The {\alpha} -Discounting ({\alpha}-DMCDM) as an extension of AHP, TOPSIS, VIKOR, PROMETHEE, and Weighted Sum

तकनीकी सारांश: AHP, TOPSIS, VIKOR, PROMETHEE और Weighted Sum के विस्तार के रूप में $\alpha$-डिस्काउंटिंग ($\alpha$-DMCDM)

समस्या विवरण
पारंपरिक मल्टी-क्रेटेरिया डिसीजन मेकिंग (MCDM) तकनीकें, जिनमें एनालिटिक हाइरार्की प्रोसेस (AHP), TOPSPIs, VIKOR, PROMETHEE और वेटेड सम मॉडल शामिल हैं, इस धारणा पर आधारित हैं कि निर्णय लेने वाले (decision-makers) सुसंगत, युग्मवार (pairwise) या पूर्णतः संगत प्राथमिकता जानकारी प्रदान कर सकते हैं। हालांकि, वास्तविक दुनिया के परिदृश्यों में, प्राथमिकता संरचनाएं अक्सर अपूर्ण, गैर-रेखीय (non-linear) या विरोधाभासी होती हैं। उदाहरण के लिए, चक्रीय विसंगतियां (जैसे, $C_1 > C_2$, $C_2 > C_3$, लेकिन $C_3 > C_1$) इन विधियों द्वारा उपयोग किए जाने वाले समीकरणों के तंत्र को अनिर्णय योग्य बना देती हैं, जिससे केवल तुच्छ समाधान (trivial solutions) प्राप्त होते हैं। जबकि AHP कंसिस्टेंसी रेश्यो (CR) के माध्यम से विसंगति का पता लगाता है, यह जजमेंट सेट को सुधारने या विसंगत डेटा से वेट (weights) प्राप्त करने के लिए कोई सिद्धांतिक तंत्र प्रदान नहीं करता है। अन्य विधियां केवल पूर्व-निर्धारित वेट की आवश्यकता रखती हैं और खराब ढंग से परिभाषित (ill-posed) प्राथमिकता संरचनाओं को संसाधित नहीं कर सकतीं। फजी या न्यूट्रोसोफिक सेट्स का उपयोग करने वाले मौजूदा विस्तार भी अक्सर एक सुसंगत वेट निष्कर्षण चरण पर निर्भर करते हैं।

कार्यप्रणाली: $\alpha$-डिस्काउंटिंग MCDM
यह शोध पत्र $\alpha$-डिस्काउंटिंग MCDM ($\alpha$-DMCDM) को एक एकीकृत बीजगणितीय ढांचे (algebraic framework) के रूप में प्रस्तावित करता है जो विसंगत जानकारी को खारिज करने के बजाय उसे स्वीकार करता है। मुख्य कार्यप्रणाली प्राथमिकता कथनों को—चाहे वे रेखीय, गैर-रेखीय, युग्मवार (pairwise) हों या $n$-wise—एक बीजगणितीय समीकरणों या असमानताओं के तंत्र में परिवर्तित करती है।

1. स्वयंसिद्ध आधार (Axiomatic Basis): यह विधि सात स्वयंसिद्धों पर टिकी है, विशेष रूप से:

   • स्वयंसिद्ध A3 (विसंगति स्वीकार्यता): सिस्टम विसंगत हो सकता है (अर्थात $\det(I - A) \neq 0$), जिससे केवल तुच्छ समाधान $x=0$ प्राप्त होता है।
   • स्वयंसिद्ध A4 ($\alpha$-डिस्काउंटिंग सिद्धांत): एक वैश्विक स्केलर डिस्काउंट फैक्टर $\alpha > 0$ पेश किया जाता है ताकि डिस्काउंटेड सिस्टम $(I - \alpha A)x = 0$ एक गैर-तुच्छ समाधान प्रदान करे।
   • स्वयंसिद्ध A5 (संगति माप): $\alpha$ का मान वैश्विक संगति (global consistency) को मापता है। $\alpha = 1$ पूर्ण संगति को दर्शाता है; $0 < \alpha < 1$ विसंगति को दर्शाता है, जहाँ छोटे मान अधिक तीव्र विरोधाभास को दर्शाते हैं।

2. अस्तित्व प्रमेय (Existence Theorem): शोध पत्र सिद्ध करता है कि रैखिक (या रेखीयकृत) प्राथमिकता समीकरणों के किसी भी परिमित सेट के लिए, जहाँ मूल सिस्टम विसंगत है, एक धनात्मक वास्तविक स्केलर $\alpha$ मौजूद है जिससे $\det(I - \alpha A) = 0$ होता है। यह एक गैर-तुच्छ आइजनवेक्टर (eigenvector) की उपस्थिति सुनिश्चित करता जिसे प्रायोरिटी वेट प्राप्त करने के लिए नॉर्मलाइज किया जा सकता है।

3. एल्गोरिद्मिक प्रक्रिया:

   • मैट्रिक्स $A$ बनाने के लिए प्राथमिकताओं को समीकरणों/असमानताओं के तंत्र के रूप में मॉडल करें।
   • एक एकल डिस्काउंट फैक्टर $\alpha$ (फेयरनेस प्रिंसिपल का पालन करते हुए) पेश करें।
   • $\det(I - \alpha A) = 0$ के लिए $\alpha$ ज्ञात करें (आमतौर पर सबसे छोटा धनात्मक रूट)।
   • $(I - \alpha A)$ के आइजनवेक्टर की गणना करें जो शून्य आइजनवैल्यू से जुड़ा है।
   • अंतिम वेट वेक्टर $w$ प्राप्त करने के लिए आइजनवेक्टर को नॉर्मलाइज करें।

4. विस्तार (Extensions): यह ढांचा मॉड्यूलर है और निम्नलिखित का समर्थन करता है:

   • इंटरवल $\alpha$-डिस्काउंटिंग: अनिश्चित गुणांकों को अंतराल $[a^-, a^+]$ के रूप में संभालना, जिसके परिणामस्वरूप स्वीकार्य $\alpha$ के अंतराल और अंतराल-मान वाले वेट प्राप्त होते हैं।
   • नॉन-लीनियर $\alpha$-डिस्काउंटिंग: मनमाने कार्यात्मक संबंधों (जैसे, द्विघात, लघुगणकीय) को समायोजित करना, जिसे संख्यात्मक रूट-फाइंडिंग के माध्यम से हल किया जाने वाला एक ट्रांसेंडेंटल समीकरण में बदला जाता है।
   • ग्रुप डिसीजन मेकिंग: कई विशेषज्ञों के मैट्रिक्स को औसत, वेटेड एवरेजिंग, या न्यूनतम $\alpha$ चयन के माध्यम से एकत्रित करना, जिससे विसंगति का मात्रात्मक उपचार सुरक्षित रहता है।
   • न्यूट्रोसोफिक लॉजिक: डिस्काउंट फैक्टर $\alpha$ को न्यूट्रोसोफिक ट्रिपलेट्स $(T, I, F)$ के "ट्रुथ" (Truth) घटक ($T$) से मैप करना, जिससे यह विधि अनिश्चितता और असत्यता को स्पष्ट रूप से संभालने में सक्षम होती है।

प्रमुख योगदान

• सैद्धांतिक एकीकरण: $\alpha$-DMCDM का एक स्व-निहित विवरण प्रस्तुत करता है, जो डिस्काउंट फैक्टर के लिए एक कठोर स्वयंसिद्ध आधार और अस्तित्व प्रमेय स्थापित करता है।
• विसंगति प्रबंधन: विसंगत निर्णयों को त्यागने के बजाय उन्हें बीजगणितीय रूप से मापने और हल करने के लिए एक सिद्धांतिक तंत्र प्रदान करता है। पैरामीटर $\alpha$ संघर्ष की डिग्री के प्रत्यक्ष मीट्रिक के रूप में कार्य करता है।
• अभिव्यक्ति क्षमता (Expressiveness): निर्णय लेने वालों को युग्मवार मैट्रिक्स संरचना में मजबूर किए बिना प्राकृतिक गणितीय रूपों (रेखीय, गैर-रेखीय, अंतराल) में अपनी प्राथमिकताएं व्यक्त करने की अनुमति देता है।
• व्यावहारिक कार्यान्वयन: इसमें रैखिक चक्रीय, अंतराल-आधारित और गैर-रेखीय प्रणालियों को हल करने के लिए पायथन कोड कार्यान्वयन सहित दृष्टांत संख्यात्मक उदाहरण शामिल हैं।
• तुलनात्मक विश्लेषण: AHP, TOPSIS, VIKOR, PROMETHEE और वेटेड सम के साथ $\alpha$-DMCDM का व्यवस्थित रूप से तुलना करता है, जो इसकी गैर-रेखीय प्राथमिकताओं, अंतराल अनिश्चितता और विसंगत डेटा को संभालने की अद्वितीय क्षमता को उजागर करता है।

परिणाम और दृष्टांत उदाहरण
शोध पत्र तीन विशिष्ट मामलों के माध्यम से विधि का प्रदर्शन करता है:

1. रैखिक चक्रीय मामला (Linear Cyclic Case): एक ऐसे सिस्टम के लिए जहाँ $x_1 = 2x_2$, $x_2 = 3x_3$, और $x_3 = 4x_1$ (एक चक्रीय विसंगति), विधि $\alpha \approx 0.346$ की गणना करती है। परिणामी वेट $(0.26, 0.37, 0.37)$ हैं, जो एक ऐसा समाधान प्रदान करते हैं जहाँ पारंपरिक AHP विसंगति के कारण वेट देने में विफल रहता है।
2. अंतराल मामला (Interval Case): पर्यावरणीय मानदंडों के लिए अस्पष्ट महत्व श्रेणियों के लिए, विधि एक स्वीकार्य $\alpha$-अंतराल $[0.346, 0.550]$ प्राप्त करती है। एक प्रतिनिधि $\alpha$ का चयन करने से अंतराल-मान वाले वेट प्राप्त होते हैं, जिससे निर्णय लेने वाले जोखिम-विरोधी या जोखिम-सहिष्णु रुख का पता लगा सकते हैं।
3. गैर-रेखीय मामला (Non-Linear Case): द्विघात और लघुगणकीय संबंधों के साथ प्रौद्योगिकी अपनाने के अध्ययन के लिए, विधि एक ट्रांसेंडेंटल समीकरण को हल करती है ताकि $\alpha \approx 0.45$ प्राप्त हो सके, जिससे ऐसे वेट मिलते हैं जो विशिष्ट गैर-रेखीय व्यवहार संबंधी अंतर्दृष्टि (जैसे, घटते प्रतिफल) को दर्शाते हैं।

महत्व और दावे
शोध पत्र का दावा है कि $\alpha$-डिस्काउंटिंग शास्त्रीय निर्णय सिद्धांत और आधुनिक अनिश्चितता-जागरूक तर्क के बीच के अंतर को पाटता है। इसका प्राथमिक महत्व विसंगति को एक नकारात्मक नैदानिक (डेटा को अस्वीकार करने का कारण) से बदलकर एक क्रियाशील जानकारी (एक मात्रात्मक पैरामीटर $\alpha$) में बदलने में निहित है। गैर-रेखीय और अनिश्चित डेटा को शामिल करने के लिए अपनी अभिव्यक्ति शक्ति का विस्तार करते हुए, इस विधि को आइजन-आधारित विधियों के समान कम्प्यूटेशनल सुगमता बनाए रखते हुए एक मजबूत विकल्प के रूप में प्रस्तुत किया गया है। लेखक $\alpha$-DMCDM को सभी मौजूदा विधियों के प्रतिस्थापन के रूप में नहीं, बल्कि उन परिदृश्यों के लिए एक आवश्यक विस्तार के रूप में देखते हैं जहाँ प्राथमिकता संरचनाएं स्वाभाविक रूप से विरोधाभासी, अपूर्ण या गैर-रेखीय होती हैं।

सीमाएं और भविष्य की दिशाएं
शोध पत्र विनम्रतापूर्वक सीमाओं को स्वीकार करता है, जिसमें बहुपद समीकरणों में कई धनात्मक रूट्स की संभावना (चयन के लिए डोमेन ज्ञान की आवश्यकता), बहुत बड़े सिस्टम के लिए स्केलेबिलिटी चुनौतियां, और $\alpha$ मीट्रिक की व्याख्या करने के लिए अभ्यासी प्रशिक्षण की आवश्यकता शामिल है। भविष्य के शोध के सुझावों में प्राथमिकता निष्कर्षण के लिए मशीन लर्निंग को एकीकृत करना, गतिशील समय-परिवर्तित $\alpha$ के लिए ढांचे का विस्तार करना, और $\alpha$ द्वारा हाइपरप्लेन के ज्यामितीय विरूपण को विज़ुअलाइज़ करने के लिए ग्राफिकल इंटरफेस विकसित करना शामिल है।