Ranking Trees : an algorithm to elicitate parameters of ranking decision problems

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPereira, Valdecy-
Autor(es): dc.contributorLima, Gilson Brito Alves-
Autor(es): dc.contributorQuelhas, Osvaldo Luiz Gonçalves-
Autor(es): dc.contributorHora, Henrique Rego Monteiro da-
Autor(es): dc.contributorBasílio, Márcio Pereira-
Autor(es): dc.creatorRodrigues, Brunno e Souza-
Data de aceite: dc.date.accessioned2024-07-11T18:03:30Z-
Data de disponibilização: dc.date.available2024-07-11T18:03:30Z-
Data de envio: dc.date.issued2023-08-04-
Data de envio: dc.date.issued2023-08-04-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/29768-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/762681-
Descrição: dc.descriptionObjetivo – Quando devidamente estruturados, os problemas de análise multicriterio de decisão têm maior probabilidade de levar a melhores decisões. Esta tese apresenta um algoritmo que pode eliciar todos ou qualquer combinação de parâmetros para os métodos PROMETHEE II, III ou IV ou ELECTRE II, III ou IV, reduzindo o esforço cognitivo dos tomadores de decisão no processo. O algoritmo segue alguns passos de uma técnica de conjunto de aprendizado de máquina, o Random Forest, e por isso, a abordagem é denominada algoritmo RANKING TREES. Design / metodologia / abordagem – Primeiramente, para um determinado método, é gerado um conjunto de modelos (PROMETHEE / ELECTRE), onde cada modelo resolve uma amostra aleatória de critérios e alternativas (ações). Em seguida, para cada modelo gerado, todas as alternativas são projetadas em um espaço 􀍳􀜦; em geral, as melhores alternativas têm valores maiores em um espaço 􀍳􀜦do que as piores; portanto, eles podem ser usados para guiar o algoritmo genético na etapa final, a fase de otimização. Por fim, na fase de otimização, cada modelo tem seus parâmetros otimizados. Resultados – Apesar de tentador, a elicitação de todos os parâmetros não é indicada, alguma experiência e conhecimento que o tomador de decisão possui sobre o problema deve ser preservada. Os resultados podem ser usados de duas maneiras diferentes; os tomadores de decisão podem combinar todos os modelos, para encontrar os parâmetros elicitados dessa forma, ou os tomadores de decisão podem agrupar os modelos, e a mediana de todas as classificações representa a classificação final. Originalidade / valor – Pela primeira vez, a elicitação dos parâmetros PROMETHEE e ELECTRE é feita por uma técnica de ensemble composta por um conjunto de modelos multicritério não correlacionados que podem gerar soluções robustas. A abordagem proposta é útil quando reunir ou selecionar avaliadores para analisar um problema multicritério vier a ser problemático ou caro. Especialização e conhecimento podem ser inacessíveis para algumas empresas.-
Descrição: dc.descriptionPurpose – When properly structured multiple criteria decision analysis problems have a higher probability of leading to better decisions. This thesis presents an algorithm that can elicitate all or any combination of parameters for the PROMETHEE II, III or IV or ELECTRE II, III or IV methods, reducing the cognitive efforts of the decision makers in the process. The algorithm takes some steps of a machine learning ensemble technique, the Random Forest, and for that, the approach is named as RANKING TREES algorithm. Design / methodology / approach – First, for a given method, it is generated a set of models (PROMETHEE / ELECTRE), where each model solves a random sample of criteria and alternatives (actions). Second, for each generated model, all alternatives are projected in a ���������� space; in general, the best alternatives have higher values in a ���������� space than the worst ones; therefore, they can be used to guide the genetic algorithm in the final step, the optimization phase. Finally, in the optimization phase, each model has its parameters optimized. Findings – Although tempting, the elicitation of all parameters is not indicated, some experience and knowledge that the decision maker has about the problem must be preserved. The results can be used in two different ways; the decision makers can merge all models, to find the elicitated parameters in this way, or the decision makers can ensemble the models, and the median of all ranks represents the final rank. Novelty/value – For the first time, the elicitation of PROMETHEE and ELECTRE parameters is made by an ensemble technique composed of a set of uncorrelated multicriteria models that can generate robust solutions. The proposed approach is useful when gathering or selecting evaluators to analyse a multicriteria problem may be troublesome or costly. Expertise and knowledge may be unaffordable for some enterprises.-
Descrição: dc.description166 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectPROMETHEE-
Palavras-chave: dc.subjectELECTRE-
Palavras-chave: dc.subjectElicitacao de parametros-
Palavras-chave: dc.subjectAprendizado de maquina-
Palavras-chave: dc.subjectTomada de decisão com múltiplos critérios-
Palavras-chave: dc.subjectAnálise Envoltória de Dados (DEA)-
Palavras-chave: dc.subjectÁrvore de decisão-
Palavras-chave: dc.subjectParameters elicitation-
Palavras-chave: dc.subjectMachine Learning-
Título: dc.titleRanking Trees : an algorithm to elicitate parameters of ranking decision problems-
Tipo de arquivo: dc.typeTese-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.