دانلود مقاله ISI انگلیسی شماره 27179 + ترجمه فارسی
عنوان فارسی مقاله

مهندسی اعتبار و امنیت سیستم تحلیل حساسیت و قدرت حل مسئله چند معیاری با کاربرد فن‌های قانون محقق انگیزه مضاعف معیارهای تصمیم‌گیری قانون فراگیران

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
27179 2014 8 صفحه PDF 21 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Robustness and sensitivity analysis in multiple criteria decision problems using rule learner techniques
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Reliability Engineering & System Safety, Available online 6 May 2014

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی
مقدمه
2-2 حل مسئله
3-روش‌های یادگیری دستگاه
1-3 مقدمه
2-3 روش‌های توصیفی
3-3 فرآیند دسته بندی
3-4 فن‌های تولید قانون کاربردی
4-مورد تحقیق
1-4 رتبه پایه
3-4 تعیین قانون
نتایج
قدردانی
کلمات کلیدی
شبیه سازی مونت کارلو - تصمیم گیری چند معیاره - یادگیرندگان اصل - تردید -
ترجمه چکیده
در شرایط زیادی، تصمیم گیرنده در ارزیابی گزینه‌ها مشخص همزمان به چند معیار و تعریف قابلیت رتبه بندی برای ترکیب مشخصات جهانی هر گزینه، برای مثال از بهترین تا بدترین توجه می‌کند و در موقعیت ارزیابی چند پروژه مواردی مانند هزینه، سودمندی و غیره اعمال می‌شود. هدف هر معیاری تعیین کمیت از طریق عملکرد ارزش‌های عددی و قیاسی است. به این منظور چند معیار گوناگون فن‌های تصمیم‌گیری را می‌توان استفاده کرد. درعین‌حال، رتبه پایه عوامل مجهول مرتبط با معیارهای خاص (میزان سود/هزینه پروژه /می‌تواند تحت تأثیر متغیرهای موردتوجه یا اولویت‌های تصمیم گیرنده قرار بگیرد. در این شرایط، تصمیم گیرنده به شناخت عوامل معتبر شرایط رتبه بندی خاص توجه کند. این مقاله عوامل تأثیرگذار در مدل رفتاری ارائه‌شده خاص را بر مبنای کاربرد قانون محققان که قابلیت ارائه توصیفی از طریق قانون اگر-آن گاه برگرفته از نمونه‌های مدل را توصیف می‌کند. این فن‌ها همچنین تعیین مهم‌ترین عوامل را تأییدمی‌کنند. یک مثال تشریحی برای مسئله تصمیم‌گیری واقعی روش پیشنهادی را نشا می‌دهد.
ترجمه مقدمه
در شرایط زیادی، تصمیم گیرنده در ارزیابی گزینه‌ها مشخص همزمان به چند معیار و تعریف قابلیت رتبه بندی برای ترکیب مشخصات جهانی هر گزینه، برای مثال از بهترین تا بدترین توجه می‌کند. و در موقعیت ارزیابی چند پروژه مواردی مانند هزینه، سودمندی و غیره اعمال می‌شود. هدف هر معیاری تعیین کمیت از طریق عملکرد ارزش‌های PVij برای هر گزینه i¼1,.., m و هر معیاری j¼1, …,n) که می‌تواند هم‌عددی و هم قیاسی باشد. نظریه رتبه بندی گزینه‌ها برمبنای یکی از چهار مسائل تصمیم‌گیری تعریف‌شده به‌عنوان (مسئله y) است. رتبه بندی گزینه‌ها از بهترین تا بدترین است. فن‌های تصمیم چند معیاری MC یا فن‌های رتبه بندی که به این منظور می‌توان استفاده کرد. تکنیک های رتبه بندی برای ایجاد رتبه بندی مطلوب، به‌عنوان پارامتری و غیر پارامتری طبقه‌بندی می‌شوند. اولین گروه، مانند " ELECTRE انتخاب " PROMETHEE خلاقیت، TOPSIS اطلاعات تکنیکی است که در اولویت‌های تصمیم‌گیری معیار موردنیاز است، درحالی‌که اطلاعات فن‌های غیر پارامتری / تکنیک نمودار Hasse) ) هاس و امتیازات کوپلند استفاده نمی‌شود. ارتباط با مؤلف: Apartado Postal 47937, Los Chaguaramos 1041 A, Caracas, Venezuela. تلفن:‌ 0584122528346 E-mail address: croccoucv@gmail.com (C.M Rocco S) croccoucv@gmail.com بطور کلی، ارزیابی رتبه بندی مانند ذیل انجام می‌شود: 1-M را برای گزینه‌ها و n را برای معیار تعریف کنید. 2-Q را ماتریکس چند نشانگر را تعریف کنید. بر مبنای هر pv ij (هر گزینه i¼1,.., m و برای هر معیار j¼1,.., n)) را مبنا قرار دهید. 3-یک تکنیک رتبه بندی را انتخاب کنید 4-ارزیابی موضوعات را بر طبق تکنیک انتخاب‌شده ارائه دهید. درعین‌حال، مهم نیست که کدام تکنیک انتخاب‌شده است، رتبه بندی برگرفته از PV صریح (به‌عنوان رتبه بندی پایه تعریف می‌شود) که می‌تواند عوامل مجهول را مرتبط با معیارهای خاص تحت تأثیر قرار دهد. برای مثال، معیارهای هزینه / نسبت سود /یک پروژه /می‌تواند تحت تأثیر متغیرهای موردتوجه یا اولویت‌های تصمیم گیرنده قرار بگیرد. عوامل نامعلومی که به‌عنوان کارکرد توزیعی احتمالی شکل می‌گیرند، سپس رتبه هر گزینه به‌عنوان یک متغیر تصادفی در نظر گرفته شود. مولفانی این مسئله را تحلیل کردند، چطور مجهول در pv (اطلاعات) افزایش می‌یابد یا بر نتایج رتبه بندی موضوع اثر می‌گذارد؟ به تازگی، شیوه‌ای که کارهای قبلی را توسعه می‌دهد در دو دستورالعمل ارائه شدند. 1-ارزیابی رتبه بندی: بر مبنای شبیه‌سازی مونت کارلو، شیوه‌ای‌ که پاسخ سؤالات توانمند سازی رتبه بندی را مشخص می‌کند. برای مثال در شرایط مجهول چه احتمالی دارد که موقعیت رتبه پایه حفظ شود؟ کدام رتبه بیشترین احتمال را دارد؟ موقعیت‌های رتبه احتمالی و احتمال مشابه چه هستند؟ 2-تحلیل میزان حساسیت: این شیوه بر پایه فن‌های تحلیل حساسیت جهانی است که ارزیابی عوامل متغیر مهم را تأییدمی‌کند. در این نوع تحلیل از اطلاعات تا نتیجه‌گیری را می‌تواند برای تصمیم گیرنده فراهم کند، تصویری دقیق‌تر از تأثیرات متغیرها در رتبه بندی پایانی در فن‌های MC ارائه می‌دهد. بنابراین، تصمیم گیرنده دیدگاه بهتری نسبت به ثبات تصمیمات نهایی دارد و اغلب نیاز دارد که عوامل تعیین‌کننده رفتارهای نهایی خاص را شناسایی کند. برای مثال، کدام ارزش‌های وابسته معیار پروژه خاص را به وجودمی‌آورند و به‌عنوان بهترین پروژه رتبه بندی می‌شوند؟ روش‌های با چنین مسائلی تطبیقی عامل نامیده می‌شود. مجموعه طرح‌ها در مراحل خاص، تفهیم بخش‌های بازده مدل یا حتی کل حوزه، به‌صورت رو به عقب در اندازه‌گیری عوامل نهایی ترسیم می‌شوند. توجه کنید که راه‌حل اندازه‌گیری می‌تواند یک‌میزان غیر محدب یا پراکنده باشد. در مقاله برای ترسیم نقشه چند شیوه (نموداری) مانند مونت کارلو فیلتر سازی، تحلیل حساسیت منطقه‌ای، برآورد مجهولات احتمالی عمومی و برآورد تراکم ساختار درختی پیشنهاد می‌شود. روش‌های دیگری بر مبنای گزینه‌ها به‌جای نمودار از اطلاعات تا بازده پیشنهادشده است. به تازگی این روش‌ها قادر هستند حداکثر میزان جایگاه ویژه راه حل‌ها استخراج کنند عوامل جایی که متغیر هستند که بطور مستقل تعیین می‌شوند. نتیجه از طریق فاصله [x1_inf, x1_sup], [x2_inf, x2_sup], …, and [xl_inf xl_sup] را نشان می‌دهد. جایی که xj- عامل jth است و l تعداد عوامل مجهول در نظر گرفته شده است. شکل یک روشی را با دو فاکتور x1 و x2 نشان می‌دهد. منطقه محدود شده با خط چین حوزه امکان‌پذیر را تعیین می‌کند. مستطیل / خطوط بسته / حداکثر ناحیه محیطی را نشان می‌دهد. روش پیشنهادی کرد به مدل تحلیلی f (x1, x2,.., xl) نیاز داریم درحالی‌که مدل به‌عنوان یک محیط سیاه در نظر گرفته می‌شود. در هر دو روش ناحیه بالاتر در یک نقطه امکان‌پذیر از پیش تعیین شده یا در مرکز می‌تواند متمرکز شود یا بطور مستقل در میان منطقه امکان‌پذیرقرار بگیرد. عرض فاصله نهایی که مساحت را تعیین می‌کند میزان جواب می‌تواند به‌عنوان یک شاخص حساسیت در نظر گرفته شود. مقاله روشی را بر مبنای کاربرد دسته بندی یادگیری دستگاه پیشنهاد می‌دهد. فن‌های / که قابلیت ارائه توصیف میزان جواب بر مبنای مجموعه اگرها و (فرضیه‌ها) آنگاه (نتایج) را دارد قانون‌هایی که برگرفته از نمونه‌های مدل هستند که در مدل‌های جعبه سیاه یا تحلیلی می‌تواند استفاده شود جایی که شرایط (فرضیه‌ها) یا شرایط تولید منطقی به عامل خاص یا متغیر ارتباط دارد جایی که نتیجهٔ طبقه را ارائه می‌دهد. برای مثال، پروژه B، ساختار قانون فرضی شکل یک. حداکثر محدوده / خطوط بسته / در ناحیه امکان‌پذیر با خطوط نقطه‌چین تعیین می‌شود. اگر هزینه / سود / پروژه B و استخدام پروژه B4 آن‌گاه رتبه – پروژه B1/4 زمانی که پروژه B را به‌عنوان اولین پروژه رتبه بندی شده توضیح می‌دهد. هر قانون انتخاب شده یک محدوده بالاتری از نتیجه را نشان می‌دهد. این نتایج مدل غیر محدب را تأییدمی‌کنند. به‌علاوه، فن‌های خلق قواعد قابلیت انتخاب مهم‌ترین عوامل رادارند که می‌تواند عوامل بی‌اهمیت را شناسایی و یک فهرست حساسیت عددی را تأمین کند. بقیه مقاله به شرح تنظیم شده است. بخش ۲ مسئله‌ای را توصیف می‌کند که تحلیل‌شده است و جوابی را بر مبنای فن‌های دسته بندی یادگیری دستگاه پیشنهاد می‌دهد. بخش ۳ –مروری بر قانون گسترش مفاهیم و مثال‌های راه‌حل‌ها از طریق الگوریتم‌ها را ارائه می‌دهد. بخش ۴ موردتحقیقی را تعریف می‌کند. در نهایت بخش ۵ / نتایج و کارهای آینده را نشان می‌دهد 2-مسئله: 2۰۱ بیان مسئله A¼{a1, a2, …, am} مجموعه پروژه m، G¼{g1, g2, …, gn} مجموعه معیارهای n را در ارزیابی با دیدگاه بهبود روش در نظر بگیرید (برای مثال: ارزش عالی بهتر است). هر ai AA مجموعه ارزش‌های n را تعیین می‌کند که ارزیابی هر معیار را برای پروژه ai نشان می‌دهد. به‌طورکلی هر معیاری که در نظر گرفته می‌شود یک تابع ریاضی تعیین شده است. (برای مثال قابلیت استفاده) در مقاله pv به معنای ارزیابی پروژه i با معیارهای j است.Vh RI¼{RI1, RI2, …, RIn} مجموعه ارزش‌هایی مدل DM اولویت‌های بیشتر از معیارهای انتخاب شده با N قرار دهید. ∑ RIn ¼ 1; RIn Z0.j ¼ 1. F() یک تکنیک رتبه بندی ویژه قرار دهید:pv داده شده و RI, F(PV, RI) فرضی قابلیت رتبه بندی مجموعه پروژه‌های این تحقیق را دارد. i.e., R¼[r1, r2, …, rn]T فرمول جایی که rk موقعیت رتبه پروژه K است. اگرچه تکنیک خاصی به‌عنوان تابع F معرفی شد، به این معنا نیست که F یک تعریف تحلیلی دارد و به‌عنوان تابع جعبه سیاه در نظر گرفته می‌شود. برای مثال، روش‌های رتبه بندی مشهور پرومیت / تکنیک انتخابی در بخش ۴ / یک روش پیشنهادی را نشان می‌دهد که یک فرایند چند مرحله‌ای را تعریف می‌کند الف-.Pv را معین کردند. ب-مقایسه تمام جفت‌های قابل درک، محاسبات در بین مقدار پروژه‌ها، پ- تعیین اختلاف بین پروژه‌های کاربردی را با معیاری عمومی تعیین می‌کند. ت- محاسبه اولویت معیارهای مجموعه و مثبت و منفی رتبه‌های بالاتر برای هر پروژه در جریان است. ث- تعیین کیفیت کلی هر پروژه از گردش‌های شبکه استفاده می‌کند ج-آخرین رتبه بندی R را انجام می‌دهد. تابع اولویت را تحت تأثیر قرار می‌دهد، روش‌های پرومیت به تعریف پارامترهای اضافی بیشتر از معیارهای کاربردی نیاز دارد. R0 در رتبه پایه به دست آمده قرار دهید زمانی که هیچ مجهولی وجود ندارد. برای مثال، اگر m¼4, R0 ¼[3,1,4,2]T به این معناست که پروژه در موقعیت سوم قرار دارد، پروژه ۲ در بهترین رتبه و همین طور البته، سیستم رتبه بندی معکوس برای تعریف بهترین پروژه. می‌تواند استفاده شود. فرض کنید که همه عملکرد ارزش‌ها PV و RI به‌عنوان اطلاعات در نظر گرفته شود در حالی که مجهولات طراحی می‌شوند به‌عنوان متغیرهای تصادفی که به درستی از طریق تابع‌های توزیع احتمالی معروف مشخص شدند. به این معناست که R اکنون متغیر تصادفی است و عناصر ri پی دی اف دارد که توزیع رتبه‌های احتمالی مرتبط با پروژه i را نشان می‌دهد. به مسئله در این مقاله اشاره شده است. با در نظر گرفتن مجهول، تحت چه شرایطی PV و RI یک محدودیت داده شده را تأیید کند؟ اصطلاح محدودیت می‌تواند به معنای یک مجموعه مشخصات که تصمیم گیرنده برحسب رتبه بندی پروژه تعریف می‌کند.m¼4, R0 ¼[3,1,4,2]T نمونه‌های این محدودیت می‌تواند باشد. الف) پروژه ۲ در اولین رتبه دوباره قرار گرفت. ب) رتبه پروژه ۴ همیشه r2؛ پروژه‌های ۱ و ۳ رتبه می‌شوند به‌عنوان سومین و چهارمین به همین ترتیب.
پیش نمایش مقاله
پیش نمایش مقاله مهندسی اعتبار و امنیت سیستم تحلیل حساسیت و قدرت حل مسئله چند معیاری با کاربرد فن‌های قانون محقق انگیزه مضاعف معیارهای تصمیم‌گیری قانون فراگیران

چکیده انگلیسی

In many situations, a decision-maker is interested in assessing a set of alternatives characterized simultaneously by multiple criteria (attributes), and defining a ranking able to synthesize the global characteristics of each alternative, for example, from the best to the worst. This is the case of the assessment of several projects through attributes such as cost, profitability, among others. The behavior of each object, for every criterion, is quantified via numerical or categorical “performance values”. Several multiple criteria decision techniques could be used to this aim. However the base rank could be influenced by uncertain factors associated to specific criteria (e.g., the “ratio Benefit/Cost of a project” could be affected by variations in the interest rate) or by decision-maker preferences. In this situation, the decision-maker could be interested knowing what sets of factors are responsible of specific ranking conditions. This paper describes the input space of a set of factors responsible of a given model behavior specification, based on the use of rule learners able to provide a description through a set of “If-Then” rules derived from model samples. These techniques also allow determining the most important factors. An example related to a real decision problem illustrates the proposed approach.

مقدمه انگلیسی

In many situations, a decision-maker is interested in assessing a set of m objects or alternatives ai characterized simultaneously by n criteria or attributes, and defining a ranking able to synthesize the global characteristics of each object, e.g., from the best to the worst. This is the case, for example, in the assessment of several engineering projects through attributes such as cost, availability, environmental impact, among others. The behavior of each object, for every criterion, is quantified via performance values PVij (for each alternative i=1, .., m and for each criterion j=1, … ,n) which can either be numerical or categorical. The idea of ranking alternatives is based on one of the four discrete decision-making problems defined as “Problematique γ” in [1], that is, ranking the alternatives from the best to the worst ones. Several multicriteria decision techniques (MC) or ranking techniques could be used to this aim [2]. Ranking techniques to generate the desired rank are classified as parametric and non-parametric. The first group, like ELECTRE [1], PROMETHEE [3], TOPSIS [4] to name a few, requires information about decision-maker preferences (e.g., criterion weights), while non-parametric techniques (partial order ranking [5], Hasse diagram technique [6] and Copeland Scores [7]) do not use such information. In general, the ranking assessment is performed as follows: 1. Define m alternatives and n criteria. 2. Define the multi-indicator matrix Q, based on each PVij (for each alternative i=1, .., m and for each criterion j=1, .., n). 3. Select a ranking technique. 4. Produce a rank of objects according to the selected technique. However, no matter which MC technique is selected, the ranking derived using crisp PV (defined as the Base Rank (BR)), could be influenced by uncertain factors associated to specific criteria (for example, the criterion “Cost/Benefit ratio of a project” could be affected by variations in the interest rate) or by decision-maker preferences (e.g., criterion weights). If these uncertain factors are modeled as a probability distribution function then the rank of each alternative could be considered as a random variable. Several authors [8], [9], [10] and [11] have analyzed this problem: how the uncertainty in the PV (the input) is propagated or affects the object ranks (the output)? Recently, Rocco and Tarantola [12] presented two approaches that extend previous works in two directions: 1. Ranking assessment: based on Monte Carlo simulation, the approach allows answering several questions regarding ranking robustness. For example, under uncertainty: What is the probability that the base rank position is maintained? Which is the rank position with the highest probability? What are the possible rank positions and their corresponding probability? 2. Sensitivity analysis: this approach, based on global sensitivity analysis techniques [13], allows evaluating the importance of uncertain factors. This type of analysis, from input to output, can provide to the decision-maker a sharper picture of the effects of the uncertainty in the final ranking that MC techniques provide. Therefore, the decision-maker can have a better perspective of how stable his/her final decision is and often needs to know which factors determine specific output behavior (output specifications). For example, what are the values associated to each criterion that make a particular project be ranked as the best project? Procedures to cope with such problems are termed as Factor Mapping setting, “in which specific points/portions of the model output realizations, or even the entire domain, are mapped backwards onto the space of the input factors” [14]. Note that the solution space could be a non-convex and/or sparse space [15], [16] and [17]. Several approaches have been proposed in the literature to produce such mapping like Monte Carlo Filtering [13] and [14], Regional Sensitivity Analysis [18], Generalized Likelihood Uncertainty Estimation [19] and Tree-Structured Density Estimation [20]. Other approaches, based on optimization instead of mapping from the output into the input space, have been suggested in [15] or recently in [16] and [17]. These approaches are able to extract the maximum volume hyperbox of the solution space, where factor variations are assigned independently. The solution space is represented through intervals [x1_inf, x1_sup], [x2_inf, x2_sup], …, and [xl_inf, xl_sup], where xj is the jth factor and l is the number of uncertain factors considered. Fig. 1 illustrates the approach in the case of two factors x1 and x2. The area delimited by dashed lines defines the feasible zone. The rectangle (solid lines) represents the box with maximum area. Full-size image (9 K) Fig. 1. Maximum area box (solid lines) in the feasible zone defined by dashed lines. Figure options The approach proposed in [15] requires an analytical model f(x1, x2, .., xl), while in [16] and [17] the model is considered as a black-box. In both approaches the hyperbox could be centered at a predefined feasible point or freely centered across the feasible zone. The widths of the final intervals that define the solution space could be considered as a sensitivity index. This paper proposes an approach based on the use of machine learning classification techniques [21] able to provide a description of the solution space, based on a set of “If (premise) then (consequence)” rules derived from model samples (i.e., could be used for analytical or black-box models) where (premise) is a condition (or the logical product of several conditions) related to a specific factor or variable whereas (consequence) gives a class assignment. For example, for a given project B, the structure of the hypothetical rule If (Cost/Benefit_Project_B>8 AND Employment_Project B>120) then (Rank_project_B=1) explains when project B is ranked as the first project. Each rule extracted represents a specific hyperbox of the solution space. This allows to model non-convex solution spaces. Additionally, some rule generation techniques are able to extract the most important factor, can detect non important factors or can provide a numerical sensitivity index. The rest of the paper is organized as follows: Section 2 describes the problem to be analyzed and proposes a solution based on machine learning classification techniques. Section 3 presents an overview of rule generations concepts and examples of solutions through several algorithms. Section 4 describes a case study. Finally, Section 5 shows the conclusions and future work.

نتیجه گیری انگلیسی

In this paper, Machine Learning techniques are used to assess the robustness of a ranking in multicriteria decision problems. A set of “If-Then” rules derived from model samples, allows describing the condition of the input variables (performance of alternatives under a defined set of criteria and/or decision-makers preferences), given a model behavior specification, represented by a global constraint. The approach presented is considered as an additional tool for decision-makers interested in characterizing a decision problem. Indeed, the information provided by previous works on the effect of uncertain inputs on the final ranking of alternatives or the knowledge of the important inputs that affect ranking variations, could be now complemented by an approach (based on rule generation techniques) able to describe the feasible space of a set of inputs responsible of a given model behavior constraint. Additionally, such techniques produce the subset of variables actually correlated and its importance under the specified constraints. The case study presented (a real portfolio of 20 projects evaluated through 3 criteria) shows that the approach is able to approximately synthesize the ranking model responses, under a specific constraint, through a group of simple rules that relates the variables and their possible variation ranges. In addition, it is also possible to determine the set of important variables that affect the selected behavior. Although the analysis is based on the use of the PROMETHEE methods, any other multicriteria technique could be used. Different rule generation techniques could be selected. In this paper several procedures were tested, using their default settings, to only illustrate their use and capabilities. However no comparison among techniques was performed. The quality of the extracted classifier (mainly assessed through sensitivity, specificity and accuracy indexes) also depends on the cardinality of the set of samples used. For the area suggested in this paper (i.e., multicriteria project evaluations), this is not a limitation since the set of samples are randomly generated using a model that is not computationally intensive. However, the set of samples must be carefully selected to avoid unbalanced classes and therefore derive naïve classifiers. This situation could happen when the constraint imposed produces a feasible region with a small hyper-volume. In any case, the performance indexes along with the quality of the rules extracted must be taken into consideration before making the final decision.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.