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

Sintesi Tecnica: L' $\alpha$-Discounting ($\alpha$-DMCDM) come estensione di AHP, TOPSIS, VIKOR, PROMETHEE e Weighted Sum

Definizione del Problema
Le tecniche tradizionali di Decision Making Multi-Criterio (MCDM), tra cui l'Analytic Hierarchy Process (AHP), TOPSPH, VIKOR, PROMETHEE e i modelli Weighted Sum, si basano sull'assunto che i decisori possano fornire informazioni di preferenza coerenti, a coppie (o completamente compatibili). Negli scenari reali, tuttavia, le strutture di preferenza sono spesso incomplete, non lineari o contraddittorie. Ad esempio, le inconsistenze cicliche (es. $C_1 > C_2$, $C_2 > C_3$, ma $C_3 > C_1$) rendono irrisolvibili i sistemi di equazioni utilizzati da questi metodi, producendo solo soluzioni banali. Sebbene l'AHP rilevi l'inconsistenza tramite il Consistency Ratio (CR), esso non offre alcun meccanismo fondato per riparare il set di giudizi o derivare pesi da dati inconsistenti. Altri metodi richiedono semplicemente pesi pre-calcolati e non possono elaborare strutture di preferenza mal poste. Le estensioni esistenti che utilizzano insiemi fuzzy o neutrosofici dipendono spesso ancora da un passaggio di estrazione dei pesi coerente.

Metodologia: $\alpha$-Discounting MCDM
Il documento propone l' $\alpha$-Discounting MCDM ($\alpha$-DMCDM) come un quadro algebrico unificato che accetta l'informazione inconsistente anziché rifiutarla. La metodologia centrale trasforma le dichiarazioni di preferenza — siano esse lineari, non lineari, a coppie o $n$-arie — in un sistema di equazioni o disequazioni algebriche.

1. Base Assiomatica: Il metodo si basa su sette assiomi, tra cui spiccano:

   • Assioma A3 (Ammissibilità dell'Inconsistenza): Il sistema può essere inconsistente (ovvero $\det(I - A) \neq 0$), producendo solo la soluzione banale $x=0$.
   • Assioma A4 (Principio di $\alpha$-Discounting): Viene introdotto un fattore di sconto scalare globale $\alpha > 0$ tale che il sistema scontato $(I - \alpha A)x = 0$ ammetta una soluzione non banale.
   • Assioma A5 (Misura di Coerenza): Il valore di $\alpha$ quantifica la coerenza globale. $\alpha = 1$ implica piena coerenza; $0 < \alpha < 1$ indica inconsistenza, con valori più piccoli che riflettono contraddizioni più forti.

2. Teorema di Esistenza: Il documento dimostra che per ogni insieme finito di equazioni di preferenza lineari (o linearizzate) dove il sistema originale è inconsistente, esiste almeno un valore reale positivo $\alpha$ tale che $\det(I - \alpha A) = 0$. Ciò garantisce l'esistenza di un autovettore non banale che può essere normalizzato per ottenere i pesi di priorità.

3. Procedura Algoritmica:

   • Modellare le preferenze come un sistema di equazioni/disequazioni per formare la matrice $A$.
   • Introdurre un singolo fattore di sconto $\alpha$ (aderendo al Principio di Equità).
   • Risolvere $\det(I - \alpha A) = 0$ per l' $\alpha$ ammissibile (tipicamente la radice positiva più piccola).
   • Calcolare l'autovettore di $(I - \alpha A)$ associato all'autovalore zero.
   • Normalizzare l'autovettore per ottenere il vettore dei pesi finale $w$.

4. Estensioni: Il framework è modulare e supporta:

   • $\alpha$-Discounting ad Intervallo: Gestire coefficienti vaghi come intervalli $[a^-, a^+]$, risultando in un intervallo di valori $\alpha$ ammissibili e pesi definiti da intervalli.
   • $\alpha$-Discounting Non Lineare: Accogliere relazioni funzionali arbitrarie (es. quadratiche, logaritmiche) riducendo il sistema a un'equazione trascendente risolvibile tramite ricerca numerica delle radici.
   • Decision Making di Gruppo: Aggregare le matrici di più esperti tramite media, media ponderata o selezione del $\alpha$ minimo, preservando il trattamento quantitativo dell'inconsistenza.
   • Logica Neutrosofica: Mappare il fattore di sconto $\alpha$ alla componente di "Verità" ($T$) delle triplette neutrosofiche $(T, I, F)$, permettendo al metodo di gestire esplicitamente l'indeterminatezza e la falsità.

Contributi Chiave

• Unificazione Teorica: Fornisce un'esposizione autocontenuta di $\alpha$-DMCDM, stabilendo una base assiomatica rigorosa e un teorema di esistenza per il fattore di sconto.
• Gestione dell'Inconsistenza: Offre un meccanismo fondato per quantificare e risolvere l'inconsistenza algebricamente senza scartare i giudizi contraddittori. Il parametro $\alpha$ funge da metrica diretta del grado di conflitto.
• Espressività: Permette ai decisori di articolare le preferenze in forme matematiche naturali (lineari, non lineari, intervallari) senza costringerle in una struttura di matrice a coppie.
• Implementazione Pratica: Include esempi numerici illustrativi (ciclici lineari, basati su intervalli e non lineari) e implementazioni in codice Python per la risoluzione di tali sistemi.
• Analisi Comparativa: Contrasta sistematicamente $\alpha$-DMCDM con AHP, TOPSIS, VIKOR, PROMETHEE e Weighted Sum, evidenziandone la capacità unica di gestire preferenze non lineari, incertezza intervallare e dati inconsistenti mantenendo una trattabilità computazionale comparabile ai metodi basati su autovettori.

Risultati ed Esempi Illustrativi
Il documento dimostra il metodo attraverso tre casi specifici:

1. Caso Ciclico Lineare: Per un sistema in cui $x_1 = 2x_2$, $x_2 = 3x_3$ e $x_3 = 4x_1$ (un'inconsistenza ciclica), il metodo calcola $\alpha \approx 0.346$. I pesi risultanti sono $(0.26, 0.37, 0.37)$, fornendo una soluzione laddove l'AHP tradizionale fallirebbe nel produrre pesi a causa dell'inconsistenza.
2. Caso ad Intervallo: Per criteri ambientali con intervalli di importanza vaghi, il metodo deriva un $\alpha$-intervallo ammissibile $[0.346, 0.550]$. Selezionando un $\alpha$ rappresentativo, si ottengono pesi definiti da intervalli, consentendo ai decisori di esplorare posizioni avverse o propense al rischio.
3. Caso Non Lineare: Per uno studio sull'adozione tecnologica con relazioni quadratiche e logaritmiche, il metodo risolve un'equazione trascendente per trovare $\alpha \approx 0.45$, producendo pesi che riflettono gli specifici insight comportamentali non lineari (es. rendimenti decrescenti).

Significatività e Rivendicazioni
Il documento sostiene che l' $\alpha$-Discounting colmi il divario tra la teoria decisionale classica e il moderno ragionamento consapevole dell'incertezza. La sua principale significatività risiede nel trasformare l'inconsistenza da un diagnostico negativo (un motivo per rifiutare i dati) in un'informazione azionabile (un parametro quantificabile $\alpha$). Mantenendo la semplicità algebrica dei metodi lineari ed espandendo al contempo la potenza espressiva per includere dati non lineari e incerti, il metodo viene presentato come un'alternativa robusta per l'ingegneria complessa, la pianificazione strategica e l'aggregazione delle preferenze guidata dall'IA. Gli autori posizionano l' $\alpha$-DMCDM non come un sostituto di tutti gli altri metodi, ma come una necessaria estensione per scenari in cui le strutture di preferenza sono intrinsecamente contraddittorie, incomplete o non lineari.

Limitazioni e Direzioni Future
Il documento riconosce modestamente alcune limitazioni, tra cui la potenziale presenza di molteplici radici positive nelle equazioni polinomiali (che richiede la conoscenza del dominio per la selezione), le sfide di scalabilità per sistemi molto grandi e la necessità di formazione per i professionisti nell'interpretare la metrica $\alpha$. Le direzioni di ricerca futura suggerite includono l'integrazione dell'apprendimento automatico per l'elicitazione delle preferenze, lo sviluppo di un $\alpha$ dinamico variabile nel tempo e lo sviluppo di interfacce grafiche per visualizzare la deformazione geometrica degli iperpiani causata da $\alpha$.