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

Technische Samenvatting: De $\alpha$-Discounting ($\alpha$-DMCDM) als een uitbreiding van AHP, TOPSIS, VIKOR, PROMETHEE en de Gewogen Som

Probleemstelling
Traditionele Multi-Criteria Besluitvormingstechnieken (MCDM), waaronder de Analytic Hierarchy Process (AHP), TOPSIS, VIKOR, PROMETHEE en de gewogen som-modellen, vertrouwen op de aanname dat besluitvormers consistente, paarwijze (of volledig compatibele) voorkeursinformatie kunnen verstrekken. In realistische scenario's zijn voorkeursstructuren echter vaak incompleet, niet-lineair of tegenstrijdig. Bijvoorbeeld, cyclische inconsistenties (bijv. $C_1 > C_2$, $C_2 > C_3$, maar $C_3 > C_1$) maken de systemen van vergelijkingen die door deze methoden worden gebruikt onoplosbaar, wat slechts triviale oplossingen oplevert. Hoewel AHP inconsistentie detecteert via de Consistentieratio (CR), biedt het geen principieel mechanisme om de beoordelingsset te herstellen of gewichten af te leiden uit inconsistente data. Andere methoden vereisen simpelweg vooraf berekende gewichten en kunnen geen slecht gestelde voorkeursstructuren verwerken. Bestaande uitbreidingen met behulp van fuzzy- of neutrosofische verzamelingen leunen vaak nog steeds op een consistente stap voor gewichtsextractie.

Methodologie: $\alpha$-Discounting MCDM
Het artikel stelt de $\alpha$-Discounting MCDM ($\alpha$-DMCDM) voor als een verenigd algebraïsch kader dat inconsistent informatie omarmt in plaats van deze af te wijzen. De kernmethodologie transformeert voorkeursverklaringen—of ze nu lineair, niet-lineair, paarwijs of $n$-wijs zijn—naar een systeem van algebraïsche vergelijkingen of ongelijkheden.

1. Axiomatische Basis: De methode rust op zeven axioma's, waarvan de belangrijkste zijn:

   • Axioma A3 (Toelaatbaarheid van Inconsistentie): Het systeem mag inconsistent zijn (d.w.z. $\det(I - A) \neq 0$), wat slechts de triviale oplossing $x=0$ oplevert.
   • Axioma A4 ($\alpha$-Discounting Principe): Een globale scalaire kortingsfactor $\alpha > 0$ wordt geïntroduceerd zodat het gedisconteerde systeem $(I - \alpha A)x = 0$ een niet-triviale oplossing toelaat.
   • Axioma A5 (Consistentiemaat): De waarde van $\alpha$ kwantificeert de globale consistentie. $\alpha = 1$ impliceert volledige consistentie; $0 < \alpha < 1$ duidt op inconsistentie, waarbij kleinere waarden sterkere tegenstrijdigheden reflecteren.

2. Existentiebewijs: Het artikel bewijst dat voor elke eindige verzameling lineaire (of gelineraliseerde) voorkeursvergelijkingen waar het oorspronkelijke systeem inconsistent is, er ten minste één positieve reële scalaire $\alpha$ bestaat waarvoor $\det(I - \alpha A) = 0$. Dit garandeert de existentie van een niet-triviale eigenvector die kan worden genormaliseerd om prioriteitsgewichten te verkrijgen.

3. Algoritmische Procedure:

   • Modelleer voorkeuren als een systeem van vergelijkingen/ongelijkheden om matrix $A$ te vormen.
   • Introduceer een enkele kortingsfactor $\alpha$ (in overeenstemming met het Fairheidsprincipe).
   • Los $\det(I - \alpha A) = 0$ op voor de toelaatbare $\alpha$ (meestal de kleinste positieve wortel).
   • Bereken de eigenvector van $(I - \alpha A)$ geassocieerd met de nul-eigenwaarde.
   • Normaliseer de eigenvector om de uiteindelijke gewichtsvector $w$ te verkrijgen.

4. Uitbreidingen: Het kader is modulair en ondersteunt:

   • Interval $\alpha$-Discounting: Het afhandelen van vage coëfficiënten als intervallen $[a^-, a^+]$, wat resulteert in een interval van toelaatbare $\alpha$-waarden en interval-waardige gewichten.
   • Niet-Lineaire $\alpha$-Discounting: Het accommoderen van willekeurige functionele relaties (bijv. kwadratisch, logaritmisch) door het systeem te reduceren tot een transcendente vergelijking die oplosbaar is via numerieke wortelzoekmethoden.
   • Groepbesluitvorming: Het aggregeren van matrices van meerdere experts via gemiddelden, gewogen gemiddelden of minimum $\alpha$-selectie, waarbij de kwantitatieve behandeling van inconsistentie behouden blijft.
   • Neutrosofische Logica: Het mappen van de kortingsfactor $\alpha$ naar het "Waarheid"-component ($T$) van neutrosofische triplets $(T, I, F)$, waardoor de methode onbepaaldheid en onwaarheid expliciet kan afhandelen.

Belangrijkste Bijdragen

• Theoretische Unificatie: Biedt een zelfstandige uiteenzetting van $\alpha$-DMCDM en vestigt een rigoureuze axiomatische basis en een existentiebewijs voor de kortingsfactor.
• Inconsistentiebeheer: Biedt een principieel mechanisme om inconsistentie te kwantificeren en op te lossen zonder tegenstrijdige oordelen weg te gooien. De parameter $\alpha$ dient als een directe metriek van de mate van conflict.
• Expressiviteit: Hiermee kunnen besluitvormers voorkeuren uiten in natuurlijke wiskundige vormen (lineair, niet-lineair, interval) zonder zichzelf te dwingen in een paarwijze matrixstructuur.
• Praktische Implementatie: Bevat illustratieve numerieke voorbeelden (lineair cyclisch, interval-gebaseerd en niet-lineair) en biedt Python-code implementaties voor het oplossen van deze systemen.
• Vergelijkende Analyse: Contrasteert systematisch $\alpha$-DMCDM met AHP, TOPSIS, VIKOR, PROMETHEE en de gewogen som, waarbij de unieke capaciteit voor het afhandelen van niet-lineaire voorkeuren, interval-onzekerheid en inconsistente data wordt benadrukt, terwijl de computationele traceerbaarheid vergelijkbaar blijft met eigenwaarde-gebaseerde methoden.

Resultaten en Illustratieve Voorbeelden
Het artikel demonstreert de methode aan de hand van drie specifieke gevallen:

1. Lineair Cyclisch Geval: Voor een systeem waar $x_1 = 2x_2$, $x_2 = 3x_3$ en $x_3 = 4x_1$ (een cyclische inconsistentie), berekent de methode $\alpha \approx 0.346$. De resulterende gewichten zijn $(0.26, 0.37, 0.37)$, wat een oplossing biedt waar traditionele AHP zou falen vanwege inconsistentie.
2. Intervalgeval: Voor milieucriteria met vage belangrijkheidsbereiken, leidt de methode een toelaatbare $\alpha$-interval af van $[0.346, 0.550]$. Het selecteren van een representatieve $\alpha$ levert interval-waardige gewichten op, waardoor besluitvormers risico-avers of risico-zoekend kunnen opereren.
3. Niet-Lineair Geval: Voor een studie naar technologische adoptie met kwadratische en logaritmische relaties, lost de methode een transcendente vergelijking op om $\alpha \approx 0.45$ te vinden, wat gewichten oplevert die specifieke niet-lineaire gedragsinzichten reflecteren (bijv. afnemende meeropbrengsten).

Significantie en Claims
Het artikel claimt dat $\alpha$-Discounting de kloof overbrugt tussen klassieke besluitvormingstheorie en moderne onzekerheidsbewuste redenering. De primaire significantie ligt in het transformeren van inconsistentie van een negatieve diagnose (een reden om data af te wijzen) naar bruikbare informatie (een kwantificeerbare parameter $\alpha$). Door de algebraïsche eenvoud van lineaire methoden te behouden en tegelijkertijd de expressieve kracht uit te breiden naar niet-lineaire en onzekere data, wordt de methode gepresenteerd als een robuust alternatief voor complexe engineering, strategische planning en AI-gestuurde voorkeursaggregatie. De auteurs positioneren $\alpha$-DMCDM niet als een vervanging voor alle bestaande methoden, maar als een noodzakelijke uitbreiding voor scenario's waarin voorkeursstructuren inherent tegenstrijdig, incompleet of niet-lineair zijn.

Beperkingen en Toekomstige Richtingen
Het artikel erkent bescheiden beperkingen, waaronder het potentieel voor meerdere positieve wortels in polynomiale vergelijkingen (wat domeinkennis vereist voor selectie), schaalbaarheidsuitdagingen voor zeer grote systemen, en de noodzaak voor training van de praktijkgebruiker om de $\alpha$-metriek te interpreteren. Voorgestelde toekomstige onderzoeksrichtingen omvatten de integratie van machine learning voor voorkeurselicatatie, het ontwikkelen van een dynamisch tijdvariërend $\alpha$-kader, en het ontwikkelen van grafische interfaces om de geometrische deformatie van hypervlakken veroorzaakt door $\alpha$ te visualiseren.