تجزیه و تحلیل تصمیم چند معیاره

تجزیه و تحلیل تصمیم چند معیاره (MCDA) یک چارچوب تصمیم گیری ریاضی است که بسیاری از معیارهای تصمیم را برای رسیدن به یک یا چند هدف که از تصمیم گیری پشتیبانی می کنند ترکیب می کند (شائو و همکاران نقل قول۲۰۲۰). در روش جمع وزنی (WSM)، با توجه به مجموعه ای از گزینه های m که به عنوان نشان داده می شود A1, A2, A3, …, Am، و مجموعه ای از n معیارهای تصمیم گیری، به عنوان C1، C2، C3، …، Cn، فرض بر این است که یک تصمیم گیرنده باید مقدار وزن را تعیین کند ${\mathrm{من‰}}_{\mathrm{من}j}$ (برای من = ۱،۲،۳، …، متر و j = ۱، ۲، ۳، …، n) از هر جایگزین بر حسب هر معیار (Fishburn نقل قول۱۹۶۷). برای هر ردیف از مجموعه داده ها $\mathrm{ایکس}$ با ${\mathrm{ایکس}}_j،$ مقادیر به همراه ماتریس وزن معیارها تعریف می شوند $\mathrm{دبلیو}$ (وزن عملکرد نسبی معیارهای تصمیم گیری). معمولاً این وزن‌ها به یک عدد نرمال می‌شوند و گزینه‌های جایگزین رتبه‌بندی می‌شوند. اگر وجود دارد متر جایگزین ها و n معیارها، امتیاز با استفاده از WSM برای منجایگزین تصمیم را می توان به عنوان نشان داد معادلهمعادله ۱(۱) $${س}_{\mathrm{من}}^{\mathit{WSM}}\mathrm{}=\mathrm{}{آ\text{'}}_{j=1}^n{\mathrm{من‰}}_{\mathrm{من}j}\text{*}{\mathrm{ایکس}}_j$$(1) (Fishburn نقل قول۱۹۶۷; تاکار نقل قول۲۰۲۱)، جایی که ${\mathrm{من‰}}_{\mathrm{من}j}$ وزن برای jمعیارها در منجایگزین تصمیم. ${\mathrm{ایکس}}_j$ مقدار داده است jستون هفتم (ویژگی)؛ و ${س}_{\mathrm{من}}^{\mathit{WSM}}$ امتیاز WSM برای منجایگزین تصمیم.(۱) $${س}_{\mathrm{من}}^{\mathit{WSM}}\mathrm{}=\mathrm{}{آ\text{'}}_{j=1}^n{\mathrm{من‰}}_{\mathrm{من}j}\text{*}{\mathrm{ایکس}}_j$$(1)

روش محصول وزنی (WPM) مشابه WSM است. تفاوت اصلی این است که به جای جمع در مدل، ضرب وجود دارد. هر جایگزین با ضرب تعدادی نسبت، یکی برای هر معیار، با بقیه مقایسه می شود. هر نسبت به توان معادل وزن نسبی معیار مربوطه (تریانتافیلو و مان) افزایش می یابد. نقل قول۱۹۸۹). در WPM، تحت شرایط مشکل یکسان، امتیاز برای منجایگزین تصمیم را می توان به صورت بیان کرد معادلهمعادله ۲(۲) $${س}_{\mathrm{من}}^{\mathit{WPM}}\mathrm{}=\mathrm{}{آ}_{j=1}^n{{\mathrm{ایکس}}_j}^{{\mathrm{من‰}}_{\mathrm{من}j}}$$(2) ، جایی که ${\mathrm{من‰}}_{\mathrm{من}j}$ نشان دهنده وزن برای jمعیارها در منجایگزین تصمیم. ${\mathrm{ایکس}}_j$ نشان دهنده مقدار داده از jستون هفتم (ویژگی)؛ و ${س}_{\mathrm{من}}^{\mathit{WPM}}$ نشان دهنده امتیاز WPM برای منجایگزین تصمیم (Thakkar نقل قول۲۰۲۱).(۲) $${س}_{\mathrm{من}}^{\mathit{WPM}}\mathrm{}=\mathrm{}{آ}_{j=1}^n{{\mathrm{ایکس}}_j}^{{\mathrm{من‰}}_{\mathrm{من}j}}$$(2)

WSM و WPM به طور گسترده در فرآیندهای MCDM استفاده می شوند، اما هر کدام دارای محدودیت هایی هستند. نقطه ضعف اصلی WSM فرض معیارهای افزایشی آن است، با نادیده گرفتن برهمکنش های بالقوه، در حالی که WPM معیارها را چند برابر فرض می کند، که ممکن است تعاملات را نادیده بگیرد و نتایج را با مقادیر صفر تحریف کند. روش WASPAS به دنبال متعادل کردن نقاط قوت و ضعف این مدل‌ها با ارائه میانگین وزنی از هر دو رویکرد، ارائه نتایج تصمیم‌گیری جامع‌تر و انعطاف‌پذیرتر است (Zavadskas et al. نقل قول۲۰۱۲). WASPAS به دلیل توانایی آن در افزایش دقت رتبه بندی به انواع روش های موجود ترجیح داده می شود. WASPAS منجر به بالاترین دقت تخمین برای بهینه سازی تابع کل وزنی می شود. این دو روش معروف WSM و WPM را ترکیب می کند تا روشی با دقت بیشتر از دو روش اصلی را با بهینه سازی تجمیع در حال انجام ارائه دهد (Thakkar نقل قول۲۰۲۱). WASPAS از a استفاده می کند $\mathrm{من”}$ مقدار برای هماهنگ کردن سهم خروجی دو مدل، که معمولاً ۰٫۵ از ۱ پیش‌فرض است. یعنی دریافت یکسان از خروجی های WSM و WPM. مقدار امتیاز وزنی محاسبه شده با استفاده از روش WASPAS را می توان به صورت بیان کرد معادلهمعادله ۳(۳) $${س}_{\mathrm{من}}^{\mathit{WASPAS}}\mathrm{}=\mathrm{}\mathrm{من”}\mathrm{}{آ\text{'}}_{j=1}^n{\mathrm{من‰}}_{\mathrm{من}j}\text{*}{\mathrm{ایکس}}_j\mathrm{}+\mathrm{}(1آ\text{'}\mathrm{من”}){آ}_{j=1}^n{{\mathrm{ایکس}}_j}^{{\mathrm{من‰}}_{\mathrm{من}j}}$$(3) ، جایی که ${\mathrm{من‰}}_{\mathrm{من}j}$ نشان دهنده وزن برای jمعیارها در منجایگزین تصمیم. ${\mathrm{ایکس}}_j$ نشان دهنده مقدار داده از jستون هفتم (ویژگی)؛ و ${س}_{\mathrm{من}}^{\mathit{WASPAS}}$ نشان دهنده امتیاز WASPAS برای منجایگزین تصمیم (Thakkar نقل قول۲۰۲۱).(۳) $${س}_{\mathrm{من}}^{\mathit{WASPAS}}\mathrm{}=\mathrm{}\mathrm{من”}\mathrm{}{آ\text{'}}_{j=1}^n{\mathrm{من‰}}_{\mathrm{من}j}\text{*}{\mathrm{ایکس}}_j\mathrm{}+\mathrm{}(1آ\text{'}\mathrm{من”}){آ}_{j=1}^n{{\mathrm{ایکس}}_j}^{{\mathrm{من‰}}_{\mathrm{من}j}}$$(3)

در این پروژه، گزینه‌های تصمیم‌گیری به مجموعه‌ای از ترکیبات وزنی مربوط به معیارها اشاره دارد. این معیارها بیانگر چهار عامل محیطی، از جمله سرعت باد در ۹۰ متر، به همراه آمار مربوط به فرود ماهیگیری برای سال های ۲۰۱۹ تا ۲۰۲۱، در مجموع هفت معیار تصمیم گیری است. اینها برای سنجش امکان سنجی ساخت یک توربین بادی در مکان های خاص استفاده می شوند. روش WASPAS به عنوان الگوریتم اولیه برای ارزیابی مناسب بودن مکان‌های متنوع در منطقه مورد مطالعه عمل می‌کند. یک نوآوری کلیدی این تحقیق شامل ادغام دو الگوریتم اضافی AHP و TOPSIS در کنار روش WASPAS در ایجاد سیستم پشتیبانی تصمیم مشارکتی مبتنی بر وب است. این به کاربران اجازه می‌دهد تا امتیازات تطبیقی ​​را برای ترکیب‌های وزنی که با ترجیحات آن‌ها هماهنگ هستند محاسبه کنند. ما این دو الگوریتم و نقش‌های مربوط به آنها را در چارچوب مدل‌سازی خود در بخش‌های بعدی بررسی می‌کنیم.

فرآیند تحلیل سلسله مراتبی

علاوه بر مدل WASPAS (شرح داده شده در بخش آخر)، AHP به عنوان روش وزن دهی دیگر برای ساخت مدل MCDM استفاده شد. AHP در زمینه های مختلفی مانند برنامه ریزی، انتخاب بهترین جایگزین و تخصیص منابع (Vaidya و Kumar) استفاده شده است. نقل قول۲۰۰۶; چاواچی، فلیکس کوریگ و اردلین نقل قول۲۰۱۷، مهدی و بهاج نقل قول۲۰۱۸; وو و همکاران نقل قول۲۰۱۸). AHP شامل تجزیه یک مسئله تصمیم گیری به سلسله مراتبی از معیارها و گزینه ها است. سلسله مراتب شامل یک هدف در بالا و به دنبال آن مجموعه ای از معیارها است که به دستیابی به هدف کمک می کند. این معیارها بیشتر به زیر معیارها تقسیم می شوند و یک ساختار سلسله مراتبی را تشکیل می دهند. هنگامی که سلسله مراتب ایجاد شد، مقایسه های زوجی بین عناصر هر سطح انجام می شود (ساعتی نقل قول۱۹۷۷). در تجزیه و تحلیل AHP، کاربران یک ماتریس وزن دهی زوجی ایجاد می کنند، که در آن هر عنصر اهمیت نسبی یک معیار را در مقایسه با معیار دیگر در طول فرآیند تصمیم گیری نشان می دهد. بردار وزنی بردار ویژگی ماتریس است که با حداکثر مقدار ویژگی غیر صفر مطابقت دارد.

1. ساخت ماتریس وزن دهی زوجی. ماتریس وزن های زوجی AHP در نشان داده شده است میز ۱.

2. بردار ویژگی(۴) $$آw={\mathrm{من”}}_{\mathrm{حداکثر}}w$$(4)

3. عادی سازی(۵) $$w_{\mathit{AHP}}=\mathrm{}\frac{w}{\left|\right|w\left|\right|}$$(5)

4. بررسی سازگاری.

فرض بر این است که ماتریس وزن دهی زوج ایده آل یک ماتریس توافقی باشد، اما محدودیت ها برای کاربرد عملی سخت هستند. بنابراین، برای اطمینان از اینکه خطا در محدوده قابل قبول است، شاخص اجماع (CI) و شاخص اتفاق نظر تصادفی (RI) معرفی شدند. CI سازگاری مقایسه‌های زوجی را اندازه‌گیری می‌کند. به صورت محاسبه می شود (λ – n)/(n âˆ' ۱)، جایی که من” حداکثر مقدار ویژه ماتریس مقایسه زوجی است و n تعداد معیارها است، همانطور که در نشان داده شده است معادلهمعادله ۶(۶) $$\mathrm{سی}\mathrm{من}=\mathrm{}\frac{\mathrm{من”}آ\text{'}n}{nآ\text{'}\mathrm{۱}}$$(۶) ، جایی که $\mathrm{من”}$ مقدار ویژگی و $n$ شماره سفارش است(۶) $$\mathrm{سی}\mathrm{من}=\mathrm{}\frac{\mathrm{من”}آ\text{'}n}{nآ\text{'}\mathrm{۱}}$$(۶)

RI برای اندازه گیری سازگاری ماتریس های قضاوت استفاده می شود. این ماتریس از بسیاری از ماتریس‌های پر شده به‌صورت تصادفی به دست می‌آید که هم اندازه ماتریس قضاوتی هستند که ما بررسی می‌کنیم. مقادیر RI ثابت هستند و مطابق با اندازه ماتریس تغییر می کنند، همانطور که در نشان داده شده است جدول ۲ (ساعتی نقل قول۱۹۸۸).

نسبت اجماع (CR) به عنوان معیاری عمل می‌کند که نشان می‌دهد چقدر قضاوت‌ها نسبت به نمونه‌های بزرگی از قضاوت‌های کاملا تصادفی مطابقت دارند، همانطور که در نشان داده شده است. معادلهمعادله ۷(۷) $$\mathrm{سی}\mathrm{آر}=\mathrm{}\frac{\mathrm{سی}\mathrm{من}}{\mathrm{آر}\mathrm{من}}$$(۷) . به شرطی که CR در محدوده قابل قبولی قرار گیرد (کمتر از ۰٫۱)، ماتریس وزن وارد شده توسط کاربر می تواند به عنوان ورودی در مدل تصمیم گنجانده شود. متعاقباً، نمرات تناسب خروجی به روز و تجسم خواهد شد.(۷) $$\mathrm{سی}\mathrm{آر}=\mathrm{}\frac{\mathrm{سی}\mathrm{من}}{\mathrm{آر}\mathrm{من}}$$(۷)

روش AHP، با ماتریس وزن‌های مقایسه زوجی، به‌عنوان یک رویکرد مستقیم و کاربر محور برای به‌دست‌آوردن وزن‌ها، مؤثرتر از استفاده از آرایه‌ای از وزن‌های مطلق است. در این پروژه از AHP به عنوان روش دیگری برای تعیین وزن معیارهای ارزیابی برای این کاربرد استفاده شد.

تکنیک برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل

TOPSIS یک روش MCDM است که برای ارزیابی و رتبه بندی گزینه ها بر اساس نزدیکی آنها به یک راه حل ایده آل استفاده می شود (Uzun et al. نقل قول۲۰۲۱). روش کاربرد TOPSIS در این مطالعه شامل مراحل زیر می باشد.

1. ماتریس نرمال شده را بسازید. اجازه دهید ماتریس ایکس ماتریس نمونه داده های اولیه را نشان می دهد. ماتریکس ز همانطور که در نشان داده شده است، ماتریس داده نرمال شده را نشان می دهد معادلهمعادله ۸(۸) $$\begin{array}{l}\mathrm{ایکس}=\mathrm{}\left[x_{11}\mathrm{ }⋯\mathrm{ }{x}_{1m}\mathrm{ }â‹\circledR \mathrm{ }â‹\pm \mathrm{ }â‹\circledR \mathrm{ }{x}_{n1}\mathrm{ }⋯\mathrm{ }{x}_{nm}\mathrm{ }\right]\\ z_{\mathrm{من}j}=\mathrm{}\frac{{\mathrm{ایکس}}_{\mathrm{من}j}}{\sqrt[2]{{آ\text{'}}_{\mathrm{من}=\mathrm{۱}}^n{{\mathrm{ایکس}}_{\mathrm{من}j}}^2}}\\ ز=\mathrm{}\left[z_{11}\mathrm{ }⋯\mathrm{ }{z}_{1m}\mathrm{ }â‹\circledR \mathrm{ }â‹\pm \mathrm{ }â‹\circledR \mathrm{ }{z}_{n1}\mathrm{ }⋯\mathrm{ }{z}_{nm}\mathrm{ }\right]\end{array}$$(۸) .(۸) $$\begin{array}{l}\mathrm{ایکس}=\mathrm{}\left[x_{11}\mathrm{ }⋯\mathrm{ }{x}_{1m}\mathrm{ }â‹\circledR \mathrm{ }â‹\pm \mathrm{ }â‹\circledR \mathrm{ }{x}_{n1}\mathrm{ }⋯\mathrm{ }{x}_{nm}\mathrm{ }\right]\\ z_{\mathrm{من}j}=\mathrm{}\frac{{\mathrm{ایکس}}_{\mathrm{من}j}}{\sqrt[2]{{آ\text{'}}_{\mathrm{من}=\mathrm{۱}}^n{{\mathrm{ایکس}}_{\mathrm{من}j}}^2}}\\ ز=\mathrm{}\left[z_{11}\mathrm{ }⋯\mathrm{ }{z}_{1m}\mathrm{ }â‹\circledR \mathrm{ }â‹\pm \mathrm{ }â‹\circledR \mathrm{ }{z}_{n1}\mathrm{ }⋯\mathrm{ }{z}_{nm}\mathrm{ }\right]\end{array}$$(۸)

2. راه حل های ایده آل مثبت و منفی (PIS و NIS) را شناسایی کنید. از بین همه نمونه ها، بهترین و بدترین سناریو را برای هر ویژگی انتخاب کنید تا بهترین و بدترین بردارها را تشکیل دهید. اینجا، $V^{+}$ (بردار خروجی PIS) و $V^{آ\text{'}}$ (بردار خروجی NIS) در شناسایی می شوند معادلهمعادله ۹(۹) $$\begin{array}{c}{V}^{+}\mathrm{}=\mathrm{}(v_1^{+}،\mathrm{}{v}_2^{+}،\mathrm{}{v}_3^{+}،\mathrm{}{v}_4^{+}،\mathrm{}...،\mathrm{}{v}_n^{+})\mathrm{}=\mathrm{}\left[\right[{\max }_i{v}_{ij}\left]\right]\\ V^{آ\text{'}}\mathrm{}=\mathrm{}(v_1^{آ\text{'}}،\mathrm{}{v}_2^{آ\text{'}}،\mathrm{}{v}_3^{آ\text{'}}،\mathrm{}{v}_4^{آ\text{'}}،\mathrm{}...،\mathrm{}{v}_n^{آ\text{'}})\mathrm{}=\mathrm{}\left[\right[{\min }_i{v}_{ij}\left]\right]\end{array}$$(9) ، جایی که $v_{\mathrm{من}j}={\mathrm{من‰}}_j{z}_{\mathrm{من}j};\mathrm{من}=\mathrm{۱}،…،\mathrm{متر};j=1،…،n;{آ\text{'}}_{j=1}^n{\mathrm{من‰}}_j=1.$ PIS معیارهای سود را به حداکثر می رساند و معیارهای هزینه را به حداقل می رساند، در حالی که NIS معیارهای هزینه را به حداکثر می رساند و معیارهای سود را به حداقل می رساند.(۹) $$\begin{array}{c}{V}^{+}\mathrm{}=\mathrm{}(v_1^{+}،\mathrm{}{v}_2^{+}،\mathrm{}{v}_3^{+}،\mathrm{}{v}_4^{+}،\mathrm{}...،\mathrm{}{v}_n^{+})\mathrm{}=\mathrm{}\left[\right[{\max }_i{v}_{ij}\left]\right]\\ V^{آ\text{'}}\mathrm{}=\mathrm{}(v_1^{آ\text{'}}،\mathrm{}{v}_2^{آ\text{'}}،\mathrm{}{v}_3^{آ\text{'}}،\mathrm{}{v}_4^{آ\text{'}}،\mathrm{}...،\mathrm{}{v}_n^{آ\text{'}})\mathrm{}=\mathrm{}\left[\right[{\min }_i{v}_{ij}\left]\right]\end{array}$$(9)

3. فاصله اقلیدسی تا PIS و NIS را محاسبه کنید معادلهمعادله ۱۰(۱۰) $$\begin{array}{c}{D}_{\mathrm{من}}^{+}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{(v_j^{+}آ\text{'}{v}_{\mathrm{من}j})}^2}\mathrm{}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{\left({v_j^{+}\mathrm{}\text{–}\mathrm{}\mathrm{من‰}}_j{z}_{\mathrm{من}j}\right)}^2}\\ D_{\mathrm{من}}^{آ\text{'}}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{(v_j^{آ\text{'}}آ\text{'}{v}_{\mathrm{من}j})}^2}\mathrm{}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{\left({v_j^{آ\text{'}}\mathrm{}\text{–}\mathrm{}\mathrm{من‰}}_j{z}_{\mathrm{من}j}\right)}^2}\end{array}$$(10) .(10) $$\begin{array}{c}{D}_{\mathrm{من}}^{+}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{(v_j^{+}آ\text{'}{v}_{\mathrm{من}j})}^2}\mathrm{}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{\left({v_j^{+}\mathrm{}\text{–}\mathrm{}\mathrm{من‰}}_j{z}_{\mathrm{من}j}\right)}^2}\\ D_{\mathrm{من}}^{آ\text{'}}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{(v_j^{آ\text{'}}آ\text{'}{v}_{\mathrm{من}j})}^2}\mathrm{}=\mathrm{}\sqrt{{آ\text{'}}_{j=1}^{\mathrm{متر}}{\left({v_j^{آ\text{'}}\mathrm{}\text{–}\mathrm{}\mathrm{من‰}}_j{z}_{\mathrm{من}j}\right)}^2}\end{array}$$(10)

4. نزدیک بودن نمونه ها و بهترین و بدترین موارد را ارزیابی کنید. نزدیکی هر نمونه و بهترین و بدترین موارد در محاسبه می شود معادلهمعادله ۱۱(۱۱) $${\mathrm{سی}}_{\mathrm{من}}=\mathrm{}\frac{D_{\mathrm{من}}^{آ\text{'}}}{D_{\mathrm{من}}^{+}+\mathrm{}{D}_{\mathrm{من}}^{آ\text{'}}}،\mathrm{}\mathrm{۰}\mathrm{}‰¤\mathrm{}{\mathrm{سی}}_{\mathrm{من}}\mathrm{}‰¤\mathrm{۱}$$(۱۱) :(۱۱) $${\mathrm{سی}}_{\mathrm{من}}=\mathrm{}\frac{D_{\mathrm{من}}^{آ\text{'}}}{D_{\mathrm{من}}^{+}+\mathrm{}{D}_{\mathrm{من}}^{آ\text{'}}}،\mathrm{}\mathrm{۰}\mathrm{}‰¤\mathrm{}{\mathrm{سی}}_{\mathrm{من}}\mathrm{}‰¤\mathrm{۱}$$(۱۱)

گزینه های جایگزین بر اساس نزدیکی نسبی آنها رتبه بندی می شوند. جایگزین با بالاترین مقدار نزدیکی نسبی مطلوب ترین انتخاب در نظر گرفته می شود. بزرگتر ${\mathrm{سی}}_{\mathrm{من}}$ یعنی هر نمونه به بهترین حالت نزدیکتر است. روش TOPSIS درک خوبی از اینکه چگونه ویژگی‌های یک مدل با یک راه‌حل ایده‌آل مطابقت دارد، همانطور که توسط مجموعه خاصی از وزن‌ها و مجموعه داده‌های فراگیر تعیین می‌شود، تسهیل می‌کند. استحکام، اعتبار، و شهودی ذاتی آن، آن را به ابزاری مطلوب برای ارزیابی و اعتبارسنجی پس‌هک، به‌ویژه پس از انتخاب وزن‌ها تبدیل می‌کند. در محدوده پروژه فعلی ما، TOPSIS دو مورد استفاده می‌شود: اول، به عنوان یک معیار ارزیابی برای ارزیابی کارایی ترکیب‌های وزنی که از طریق یک تمرین متعادل‌سازی منافع چند ذی‌نفع مربوط به هر گزینه تصمیم‌گیری می‌شود. دوم، به عنوان یک الگوریتم پشتیبان تصمیم ذاتی در برنامه وب، موازی با نقش روش های WASPAS و AHP.

تجزیه و تحلیل میزان حساسیت

تحلیل حساسیت به فرآیند بررسی تاثیر تغییرات در وزن معیارها یا ارزیابی های جایگزین بر نتیجه کلی تصمیم اشاره دارد. این یک تکنیک ارزشمند برای ارزیابی استحکام و ثبات فرآیند تصمیم گیری است (سالتلی و همکاران نقل قول۲۰۰۴; Z. Zhang و همکاران. نقل قول۲۰۱۸). یک مقدار عددی اغلب نشان دهنده حساسیت هر ورودی به نام شاخص حساسیت (Iwanaga، Usher، و Herman) است. نقل قول۲۰۲۲): (۱) شاخص های مرتبه اول سهم واریانس خروجی را تنها با یک ورودی مدل اندازه گیری می کنند. (۲) شاخص های مرتبه دوم سهم واریانس خروجی ناشی از تعامل بین دو ورودی مدل را اندازه گیری می کنند. و (۳) شاخص مرتبه کل سهم واریانس خروجی ناشی از ورودی مدل را اندازه‌گیری می‌کند، که شامل اثرات مرتبه اول آن (ورودی به تنهایی متغیر است) و تمام تعاملات مرتبه بالاتر (هرمن و آشر) نقل قول۲۰۱۷). در عمل، شاخص کل مرتبه معمولاً هنگام کشف اثرات هر معیار تصمیم گیری بر خروجی های مدل سازی تصمیم استفاده می شود. شاخص های مرتبه دوم هنگام بحث در مورد همبستگی بین معیارهای تصمیم گیری مختلف در مسائل MCDM استفاده می شود.

در این پروژه، ما تجزیه و تحلیل حساسیت را برای این سه مدل MCDM به کار بردیم تا به درک اینکه نتایج تصمیم‌گیری تا چه اندازه نسبت به تغییرات وزن معیارها یا ارزیابی‌های جایگزین حساس هستند، کمک می‌کنیم. از طریق تجزیه و تحلیل حساسیت، می‌توانیم تأثیرگذارترین معیار (همانطور که توسط شاخص SA مرتبه اول پیشنهاد می‌شود) و جفت معیار (همانطور که توسط شاخص SA مرتبه دوم نشان داده شده است) را تحت تأثیر ترکیب‌های وزنی خاص برای هر جایگزین تصمیم شناسایی کنیم.

منابع اطلاعات

عوامل زیر برای مدل سازی مبادلات بین شیلات و توسعه انرژی بادی دریایی در نظر گرفته شده است تا از کارایی و قانونی بودن انتخاب مکان و ساخت اطمینان حاصل شود: (۱) سرعت باد در ارتفاع ۹۰ متر، (۲) فاصله تا خطوط ساحلی، (۳) فاصله تا پایگاه‌های نظامی، و (۴) مناطق حفاظت‌شده طبیعی (فتانت و خراسانی‌نژاد). نقل قول۲۰۱۵; مکونن و گورسفسکی نقل قول۲۰۱۵; چاواچی، فلیکس کوریگ و اردلین نقل قول۲۰۱۷، مهدی و بهاج نقل قول۲۰۱۸; Y.Wu و همکاران نقل قول۲۰۱۶; B.Wu و همکاران نقل قول۲۰۱۸; X. Zhang و همکاران. نقل قول۲۰۱۸). این پروژه بر اساس پروژه اقتصاد آبی مبتنی بر شتاب دهنده شبکه همگرایی با بودجه بنیاد ملی علوم توسعه یافته است، جایی که تیم ما شانزده مصاحبه با مدیران شیلات، سیاست گذاران و دانشمندان در مورد استراتژی های مدیریت ماهیگیری پایدار انجام داده است. بسیاری از شرکت کنندگان در مصاحبه به نگرانی های مربوط به تأثیرات ساخت انرژی بادی دریایی بر اکوسیستم های دریایی و تولید شیلات اشاره کرده اند. علاوه بر متغیرهای ذکر شده قبلی، ما داده‌های آمار فرود ماهیگیری جمع‌آوری‌شده از سال ۲۰۱۹ تا ۲۰۲۱ را در مدل تصمیم‌گیری (دپارتمان ماهی و حیات وحش کالیفرنیا) وارد کردیم. نقل قول۲۰۲۲). ما میانگین سالانه سرعت باد دریایی را برای سواحل اقیانوس آرام (کالیفرنیا، اورگان و واشنگتن) در ارتفاع ۹۰ متری از آزمایشگاه ملی انرژی های تجدیدپذیر (AWS Truepower/NREL) جمع آوری کردیم. نقل قول۲۰۱۱) و نقشه خط ساحلی و پایگاه های نظامی از پایگاه های داده عمومی منتشر شده توسط پایگاه های داده اطلس حمل و نقل ملی ۲۰۱۴ (NTAD2014) و سازمان زمین شناسی ایالات متحده.

منطقه مطالعه

منطقه مورد مطالعه ما در کالیفرنیا است، جایی که باد دریایی شناور به عنوان یک منبع امیدوارکننده برای تولید انرژی تجدیدپذیر برای ایالت در حال ظهور است. توسعه انرژی بادی دریایی شناور در کالیفرنیا، سبد انرژی این ایالت را متنوع می کند و فرصتی برای مشاغل با درآمد خوب و مزایای اقتصادی در سراسر ایالت فراهم می کند (کمیسیون انرژی کالیفرنیا). نقل قول۲۰۱۹). در ۱۸ اوت ۲۰۱۶، دفتر فدرال مدیریت انرژی اقیانوس (BOEM) در پاسخ به یک درخواست اجاره ناخواسته، درخواستی برای علاقه به باد فراساحلی کالیفرنیا منتشر کرد. دو سال بعد، BOEM فراخوانی برای اطلاعات و نامزدهای شرکت های علاقه مند به اجاره های تجاری انرژی بادی در مناطق پیشنهادی مرکزی و شمالی کالیفرنیا (BOEM) منتشر کرد. نقل قول۲۰۱۸). علاوه بر این، BOEM به دنبال ورودی عمومی در مورد پتانسیل توسعه انرژی بادی در مناطق تماس بود. در ۲۵ مه ۲۰۲۱، وزارتخانه های کشور و دفاع و ایالت کالیفرنیا موافقت خود را برای پیشبرد مناطقی برای توسعه انرژی بادی در سواحل شمالی و مرکزی کالیفرنیا اعلام کردند و مسیری رو به جلو برای منطقه تماس هومبولت و مناطق داخل و مجاور ایجاد کرد. به منطقه تماس Morro Bay. BOEM فراخوان اطلاعات و نامزدی در شرق و غرب Morro Bay را منتشر کرد. ثبت فدرال، که یک دوره نظر عمومی چهل و پنج و یک روزه را آغاز کرد. BOEM نامزدهای صنعت و نظرات عمومی را تا ۱۳ سپتامبر ۲۰۲۱ پذیرفت. منطقه ماهیگیری ساحلی در منطقه اقیانوس آرام کالیفرنیا به ۶۱۵ بخش مساوی تقسیم شد که هر بخش تقریباً ۵۵۰ × ‰ کیلومتر بود.^۲. این بعد منطقه خاص از میانگین سه منطقه تماس پیشنهادی از سال ۲۰۱۸ (BOEM نقل قول۲۰۱۸). در نتیجه، هر چند ضلعی می تواند نماد یک منطقه تماس آینده نگر باشد.

هدف این مطالعه ارزیابی سازگاری مناطق تاسیس شده انرژی بادی فراساحلی با در نظر گرفتن عوامل متعدد ژئوفیزیکی، محیطی و مدیریت شیلات است. بیش از ۸۰۰۰ ترکیب وزن تصادفی با استفاده از WASPAS به عنوان الگوریتم وزنی اولیه تولید و پردازش شد. این رویکرد محاسبه رتبه‌بندی امتیازات را برای سه منطقه تماس تعیین‌شده تحت ترکیب‌های وزنی متنوع تسهیل می‌کند. پس از آن، نمرات مربوط به چند ضلعی در این مناطق فراخوانی به ترتیب نزولی سازماندهی شدند. تجزیه و تحلیل ترکیبات وزن منجر به نمرات بالاتر در چند ضلعی مربوطه سپس انجام شد. این ارزیابی کمک کرد تا مشخص شود که کدام پارامترها دارای انحراف بیشتری هستند و از این رو کدام گروه های ذینفع با چنین ترکیبات وزنی به طور برجسته نشان داده می شوند. هدف این بود که میزان منافع همه طرف‌ها را در فرآیند تصمیم‌گیری در مورد حوزه‌های تماس داده شده استنتاج کنیم. نتایج این بخش در بخش نتایج بیشتر توضیح داده شده است.

آزمایش

مطالعه پیشنهادی هفت معیار ارزیابی را در دو طبقه بندی مجزا دسته بندی می کند. دسته ۱ (C1) پارامترهایی مانند سرعت باد در ارتفاع ۹۰ متری، فاصله از خط ساحلی، نزدیکی به تاسیسات نظامی و فاصله از ذخایر طبیعی دریایی را در بر می گیرد. این پارامترها در درجه اول منافع مقامات برنامه ریزی انرژی را برآورده می کنند که هدف آنها افزایش کارایی عملیاتی توربین های بادی و کاهش هزینه های مربوط به ساخت و ساز و بهره برداری است. دسته ۲ (C2) شامل پارامترهایی مانند آمار ماهیگیری از سال ۲۰۱۹ تا ۲۰۲۱ است که عمدتاً مورد توجه مدیران شرکت ها و محققان تحقیقاتی است. هدف اصلی این تحقیق مدل‌سازی و تجسم مبادلات بین ماهیگیری و مزارع بادی فراساحلی برای کمک به فرآیند تصمیم‌گیری در ساخت یک سایت بادی دریایی جدید است. جدول ۳ یک ماتریس وزن شبیه سازی شده برای مدل MCDM را نشان می دهد. این مطالعه پنج مجموعه مجزا را ساخت (L1â €L5با مجموع ده استراتژی جایگزین (L1_aâ €L5_b) هر کدام مجموعه ای از استراتژی های تصمیم گیری را به نمایش بگذارند. هر مجموعه نسبت‌های وزنی منحصربه‌فردی را نشان می‌دهد، که نشان‌دهنده تخصیص وزن‌های متنوع برای دو نوع پارامتر است، با هر جایگزین در مجموعه، توزیع وزن متمایز را بین پارامترهای درون یک دسته نشان می‌دهد. برای ارائه یک مثال گویا، گزینه های تصمیم گیری L1_a و L4_b دارای تخصیص وزنی متفاوت L1_a وزن های ۹۰ و ۱۰ درصدی را به دسته ها نسبت می دهد C1 و C2به ترتیب، حفظ توزیع وزن یکنواخت در گروه های پارامتر مربوطه. متقابلا، L4_b وزن های ۶۰ و ۴۰ درصدی را به دسته ها اختصاص می دهد C1 و C2به ترتیب با توزیع وزنی (۷:۷:۳:۳) در محدوده پارامترهای C1 و (۱:۲:۳) در داخل پارامترهای C2.

شکل ۱ ورودی کاربر را از طریق WASPAS شبیه سازی می کند L1_a جایگزین مشخص شده در جدول ۳. منطقه ماهیگیری ساحلی در منطقه اقیانوس آرام کالیفرنیا به ۶۱۵ بخش مساوی تقسیم شد که هر بخش تقریباً ۵۵۰ ½ کیلومتر بود.^۲. این بعد منطقه خاص از میانگین سه منطقه تماس پیشنهادی از سال ۲۰۱۸ (BOEM نقل قول۲۰۱۸). در نتیجه، هر چند ضلعی می تواند نماد یک منطقه تماس آینده نگر باشد. عادی سازی وزن ها تضمین می کند که مجموع آنها برابر با یک باشد، با نمرات حاصل در سمت راست نشان دهنده مناسب بودن هر چند ضلعی برای ساخت توربین بادی دریایی است. پس از ارسال، نقشه به‌روزرسانی می‌شود تا نواحی آسیب‌پذیر ناشی از معیارها و وزن‌های انتخاب شده توسط کاربر از طریق الگوریتم‌های MCDA انتخاب شده را نشان دهد. به همین ترتیب، شکل ۲ و ۳ تجسم ورودی های کاربر مشابه برای L4_b جایگزین با استفاده از AHP و L5_b جایگزین از طریق TOPSIS، به ترتیب. وزن وارد می شود جدول ۳ تحت عادی سازی قرار می گیرند؛ با این حال، این فرآیند برای ورودی های رابط کاربری اجباری نیست. روش وزن دهی SWING (Zilinskas نقل قول۲۰۰۱، پاتل، واشی و بات نقل قول۲۰۱۷) در این آزمایش استفاده شد. این به کاربران اجازه می‌دهد تا وزن‌هایی را از ۰ (کمترین ترجیح) تا ۱۰۰ (بیشترین ارجحیت) اختصاص دهند، که وزن‌دهی شهودی‌تری را برای معیارهای مختلف تسهیل می‌کند. در نتیجه، نمرات تناسب خروجی در مقیاس ۰ تا ۱ نرمال می شوند.