گرانول سازی عبارات زبانی در روش ahp با استفاده از الگوریتم بهینه سازی انبوه ذرات تغییر یافته

روش‌های تصمیم‌گیری چندمعیاره به یکی از حوزه‌های کاربردی و پرطرفدار در سال‌های اخیر تبدیل شده‌است. در میان این روش ها، روش ahp به دلیل ویژگی‌های منحصربه‌فرد مورد توجه بسیاری از محققین قرارگرفته و در تحقیقات متعددی به کار گرفته شده‌است. این روش با فراهم آوردن امکان مقایسه زوجی میان گزینه‌ها با استفاده از عبارات زبانی، تصمیم‌گیری را برای تصمیم‌گیرنده تسهیل می‌کند. اما همین امر باعث بروز ناسازگاری در ماتریس تصمیم می‌شود. یکی از منشاهای ناسازگاری، استفاده از مقیاس از پیش تعیین‌شده برای تبدیل عبارات زبانی به مقادیر کمی است که به دلیل پیش‌زمینه‌ فکری افراد و اطلاعات متفاوت آن‌ها نسبت به مسئله موجب بروز ناسازگاری می‌شود. از این‌رو هدف این پژوهش ارائه مقیاسی برای تبدیل عبارات زبانی با استفاده از گرانول‌سازی عبارات زبانی است؛ بهگونه‌ای که بیشترین تناسب را با نظرات خبره داشته باشد و ناسازگاری ماتریس تصمیم را کاهش دهد. ویژگی منحصر‌به‌فرد این روش این است که توزیع نقاط برش از قبل معلوم نیست و متناسب با نظرات خبره تعیین می‌شود. در ادامه به منظور بهینه‌سازی مدل ارائه شده از الگوریتم فراابتکاری بهینه‌سازی انبوه ذرات استفاده می‌شود که به منظور انتطباق آن با ویژگی‌های خاص مسئله تغییراتی در آن اعمال شده‌است. نتایج بدست آمده نشان دهنده عملکرد خوب چارچوب ارائه شده در کاهش ناسازگاری هستند.

a granulation of linguistic information in ahp method using modified particle swarm optimization algorithm

multicriteria decision making methods have been of the most popular and practical areas in recent years. among these methods, the ahp method has been considered by many researchers due to its unique features and has been used in numerous studies. this method facilitates decisionmaking for the decisionmaker by allowing pairwise comparison between alternatives using language expressions. but this feature causes inconsistency in the decision matrix. one of the sources of inconsistency is the use of a predetermined scale to convert linguistic variables into quantitative values due to the different intellectual background of experts and their information about the problem. therefore, the purpose of this study is to provide a customized scale for converting linguistic variables using the granularization of linguistic variables, which is in line with expert opinions and reduces the inconsistency. the unique feature of this framework is that the distribution of cutoff points is not known in advance and is determined according to expert opinions. to optimize the proposed model, a particle swarm optimization metaheuristic algorithm is used, which is modified to adapt to the specific characteristics of the problem. the results show the good performance of the proposed framework in reducing incompatibility.