Escolar Documentos
Profissional Documentos
Cultura Documentos
La Toma de Decisin Multicriterio es un proceso que La mayor parte de las veces, el decisor no es capaz de
consiste en encontrar la mejor alternativas de entre un definir la importancia de los criterios y/o la bondad de las
conjunto de alternativas factibles. alternativas con respecto a cada criterio en trminos
Entre los diversos mtodos compensatorios de la Toma de numricos. En la mayora de las situaciones, estas
Decisin Multicriterio, es posible considerar un subgrupo valoraciones son lingsticas, dando lugar a medidas o
que incluye aspectos de costes y beneficios. Uno de ellos cantidades que no son exactas sino aproximadas.
es el mtodo TOPSIS (Technique for Order Performance Desde que Zadeh [12] introdujera el concepto de conjunto
by Similaritiy to Idea Solution) Tcnica para ordenar las difuso y el de variable lingstica la popularidad y el uso
preferencias mediante similitud a la solucin ideal. Esta de la lgica difusa ha sido extraordinario. Estamos
aproximacin se utiliza por cuatro razones principales particularmente interesados en el papel de las variables
[11]: lingsticas como una escala ordinal as como en sus
a. La lgica aplicada en TOPSIS es racional y trminos asociados, en este caso de decisin multicriterio.
comprensible; Por variable lingstica [13,14,15] se entiende una
b. Los procesos de computacin son sencillos variable cuyos valores son palabras o sentencias en un
c. El concepto permite la bsqueda de las mejores lenguaje natural o artificial. Por ejemplo la edad es una
alternativas para cada criterio mostrndose en variable lingstica si sus valores son lingsticos en vez
una forma matemtica simple. de numricos, por ejemplo, joven, no joven, muy joven,
d. La importancia de los pesos se incorporan en los bastante joven, viejo, no muy viejo, no muy joven, etc en
procesos de comparacin lugar de nmeros como 20,21,22,23,..,etc. En general, las
Paso 5bis: Introduccin de alternativas ficticias, donde al Paso 11: Establecimiento del orden de preferencias de
conjunto de alternativas le aadiremos las alternativas todas las alternativas de acuerdo al coeficiente de
correspondientes a la valoracin de todos los criterios por proximidad. Obviamente, una alternativa Aj est ms
el valor correspondiente de cada una de las etiquetas prxima a la A + y ms lejana de A cuanto ms se
utilizadas en el problema. Entenderemos estas variables aproxima a 1 el ndice Ri
como ficticias
Paso 6: La matriz de decisin normalizada asociada. Para Paso 12: Defuzzificacin
ello los valores de cada criterio los dividimos por la De entre los muchos mtodos posibles existentes en la
norma con objeto de que la escala sea la misma para todos literatura nos quedamos con el propuesto en [3]. Para ello
los criterios. el clculo lo haremos sobre la siguiente expresin
I ( A ) = S ( A ) + (1 ) S R ( Ai ) + (1 ) (1 ) S L ( Ai )
( x% )
n 2 ,
(7)
i M i
nij = xij , j = 1,, n, i = 1,, m
% j =1
ij
Donde:
utilizando para los nmeros difusos las operaciones S L ( Ai ) es el valor inferior medio asociado con la
definidas (2) ,(4) (5) y (6), siendo el resultado funcin inversa g AL (x) .
nij = ( nija , nijb , nijc ) otro nmero difuso .
S M ( A ) es el rea del corazn del nmero difuso
i
2
2
d i = ( vij v j ) , i = 1,, m (12) Paso 13. Salida de valores lingsticos.
jJ Una vez obtenida la deffuzificacin en el paso anterior,
en este caso usamos la distancia eucldea, pero podramos los valores obtenidos son reales y por lo tanto tenemos un
haber tenido en cuenta cualquier otra. orden definido entre ellos, as como la posibilidad de
Paso 10: Clculo de la proximidad relativa de cada encontrar la mnima distancia de cada una de las
alternativa a la solucin ideal positiva y negativa alternativas a las alternativas ficticias introducidas en el
mediante el ndice de proximidad. paso 5bis.
d i
Ri = , i = 1,K, m (13)
d i + d i
+
4. CASO PRCTICO
Si Ri 1 Ai = A + En esta seccin, trabajamos con un caso real de decisin
para ilustrar el mtodo de decisin TOPSIS mediante el
Si Ri 0 Ai = A algoritmo propuesto.
El objetivo global del problema es decidir cual es el mejor
sistema de lavado de las piezas para un motor diesel y su
valoracin final en los mismos trminos que la entrada. El C5: Moderadamente importante [0, 0.3, 0.5],
problema del que se parte Garca-Cascales y Lamata [5] Datos que una vez normalizados estn expresados en la
es el siguiente; contamos con piezas que tienen diversos tabla 2.
grados de suciedad, con geometra y peso muy diferente, Tabla 2: Pesos normalizados de la importancia de los
y necesitamos un proceso de trabajo que exige rapidez y criterios
flexibilidad a la hora de limpiar piezas y donde se deben Pesos de los Cj Pesos de los Cj
tener en cuenta criterios como el coste total de operacin normalizados
anual, la productividad del sistema empleado, la MI [0.5, 0.7, 1] [0.20, 0.43, 0.91]
capacidad de carga del sistema, la eficiencia en la I [0.2, 0.5, 0.8] [0.06, 0.22, 0.73]
PI [0, 0, 0.3] [0, 0, 0.27]
limpieza y la salubridad de los productos utilizados.
I [0.2, 0.5, 0.8] [0.06, 0.22, 0.73]
Al abordar el problema nos encontramos con unos MoI [ 0, 0.3, 0.5] [0, 0.13, 0.45]
criterios cuyos datos se podan cuantificar y otros que no,
dadas sus caractersticas, la evaluacin solo poda Paso 5 y 5b: Construir la matriz de decisin
obtenerse mediante valores lingsticos. correspondiente junto con las cinco etiquetas de
valoracin (tabla 3).
4.1. ESTRUCTURACIN DEL PROBLEMA DE
DECISIN Paso 6: as como la matriz de decisin normalizada.
Establecer los criterios de decisin (Tabla 4 y Tabla 5 ver apndice)
C1: Coste Total de operacin anual.
C2: Productividad volumtrica de la Pila Tabla 3: Informacin lingstica del problema de decisin
C3: Capacidad de carga MI I PI I MoI
C4: Eficiencia en la limpieza C1 C2 C3 C4 C5
C5: Salubridad A1 B B M R R
Determinar las alternativas A2 R M MB B Mm
A1: Lavadora convencional A3 M MB R B B
Mm Mm Mm Mm Mm Mm
A2: Lavado qumico M m m m m
m
A3: Lavado ultrasonidos R R R R R R
B B B B B B
4.2. ANLISIS DEL PROBLEMA DE DECISIN MB MB MB MB MB MB
Consiste en evaluar las alternativas en trminos de los Paso 7: Construir la matriz ponderada normalizada.
criterios mediante las siguientes etiquetas que (Tabla 6, ver apndice), para ello operamos mediante la
modelizaremos a travs de nmeros difusos triangulares y expresin (4).
que recogemos en la tabla 1.
Paso 8: Determinar la solucin ideal positiva y la solucin
Tabla 1: Valores numricos asociados a las etiquetas de ideal negativa, que se exponen en la (tabla 7 ver
bondad apndice). Se puede comprobar que se corresponden con
Pesos de los Cj Pesos de los Cj las etiquetas: Muy bueno y Muy malo, respectivamente.
Muy malo (Mm) [0, 0, 0.3] 1
Paso 10: Calcular el coeficiente de proximidad. (Tabla 9). [2] Chen, S.J y Hwang, C.L. Fuzzy Multiple Attribute
Decision Making: Methods and Applications,
Tabla 9: Coeficiente de proximidad Springer-Verlang, Berlin, 1992.
RA1 0.0460 0.6533 11.9366 [3] M.S, Garcia-Cascales,., M.T. Lamata,: A modification
RA2 0.0198 0.4747 9.2296 to the index of Liou and Wang for ranking fuzzy
RA3 0.0193 0.4827 8.2866 number, International Journal of Uncertainty,
RMm 0.0000 0.0000 0.0000 Fuzziness and Knowledge-Based Systems, 411-424,
2007.
Rm 0.0000 0.3000 3.8947
RR 0.0210 0.5000 9.7367 [4] Garca-Cascales, M.S y Lamata, M.T. Multi-criteria
RB 0.0524 0.7000 13.6314 anlisis for a maintenance mangement problema in an
Enghien factory: racional Choice. In press Journal of
RMB 0.0734 1.0000 13.6314
Intelligent Manufacturing. 2009.
Pasos 11 y 12: Defuzzificacin, ordenacin de las [5] Garca-Cascales, M.S y Lamata, M.T. Selection of a
alternativas y salida lingstica de resultados. cleaning system for a engine maintenance based on
the analytic hierarchy process. Computer and
Salida Orden Industrial Engineering 56, 1442-1451, 2009
Salida lingstica
defuzzificada
1
[6] Hwang, C.L y Yoon, K. Multiple Attibute Decision
IA1 2.4326 Regular-Bueno
Methods and Applications, Springer, Berlin
1.8580 2 Malo-Regular
IA2 Heidelberg, 1981
IA3 1.7061 3 Malo-Regular
[7] J. Kacprzyk, R.R. Yager. Linguistic summaries of data
IMm 0.0000 using fuzzy logic. International Journal of General
Im 0.8491 Systems. 30, 2, 133-154, 2001.
IR 1.9596
[8] E.E. Kerre. The use of fuzzy set theory in
IB 2.7473 electrocardiological diagnostics, in: M.M. Gupta and
IMB 2.9508 E. Sanchez, Eds., Approximate Reasoning in Decision
Analysis Amsterdam; North-Holland 277-282, 1982.
5. CONCLUSIONES [9] G.J. Klir and B. Yuan, Fuzzy sets and Fuzzy Logic,
Prentice Hall PTR, New Jersey e d. 1995
En la mayora de los casos los sistemas de decisin dan
las salidas de los datos en forma numrica. Parece ms [10] Lai, Y.J, Liu, T.Y y Hwang, C.L. TOPSIS for
lgico que el decisor quiera que su resultado sea dado en MODM, European Journal of Operational Research 76
los mismos trminos que el input. Por ello, hemos (3), 486-500, 1994.
incluido ciertas modificaciones al mtodo TOPSIS de [11] T.C. Wang, T.H. Chang. Application of TOPSIS in
manera que la salida de los datos de esta metodologa sea evaluating initial training aircraft under a fuzzy
en los mismos trminos que la entrada de datos, que en environment. Expert Systems with Applications 33,
este caso se ha realizado mediante trminos lingsticos. (4), 870 (2007).
En este artculo, hemos estudiado un problema de
decisin multicriterio difuso como ejemplo de aplicacin [12] L. A. Zadeh . Fuzzy sets. Information and Control,
de las modificaciones propuestas al mtodo TOPSIS 8:338-353, 1965.
difuso, para as apreciar la bondad de las aportaciones al
[13] L. A. Zadeh. The concept of a linguistic variable and
mismo.
its application to approximate reasoning: Part 1.
Information Sciences, 8, 199-249, 1975.
Agradecimientos
[14] L. A. Zadeh, J. Kacprzyk (eds). Computing with
Este artculo se ha elaborado bajo los proyectos Words in Information / Intelligent Systems 1.
financiados por la DGICYT, TIN2008-06872-C04-04 y Foundations. Studies in Fuzziness and Soft
Junta de Andaluca (P07-TIC02970), respectivamente. Computing, Physica-Verlag (Springer-Verlag),
Heidelberg and New York. Vol. 34 1999.
Referencias [15] L. A. Zadeh, J. Kacprzyk (eds). Computing with
Words in Information / Intelligent Systems 2.
[1] R.E. Bellman, L.A. Zadeh. Decision-making in a Applications. Studies in Fuzziness and Soft
fuzzy environment. Management Sci., 17, 141- Computing. Physica-Verlag (Springer-Verlag),
164.,1970. Heidelberg and New York. Vol. 33 1999.
Apndice A
Tabla 4: Matriz de decisin
C1 C2 C3 C4 C5
Pesos 0.2000 0.4300 0.9100 0.0600 0.2200 0.7300 0.0000 0.0000 0.2700 0.0600 0.2200 0.7300 0.0000 0.1300 0.4500
A1 0.5000 0.7000 1.0000 0.5000 0.7000 1.0000 0.0000 0.3000 0.5000 0.2000 0.5000 0.8000 0.2000 0.5000 0.8000
A2 0.2000 0.5000 0.8000 0.0000 0.3000 0.5000 0.7000 1.0000 1.0000 0.5000 0.7000 1.0000 0.0000 0.0000 0.3000
A3 0.0000 0.3000 0.5000 0.7000 1.0000 1.0000 0.2000 0.5000 0.8000 0.5000 0.7000 1.0000 0.5000 0.7000 1.0000
Mm 0.0000 0.0000 0.3000 0.0000 0.0000 0.3000 0.0000 0.0000 0.3000 0.0000 0.0000 0.3000 0.0000 0.0000 0.3000
m 0.0000 0.3000 0.5000 0.0000 0.3000 0.5000 0.0000 0.3000 0.5000 0.0000 0.3000 0.5000 0.0000 0.3000 0.5000
R 0.2000 0.5000 0.8000 0.2000 0.5000 0.8000 0.2000 0.5000 0.8000 0.2000 0.5000 0.8000 0.2000 0.5000 0.8000
B 0.5000 0.7000 1.0000 0.5000 0.7000 1.0000 0.5000 0.7000 1.0000 0.5000 0.7000 1.0000 0.5000 0.7000 1.0000
MB 0.7000 1.0000 1.0000 0.7000 1.0000 1.0000 0.7000 1.0000 1.0000 0.7000 1.0000 1.0000 0.7000 1.0000 1.0000
C1 C2 C3 C4 C5
vA1 0.0453 0.1846 0.8797 0.0131 0.0834 0.5921 0.0000 0.0000 0.1180 0.0051 0.0629 0.5083 0.0000 0.0405 0.3480
vA2 0.0181 0.1318 0.7038 0.0000 0.0357 0.2961 0.0000 0.0000 0.2359 0.0127 0.0880 0.6354 0.0000 0.0000 0.1305
vA3 0.0000 0.0791 0.4399 0.0184 0.1191 0.5921 0.0000 0.0000 0.1887 0.0127 0.0880 0.6354 0.0000 0.0568 0.4350
vMm 0.0000 0.0000 0.2639 0.0000 0.0000 0.1776 0.0000 0.0000 0.0708 0.0000 0.0000 0.1906 0.0000 0.0000 0.1305
vm 0.0000 0.0791 0.4399 0.0000 0.0357 0.2961 0.0000 0.0000 0.1180 0.0000 0.0377 0.3177 0.0000 0.0243 0.2175
vR 0.0181 0.1318 0.7038 0.0052 0.0596 0.4737 0.0000 0.0000 0.1887 0.0051 0.0629 0.5083 0.0000 0.0405 0.3480
vB 0.0453 0.1846 0.8797 0.0131 0.0834 0.5921 0.0000 0.0000 0.2359 0.0127 0.0880 0.6354 0.0000 0.0568 0.4350
vMB 0.0634 0.2636 0.8797 0.0184 0.1191 0.5921 0.0000 0.0000 0.2359 0.0177 0.1258 0.6354 0.0000 0.0811 0.4350
C1 C2 C3 C4 C5
A+ 0.0634 0.2636 0.8797 0.0184 0.1191 0.5921 0.0000 0.0000 0.2359 0.0177 0.1258 0.6354 0.0000 0.0811 0.4350
A- 0.0000 0.0000 0.2639 0.0000 0.0000 0.1776 0.0000 0.0000 0.0708 0.0000 0.0000 0.1906 0.0000 0.0000 0.1305