ارایه‌ی مدل‌های پایدار به‌منظور استخراج وزن از ماتریس مقایسات زوجی بازه‌یی در فرایند تحلیل سلسله‌مراتبی (AHP)

در مدل‌های تصمیم‌گیریِ رایج تحت شرایط عدم ‌قطعیت، داده‌های اولیه‌ی مدل کامل و قطعی فرض ‌می‌شود، اگرچه به‌ندرت چنین اطلاعاتی به‌صورت دقیق و کامل موجود است. به‌این ‌ترتیب، عملاً تصمیمات و استراتژی‌هایی بر‌اساس ورودی‌های غیردقیقِ این مدل‌ها اتخاذ می‌شود که ممکن است غیرعملی باشند یا در اجرا عملکرد ضعیفی داشته باشند؛ لذا ارائه‌ی مدلی که در شرایط عدم‌ قطعیت بتواند سیستم را در برابر تغییرات ورودی‌ها محافظت کند ضروری‌ است. یکی از ابزارهای پرکاربرد در زمینه‌ی تصمیم‌گیری چندمعیاره‌ «فرایند تحلیل سلسله‌مراتبی» (ahp) است که اعتبار آن کاملاً به اعتبار روش‌ها و مدل‌های استخراج وزن از ماتریس مقایسات زوجی وابسته است. در این ابزار تصمیم‌گیری می‌توان برای لحاظ‌کردن مناسب عدم‌ قطعیت‌های موجود در قضاوت‌های تصمیم‌گیرنده از قضاوت‌های بازه‌یی بهره جست، اما به‌کارگیری چنین ماتریس‌هایی نیاز به استفاده از مدل‌ها و روش‌های خاصی برای استخراج وزن از آنها دارد. در این نوشتار مدل‌هایی ارائه ‌شده‌ است که محافظت از تغییر وزن‌ها و اولویت‌های مستخرج از ماتریس مقایسات زوجیِ بازه‌یی در روش ahp را در برابر تغییرات قضاوت‌های زوجی در بازه‌ها و همچنین وجود خطا و ناسازگاری در ماتریس‌های حاوی قضاوت‌های بازه‌یی ممکن می‌سازد. بدین‌منظور دو مدل پایدار پیشنهاد شده که یکی مبتنی بر روش بهینه‌سازی پایدار است و تخمین‌های نقطه‌یی از وزن‌های مورد نیاز را استخراج می‌کند، و دیگری براساس برنامه‌ریزی آرمانی است و وزن‌های بازه‌یی را برای گزینه‌ها/معیارها فراهم می‌آورد. هر دو مدل ارائه‌شده در نهایت منجر به حل مسائلی از نوع برنامه‌ریزی خطی می‌شوند. با توجه به شاخص‌های سنجش پایداری پاسخ‌ها و حل مسائل نمونه نشان داده ‌شده‌ است که مدل‌های پیشنهادی برای استخراج وزن‌ها و اولویت‌های مناسب و پایدار، در مقایسه با سایر مدل‌های موجود در ادبیات موضوع از کارآیی مناسبی برخوردارند.