Documente Academic
Documente Profesional
Documente Cultură
ISBN 973-85554-7-7
Bucuresti 2006
3
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
1. Modelul MADM
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.
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”.
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.
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.
1 2 ....... N
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
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
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:
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
dist( A, B ) = { d ( a1 ,b1 )}2 + { d ( a2 ,b2 )}2 + ...+ { d ( an ,bn )}2 (1.3 R6)
∑ imp_ d[l] = 1.
l =1
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:
• 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].
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
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
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 = 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:
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).
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.
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.
X a b c d e
ϕF(x) 0.4 0.2 0.5 0.4 1.0
27
( x − a ) /(b − a ), a≤ x<b
1, b≤x≤c
ϕa,b,c,d(x) =
( x − d ) /(c − d ), c<x≤d
0, x < a sau x > 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.
Varsta
(ani)
0 5 6 12 14 15 16 18 20 21 22 30 34 35 40 48 52 55 57 67 68 70
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.
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.
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.
1
( x2 , y 2 ) ( x3 , y3 )
( x1 , y1 ) ( x4 , y 4 )
O 15 16 18 20 vârsta (ani)
( 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.
P ( X ∈ ( −∞, x ) ) = P ( X < x ) .
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
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 .
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
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.
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)
−∞
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
(
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.
n
+∞
este o variabilă aleatoare continuă cu densitatea f atunci ϕ (t ) = ∫e
itu
f ( u ) du .
−∞
- 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
( 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
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
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
2π −∞
p
încât φz = 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.
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
n2 χ 2
n1
independente, atunci variabila: Fn1 ,n2 = se numeşte variabilă F centrată (a lui
n1 χ 2
n2
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
1 m2 m2
µ = log m − log 2 + 1 , σ 2 = log 2 + 1 .
2 s s
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
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
υ υ υ −1
de unde E [ X ] = α + , Var ( X ) = 2 iar modul lui X este m0 = α + .
λ λ λ
43
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
g ( x) = ( ) , B ( a, b ) = .
0, altfel Γ ( a ) Γ (b)
44
1+
a
Dam mai jos, in Figura 1.5 F3, cateva densitati de repartitie cu care se lucreaza
mai frecvent in modelarea MADM:
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
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.
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.
În baza relaţiilor 1.5 R7 unele din ecuaţiile sistemului de mai sus sunt redundante.
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.
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.
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 ⇒ obiectul oi nu domină alte obiecte
i
e
dar este dominat de e − i ⋅ 2 obiecte şi demonstraţia se
2
i
încheie.
2 2
De exemplu, dacă i = 3, j = 4 si car_o[i] = 29 ⇒ 29 > 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.
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
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 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.
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 .
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
Pas 1:
Dacă nor _ oasd [i , j , nume_fisier ,l ] < 0, se trece la Pas 4;
Pas 2:
Dacă a j este atribut de minim, se ia
pes _ a[ j ] := max(niv _ oasd [i , j , nume_fisier,l ]) ;
j =1, j
Pas 1:
Dacă a j este atribut de minim, se ia
opt _ a[ j ] := min( niv _ oasd [i , j , nume_fisier,l ]) ;
j =1, j
Pas 1:
Dacă pes _ a[ j ] < opt _ a[ j ] ( a j este atribut de minim), se calculează elementele
matricei normalizate Nor _ oasd :
niv _ oasd [i , j , nume_fisier ,l ]
nor _ oasd [i , j , nume_fisier ,l ] = 1/ 2
,
∑ ( niv _ oasd [i , j ,nume_fisier ,l ]) 2
i
i =1
unde i = 1, i , j = 1, j , nume_fisier parcurge { Masiv _ oasd s = 1, k }, l = 1, l
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
niv _ oasd [i , j , nume_fisier ,l ]
nor _ oasd [i , j , nume_fisier ,l ] = 1/ 2
,
∑ ( niv _ oasd [i , j ,nume_fisier ,l ]) 2
i
i =1
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 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
matricei normalizate Nor _ oasd :
niv _ oasd [i , j , nume_fisier ,l ]
nor _ oasd [i , j ,nume_fisier ,l ] = 1 − i
, unde
∑ niv _ oasd [i , j , nume_fisier ,l ]
i =1
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.
Metoda MAXIMIN
Metoda MAXIMAX
Metoda non-dominanţei
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 ] .
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
+
lui oi si o :
j
d + [i ] = ∑ pond _ a[ j , k , l ] ⋅ | nor _ oasd [i, j , nume _ fisier , l ] − niv _ opt[ j ] | ;
j =1
Metoda TOPSIS
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.
Algoritmul este următorul:
(∀) 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.
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.
Algoritmul este următorul:
Varianta I
Pas 1: Se construieşte matricea locurilor Loc_oa: = (loc_oa[i, j ])i=1,i ,
j =1, j
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.
Metoda scorurilor
Metoda diametrelor
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
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.
Algoritmul este următorul:
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
Pas 5: STOP.
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:
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 ) domină obiectul o(i ) şi se contorizează în numărul obiectelor dominate
78
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
considerat obiectul optim.
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:
niv _ oasd [i fixat , j , nume _ fisier , l ] ≥ niv _ oasd [i, j , nume _ fisier , l ] .
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
raport cu un obiect i ∈ 1,i . Făcând această numărătoare pe rând în raport cu fiecare
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
evaluare a obiectului fixat. Se repetă procedeul pentru toate obiectele i ∈ 1,i . Obiectul
cu cel mai mare număr maxim de caracteristici prin care este cel mai bine evaluat va fi
considerat obiectul optim.
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:
niv _ oasd [i fixat , j , nume _ fisier , l ] ≥ niv _ oasd [i, j , nume _ fisier , l ] .
Numărul de teste care dau în evaluarea expresiei logice “adevărat”, factorizat la j, se
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.
.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 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
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 mic număr minim de caracteristici prin care este cel mai rău evaluat va fi
considerat obiectul optim.
80
Pas 1: Fie un i fixat, adică i fixat , şi un i oarecare, i ∈ 1,i . Pentru a stabili în câte
carecteristici este mai rău evaluat obiectul o(i fixat ) în raport cu obiectul o(i ) se fac
următoarele j teste:
niv _ oasd [i fixat , j , nume _ fisier , l ] < niv _ oasd [i, j , nume _ fisier , l ] .
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 rău 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 rău evaluate
Pentru un obiect fixat, metoda numără la câte caracteristici este el mai rău 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 maximul, 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 mic număr maxim de caracteristici prin care este cel mai rău evaluat va fi
considerat obiectul optim.
Pas 1: Fie un i fixat, adică i fixat , şi un i oarecare, i ∈ 1,i . Pentru a stabili în câte
carecteristici este mai rău evaluat obiectul o(i fixat ) în raport cu obiectul o(i ) se fac
următoarele j teste:
niv _ oasd [i fixat , j , nume _ fisier , l ] < niv _ oasd [i, j , nume _ fisier , l ] .
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
maximul din vectorul n(i) care se trece ca număr maxim de caracteristici prin care
obiectul fixat este cel mai rău 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
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.
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.
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).
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.
În final s-a calculat funcţia de merit general care a determinat optimul global, în
speţă obiectul o(3).
95
4. MADM – TRANSFER TEHNOLOGIC
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
SCAN FROM LAST POSITION FOR WProblem=Problem
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
Atribute
PROCEDURE_BF2_3 are la intrare codul problemei şi entităţile PROBLEMS-
ATTRIBUTES, ATTRIBUTES iar la ieşire vectorii codurilor interne ale atributelor,
împreună cu importanţele, sensurile şi marginile inferioare / superioare ale lor.
PROCEDURE_BF2_3 (WProblem,
AA, WAttribute(AA), WAImportance(AA),
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
SCAN FROM LAST POSITION FOR WProblem=Problem
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.
PROCEDURE_BF2_4 (WProblem,
OO, WObject(OO))
BEGIN PROCEDURE
OPEN PROBLEMS-OBJECTS
DO UNTIL EOF IN PROBLEMS-OBJECTS
SCAN FROM LAST POSITION FOR WProblem=Problem
OO=OO+1
WObject(OO)=Object
ENDSCAN
ENDDO
CLOSE PROBLEMS-OBJECTS
ENDPROCEDURE
- 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).
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),
WValue(DD, SS, AA, OO))
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
CALL PROCEDURE_BF2_6_2 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=3
CALL PROCEDURE_BF2_6_3 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=4
CALL PROCEDURE_BF2_6_4 (AA, OO, WAValue(AA, OO),
WAImportance(AA))
CASE WMethod(M)=5
CALL PROCEDURE_BF2_6_5 (AA, OO, WAValue(AA, OO),
WAImportance(AA))
CASE WMethod(M)=6
CALL PROCEDURE_BF2_6_6 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=7
CALL PROCEDURE_BF2_6_7 (AA, OO, WAValue(AA, OO),
WAImportance(AA))
121
CASE WMethod(M)=8
CALL PROCEDURE_BF2_6_8 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=9
CALL PROCEDURE_BF2_6_9 (AA, OO, WAValue(AA, OO),
WAImportance(AA))
CASE WMethod(M)=10
CALL PROCEDURE_BF2_6_10 (AA, OO, WAValue(AA, OO),
WAImportance(AA))
CASE WMethod(M)=11
CALL PROCEDURE_BF2_6_11 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=12
CALL PROCEDURE_BF2_6_12 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=13
CALL PROCEDURE_BF2_6_13 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=14
CALL PROCEDURE_BF2_6_14 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=15
CALL PROCEDURE_BF2_6_15 (AA, OO, WAValue(AA, OO))
CASE WMethod(M)=16
CALL PROCEDURE_BF2_6_16 (AA, OO, WAValue(AA, OO))
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
CALL PROCEDURE_BF2_6_2 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=3
CALL PROCEDURE_BF2_6_3 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=4
CALL PROCEDURE_BF2_6_4 (SS, OO, WSValue(SS, OO),
WSImportance(SS))
CASE WMethod(M)=5
CALL PROCEDURE_BF2_6_5 (SS, OO, WSValue(SS, OO),
WSImportance(SS))
CASE WMethod(M)=6
122
CALL PROCEDURE_BF2_6_6 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=7
CALL PROCEDURE_BF2_6_7 (SS, OO, WSValue(SS, OO),
WSImportance(SS))
CASE WMethod(M)=8
CALL PROCEDURE_BF2_6_8 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=9
CALL PROCEDURE_BF2_6_9 (SS, OO, WSValue(SS, OO),
WSImportance(SS))
CASE WMethod(M)=10
CALL PROCEDURE_BF2_6_10 (SS, OO, WSValue(SS, OO),
WSImportance(SS))
CASE WMethod(M)=11
CALL PROCEDURE_BF2_6_11 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=12
CALL PROCEDURE_BF2_6_12 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=13
CALL PROCEDURE_BF2_6_13 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=14
CALL PROCEDURE_BF2_6_14 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=15
CALL PROCEDURE_BF2_6_15 (SS, OO, WSValue(SS, OO))
CASE WMethod(M)=16
CALL PROCEDURE_BF2_6_16 (SS, OO, WSValue(SS, OO))
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
CALL PROCEDURE_BF2_6_2 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=3
CALL PROCEDURE_BF2_6_3 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=4
CALL PROCEDURE_BF2_6_4 (DD, OO, WDValue(DD, OO),
WDImportance(DD))
CASE WMethod(M)=5
CALL PROCEDURE_BF2_6_5 (DD, OO, WDValue(DD, OO),
123
WDImportance(DD))
CASE WMethod(M)=6
CALL PROCEDURE_BF2_6_6 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=7
CALL PROCEDURE_BF2_6_7 (DD, OO, WDValue(DD, OO),
WDImportance(DD))
CASE WMethod(M)=8
CALL PROCEDURE_BF2_6_8 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=9
CALL PROCEDURE_BF2_6_9 (DD, OO, WDValue(DD, OO),
WDImportance(DD))
CASE WMethod(M)=10
CALL PROCEDURE_BF2_6_10 (DD, OO, WDValue(DD, OO),
WDImportance(DD))
CASE WMethod(M)=11
CALL PROCEDURE_BF2_6_11 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=12
CALL PROCEDURE_BF2_6_12 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=13
CALL PROCEDURE_BF2_6_13 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=14
CALL PROCEDURE_BF2_6_14 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=15
CALL PROCEDURE_BF2_6_15 (DD, OO, WDValue(DD, OO))
CASE WMethod(M)=16
CALL PROCEDURE_BF2_6_16 (DD, OO, WDValue(DD, OO))
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.
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.
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.
PROCEDURE_BF2_6_3 (CC, OO, WNValue(CC, OO))
INTEGER C, O, I, J
REAL WNValue(CC, OO)
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 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).
PROCEDURE_BF2_6_6 (CC, OO, WNValue(CC, 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 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).
PROCEDURE_BF2_6_8 (CC, OO, WNValue(CC, OO))
INTEGER C, O, I, Sigma(OO)
REAL Sum, WNValue(CC, OO)
DO FOR O=1,OO
129
WNValue(0,O)=0
ENDDO
DO FOR C=1,CC
SORT DESCENDING WNValue(C, OO) GIVING Sigma(OO)
DO FOR O=1,OO
I=Sigma(O)
IF 1-WNValue(C, I)<1/10 THEN
WNValue(0,O)=WNValue(0,O)+10
ELSE
IF 1-WNValue(C, I)<2/10 THEN
WNValue(0,O)=WNValue(0,O)+9
ELSE
IF 1-WNValue(C, I)<3/10 THEN
WNValue(0,O)=WNValue(0,O)+8
ELSE
IF 1-WNValue(C, I)<4/10 THEN
WNValue(0,O)=WNValue(0,O)+7
ELSE
IF 1-WNValue(C, I)<5/10 THEN
WNValue(0,O)=WNValue(0,O)+6
ELSE
IF 1-WNValue(C, I)<6/10 THEN
WNValue(0,O)=WNValue(0,O)+5
ELSE
IF 1-WNValue(C, I)<7/10 THEN
WNValue(0,O)=WNValue(0,O)+4
ELSE
IF 1-WNValue(C, I)<8/10 THEN
WNValue(0,O)=WNValue(0,O)+3
ELSE
IF 1-WNValue(C, I)<9/10 THEN
WNValue(0,O)=WNValue(0,O)+2
ELSE
WNValue(0,O)=WNValue(0,O)+1
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))
INTEGER C, O, I, Sigma(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
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)
IF WNFirst(O)>I THEN
WNFirst(O)=I
ENDIF
IF WNLast(O)<I THEN
WNLast(O)=I
ENDIF
ENDIF
ENDDO
131
ENDDO
ENDDO
DO FOR O=1,OO
WNValue(0,O)=WNValue(0,O)+(OO-(WNLast(O)-WNFirst(O)))
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 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 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.
PROCEDURE_BF2_6_13 (CC, OO, WNValue(CC, OO))
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
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 maximul care furnizează
pentru obiectul O evaluarea WNValue(0, O). Aceasta este chiar maximul factorizat la
numărul caractericticilor.
Metoda numărului minim de caracteristici prin care obiectele sunt cel mai rău
evaluate
Pentru fiecare obiect O, cu O=1,OO, se determină numărul de caracteristici prin care
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.
PROCEDURE_BF2_6_15 (CC, OO, WNValue(CC, OO))
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
ENDDO
ENDPROCEDURE
Metoda numărului maxim de caracteristci prin care obiectele sunt cel mai rău evaluate
Pentru fiecare obiect O, cu O=1,OO, se determină numărul de caracteristici prin care
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.
PROCEDURE_BF2_6_16 (CC, OO, WNValue(CC, OO))
INTEGER C, O, I, J, Max
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
137
IF WNValue(C, O)>= WNValue(C, J) AND O NOT=J THEN
I=I+1
ENDIF
ENDDO
WNrCharacteristics(J)=I
ENDDO
Max=0
DO FOR J=1,OO
IF WNrCharacteristics(J)>Max
Max=WNrCharacteristics(J)
ENDIF
ENDDO
WNValue(0, O)=Max/CC
ENDDO
ENDPROCEDURE
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
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.
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.
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
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).
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 .
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
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
Referinţe bibliografice
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
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.
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
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
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
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:
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)
- 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);
Astfel, există:
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
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.
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.
Referinţe bibliografice
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
(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
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
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
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
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
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. 6, 7 & [28] p., 1993.
Yang, J.-B., User manual on software for AHP and CODASID, In: Multiple Attribute
Decision Making Introductory Workshop for CODASID & AHP, Newcastle upon
Tyne, 24 Feb 1993, 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. 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