Vícekriteriální rozhodování za jistoty

Kapitola 1 Vícekriteriální rozhodování za jistoty Při řešení rozhodovacích problémů se často setkáváme s případy, kdy optimální rozhodnutí musí vyhovovat více než jednomu kritériu. Zadaná kritéria mohou mít kvantitativní i kvalitativní charakter (při koupi automobilu je rozhodující jak jeho cena, tak i vzhled), mohou být maximalizační i minimalizační (požadujeme, aby zakoupený automobil dosahoval co největší rychlosti a byl co nejlacinější) a mohou být i navzájem konfliktní (nízká cena výrobku je zpravidla spojena s jeho horší kvalitou). Úlohy vícekriteriálního rozhodování můžeme klasifikovat podle způsobu zadání množiny variant, které pro optimální rozhodnutí připadají v úvahu (jde o tzv. přípustné varianty). Je-li tato množina určena konečným seznamem variant, hovoříme o vícekriteriálním hodnocení variant. Je-li množina přípustných variant zadána podmínkami, které musí být při výběru optimální varianty splněny, jde o úlohy vícekriteriálního programování (též vícekriteriální nebo vektorové optimalizace). V těchto úlohách varianty rozhodnutí představují n-tice nezáporných čísel, které vyhovují daným omezujícím podmínkám a kterých může být nekonečně mnoho. Kritéria pro výběr nejvýhodnější varianty jsou vyjádřena účelovými funkcemi a musí být tedy pouze kvantitativní. Jednoduchým příkladem vícekriteriálního hodnocení variant je následující úloha, na které budou ilustrovány všechny používané pojmy a metody. Příklad 1. Uchazeč o zaměstnání se rozhoduje mezi firmami A, B, C, přičemž tato pracoviště posuzuje podle výše měsíčního platu ( tis.Kč), doby strávené na cestě do zaměstnání ( minuty), možnosti dalšího odborného růstu (hodnocení 1, 2, 3 pro malou, střední a velkou možnost) a začátku pracovní doby (hodiny:minuty). Potřebné údaje jsou uvedeny v tabulce

firma A firma B firma C

1.1

K1 30 22 26

K2 60 30 45

K3 2 1 3

K4 9:00 7:30 8:00

Základní pojmy

Rozhodnutí - výběr jedné nebo více variant z množiny všech přípustných variant. V našem případu je to výběr firmy, u které se uchazeč nechá zaměstnat. Rozhodovatel – subjekt, který má za úkol učinit rozhodnutí. Člověk, který vybírá vhodné zaměstnání. V úlohách vícekriteriální analýzy variant je dána konečná (diskrétní) množina m variant, které jsou hodnoceny podle n kritérií. Cílem je učinit rozhodnutí, která varianta je podle daných kritérií hodnocena nejlépe. Jedná se o tzv. optimální variantu. Varianty lze seřadit od nejlepší po nejhorší nebo je rozdělit na efektivní a neefektivní varianty. 1

KAPITOLA 1. VÍCEKRITERIÁLNÍ ROZHODOVÁNÍ ZA JISTOTY

2

Varianty (alternativy) – konkrétní rozhodovací možnosti, které jsou realizovatelné. V následujícím textu je budeme značit Ai (pro i = 1, 2, . . . , m ). Varianty jsou firmy A, B, C. Kritéria – hlediska, ze kterých jsou varianty posuzovány. Dále je budeme značit Kj (pro j = 1, 2, ..., n ). Kritéria jsou výše měsíčního platu, doba cesty do zaměstnání, možnost dalšího odborného růstu, začátek pracovní směny. Kriteriální matice - je-li hodnocení variant podle kritérií kvantifikováno, údaje uspořádáváme do kriteriální matice Y = (yi,j ). Prvky této matice vyjadřují hodnocení i-té varianty podle j-tého kritéria. Řádky odpovídají variantám, sloupce kritériím. Klasifikace kritérií dle povahy • maximalizační – nejlepší hodnoty mají nejvyšší hodnoty (výše měsíčního platu, možnost odborného růstu, začátek pracovní doby) • minimalizační – nejlepší hodnoty mají nejmenší hodnoty (doba cesty do zaměstnání) Vhodné je před hodnocením převést všechna kritéria na jeden typ. Pokud chceme například převést minimalizační kritérium na maximalizační, vybereme ve sloupci příslušného kritéria největší číslo a od tohoto čísla odečítáme ostatní kriteriální hodnoty v daném sloupci. Výsledkem je potom vzdálenost skutečné hodnoty od hodnoty nejhorší, čím je tato vzdálenost větší, tím lépe, kritérium je tedy maximalizační. V našem příkladu je minimalizační K2 , pokud hodnoty budeme chtít převést na maximalizační, vybereme největší číslo ve druhém sloupci (60), pro všechny prvky v druhém sloupci vypočteme rozdíl mezi nejhorší hodnotou (60) a ostatními hodnotami a získáme čísla 0, 30, 15. Víme tedy například, že při volbě varianty B budeme dojíždět do práce o 15 minut kratší dobu než u varianty A. Většina programů pro vícekriteriální hodnocení variant vyžaduje pouze zadání typu kritéria a program provede standardizaci všech kritérií na výnosový typ sám. dle kvantifikovatelnosti • kvantitativní – objektivně měřitelné údaje (výše měsíčního platu, doba cesty do zaměstnání, začátek pracovní doby) • kvalitativní – nelze objektivně měřit, varianty jsou hodnoceny slovně, proto je nutné užít k převedení slovního hodnocení různé bodovací stupnice či relativní hodnocení variant (možnost dalšího odborného růstu) Preference kritéria – důležitost kritéria v porovnání s ostatními kritérii. Vyjádření preference • aspirační úroveň – hodnota kritéria, které má být dosaženo (například uchazeč požaduje měsíční plat alespoň 25 tis. Kč, aby se nabídkou práce začal zabývat) • pořadí kritérií (ordinální informace o kritériích) - posloupnost kritérií od nejdůležitějšího po nejméně důležité • váhy kritérií – kardinální informace o kritériích; váha je hodnota z intervalu a vyjadřuje relativní důležitost kritéria v porovnání s ostatními • kompenzace kriteriálních hodnot – jsou vyjádřeny mírou substituce mezi kriteriálními hodnotami (možno vyrovnat špatné kriteriální hodnoty podle jednoho kritéria lepšími hodnotami podle jiného kritéria)


3

Varianty se speciálními vlastnostmi Dominovaná varianta – pokud jsou všechna kritéria maximalizační, varianta ai dominuje variantu aj pokud existuje alespoň jedno kritérium kl , že yil > yjl , přičemž pro ostatní kritéria platí (yi1 , yi2 , . . . , yin ) ≥ (yj1 , yj2 , . . . , yjn ). V našem případě taková varianta neexistuje, ale byla by to například taková, která by měla výši měsíčního platu 26 tisíc Kč, doba dojíždění by byla 60 minut, možnost odborného růstu by byla malá a začátek pracovní doby by byl v 7:30 Paretovská varianta, nedominovaná varianta – varianta, která není dominovaná žádnou jinou variantou. Ideální varianta – hypotetická či reálná varianta, která dosahuje ve všech kritériích nejlepší možné hodnoty. Taková varianta by dominovala všechny ostatní varianty. Ideální by bylo, kdyby měsíční plat byl 30 tis. Kč, doba dojíždění by byla 30 minut, u firmy by byla velká možnost odborného růstu a začátek pracovní doby by byl v 9:00. Taková skutečná firma (varianta) v seznamu možných variant není, proto je tato varianta pouze hypotetická. Kdyby taková skutečně existovala, uchazeč by si ji vybral a nemusel by hledat kompromisní řešení. Bazální varianta – hypotetická či reálná varianta, jejíž ohodnocení je nejhorší podle všech kritérií. Taková varianta by byla dominovaná ostatními variantami. V našem případě by taková varianta zahrnovala výši měsíčního platu 22 tis. Kč, dojíždění by trvalo 60 minut, možnost odborného růstu by byla malá a pracovní doba by začínala v 7:30. Taková varianta mezi skutečnými variantami není, uchazeč by ji jinak mohl rovnou vyřadit. Kompromisní varianta – jediná nedominovaná varianta doporučená k řešení. Vlastnosti, které by měla mít kompromisní varianta: • nedominovanost – varianta nesmí být dominovaná jinou variantou • invariance vzhledem k pořadí kritérií – pořadí kritérií neovlivňuje výběr kompromisní varianty • invariance vzhledem k měřítku kriteriálních hodnot – pokud ke všem prvkům přičteme stejné číslo (vynásobíme stejným číslem), množina vybraných variant se nesmí změnit • nezávislost na identických hodnotách téhož kritéria – vyskytne-li se kritérium, jehož hodnoty jsou pro všechny varianty zhruba stejné, nesmí se změnit množina vybraných variant • invariance vzhledem k přidaným dominovaným variantám – přidáme-li do množiny variant dominovanou variantu, vybraná kompromisní varianta se nesmí změnit. • determinovanost – podle každého přístupu nejméně jedna varianta musí být vybrána jako kompromisní • jednoznačnost – zvolený postup dává jednoznačný výsledek, jednu variantu označí jako kompromisní

1.2

Metody stanovení vah kritérií

Většina metod vícekriteriálního rozhodování vyžaduje odlišení jednotlivých kritérií z hlediska jejich významnosti. Jednou z možností je číselné vyjádření této významnosti pomocí tzv. vah (čím je kritérium významnější, tím je jeho váha větší). Váhu kritéria Kj budeme značit vj , j = 1, 2, . . . , n, kde n je počet všech uvažovaných kritérií. Aby váhy kritérií, stanovené různými metodami, popř. různými experty, byly srovnatelné, vyjadřujeme je v normovaných hodnotách wj , které počítáme podle vztahu1.2 vj wj = P , j = 1, 2, . . . , n (1.1) n vk k=1


4

Normované váhy představují nezáporná čísla, jejichž součet se rovná jedné. Rozdělení metod pro stanovení vah kritérií Metody na stanovení vah kritérií lze rozdělit podle informace, která je nutná ke stanovení vah. • rozhodovatel nemůže určit preference V případě, že rozhodovatel není schopen rozlišit důležitost jednotlivých kritérií, všem kritériím je přiřazena stejná váha. Máme-li tedy například pět kritérií (n = 5), každému z nich je přiřazena váha 0,2 (wj = n1 ). • rozhodovatel má ordinální informaci o kritériích V takovém případě je rozhodovatel schopen určit pořadí důležitosti kritérií. Mezi metody vyžadující ordinální informaci o kritériích patří metoda pořadí a Fullerova metoda • rozhodovatel má kardinální informace o kritériích rozhodovatel zná nejen pořadí, ale i rozestupy v pořadí mezi jednotlivými kritérii. Mezi metody založené na tomto principu patří bodovací metoda a Saatyho metoda Metoda pořadí Rozhodovatel seřadí kritéria K1 , K2 , . . . , Kn od nejvýznamnějšího k nejméně významnému a takto uspořádaným kritériím přiřadí váhy n, n − 1, . . . , 2, 1. Pro normovanou váhu kritéria Kj s vahou vj pak platí vj , j = 1, 2, . . . , n (1.2) wj = P n vk k=1

Jestliže uchazeč preferuje kritéria v pořadí K1 , K3 , K2 , K4 , pro jejich normované váhy platí w1 = 0, 4; w2 = 0, 2; w3 = 0, 3; w4 = 0, 1. Například kritérium K1 je první v pořadí ze čtyř kritérií, proto přiřadíme tomuto kritérii 4 body. Celkový počet bodů přidělený všem kritériím je 10. Váha se pak vypočte jako podíl bodů přiřazených tomuto kritériu na celkovém počtu přiřazených bodů, tedy w1 = 0, 4 Fullerova metoda Při větším počtu kritérií je výhodné srovnávat navzájem vždy pouze dvě kritéria, o kterých snáze rozhodneme, které je důležitější. Jednu z možností pro vyhodnocení těchto srovnání poskytuje tzv. Fullerův trojúhelník. Za předpokladu, že jednotlivá kritéria jsou pevně očíslována pořadovými čísly 1, 2, , n, Fullerův trojúhelník je tvořen dvojřádky, v nichž každá dvojice kritérií se vyskytne právě jednou (viz schéma). U každé dvojice hodnotitel zakroužkuje nebo jinak vyznačí číslo toho kritéria, které považuje za důležitější, takže pro kritérium Kj představuje počet zakroužkovaných čísel j počet jeho preferencí, který označíme fj . Protože při počtu kritérií n je počet párových srovnání roven kombinačnímu číslu , tj. pro normovanou váhu kritéria Kj platí wj = Schéma Fullerova trojúhelníku

fj n(n−1) 2

, j = 1, 2, . . . , n

(1.3)

KAPITOLA 1. VÍCEKRITERIÁLNÍ ROZHODOVÁNÍ ZA JISTOTY 1 2

1 3 2 3

1 4 2 4

... ... ... ... ... n-2 n-1

5

1 n 2 n n-2 n n-1 n

Pro náš konkrétní příklad preferované kritérium vyznačíme tučně. 1 2

1 1 3 4 2 2 3 4 3 4

Pro každé kritérium spočítáme kolikrát je označené jako preferované před jiným kritériem Kritérium Počet preferencí Váha K1 3 1/2 K2 1 1/6 K3 2 1/3 K4 0 0 Celkem 6 1 Nevýhodou metody párového srovnávání je skutečnost, že nejméně důležité kritérium má nulovou váhu, i když nemusí jít o zcela bezvýznamné kritérium. Tento nedostatek lze odstranit tak, že četnost preferencí každého kritéria zvýšíme o 1 a jmenovatele zlomku ve vzorci 1.3 zvýšíme o n. Kritérium Počet preferencí Váha Navýšený počet preferencí K1 3 1/2 4 K2 1 1/6 2 K3 2 1/3 3 K4 0 0 1 Celkem 6 1 10

Upravená váha 0,4 0,2 0,3 0,1 1

Existují modifikace metody párového srovnávání kritérií, které připouštějí stejnou důležitost nebo nesrovnatelnost některých kritérií. Bodovací metoda Na rozdíl od metody pořadí, která vychází pouze z porovnání významnosti jednotlivých kritérií, při bodovací metodě se důležitost kritérií ohodnotí počtem bodů (čím je kritérium důležitější, tím má větší počet bodů). Bodovací stupnice může mít větší či menší rozsah – např. 1 až 5, 1 až 10 apod. Přidělený počet bodů se převádí na normovanou váhu dle vzorce 1.2. Zvláštním případem bodovací metody je alokace 100 bodů (zvaná též Metfesselova alokace), kdy mezi jednotlivá kritéria se v souladu s jejich důležitostí rozděluje 100 bodů. Normované váhy jsou potom stokrát menší než příslušný počet bodů.

KAPITOLA 1. VÍCEKRITERIÁLNÍ ROZHODOVÁNÍ ZA JISTOTY Kritérium Počet bodů K1 50 K2 20 K3 25 K4 5 Celkem 100

6

Váha 0,5 0,2 0,25 0,05 1

Metoda kvantitativního párového srovnávání (Saatyho metoda) Kromě výběru preferovaného kritéria se určuje pro každou dvojici kritérií také velikost této preference (SAATY,1990). K vyjádření velikosti preferencí SAATY doporučuje bodovou stupnici: Vyjádření preferencí číselné slovní 1 kritéria jsou stejně významná 3 první kritérium je slabě významnější než druhé 5 první kritérium je silně významnější než druhé 7 první kritérium je velmi silně významnější než druhé 9 první kritérium je absolutně významnější než druhé Pro citlivější vyjádření preferencí je možné použít i mezistupně (2, 4, 6, 8). Velikost preferencí i-tého kritéria proti j-tému můžeme uspořádat do Saatyho matice S, jejíž prvky sij představují odhady podílů vah kritérií (kolikrát je jedno kritérium významnější než druhé)1.5: sij ≈

vi , i, j = 1, 2, . . . , n vj

(1.4)

Matice S je čtvercová řádu r × n a pro prvky matice S platí sij =

1 , i, j = 1, 2, . . . , n sji

(1.5)

tedy matice S je reciproční. Na diagonále matice S jsou vždy hodnoty jedna (každé kritérium je samo sobě rovnocenné). Dříve než se počítají váhy jednotlivých kritérií, je nutné ověřit, zda zadaná matice párových porovnávání je konzistentní. Uvažujme ideální matici V = (vij ), pro jejíž prvky by platilo vhj = vhi vij pro i, j, h = 1, 2, . . . , n. Taková matice by byla dokonale konzistentní. Prvky matice S nejsou většinou dokonale konzistentní, tzn. neplatí shj = shi sij pro h, i, j = 1, 2 . . . , n. Míra konzistence se měří např. indexem konzistence, který Saaty definoval takto IS =

λmax − n , n−1

(1.6)

kde λmax je největší vlastní číslo matice S a n je počet kritérií. Matice S je dostatečně konzistentní, jestliže IS < 0, 1. Při stanovování vah můžeme vycházet z podmínky, že matice S by se měla od matice V lišit co nejméně. Potom minimalizujeme součet odchylek stejnolehlých prvků obou matic: F =

n X n X

[sij −

i=1 j=1

za podmínky

r P

vi 2 ] → min vj

(1.7)

vj = 1 a vj ≥ 0 pro i, j = 1, 2, . . . , n.

j=1

Další metoda, jak stanovit váhy je logaritmická metoda nejmenších čtverců. Řešíme F =

n n X X i=1 j=1

[ln sij − (ln vi − ln vj )]2 → min

(1.8)


za podmínky

r P

7

vj = 1 a vj ≥ 0 pro i, j = 1, 2, . . . , n.

j=1

Saaty navrhl početně jednoduchý způsob, jak spočítat váhy. Řešením je normalizovaný geometrický průměr řádků matice S: r Q 1 [ sij ] n j=1 wi = P (1.9) n Q n 1 [ sij ] n ] i=1 j=1

Pokud je matice S plně konzistentní, tzn. pro její prvky platí shj = shi sij , váhy kritérií vypočítané podle vztahu 1.9 přesně odpovídají požadavkům na jejich preferenci. Pokud matice S není konzistentní, pomocí interaktivního postupu je možno zpřesňovat odhady a zlepšit jejich konzistenci. Rozhodovateli jsou předloženy prvky matice sij a vypočítané podíly vvji k porovnání a úpravě prvků sij , na jejichž základě se vypočtou nové odhady podílů vah atd. Nejprve provedeme u našeho příkladu porovnání důležitosti mezi všemi dvojicemi kritérií a tato porovnání uspořádáme do Saatyho matice párových srovnání. K1 K2 K3 K4

 K1 K2 K 3 K4 1 5 3 7  1/5 1 1/2 4   1/3 2 1 5 1/7 1/4 1/5 1

   

Vzhledem k tomu, že matice je dostatečně konzistentní, nemusíme upravovat sílu preferencí mezi kritérii a přistoupíme k výpočtu vah podle vztahu 1.9. geometrický průměr vážený geometrický průměr (wi ) K1 3.20109 0.56774 K2 0.79527 0.14105 K3 1.35120 0.23965 K4 0.29072 0.05156 suma 5.638272125 1 Metoda postupného rozvrhu vah Při velkém počtu kritérií je vhodné seskupit kritéria do dílčích skupin podle příbuznosti jejich věcné náplně. Váhy jednotlivých kritérií pak určíme tak, že • stanovíme normované váhy jednotlivých skupin kritérií (pomocí některé z dříve uvedených metod) • stanovíme normované váhy každého kritéria v příslušné skupině • vynásobením vah skupin kritérií a vah jednotlivých kritérií v rámci každé skupiny zjistíme výsledné normované váhy kritérií Uvedený postup je ilustrován na následujícím příkladu: Výrobní firma uvažující o vytvoření společného podniku hledá partnera, který by co nejlépe vyhovoval těmto kritériím: K1 K2 K3 K4

... ... ... ...

možnost kooperace v klíčových výrobních programech firmy kompatibilnost technologie technická úroveň partnera možnost dodávat zboží na trhy partnera


8

K5 . . . možnost samostatně vystupovat na zahraničních trzích K6 . . . finanční výsledky hospodaření partnera v posledním roce K7 . . . velikost finančního vkladu partnera do společného podniku K8 . . . vzdálenost sídla partnera od sídla firmy K9 . . . image firmy partnera Uvedený soubor kritérií lze podle jejich obsahové příbuznosti rozdělit do čtyř skupin: - kritéria výrobně-technologická (skupina S1 s kritérii K1 , K2 , K3 ) - kritéria obchodní (skupina S2 s kritérii K4 , K5 ) - kritéria finanční (skupina S3 s kritérii K6 , K7 ) - kritéria ostatní (skupina S4 s kritérii K8 , K9 ) Za předpokladu, že byly stanoveny váhy těchto skupin kritérií a váhy jednotlivých kritérií v rámci uvažovaných skupin, výše popsaným postupem byly spočítány a do posledního řádku následující tabulky zapsány výsledné váhy jednotlivých kritérií. Skupina kritérií Váhy skupin kritérií Kritéria Váhy kritérií Výsledn váhy kritérií

S1 S2 S3 S4 0,3 0,2 0,4 0,1 K1 K2 K3 K 4 K5 K 6 K7 K8 K9 0,5 0,2 0,3 0,5 0,5 0,3 0,7 0,4 0,6 0,15 0,06 0,09 0,1 0,1 0,12 0,28 0,04 0,06

Váhy kritérií patří k údajům subjektivního charakteru, závisejícím jednak na použití metody, jednak na hodnotiteli. Doporučuje se proto aplikovat více metod, zapojit více hodnotitelů a získané hodnoty průměrovat. Stejně jako lze kritéria rozdělit do skupin a každé skupině přidělit váhu, může hodnocení provádět více hodnotitelů, každému hodnotiteli je pak přidělena váha, kterou hodnotitel dělí mezi kritéria.

1.3

Metody stanovení pořadí variant

Cílem metod vícekriteriálního hodnocení variant je stanovení pořadí výhodnosti jednotlivých variant z hlediska zvolených kritérií, přičemž varianta s nejlepším umístěním představuje nejlepší kompromisní variantu. Metody pro výběr kompromisní varianty mezi nedominovanými variantami se liší přístupem k pojmu ”kompromisní varianta”, náročností a použitelností pro různé typy vícekriteriálních úloh. Výsledky získané různými metodami mají tedy subjektivní charakter a mohou se navzájem lišit. Metody je možné rozdělit podle toho, jaký typ informace vyžadují. • Metody vyžadující aspirační úrovně kriteriálních hodnot Do této skupina metod patří například konjunktivní metoda, disjunktivní metoda a metoda PRIAM. Informace o důležitosti kritérií je vyjádřena aspirační úrovní kritérií. Porovnávají se kriteriální hodnoty všech variant s aspiračními úrovněmi všech kritérií. Obvykle se rozdělí skupina variant na dvě skupiny. Varianty, které mají horší kriteriální hodnoty, než je nastavená aspirační úroveň (neakceptovatelné, neefektivní) a varianty, které mají lepší nebo stejné kriteriální hodnoty, než je aspirační úroveň (akceptovatelné, efektivní). Při dostatečném zpřísnění aspiračních úrovní může v množině akceptovatelných variant zůstat varianta jediná, kterou označíme jako kompromisní. • Metody vyžadující ordinální informace o variantách podle každého kritéria Jsou to například metoda pořadí, lexikografická metoda, permutační metoda, metoda ORESTE • Metody vyžadující kardinální informace o variantách podle každého kritéria Tato skupina metod se dále rozděluje na dílčí podskupiny podle principu, na kterém jsou hodnocení založena. Existují tyto základní přístupy:


9

– maximalizace užitku (metoda váženého součtu, metoda bázické varianty, metoda AHP, metoda bodovací) – minimalizace vzdálenosti od ideální varianty, popř. maximalizace vzdálenosti od bazální varianty (TOPSIS) – preferenční relace (ELECTRE, PROMETHEE) – metody založené na mezní míře substituce (metoda postupné substituce) Některé zmíněné metody budou vysvětleny dále, jiné popisují např. Fiala (1994) nebo Brožová (2003). Konjunktivní a disjunktivní metoda Při aplikaci těchto metod je nutné, aby byly známé aspirační úrovně všech kritérií a kardinální ohodnocení variant podle jednotlivých kritérií. Podle aspirační úrovně rozdělíme varianty na akceptovatelné a neakceptovatelné. V případě konjunktivní metody připustíme pouze varianty, které splňují všechny aspirační úrovně. Pro maximalizační kritéria platí 1.10: M = { Ai |yij ≥ zj },

(1.10)

kde zj je aspirační úroveň podle j-tého kritéria. Toto musí platit pro všechna j = 1, 2, . . . , n. Pro minimalizační kritéria naopak 1.11 M = { Ai |yij ≤ zj },

(1.11)

kde zj je aspirační úroveň podle j-tého kritéria. Toto musí platit pro všechna j = 1, 2, . . . , n. V případě disjunktivní metody připustíme varianty, které splňují alespoň jeden požadavek. V případě maximalizačních kritérií platí 1.12 M = { Ai |yij ≥ zj },

(1.12)

kde zj je aspirační úroveň podle j-tého kritéria. Toto musí platit pro alespoň jedno j = 1, 2, . . . , n. V případě minimalizačních kritérií platí 1.21 M = { Ai |yij ≤ zj },

(1.13)

Pokud jsou požadavky vyjádřeny aspiračními úrovněmi příliš přísné, je množina akceptovatelných variant prázdná. V takovém případě je nutno zadat nové, mírnější aspirační úrovně. A naopak, budou-li požadavky mírné, množina variant bude příliš velká. Pak je nutné aspirační úrovně zpřísnit. Vezměme u našeho příkladu tyto aspirační úrovně: z1 = 25, z2 = 45, z3 = 2, z4 = 8. Pokud problém budeme řešit konjunktivní metodou, jediná varianta, která vyhovuje všem aspiračním úrovním, je varianta C. Pokud k řešení přistoupíme metodou disjunktivní, pak alespoň z jednoho hlediska vyhovují všechny varianty. Metoda PRIAM (Programme utilisatnt lIntelligence Artificiele en Multicritere) Tato metoda je založena na heuristickém prohledávání množiny variant tak, aby bylo nalezeno jediné nedominované řešení. Požadované informace jsou ohodnocení variant podle jednotlivých kritérií. Každá varianta Ai je zobrazena vektorem kriteriálních hodnot yi ∈ Y. Aspirační úrovně kritérií jsou označeny zjs a změny aspiračních úrovní v s-tém kroku δzjs . Hledáme varianty, pro jejichž kriteriální hodnoty platí yi ≥ z(s) . (1.14)


10

Počet variant splňující tento vztah udává číslo d. Vzhledem k hodnotě d rozhodovatel mění aspirační úroveň kritérií pro krok s + 1 z(s+1) = z(s) + δz(s) . (1.15) Rozhodovatel navrhne aspirační úrovně kritérií (s)

(s)

z(s) = (z1 , z2 , . . . , zn(s) ).

(1.16)

Podle hodnoty čísla d nastávají tři případy: • d > 1 - rozohodovatel mění aspirační úroveň tak, aby snížil počet akceptovatelných variant • d = 1 - je nalezena kompromisní varianta • d = 0 - neexistuje žádná přijatelná varianta, hledá se nejbližší varianta k zadaným aspiračním úrovním; v takovém případě se pro každou variantu vypočte odchylka od aspirační úrovně podle vztahu 1.17 (s) n X |zj − yj | , (1.17) ∗ y j j=1 kde yj∗ pro j = 1, 2, . . . , n jsou ideální kriteriální hodnoty. Jako přijatelnou variantu vybereme variantu s nejmenší odchylkou od aspiračních úrovní kritérií. Postup při řešení metodou PRIAM je možno znázornit graficky stromem. Výchozí aspirační úroveň u našeho příkladu je z(0) = (22; 60; 1; 7.5). Této aspirační úrovni vyhovují všechny varianty. Zpřísníme tedy aspirační úroveň nejprve u nejdůležitějšího kritéria o 5. Nebo-li δz(1) = (3; 0; 0; 0) a aspirační úrovně jsou pak z(1) = (25; 60; 1; 7.5). Tím je vyřazena varianta B, zbývají stále dvě varianty. Zpřísníme aspirační úroveň například u kritéria odborný růst o 1, tedy δz(2) = (0; 0; 1; 0). Aspirační úroveň bude po této úpravě z(2) = (25; 60; 2; 7.5). Stále zbývají dvě varianty, které stanovené aspirační úrovně splňují. Proto zpřísníme aspirační úroveň u druhého kritéria δz(3) = (0; 10; 0; 0). Po této úpravě je aspirační úroveň z(3) = (25; 50; 2; 7.5) a tomu vyhovuje už jen varianta C. Metoda pořadí Metoda pořadí je založena na převedení kriteriální matice na matici pořadí. To znamená, že postupně se podle všech kritérií přiřadí variantám jejich pořadí. Pokud nejsou známé preference kritérií, pouze se sečtou pro každou variantu všechna pořadí. Nejlepší varianta má tento součet nejnižší. Pokud jsou známé preference kritérií (váhy), lze vypočítat vážené pořadí variant, opět nejlepší varianta má tento součet nejnižší. Pro náš příklad je matice pořadí bez vah následující:

A B C

K1 1 3 2

K2 3 1 2

K3 2 3 1

K4 1 3 2

Součet pořadí 7 10 7

Pořadí 1. 2. 1.

S váhami pak: K1 A 0.5 B 1.5 C 1 váhy 0.5

K2 K 3 K4 Vážený součet pořadí Pořadí 0.6 0.5 0.05 1.65 1. 0.2 0.75 0.15 2.6 3. 0.4 0.25 0.1 1.75 2. 0.2 0.25 0.05


11

Metoda lexikografická Tato metoda vychází z předpokladu, že největší vliv na výběr kompromisní varianty má nejdůležitější kritérium. V případě, že existuje více variant se stejným hodnocením podle nejdůležitějšího kritéria, přichází v úvahu druhé nejdůležitější kritérium. Algoritmus se zastaví ve chvíli, kdy je vybraná jediná varianta, nebo když jsou vyčerpána všechna uvažovaná kritéria. Kompromisní varianty jsou potom všechny ty, které zůstaly stejně hodnoceny po zařazení posledního kritéria. V našem příkladu si zvolíme jako nejdůležitější např. kritérium mzda. Z tohoto hlediska je nejlepší varianta A, proto bychom doporučili vybrat tuto variantu. V případě, že by mzda byla stejná u více variant, pak bychom přistoupili k druhému nejdůležitějšímu kritériu a podle něj bychom rozhodli o výběru vhodné varianty. Metoda ORESTE Metoda má dvě části. V první části je určena vzdálenost každé varianty podle každého kritéria od fiktivního počátku. Fiktivní varianta a fiktivní kritérium mají pořadové číslo 0. Kvaziuspořádání kritérií je vyjádřeno pomocí vektoru pořadových čísel kritérií. q = (q1 , q2 , . . . , qn ).

(1.18)

Indiferentní kritéria jsou ohodnocena průměrnými pořadovými čísly. Stejně je vyjádřeno kvaziuspořádání variant podle jednotlivých kritérií pomocí matice P = (pij ); i = 1, 2, . . . , m; j = 1, 2, . . . , n.

(1.19)

Indiferentní varianty jsou opět ohodnoceny průměrnými pořadovými čísly. Na základě znalosti vektoru q a matice P se vypočte matice D vzdáleností od fiktivního počátku p0j = (0, 0 . . . , 0) D = (dij ); i = 1, 2, . . . , m; j = 1, 2, . . . , n

(1.20)

dij = (0.5(pij )n + 0.5(qj )n )1/n ,

(1.21)

kde r je reálné číslo. Obvyklá hodnota tohoto exponentu se pohybuje okolo 3. Pro měření vzdálenosti od fiktivního počátku je použita tzv. Dujmovičova metrika. Vzdálenosti dij jsou vzestupně uspořádány a ohodnoceny pořadovými čísly rij (i = 1, 2, . . . , m; j = 1, 2, . . . , n. V případě několika stejných hodnot se počítá s průměry. Tímto způsobem je získána matice R = (rij ) a je možno určit její řádkové součty n X rij ; i = 1, 2, . . . , m. (1.22) j=1

Vzestupným uspořádáním těchto globálních hodnot získáme kvaziuspořádání variant. Druhou částí metody ORESTE je preferenční analýza. Pro každou dvojici je prováděn test preference P, indiference I a nesrovnatelnosti N na základě preferenční intenzity. Dále jsou zvoleny tři prahové hodnoty α, β, γ . Na základě hodnot rij vypočítáme tzv. hodnoty preferenčních intenzit X cij (rjh − rih ); i = 1, 2, . . . , m, j = 1, 2, . . . , n, (1.23) h∈K

kde K je množina indexů kritérií, z jejichž hlediska je varianta Ai je lepší než varianta Aj . Maximální hodnota, které může dosáhnout preferenční intenzita je cmax = n2 (m − 1).

(1.24)

Relativní preferenční intenzity vzhledem k jejich maximální možné hodnotě jsou cN ij =

cij ; i = 1, 2, . . . , m; j = 1, 2, . . . , n. cmax

(1.25)


12

Dále budeme předpokládat, že platí N cN ij ≥ cji .

(1.26)

Nyní je nutné provést test indiference. Pokud platí N N cN ij ≤ α ∧ cij − cji ≤ β,

(1.27)

varianty ai , aj jsou indiferentní. V opačném případě nastává případ preference nebo nesrovnatelnosti. Pokud platí cN ij ≥ γ, (1.28) N cij − cN ji varianty ai , aj jsou navzájem nesrovnatelné (nelze rozhodnout o preferenci či indiferenci). V opačném případě platí, že variantaai je preferována před variantou aj . Výsledek je závislý na rozhodovatelově volbě prahů α, β, γ. Pro horní meze prahů α, β se nechají odvodit následující hodnoty 1 1 ,β ≤ . (1.29) α≤ 2(m − 1) n(m − 1) Pro práh γ lze určit donlí mez

n−2 (1.30) 4 Výsledky preferenční analýzy lze zachytit v matici, jejíž řádky i sloupce odpovídají variantám. Prvky matice informují o vzájemném vztahu každé dvojice variant (preference P, indiference I a nesrovnatelnosti N). Symbol ”+” znamená, že varianta ai je preferována před variantou aj , v opačném případě (aj je preferována před variantou ai ) se použije znaménko ”-”. Výsledky preferenční analýzy lze znázornit i graficky. γ≥

Pro náš příklad nejprve stanovíme pořadí kritérií a pak pořadí variant podle jednotlivých kritérií: Pořadí K1 A 1 B 3 C 2 Váhy 1

K2 3 1 2 3

K3 2 3 1 2

K4 1 3 2 4

Nyní se vypočítají vzdálenosti od fiktivního počátku:

A B C

K1 K2 K3 K4 1 3 2 3.191 2.41 2.41 2.596 3.57 1.65 2.596 1.651 3.302

Vzdálenosti od počátku seřadíme vzestupně od nejbližší po nejvzdálenější a přiřadíme jim pořadí. V případě, že se v tabulce vyskytuje více stejných vzdáleností, přiřazujeme jim průměrná pořadí:

A B C

K1 K2 K3 K4 Součet pořadí 1 9 4 10 24 5.5 5.5 7.5 3.57 12 2.5 7.5 2.5 3.302 11

Pořadí varianty 2. 3. 1.

Metodou ORESTE byly varianty seřazeny takto: C A B. Varianty A a C jsou si hodně blízké, varianta B je proti oběma těmto variantám horší. Tato metoda umožňuje provést i preferenční analýzu. Proto je nutné spočítat hodnoty normalizovaných preferenčních intenzit:


A B C

13

A B C – 0.171875 0.078125 0.125 – 0.0625 0.09375 0.28125 –

Pro preferenční analýzu volíme mezní hodnoty prahů: α = 0.25, β = 0.125, γ = 0.5. Výsledky jsou pak shrnuty v následující tabulce: A B C

A – Nesrovnatelné Indiferentní

B Nesrovnatelné – Lepší

C Indiferentní Horší –

Jak již bylo zmíněno výše, i z tabulky preferenční analýzy vyplývá, že varianty A a C jsou indiferentní. Variantu B s nimi nelze dobře prorovnávat, jediné kritérium, ve kterém je tato varianta dobrá je vzdálenost, ve všech ostatních kritériích je horší. Metoda bodovací Při této metodě rozhodovatel přiřadí každému prvku rozhodovací matice určitý počet bodů ze zvolené stupnice, a to tak, že lepší hodnotě kritéria přiřadí větší počet bodů. Maximálně (minimálně) možný počet bodů přiřazený nejlepší (nejhorší) hodnotě kritéria musí být pro všechna kritéria stejný, přičemž může jít o hypoteticky stanovená čísla, která se v žádné variantě nevyskytují. Výhodné je opatřit bodovou stupnici pro každé kritérium slovním popisem. Bodovací stupnice, kterou jsme navrhli pro náš příklad je následující: Body 1 2 3

K1 K2 K3 K4 méně než 25 tis. Kč nad 50 minut malá možnost do 8 hodin včetně h25; 28) (40; 50i střední možnost (8; 9i 28 tis. Kč a více 40 minut a méně velká možnost po 9. hodině

Na základě bodovací stupnice jsme každé kriteriální hodnotě přiřadili příslušný počet bodů a potom jsme opět (po pronásobení vahami) sečetli pro každou variantu body. Nejlepší je varianta s nejvyšším součtem. K1 K2 K3 K4 Body Pořadí A 3 1 2 2 2.3 1. B 1 3 1 1 1.4 3. C 2 2 3 1 2.2 2. Váhy 0.5 0.2 0.25 0.05 Metoda váženého součtu Při vícekriteriálním hodnocení variant můžeme každé hodnotě kritéria Kj přiřadit její užitek, tedy můžeme vytvořit dílčí užitkovou funkci uj , která pro variantu Ai nabývá hodnoty uij = f (yij ); i = 1, 2, . . . , m; j = 1, 2, . . . , n.

(1.31)

Definičním oborem této funkce je interval mezi nejlepší a nejhorší hodnotou příslušného kritéria. Oborem funkčních hodnot je interval h0, 1i. Tato metoda je vhodná především pro kvantitativní kritéria. Předpokládá lineární závislost užitku na hodnotách kritéria, přičemž nejhorší hodnotě j -tého kritéria (budeme značit dj ) přiřadíme hodnotu 0 a nejlepší hodnotě (budeme značit hj ) užitek 1. Pro dílčí užitek uij hodnoty yij platí uij =

yij − dj ; i = 1, 2, . . . , m; j = 1, 2, . . . , n. hj − dj

(1.32)


14

Pro jednotlivé varianty vypočteme agregovanou funkci užitku podle vztahu u(Ai ) =

n X

wj uij

(1.33)

j=1

Varianty pak seřadíme podle hodnot u(Ai ). Nejlepší varianta má tuto hodnotu největší. Nejprve tedy vybereme pro každé kritérium nejlepší (hj ) a nejhorší (dj ) hodnotu. Varianty K1 A 30 B 22 C 26 hj 30 dj 22

K2 60 30 45 30 60

K3 2 1 3 3 1

K4 9 7.5 8 9 7.5

Nyní přepočteme kriteriální hodnoty podle vztahu 1.32, potom vypočteme agregovanou funkci užitku pro každou variantu podle vztahu 1.33 a varianty seřadíme podle této hodnoty od nejlepší po nejhorší. Použité váhy jsou váhy získané bodovací metodou. K1 K2 K3 K4 u(Ai ) pořadí A 1 0 0.5 1 0.675 1. B 0 1 0 0 0.2 3. C 0.5 0.5 1 0.333 0.616666667 2. váhy 0.5 0.2 0.25 0.05 Metoda bázické varianty Za bazickou variantu je považována varianta, která dosahuje nejlepších či předem stanovených hodnot z hlediska všech kritérií. Vytvoření užitkové funkce s využitím bazické varianty spočívá v porovnávání hodnot důsledků jednotlivých variant s odpovídajícími hodnotami v bazické variantě. Označíme-li (b) yj hodnotu j-tého kritéria v bazické variantě, pro užitek kritéria výnosového typu při volbě i-té varianty platí uij =

yij (b)

; i = 1, 2, . . . , m; j = 1, 2, . . . , n.

(1.34)

yj

a u kritéria nákladového typu je dílčí užitek dán vztahem (b)

yj uij = ; i = 1, 2, . . . , m; j = 1, 2, . . . , n. yij

(1.35)

Pro jednotlivé varianty opět spočítáme agregované funkce užitku a podle jejich hodnot varianty seřadíme. Nejprve opět přepočteme podle vztahů 1.34 a 1.35 kriteriální matici, a stejně jako u metody WSA spočítáme hodnoty agregovaného užitku a varianty seřadíme podle těchto hodnot sestupně. K1 K2 K3 K4 u(Ai ) pořadí A 1 0.5 0.0.667 1 0.817 2. B 0.733 1 0.333 0.833 0.692 3. C 0.867 0.667 1 0.889 0.861 1. váhy 0.5 0.2 0.25 0.05 AHP Metoda AHP (Analytic Hierarchy Process) byla navržena prof. Saatym v roce 1980. Při řešení rozhodovacích problémů je třeba brát v úvahu všechny prvky, které ovlivňují výsledek analýzy, vazby


15

mezi nimi a intenzitu, s jakou na sebe vzájemně působí. Rozhodovací problém lze znázornit jako hierarchickou strukturu. Je to lineární struktura obsahující s-úrovní, přičemž každá z těchto úrovní zahrnuje několik prvků. Uspořádání jednotlivých úrovní je vždy od obecného ke konkrétnímu. Pro obecnou úlohu vícekriteriálního hodnocení variant může být hierarchie následující: 1. úroveň - cíl vyjednávání 2. úroveň - experti, kteří se na hodnocení podílí 3. úroveň - kritéria vyhodnocování 4. úroveň - posuzované varianty 1.1 – Obrázek 1.1: Hierarchická struktura úlohy vícekriteriálního rozhodování

Obdobným způsobem, jako mezi kritérii při určování vah kritérií Saatyho metodou, lze určit vztahy mezi všemi komponentami na každé úrovni hierarchie. Pokud máme čtyřúrovňovou hierarchii, tzn. jeden cíl, h expertů, n kritérií a m variant, bude na druhé úrovni hierarchie jedna matice párového srovnávání o rozměrech h × h. Na třetí úrovni bude h matic o rozměrech n × n a na čtvrté úrovni n matic o rozměrech m × m . Pomocí propočtů (viz Saatyho metoda pro výpočet vah kritérií) v těchto maticích si varianty ”rozdělují” hodnotu váhy příslušného kritéria (kritéria si pak ”rozdělují” váhy příslušného experta). Hodnoty, které získáme se nazývají preferenční indexy variant z hlediska všech kritérií. Pokud tedy sečteme tyto preferenční indexy z hlediska všech kritérií, získáme hodnocení varianty z pohledu všech expertů a z hlediska všech kritérií. Pro ilustraci této metody použijeme váhy získané Saatyho metodou. Předpokládáme, že do hodnocení je zapojen pouze jeden expert, nebo-li jeden hodnotitel porovnává kritéria mezi sebou (tím získá váhy) a potom porovnává jednotlivé varianty mezi sebou podle jednotlivých kritérií. Všechna porovnání postupně pro plat, dojíždění, odborný růst a začátek pracovní doby jsou zaznamenána v následujících tabulkách: Kritéria K1 K2 K3 K4 K1 1 5 3 7 K2 1/5 1 1/2 4 K3 1/3 2 1 5 K4 1/7 1/4 1/5 1

Geometrický průměr Vážený geometrický průměr 3.20109 0.56774 0.79527 0.14105 1.35120 0.23965 0.29072 0.05156

Plat A B A 1 7 B 1/7 1 C 1/5 2

C Geometrický průměr Vážený geometrický průměr 5 3.27107 0.73959 1/2 0.41491 0.09381 1 0.73681 0.16659

Dojíždění A B C

B C Geometrický průměr Vážený geometrický průměr 1/7 1/3 0.36246 0.08795 1 3 2.75892 0.66942 1/3 1 1 0.24264

Růst A A 1 B 7 C 3

A 1 7 3

B C Geometrický průměr Vážený geometrický průměr 1/7 1/3 1 0.24986 1 3 0.38157 0.09534 1/3 1 2.62074 0.65481

Začátek A A 1 B 7 C 3

B C Geometrický průměr Vážený geometrický průměr 1/7 1/3 2.62074 0.65481 1 3 0.38157 0.09534 1/3 1 1 0.24986


16

Kritéria jsou celkem čtyři a každé z nich má svou váhu. Tato váha musí být dále rozdělena mezi jednotlivé varianty. My známe váhy jednotlivých kritérií a známe také váhy variant podle těchto kritérií. Výsledné váhy každé varianty podle každého kritéria jsou v další tabulce.

A B C Váhy kritérií

K1 0.73959 0.09381 0.16659 0.56774

K2 0.36246 0.66942 0.24264 0.14105

K3 K4 Součet hodnocení Pořadí 0.24986 0.6548 0.525943481 1. 0.09534 0.09534 0.175444971 3. 0.65481 0.24986 0.298611548 2. 0.23965 0.05156

Pro každou variantu sčítáme hodnocení podle kritéria vynásobené váhou tohoto kritéria. Součty dílčích hodnocení jsou seřazeny sestupně. Varianty jsou seřazeny A C B. TOPSIS(Technique for Order Preference by Similarity to Ideal Solution) Metoda TOPSIS je založena na výběru varianty, která je nejblíže k ideální variantě a nejdále od bazální varianty. Předpokládá se maximalizační charakter všech kritérií. Pokud nejsou všechna kritéria maximalizační, je nutné na maximalizační převést. Postup při metodě TOPSIS lze popsat v následujících krocích: • převedení všech kritérií na maximalizační • vytvoření normalizované kriteriální matice R = rij podle vztahu yij rij = r m P

; i = 1, 2, . . . , m; j = 1, 2, . . . , n.

(1.36)

yij2

i=1

Sloupce v matici R představují vektory jednotkové délky. • Dále se převede kriteriální matice R na normalizovanou kriteriální matici Z tak, že každý sloupec matice R vynásobíme vahou odpovídajícího kritéria podle vztahu zij = wj rij

(1.37)

• pomocí prvků matice Z se vytvoří ideální varianta (h1 , h2 , . . . , hn ) a bazální varianta (d1 , d2 , . . . , dn ), kde hj = max zij ; j = 1, 2, . . . , n (1.38) i

dj = min zij ; j = 1, 2, . . . , n i

• Vzdálenost od ideální varianty se počítá podle vztahu v uX u n + di = t (zij − hj )2 ; i = 1, 2, . . . , m

(1.39)

(1.40)

j=1

Vzdálenost od bazální varianty se počítá podle vztahu v uX u n − di = t (zij − hj )2 ; i = 1, 2, . . . , m

(1.41)

j=1

• Relativní ukazatel vzdálenosti variant od bazální varianty se vypočte podle vztahu d− i ; i = 1, 2, . . . , m d+ + d− i i Varianty jsou uspořádány podle nerostoucích hodnot ci ci =

(1.42)


17

Všechna kritéria převedeme na maximalizační typ:

A B C

K1 30 22 26

K2 0 30 15

K3 2 1 3

K4 9 7.5 8

Vytvoříme normalizovanou kriteriální matici podle vztahu 1.36:

A B C

K1 K2 K3 K4 0.660978974 0 0.534522484 0.634416639 0.484717914 0.894427191 0.267261242 0.528680533 0.572848444 0.447213595 0.801783726 0.563925901

Kriteriální matici znormujeme váhami získanými bodovací metodou podle vztahu 1.37 a pak vybereme pro každé kritérium nejvyšší (ideální) a nejnižší (bazální) hodnotu:

A B C hj dj

K1 K2 K3 K4 0.330489487 0 0.133630621 0.031720832 0.242358957 0.178885438 0.06681531 0.026434027 0.286424222 0.089442719 0.200445931 0.028196295 0.330489487 0.178885438 0.200445931 0.031720832 0.242358957 0 0.06681531 0.026434027

Podle vztahu 1.40 vypočteme vzdálenost od ideální varianty, podle 1.41 vzdálenost od bazální varianty a podle 1.42 relativní vzdálenost od bazální varianty. Varianty se řadí sestupně podle relativní vzdálenosti od bazální varianty.

A B C

d+ d− ci Pořadí i i 0.19095624 0.110721391 0.367018894 1. 0.160162678 0.178885438 0.527610771 2. 0.099770587 0.166739306 0.625640213 3.

Metoda ELECTRE I Cílem této metody je rozdělit množinu variant na dvě indiferenční třídy, na efektivní a neefektivní varianty. Předpokladem pro využití této metody je znalost kriteriální matice, vektoru normalizovaných vah a stanovení dvou prahových hodnot, a to prahu preference a prahu dispreference. Ohodnocení varianty Ai podle kritéria j označíme symbolem yij ; i = 1, 2, . . . , m; j = 1, 2, . . . , n. Pro každou dvojici variant Ai , Ah ; i, h = 1, 2, . . . , m pak určíme množinu Cih = { j|yij ≥ yhj ; j = 1, 2, . . . , n}; i, h = 1, 2, . . . , m

(1.43)

obsahující indexy kritérií, z jejichž hlediska je varianta Ai ohodnocena alespoň tak dobře jako varianta Ah a množinu Dih = { j|yij < yhj ; j = 1, 2, . . . , n}; i, h = 1, 2, . . . , m, (1.44) která obsahuje indexy zbývajících kritérií, ve kterých je varianta Ai horší než varianta Ah . Na základě množiny Cih a normalizovaného vektoru vah pro každou dvojici variant Ai , Ah určíme číslo cih představující součet vah kritérií, z jejichž hlediska je varianta Ai stejně tak dobrá nebo lepší než varianta Ah . V případě, že Cih není prázdná množina, X cih = wj ; i, h = 1, 2, . . . , m, (1.45) j∈Cih


18

pokud je Cih prázdná množina, pak cih = 0.

(1.46)

Hodnota cih představuje stupeň preference varianty Ai před variantou Ah . Platí, že cih ∈ h0; 1i. Dále je nutné vypočítat pro každou dvojici Ai , Ah stupeň dispreference dij . Pokud je Dih prázdná množina, pak dih = 0, v opačném případě max (yij − yhj )

dih =

j∈Dih

max(yij − yhj )

; i, h = 1, 2, . . . , m.

(1.47)

h

Rovněž dih ∈ h0; 1i. Pro určení celkové preference P mezi dvojicí variant musí rozhodovatel zadat práh preference c∗ a práh dispreference d∗ . Platí, že varianta Ai je preferována před variantou Ah tehdy, když platí cih ≥ c∗ ∧ dih ≤ d∗ .

(1.48)

Párové preference jsou pak zapsány v matici P = (pih ), kde pih = 1 pokud Ai je preferována před Ah , v opačném případě je pih = 0. Varianty jsou rozděleny na efektivní a neefektivní. Za efektivní jsou považovány varianty, které jsou preferovány alespoň před jednou variantou a neexistuje k nim žádná preferující varianta. Výsledek závisí na stanovených hodnotách prahů preference a dispreference. Doporučuje se vycházet z průměrných hodnot v maticích preference a dispreference a potom je postupně buď zpřísňovat (v případě mnoha efektivních variant) a nebo zmírňovat (v případě žádné efektivní varianty). Nejprve je nutné pro každou dvojici zjistit množinu C (viz 1.43)a množinu D (viz 1.44), například pro dvojici A, B je množina CA,B =K1 , K3 , K4 , množina DA,B =K2 . Varianta A je lepší podle kritérií 1, 3 a 4, horší je podle kritéria 2. Naopak budeme-li porovnávat B, A, pak CB,A =K2 , množina DB,A =K1 , K3 , K4 . Varianta B je lepší než A podle kritéria 2 a horší podle kritérií 1, 3, 4. Dále podle vztahů 1.45 a 1.47 sestavíme matici preferencí C a dispreferencí D.   − 0.8 0.55 C =  0.2 − 0.2  0.45 0.8 − Matice je v našem příkladu typu 3 × 3, protože mezi sebou porovnáváme tři varianty. Výsledek porovnání zapisujeme v matici na pozici: první z dvojice porovnávaných hledáme v řádku, druhou z dvojice porovnávaných ve sloupci. Předpokládáme pořadí variant A, B, C. Proto například pro dvojici A, B píšeme výsledek porovnávání na pozici 1, 2 (1. řádek, 2. sloupec). Pro dvojici A, B je pak cA,B = 0.5 + 0.25 + 0.05 = 0.8, pro dvojici B, A je cB,A = 0.2 

 − 1 1 D =  0.267 − 0.267  0.267 1 − 30 8 Pro dvojici A, B je pak dA,B = 30 = 1, pro dvojici B, A je dB,A = 30 = 0.267 ∗ Nyní můžeme zadat práh preference (např. c = 0.4), práh dispreference (např. d∗ = 0.6) a na základě vztahu 1.48 sestavit matici preferencí:



 − 0 0 P= 0 − 0  1 0 − Z matice můžeme vyčíst, že pouze varianta C je efektivní, je preferována alespoň před jednou variantou a neexistuje k nim žádná preferující varianta.V matici P je pouze u varianty C v řádku jenička a zároveň ve sloupci samé nuly.


1.4

19

Analýza citlivosti preferenčního pořadí variant

Pořadí výhodnosti daných variant rozhodování, stanovené některou z metod vícekriteriálního hodnocení variant, závisí především na vahách jednotlivých kritérií a na použité metodě. Zkoumání citlivosti preferenčního pořadí variant na stanovení důležitosti jednotlivých kritérií spadá do oblasti experimentování na modelech, kdy vícekriteriální hodnocení variant provádíme při měnících se vahách kritérií. Jedině tehdy, kdy při těchto změnách se preferenční pořadí variant (nebo aspoň varianta s nejvyšším oceněním) nemění, není toto pořadí citlivé na nepřesnost stanovených vah a lze říci, že význam jednotlivých kritérií byl rozhodovatelem správně oceněn. Jestliže preferenční pořadí variant je značně citlivé na změny vah kritérií, je nutné jejich spolehlivost zvýšit. Závislost preferenčního pořadí variant na použité metodě jejich vícekriteriálního hodnocení je dána tím, že jednotlivé metody vycházejí z různých, zpravidla zjednodušujících předpokladů a že v důsledku různého přístupu k pojmu „kompromisní variantaÿ využívají různé výpočetní postupy. Doporučuje se proto při vícekriteriálním hodnocení variant uplatnit více metod a ověřit citlivost preferenčního pořadí variant vzhledem k použitým metodám. Jedině tu variantu, která zůstává stále na 1. místě při použití libovolné metody, lze považovat za nejvýhodnější. Vliv použit metody vícekriteriálního hodnocení variant na jejich preferenční pořadí lze dokumentovat na příkladu. V následující tabulce je uvedeno pořadí jednotlivých pracovišť z hlediska daných kritérií, stanovené různými metodami: Metoda Pořadí ORESTE Bodovací WSA A 1. 2. 1. 1. B 3. 3. 3. 3. C 2. 1. 2. 2.

Bázická AHP 2. 1. 3. 3. 1. 2.

TOPSIS 1. 2. 3.

Z uvedené tabulky je patrná značná citlivost preferenčního pořadí variant na aplikované metodě. Nicméně varianta A je na prvním místě nejčastěji, na třetím místě není při použití žádné metody, proto bychom ji označili jako kompromisní variantu. Jiná možnost využití výsledků získaných různými metodami spočívá v tom, že se na pořadí pracovišť můžeme dívat jako na prvky kriteriální matice a znovu můžeme použít některou z metod vícekriteriálního hodnocení variant. Před volbou varianty určené k realizaci je nutné vzít v úvahu také možný vliv rizika a nejistoty na výsledky vícekriteriálního hodnocení variant. Dosud jsme předpokládali, že důsledky variant vzhledem k jednotlivým kritériím, tj. prvky kriteriální matice, jsou jednoznačně určeny. Jestliže tyto důsledky mají náhodný charakter, buď opět pomocí analýzy citlivosti zkoumáme vliv možných změn prvků kriteriální matice na preferenční pořadí variant, nebo použijeme některou z metod vícekriteriálního hodnocení variant za rizika a nejistoty. Tyto metody popisuje např. Fotr 1992.

1.5

PŘÍPADOVÁ STUDIE - výběr osobního automobilu

Rodina stojí před rozhodnutím, jaké auto si má pořídit. Rozhoduje se podle sedmi kritérií: K1 cena (tis.Kč ), K2 výkon (kW ), K3 spotřeba (l ), K4 zavazadlový prostor (l ), K5 maximální rychlost (km/hod ), K6 poruchovost (%) a K7 vzhled. Kritérium vzhled je kvalitativní kritérium, je ohodnoceno slovně, a to . . . . . Toto slovní hodnocení je převedeno na kvantitativní (body). Poruchovost automobilů je čerpána z údajů TÜV pro automobily staré dva až tři roky. Aspirační úrovně kritérií, která si rodina stanovila, splňují tyto automobily: Škoda Octavia, Toyota Avensis, Peugeot, Ford Focus a Renault Mégane. Hodnoty jednotlivých kritérií jsou uvedeny v následující tabulce. Typ auta Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus

K1 K2 K3 K4 K5 K6 K7 658.4 103 5.5 1620 208 5.5 2 646.6 96 5.7 1600 200 5.9 1 784 100 5.6 1365 189 11.2 4 699.9 93 5.7 1500 200 4.2 3 717.9 100 5.7 1525 203 5 2


20

STANOVENÍ VAH KRITÉRIÍ Nejprve je nutné stanovit si, jak jsou která kritéria preferovaná a jakou má které kritérium váhu. Preference si ”hlava rodiny” stanovila takto: K6 K4 K3 K1 K2 K7 K5 . Na základě těchto preferencí lze spočítat váhy různými metodami. Metoda pořadí Kritérium K1 K2 K3 K4 K5 K6 K7 Pořadí 4 5 3 2 7 1 6 Body 4 3 5 6 1 7 2 Váhy 0.143 0.107 0.179 0.214 0.036 0.25 0.071 Metoda bodovací Kritérium K1 K2 K3 K4 K5 K6 K7 Body 15 10 20 23 2 25 5 Váhy 0.15 0.1 0.2 0.23 0.02 0.25 0.05 Fullerova metoda I u této metody dodržujeme stejné preferenční uspořádání, jako u předchozích metod, to je K6 K4 K3 K1 K 2 K7 K5 . Kritérium Váhy neupravené Váhy upravené

K1 K2 K3 K4 K5 K6 K7 0.143 0.095 0.190 0.238 0 0.286 0.048 0.143 0.107 0.179 0.214 0.036 0.25 0.071

Metoda bodovací - více hodnotitelů Vzhledem k tomu, že se jedná o rodinné auto, můžeme dát možnost všem členům rodiny vyjádřit svůj názor a převést ho na váhy. Rodina má čtyři členy, každý z nich má k dispozici například 100 bodů, které rozdělí podle svého uvážení mezi kritéria, viz následující tabulka:

Hodnotitel Hodnotitel Hodnotitel Hodnotitel

1 2 3 4

K1 20 10 10 15

K2 10 30 15 10

K3 20 10 15 20

K4 20 10 15 23

K5 5 10 20 2

K6 20 5 15 25

K7 5 15 20 5

Váhy se pak vypočítají stejně, jako u prosté bodovací metody. Hodnotitel Hodnotitel Hodnotitel Hodnotitel

1 2 3 4

K1 0.20 0.10 0.10 0.15

K2 0.10 0.30 0.15 0.10

K3 0.20 0.10 0.15 0.20

K4 0.20 0.10 0.15 0.23

K5 0.05 0.10 0.20 0.02

K6 0.20 0.05 0.15 0.25

K7 součet 0.05 1 0.15 1 0.20 1 0.05 1

Pokud by například rozhodoval jen první hodnotitel, váhy kritérií bychom vyčetli v prvním řádku tabulky a použili bychom je k dalším výpočtům. Součet vah všech kritérií je rovný jedné. Vzhledem k tomu, že hodnotitelé jsou čtyři a každý z nich má stejnou váhu (w = 0.25), musíme váhy kritérií ještě přepočítat (pronásobit váhou rozhodovatele). Výsledné váhy jsou pak v násĺedující tabulce:


Hodnotitel Hodnotitel Hodnotitel Hodnotitel Váhy

K1 K2 K3 K4 K5 1 0.05 0.025 0.05 0.05 0.0125 2 0.025 0.075 0.025 0.025 0.05 3 0.025 0.0375 0.0375 0.0375 0.025 4 0.0375 0.025 0.05 0.0575 0.005 0.1375 0.1625 0.1625 0.17 0.0925

K6 0.05 0.0125 0.0375 0.0625 0.1625

21 K7 Součet 0.0125 0.25 0.0375 0.25 0.05 0.25 0.0125 0.25 0.1125 1

HODNOCENÍ VARIANT Známe-li váhy jednotlivých kritérií, můžeme přistoupit k vlastnímu hodnocení automobilů. Pro další hodnocení použijeme váhy vypočtené posledním způsobem, t.j. bodovací metodou s více hodnotiteli. Auta byla vybrána tak, aby splňovala aspirační úrovně všech kritérií, všechny varianty - automobily jsou nedominované. Metoda pořadí Varianta Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus Váhy

K1 K2 K3 K4 K5 K6 K7 Vážené pořadí 2 1 1 1 1 3 3.5 1.74375 1 4 4 2 3 4 5 3.2675 5 2.5 2 5 5 5 1 3.65625 3 5 4 4 4 1 2 3.3125 4 2.5 4 3 2 2 3.5 3.02 0.1375 0.1625 0.1625 0.17 0.0925 0.1625 0.1125

Pozn.: V případě, že varianty nabývají podle jednoho kritéria stejnou hodnotu, použijeme v tabulce pořadí tzv. průměrné pořadí. Metodou pořadí byly automobily uspořádány takto: Škoda Octavia Ford Focus Renault Mégane Toyota Avensis Peugeot 407. Metoda váženého součtu - WSA Před vlastním hodnocením variant touto metodou musíme vybrat vždy nejlepší a nejhorší hodnotu pro každé kritérium. Varianta K1 K2 K3 K4 K5 K6 K7 Nejlepší hodnota kritéria (H) 646.6 103 5.5 1620 208 4.2 4 Nejhorší hodnota kritéria (D) 784 93 5.7 1365 189 11.2 1 Hodnocení metodou WSA: Varianta Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus Váhy

K1 K2 K3 K4 K5 K6 K7 Vážený užitek 0.914 1 1 1 1 0.814 0.333 0.883 1 0.3 0 0.922 0.579 0.757 0 0.52 0 0.7 0.5 0 0 0 1 0.3075 0.612 0 0 0.529 0.579 1 0.667 0.465 0.481 0.7 0 0.627 0.737 0.886 0.333 0.536 0.1375 0.1625 0.1625 0.17 0.0925 0.1625 0.1125

Z tabulky vyplývá, že varianty jsou metodou WSA seřazeny takto: Škoda Octavia Ford Focus Renault Mégane Toyota Avensis Peugeot 407. Metoda bázické varianty

KAPITOLA 1. VÍCEKRITERIÁLNÍ ROZHODOVÁNÍ ZA JISTOTY Varianta Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus Váhy

K1 K2 K3 0.982 1 1 1 0.932 0.965 0.825 0.97 0.982 0.924 0.903 0.965 0.9 0.97 0.965 0.1375 0.1625 0.1625

22

K4 K5 K6 K7 Vážený užitek 1 1 0.764 0.5 0.903 0.988 0.962 0.712 0.25 0.846 0.843 0.909 0.375 1 0.831 0.926 0.962 1 0.75 0.924 0.941 0.976 0.84 0.25 0.881 0.17 0.0925 0.1625 0.1125

Podle metody bázické varianty je pořadí automobilů následující: Toyota Avensis Škoda Octavia Ford Focus Renault Mégane Peugeot 407. Bodovací metoda Nejprve je nutné určit, kolik bodů náleží kriteriálním hodnotám: Body 5 4 3 2 1

K1 K2 K3 h630 − 650) h102 − 105) h5 − 5.5) h650 − 670) h99 − 102) h5.5 − 5.7) h670 − 690) h96 − 99) h5.7 − 6) h690 − 710) h93 − 96) h6 − 6.5) h710 − 730) h90 − 93) h6.5 − 7)

K4 h1700 − 1800) h1600 − 1700) h1450 − 1600) h1350 − 1450) h1200 − 1350)

K5 K6 K7 h205 − 210) h4 − 5) 5 h202 − 205) h5 − 6) 4 h199 − 202) h6 − 7) 3 h190 − 199) h7 − 10) 2 h180 − 190) h10 − 12) 1

Původním kriteriálním hodnotám přiřadíme podle bodovací stupnice body, které potom pronásobíme váhami a sečteme pro každou variantu. Varianty jsou seřazeny sestupně. Body Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus Váhy

K1

K2

K3

K4

K5

K6

K7

4 5 4 4 5 4 2 5 3 3 4 3 4 1 1 4 4 2 1 1 4 2 2 3 3 3 5 3 1 4 3 3 4 4 2 0.1375 0.1625 0.1625 0.17 0.0925 0.1625 0.1125

Vážený bodů 4.03 3.3825 2.4825 3.025 3.03

součet

Bodovací metodou jsou automobily seřazeny: Škoda Octavia Renault Mégane Ford Focus Toyota Avensis Peugeot 407. Metoda TOPSIS Varianta Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus Váhy

K1

K2

K3

0.08 0.076 0.145 0.088 0.071 0 0 0.074 0.077 0.054 0.069 0 0.042 0.074 0 0.1375 0.1625 0.1625

K4

K5

K6

K7

0.081 0.043 0.076 0.039 0.08 0.041 0.071 0.02 0.068 0.039 0 0.077 0.075 0.041 0.093 0.058 0.076 0.042 0.083 0.039 0.17 0.0925 0.1625 0.1125

Relativní vzdálenost 0.811 0.418 0.386 0.432 0.377

Metodou TOPSIS jsme určili pořadí variant Škoda Octavia Toyota Avensis Renault Mégane Ford Focus Peugeot 407. Metoda ORESTE Metodou ORESTE nejprve spočítáme pořadí variant:

KAPITOLA 1. VÍCEKRITERIÁLNÍ ROZHODOVÁNÍ ZA JISTOTY Varianta Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus

23

Součet pořadí 100.5 129 144.5 135 121

Podle součtu pořadí můžeme automobily seřadit takto: Škoda Octavia Ford Focus Renault Mégane Toyota Avensis Peugeot 407. Dále provedeme preferenční analýzu s mezními hodnotami prahů α = 0.125, β = 0.0357, γ = 1.25:

Škoda Renault Peugeot Toyota Ford

Škoda Renault – Lepší Horší – Horší Horší Horší Indiferentní Horší Lepší

Peugeot Toyota Ford Lepší Lepší Lepší Lepší Indiferentní Horší – Nesrovnatelný Horší Nesrovnatelný – Horší Lepší Lepší –

Různými metodami jsme dospěli k různým výsledkům, viz následující tabulka. Metoda Škoda Octavia Renault Mégane Peugeot 407 Toyota Avensis Ford Focus

Pořadí Bodovací WSA 1 1 1 3 2 3 5 5 5 4 4 4 2 3 2

TOPSIS 1 3 4 2 5

ORESTE Bázické varianty 1 2 3 3 5 5 4 1 2 3

Ze souhrnu je patrné, že nejlepších výsledků podle daných kritérií dosahovala varianta první - Škoda Octavia. Renault Mégane, Ford Focus a Toyota Avensis dosahují v průměru velmi podobných výsledků, Peugeot 407 v našem hodnocení zaostává za ostatními automobily.

Vícekriteriální rozhodování za jistoty

Recommend Documents