PYMISSINGAHP: algoritmos genéticos para preencher pares ausentes em matrizes AHP e fuzzy AHP, com soluções mono e multiobjetiva

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPereira, Valdecy-
Autor(es): dc.contributorQuelhas, Osvaldo Luiz Gonçalves-
Autor(es): dc.contributorRoboredo, Marcos Costa-
Autor(es): dc.contributorBasílio, Marcio Pereira-
Autor(es): dc.contributorHora, Henrique Rego Monteiro da-
Autor(es): dc.creatorHeymann, Mozart Caetano-
Data de aceite: dc.date.accessioned2024-07-11T17:51:44Z-
Data de disponibilização: dc.date.available2024-07-11T17:51:44Z-
Data de envio: dc.date.issued2024-02-26-
Data de envio: dc.date.issued2024-02-26-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/32407-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/759004-
Descrição: dc.descriptionPropósito: Demonstrar a eficácia do Algoritmo PymissingAHP, implementado em Python e acessível em <https://pypi.org/project/pyMissingAHP/>. O pymissingAHP utiliza Algoritmos Genéticos (GA), com abordagens mono e multiobjetiva, visando o preenchimento de pares ausentes em matrizes de comparação par a par (PCMs), originadas dos julgamentos dos tomadores de decisão (DMs), de modelos do método de tomada de decisão multicritério (MCDM), denominado processo analítico hierárquico (AHP). O objetivo final é proporcionar uma compreensão mais profunda do potencial do algoritmo pyMissingAHP na resolução de problemas de pares ausentes em PCMs, promovendo assim a eficácia do processo de tomada de decisão no contexto do AHP. Metodologia: O algoritmo pymissingAHP utiliza GA, integrante do grupo dos Algoritmos Evolucionários (EA), com uma codificação especializada para aplicação do propósito desse estudo. Pode lidar com cenários mono ou multiobjetivo, que envolvem minimizar a razão de consistência e manter o ranking de pesos definido por especialistas. Além disso, o algoritmo opera com números fuzzy dentro da estrutura AHP (FAHP). Limitações: PCMs contendo vários valores ausentes podem gerar várias soluções e não refletir com precisão as opiniões dos especialistas. Embora o algoritmo pymissingAHP possa resolver PCMs totalmente esgotadas, é recomendável obter o maior número possível de comparações para garantir uma representação fiel das opiniões de especialistas para a tomada de decisão. Destaca-se também, que nem sempre é possível obter resultados que garantam a consistência da PCM, pois há casos que eles não existem. Resultados – A validação do algoritmo pymissingAHP na solução de problemas exemplificados em 9 instâncias de artigos acadêmicos e 1 exemplo gerado especificamente para este estudo, demonstrou coerência com os resultados dos respectivos artigos, sendo que em alguns casos, apresentou melhores resultados. Essa performance está relacionada com a utilização de GAs, que proporcionam os efeitos da convergência e diversidade na busca da solução ótima. Originalidade: O algoritmo pymissingAHP é inovador para o seu propósito, com uso de GA e oferece vantagens significativas, como: a capacidade de buscar soluções que atendam a objetivos únicos ou múltiplos, utilizando valores contínuos ou discretos e, adicionalmente, a capacidade de resolver problemas FAHP, além de fácil implementação-
Descrição: dc.descriptionPurpose: Demonstrate the effectiveness of the pymissingAHP algorithm, implemented in Python and accessible at <https://pypi.org/project/pyMissingAHP/>. O pymissingAHP uses Genetic Algorithm (GA), with mono and multi-objective approaches, aiming to fill in missing pairs in pairwise comparison matrices (PCMs), originating from the judgments of decision makers (DMs), models of the multicriteria decision making method (MCDM), called analytic hierarchy process (AHP). The ultimate goal is to provide a deeper understanding of the potential of the pyMissingAHP algorithm in solving missing pairs problems in PCMs, thus promoting the effectiveness of the decision-making process in the context of AHP. Methodology: The pymissingAHP algorithm employs GA, member of the Evolutionary Algorithms (EA) group, with a specialized coding for the purpose of this study. It can handle mono or multi-objective scenarios, which involve minimizing the consistency ration and maintaining the ranking of weights as defined by experts. Furthermore, the algorithm operates with fuzzy numbers within the AHP framework (FAHP). Limitations: PCMs containing numerous missing values may yield multiple solutions and not accurately reflect experts’ opinions. Although the pymissingAHP algorithm can solve entirely depleted PCMs, obtaining as many comparisons as possible is recommended to ensure a faithful representation of expert opinions for decision making. It is also noteworthy that it is not always possible to obtain results that guarantee the consistency of the PCM, as there are cases where they do not exist. Results – The validation of the pymissingAHP algorithm in solving problems exemplified in 9 instances of academic articles and 1 example generated specifically for this study, demonstrated coherence with the results of the respective articles, and in some cases, presented better results. This performance is linked to the use of GA, which provide the effects of convergence and diversity in the search for the optimal solution. Originality: The pymissingAHP algorithm is innovative for its purpose, using GA and provides significant advantages, such as: the capacity to seek solutions that address single or multiple objectives, utilizing continuous or discrete values, and additionally, the ability to solve FAHP problems, in addition to easy implementation-
Descrição: dc.description213 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectProcesso analítico hierárquico - AHP-
Palavras-chave: dc.subjectMatrizes de comparações com pares ausentes-
Palavras-chave: dc.subjectAlgoritmos genéticos-
Palavras-chave: dc.subjectOtimização multiobjetiva-
Palavras-chave: dc.subjectNúmeros fuzzy-
Palavras-chave: dc.subjectAlgoritmo genético-
Palavras-chave: dc.subjectLógica fuzzy-
Palavras-chave: dc.subjectAnálise hierárquica de processo (AHP)-
Palavras-chave: dc.subjectAnalytic hierarchy process - AHP-
Palavras-chave: dc.subjectMatrices with missing pairwise comparisons-
Palavras-chave: dc.subjectGenetic algorithm-
Palavras-chave: dc.subjectMulti-objective optimization-
Palavras-chave: dc.subjectFuzzy numbers-
Título: dc.titlePYMISSINGAHP: algoritmos genéticos para preencher pares ausentes em matrizes AHP e fuzzy AHP, com soluções mono e multiobjetiva-
Tipo de arquivo: dc.typeTese-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.