-numeric Multi-Criteria Multi-Person Decision Making, In:
International Journal of Group Decision Making and Negotiation, vol.2, 81-93, 1993.
Yang, J.-B., A decision support software sub-system for multiple attribute decision
making: the C++ source code and applications, University of Newcastle upon Tyne,
Engineering Design Centre, In: Report No. EDCN/MCDM/MISC/2/1, 1991.
Yang, J.-B., An integrated multiple criteria decision support system for engineering
design, University of Newcastle upon Tyne, Engineering Design Centre, In: Report No.
EDCN/MCDM/RESC/16/1, 1991.
Yang, J.-B., MADM and a simple decision rule (MADM), In: Multiple Attribute
Decision Making Introductory Workshop for CODASID & AHP, Newcastle upon
Tyne, 24 Feb., sponsored by Engineering Design Centre at the Universities of
Newcastle upon Tyne, Northumbria at Newcastle, Sunderland, & Tyneside TEC Ltd.
[Organised by TMTU on behalf of Engineering Design Centre]. [Workshop notes],
Paper No. 4, 5 & [17] p., 1993.
Yang, J.-B., The CODASID method and design selection, In: Multiple Attribute
Tyne, 24 Feb., sponsored by Engineering Design Centre at the Universities of
Paper No. 6, 7 & [28] p., 1993.
Yang, J.-B., User manual on software for AHP and CODASID, In: Multiple Attribute
Tyne, 24 Feb 1993, sponsored by Engineering Design Centre at the Universities of
Paper No. 8, 5 & [4] p. & disk, 1993.
Yang, J.-B. and P. Sen, A gradient-based local region search approach for
multiobjective optimization. University of Newcastle upon Tyne, Engineering Design
Centre, In: Report No. EDCN/MCDM/RESC/30/1, 1993.
Yang, J.-B. and P. Sen, An interactive MADM method for design systhesis with
assessment and optimization of local utility funtions, University of Newcastle upon
Tyne, Engineering Design Centre, In: Report No. EDCN/MCDM/RESC/37/1, 1993.
Yang, J.-B. and P. Sen, A hierarchical evaluation process for multiple attribute design
selection with uncertainty, In: Industrial and Engineering Applications of Artificial
Intelligence and Expert Systems; IEA/AIE 93; Proc. of 6th International Conference;
1-4 Jun, Edinburgh, UK., Chung, P.W.H., et al (eds). Gordon & Breach Science
Publishers, 484-493. ISBN 2881246044, 1993.
201
Yang, J.-B and M.G. Singh, An evidential reasoning approach for multiple attribute
decision making with uncertainty. In: IEEE Trans on Systems, Man, and Cybernetics,
v. 24 n 1, 1-18, ppr SMC 093-03-0352. ISSN 0118-9472 Jan., 1994.
Yang, J.-B. and P. Sen, An artificial neural network approach for nonlinear
optimization with discrete design variables, In: System Modelling and Optimization:
Proc of 16th IFIP-TC7 Conference; 5-9 Jul., 1993; Compiegne, France. J. Henry & J.-
P. Yvonn (eds). Springer-Verlag, Lecture Notes in Control and Information Sciences, v
197, 761-770. ISBN 3 540 19893 8, 0 387 1893 8, 1994.
Yang, J.-B and P. Sen, Evidential reasoning based hierarchical analysis for design
selection of ship retro-fit options, In: Artificial Intelligence in Design '94; 3rd Intl Conf
on Artificial Intelligence in Engineering Design; 15-18 Aug., Lausanne, Switzerland.
Swiss Federal Institute of Technology. J.S. Gero & F. Sudweeks (eds). Kluwer
Acadamic Publishers, 327-344, ISBN 0 7923 294 5, 1994.
Yang, J.-B. and P. Sen, An interactive gradient projection approach for multiobjective
optimization, University of Newcastle upon Tyne, Engineering Design Centre, In:
Report No. EDCN/MCDM/RESC/44/1, 1994.
Yang, J.-B. and D. Li, Optimization scheme using interative parametric minimax
method, University of Newcastle upon Tyne, Engineering Design Centre, In: Report
No. EDCN/MCDM/RESC/45/1, 1994.
Yang, J.-B. and P. Sen, Multiple objective design optimization by estimating local
utility functions, In: Advances in Design Automation; 20th annual ASME Design
Automation Conference, 11-14 Sep., Minneapolis, MN, USA. Gilmore, B.J. (ed).
ASME, Publn, DE 1994, v 69, 135-146. ISBN 0791812839 & 20, 1994.
Yang, J.-B. and P. Sen, A general multi-level process for hybrid MADM with
uncertainty, In: IEEE Trans on Systems, Man, and Cybernetics, v 24 n 10, Oct.,1458-
1473, ppr SMC 093-03-0352, ISSN 0118-9472, 1994.
Yang, J-.B. and P. Sen, An artificial neural network approach for nonlinear
optimization with discrete design variable, In: Lecture Notes in Control and
Information Sciences, n 197, ISSN 0170-8643, EDCM/MCDM/RESC/51/1, 1994.
Yang, J.-B. and P. Sen, Multiobjective optimization using local preference information
for large engineering product design, University of Newcastle upon Tyne, Engineering
Design Centre, In: Report No. EDCN/MCDM/RESC/48/1, 1995.
Yang, J.-B. and P. Sen, Non-linear discrete optimization by artificial neural networks
for engineering design synthesis, University of Newcastle upon Tyne, Engineering
Design Centre, In: Report No. EDCN/MCDM/RESC/49/1, 1995.
Yang, J.-B. and P. Sen, Interactive trade off analysis and preference modelling for
preliminary multiobjective ship design, In: Systems Analysis, Modelling and
Simulation, v 26, n 1-4, 25-55, ISSN: 0232-9298, 1996.
Yang, J.-B., P. Sen and P.F. Meldrum, Multiple attribute evaluation in engineering
decision support using limited compensation and reference designs, In: Information
and Systems Engineering, v 9, 1-23, 1996.
Yang, J.-B. and P. Sen, Preference modelling by estimating local utility functions for
multi-objective optimization, In: European Journal of Operational Research, v 95 n 1,
115-138, ISSN 0377-2217, 1996.
202
Yang, J.B. and D. Li, Iterative parametric minimax method for a class of composite
optimization problems, In: Journal of Mathematical Analysis and Applications, v 198 n
1, ISSN 0022-247X, 1996.
Yang, Y.-B. and P. Sen, Multiple attribute design evaluation of complex engineering
products using the evidential reasoning approach, In: Journal of Engineering Design, v
8 n 3, 211-230, ISSN 0954-4828, 1997.
Yoon, K.P., and C.L. Hwang, Multiple Attribute Decision Making: An Introduction,
Thousand Oaks, SAGE Publications, 1995.
Yuan, Y., and M.J. Shaw, Induction of fuzzy decision trees, In: Fuzzy Sets and
Systems, vol.69, 125-139, 1995.
Wang, J., J.-B. Yang and P. Sen, Reliability and safety based cost modelling for
maintenance optimization, University of Newcastle upon Tyne, Engineering Design
Centre, In: Report No. EDCN/MCDM/RESC/39/1, 1993.
Wang, J., J.-B. Yang and P. Sen, Safety analysis and synthesis using fuzzy sets and
evidential reasoning, In: Engineering Reliability and Systems Safety, v 47 n 2, 103-118,
ISSN 0951-8320, 1995.
Wang, J., J.-B. Yang and P. Sen, Multi-person and multi-attribute design evaluations
using evidential reasoning based on subjective safety and cost analysis, In: Reliability
Engineering and System Safety, v 52 n 2, 113-128, ISSN 0951-8320, 1996.
Wang, J., J.-B.Yang, P. Sen and T. Ruxton, Safety based design and maintenance
optimisation of large marine engineering systems, In: Applied Ocean Research, v 18 n
1, 13-27, ISSN 0141-1187, 1996.
Zadeh, L.A., Fuzzy sets, Information Control, vol.8, 338-358, 1968.
Zadeh, L.A., Fuzzy sets as a basis for a theory of possibility, In: Fuzzy Sets and
Systems, vol.1, 3-28, 1978.
Zadeh, L.A., A computational approach to fuzzy quantifiers in Natural Languages, In:
Computers and Mathematics with Applications, vol.9, 149-184, 1983.
Zadeh, L.A., Fuzzy Sets and Applications: Selected paper, R.R. Yager, S. Ovchinnikov
S., Tony R. M. and Ngnyen H. T. editors, A Wiley Inter-science Publication, New
York, USA, 1987.
Zeleny, M., Multiple Criteria Decision Making. Springer Verlag, Berlin, Heidelberg,
New York, 1976.
Zeleny, M., Multiple Criteria decision-making, McGraw-Hill, New-York, 1982.
Zeleny, M., An Essay into a Philosophy of MCDM: AWay of Thinking or Another
Algorithm? In: Computers & Operations Research, (19), 563-566, 1992.
Zhu, J., Data envelopment analysis vs principal component analysis: an illustrative
study of economic performance of Chinese cities, In: European Journal of Operational
Research, 111, 50-61, 1998.
Zitzler, E., Evolutionary algorithms for multiobjective optimization: Methods and
applications, Ph.D. dissertation, Swiss Federal Inst. Technology (ETH), Zurich,
Switzerland, 1999.
Zimmermann, H.-J., “Fuzzy Sets, Decision Making, and Expert Systems”, Boston/MA,
USA, 1987.
203
Zimmermann, H.-J., Decision-making in ill-structured environments and with multiple

criteria, in: Bana e Costa ed., Readings in Multiple Criteria Decision Aid Springer
Verlag, 119-151, 1990.
Zimmermann, H.-J., L.A. Zadeh and B.R. Gaines, “Fuzzy Sets and Decision Analysis”,
Kluwer Academic Publishers, Boston, USA, 1992.
Zionts, S. and J. Wallenius, An Interactive Programming Method for Solving the
Multiple Criteria Problem, In: Management Science, 22, 6, 652-663, 1976.
Zions, S., A Multiple Criteria Method for Choosing Among Discrete Alternatives, In:
Eur. J. Op. Res., Vol 7, 143-147, 1981.
Zopounidis, C., Multicriteria classification and sorting methods: a literature review, In:
European Journal of Operational Research, vol.138, 229-246, 2002.

921

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

921

Încărcat de

Drepturi de autor:

Formate disponibile

2

Omul ia decizii pe tot parcursul vieţii sale,

2. Problema alegerii optime 58

3. Exemplu complex de problemă de alegere optimă 83

4. MADM - Transfer tehnologic 95

Bibliografie extinsă 186

Procesul decizional este un ansamblu de activităţi umane care, în esenţă, constă

Figura 1.1 F1 Suportul procesului de luare a deciziilor

În cadrul acesteia, MADM-ul ocupă un loc bine determinat, pe măsura

1.2 Taxonomia modelelor MADM

Metodele MCDM, după felul în care se combină calculul şi procesul de decizie

1.3 State-of-the-art al domeniului

După cum reiese din clasificările prezentate anterior, domeniul MCDM, şi

Schema 1.3 S1. Algoritmul genetic de sortare / filtrare prin non-dominare1

Aceşti algoritmi sunt utilizaţi în diferite metode de rezolvare a problemelor de

Multe decizii implică obiective contradictorii, care nu pot fi optimizate simultan.

Codificarea algoritmilor genetici şi rezultate

Biţii 1 şi 4: Operatori Biţii 2 şi 3: Valoare chirie 01 = 1,5 mile

Fiecare regulă reprezentată de un cromozom este presupusă a fi o regulă pentru

Figura 1.3 F2. Arhitectura reţelei Hopfield

Arhitectura reţelei Hopfield se prezintă prin n neuroni interconectaţi care îşi

Evaluarea ordonanţării şi criteriile multiple

Figura 1.3 F3. Evaluarea multi-criterială a ordonanţării

Simulatorul de ordonanţări din Figura 1.3 F3 furnizează şapte criterii. Descrierile

i. UTMEDM - utilizarea medie a maşinilor,

Procesul de evaluare a ordonanţării presupune agregarea acestor şapte criterii şi

Metoda NFMSA. Figura 1.3 F4 furnizează o vedere de ansamblu asupra

Figura 1.3 F4. Procedura generală a metodei NFMSA

1) Transformarea valorilor atributelor în valori normalizate şi evaluate unitar în

Extinderera metodei TOPSIS

unde I ij reprezintă ponderea de conexiune de la nodul de intrare i la nodul ascuns j

dist ( A, B ) = ( a1 − b1 )2 + ( a2 − b2 )2 + ...+ ( an − bn )2 (1.3 R2)

Pe de altă parte, dacă valorile atributelor sunt triunghiuri fuzzy de forma

d ( x , y ) = d s + d b , unde x = ( α 1 ,β1 , γ 1 ) , y = ( α 2 ,β 2 , γ 2 ) (1.3 R3)

În cele ce urmează, operatorul distanţei fuzzy între două numere triunghiulare

Metoda TOPSIS extinsă în cadrul NFMSA

NFMSA, adică metodologia de evalauare a ordonanţărilor prin agregarea criteriilor de

Figura 1.3 F6. Metoda NFMSA de extindere a metodei TOPSIS.

Ultima paradigmă AI, demnă de luat în considerare pentru beneficiile pe care le

1.4 Modelul MADM generalizat

Revenind la scopul nostru curent, modelul MADM generalizat, să delimităm

Condiţia 1. Metoda de decizie colectivă trebuie să fie aplicabilă mulţimii tuturor

1. Mulţimea decidenţilor D = {d[l] | l = 1,l }, unde l = | D | = Card D, fiecare decident

Notăm: ImpD = {imp_d[l]| l = 1,l }.

2. Mulţimea S = {s[k]| k = 1, k }, unde k = | S | = Card S, ale cărei elemente se numesc

3. Mulţimea obiectelor O = {o[i] | i = 1, i }, unde i = | O | = Card O, fiecare element

4. Mulţimea atributelor A = {a[j] | j = 1, j }, unde j = | A | = Card A, fiecare element

In definiţiile anterioare, sensul conceptului de "margine superioară", respectiv

Notăm Lim = {( pes_a[j], opt_a[j])| j = 1, j } sau Lim = {( opt_a[j], pes_a[j])| j = 1, j },

Uneori, plaja valorilor deteminată de pesim şi optim poate fi restrânsă prin

În notaţia de mai sus avem:

Notăm Stand = {(pesst_a[j], optst_a[j])| j = 1, j } sau Stand = {(optst_a[j],

Notăm: ImpA = {imp_a[j]| j = 1, j }.

5. Mulţimea OASD = {niv_oasd[i,j,k,l]| i = 1, i , j = 1, j , k = 1, k , l = 1, l } numită

Fiecare element din mulţimea OASD este caracterizat de:

7. Mulţimea de fapte Eval_od = {eval_od[i,l]| i = 1, i , l = 1, l }, unde eval_od[i,l] =

8. Mulţimea de fapte Eval_om = {eval_om[i,m]|| i = 1, i , m = 1, m ⋅ n }, unde m =

9. Mulţimea de fapte Car = {car_o[i]|| i = 1, i } conţine elemente de caracterizare a

În toate aceste definiţii, în contextul q = 1, 5 , pentru p = 1, 2, 3 se calculează minimul,

j ∉{ j1 , .. , jr } şi afişează lista acestor indici, pentru fiecare valoare greşită a

Schema 1.4 S1 Schema logica pentru obtinerea unui model consistent

1.5 Indicaţii metodologice privind modelarea MADM

1. Mulţimea obiectelor poate avea un grad ridicat de generalitate, singura condiţie

3. Unităţile de măsură ale atributelor sunt necesare numai în cazul exprimărilor