روش MABAC یکی از روش تصمیم گیری چند شاخصه جدید جهت انتخاب گزینه برتر می باشد که توسط Pacumar و Cirovic در سال ۲۰۱۵ معرفی شد. کاربرد روش MABAC جهت اولویتبندی گزینهها بر اساس شاخص ها با توجه به میزان سودمندی و زیان آن ها می باشد. منطق اصلی روش ماباک در تعیین فاصله عملکرد شاخص هر یک از گزینه های مشاهده شده از دامنه تقریبی مرزی منعکس شده آن می باشد.
آموزش انجام تکنیک ماباک (MABAC)
تکنیک ماباک یکی از روشهای نوین تصمیمگیری چند معیاره برای انتخاب بهترین گزینه است. این تکنیک به هنگام انجام پایان نامه ارشد و رساله دکترا در هفت گام انجام می شود.
شما عزیزان می توانید جهت پیاده سازی این تکنیک در محیط های قطعی و غیر قطعی از اکسل فرمول نویسی شده تکنیک ماباک (MABAC) و اکسل فرمول نویسی شده تکنیک ماباک فازی (Fuzzy MABAC) استفاده کنید.
گام اول: تعیین معیارها و گزینههای پژوهش
نخستین گام در این روش، تعیین عوامل و گزینههای پژوهش است. برای این منظور از ادبیات پژوهش و مصاحبههای تخصصی یا موارد مانند تکنیک طوفان مغزی و گروه اسمی تکنیک دلفی (نمونه اکسل فرمول نویسی شده تکنیک دلفی (Delphi) و اکسل فرمول نویسی شده تکنیک دلفی فازی (Fuzzy Delphi)) استفاده میشود. بنابراین ماتریس امتیازدهی گزینهها براساس معیارها تشکیل می شود.
گام دوم: تشکیل ماتریس تصمیم
دومین گام، تشکیل ماتریس تصمیم است. ماتریس تصمیم در این روش بهصورت معیار- گزینه است؛ یعنی یک ماتریس که ستونهای آن را معیارهای مسئله و سطرها را گزینهها تشکیل میدهند و هر سلول نیز در واقع امتیاز هر گزینه نسبت به هر معیار است. جهت تکمیل ماتریس تصمیم می توانید از پرسشنامه رایگان ماباک (MABAC) استفاده کنید.
گام سوم: نرمالسازی ماتریس تصمیم
در این گام باید ماتریس تصمیم مرحله دوم را نرمال کرد. در این مطالعه ارزشگذاری و نرمالسازی با استفاده از تابع عضویت فازی انجام شد. درایههای ماتریس تصمیم با xij و درایههای ماتریس تصمیم نرمال با nij نمایش داده میشود.
گام چهارم: وزندارکردن ماتریس نرمال
در این گام با استفاده از رابطه زیر، ماتریس نرمال را وزندار میکنیم. در این رابطه، W وزن معیارهاست (باید از روشهای دیگر نظیر روش تجزیه و تحلیل ارزیابی گام به گام اوزان (SWARA)، فرایند تحلیل سلسله مراتبی (AHP) و فرایند تحلیل شبکه (ANP) به دست آید) که در آن nij عناصر ماتریس نرمالشده (N) را نشان میدهد؛ wi ضرایب وزنی معیار را نشان میدهد.
گام پنجم: تعیین مرز ناحیه شباهت ماتریس (g)
در رابطه زیر، vij عناصر ماتریس وزنی (V) و m تعداد کل گزینههای جایگزین را نشان میدهد؛ پس از محاسبه مقدار gi، ماتریس محدودههای تقریبی مرزی با توجه به معیارهای G با فرمت N*1 شکل میگیرد و n تعداد کل معیارهایی را نشان میدهد که گزینههای ارائهشده برای آنها انتخاب میشود.
بنابراین اگر n معیار داشته باشید، یک ماتریس G1×n بهصورت زیر خواهیم داشت:
گام ششم: محاسبه فاصله گزینهها تا مرز ناحیه شباهت
در این بخش با استفاده از رابطه زیر، فاصله گزینهها تا ناحیه g به دست میآید؛ درواقع باید ماتریس وزندار را از ماتریس g کم کرد.
پس از مشخصشدن ماتریس Q، با استفاده از حد بالای مساحت (+G) و حد پایین مساحت (-G) وضعیت هر گزینه مشخص میشود؛ بر این اساس گزینه Ai به اجتماع مجموعه یادشده متعلق است. حد بالای مساحت (+G)، ناحیهای است که گزینه ایدئال مثبت در آن قرار دارد و حد پایین مساحت (-G)، ناحیهای است که گزینه ضد ایدئال در آن قرار دارد. میزان تعلق گزینه Ai به اجتماع بالا براساس رابطه زیر به دست میآید. برای انتخاب گزینه Ai بهمثابه بهترین فرم از مجموعه، لازم است حداکثر معیارهای ممکن به منطقه تقریبی فوقانی (+G) تعلق داشته باشد. مقدار بیشتر +qi∈G نشان میدهد گزینه جایگزین به گزینه جایگزین ایدئال نزدیکتر است؛ در حالی که مقدار کمتر –qi∈G نشان میدهد گزینه جایگزین به گزینه جایگزین ضدایدئال نزدیکتر است.
گام هفتم: انتخاب گزینه بهینه
در روش ماباک (MABAC)، با استفاده از رابطه زیر، امتیاز نهایی هر گزینه مشخص و براساس آن گزینهها رتبهبندی میشود.
محاسبه مقادیر توابع معیار با گزینهها بهمثابه مجموع فاصلههای جایگزین از مناطق تقریبی مرزی qi به دست میآید. با جمعکردن عناصر ماتریس Q در هر سطر، مقادیر نهایی تابع معیار گزینهها به دست میآید. در این رابطه، n تعداد معیارها را نشان میدهد و m تعداد گزینه است.
همچنین شما عزیزان می توانید با مراجعه به فروشگاه وب سایت، از نحوه ی پیاده سازی نمونه پروپوزال، نمونه فصل سوم پایان نامه، نمونه فصل چهارم پایان نامه و نمونه فصل پنجم پایان نامه به روش ماباک (MABAC)، به صورت جامع آشنا شوید.
اولین کسی باشید که برای “روش ماباک (MABAC یا Multi-Attributive Border Approximation area Comparison)” دیدگاه میگذارید;