دانلود رایگان مقالات انگلیسی درباره تاپسیس با ترجمه تخصصی ۲۰۲۱-۲۰۲۰|مقالات ISI درباره TOPSIS

مدیریت 2,834 بازدید

مقالات انگلیسی ترجمه شده درباره تاپسیس ۲۰۲۱- ۲۰۲۰ ۲۰۱۸-۲۰۱۹ با ترجمه تخصصی |مقالات ISI درباره TOPSIS

برای مشاهده جزییات و دانلود مقاله انگلیسی ترجمه شده درباره TOPSIS

بر روی عنوان مقاله مورد نظر کلیک نمائید

تکنیک تاپسیس (Topsis)

تکنیک تاپسیس (Topsis) یا اولویت بندی بر اساس شباهت به راه حل ایده آل، که نخستین بار بوسیله ونگ و یون در سال ۱۹۸۱ معرفی شد، یکی از روش های تصمیم گیری چند معیاره مانند AHP است. از این تکنیک می توان برای رتبه بندی و مقایسه گزینه های مختلف و انتخاب بهترین گزینه و تعیین فواصل بین گزینه ها و گروه بندی آنها استفاده نمود.

از جمله مزیت های این روش آن است که معیارها یا شاخص های به کار رفته برای مقایسه می توانند دارای واحدهای سنجش متفاوتی بوده و طبیعت منفی و مثبت داشته باشند. به عبارات دیگر می توان از شاخص های منفی و مثبت به شکل ترکیبی در این تکنیک استفاده نمود.

بر اساس این روش، بهترین گزینه یا راه حل، نزدیک ترین راه حل به راه حل یا گزینه ایده آل و دورترین از راه حل غیر ایده آل است. راه حل ایده آل، راه حلی است که بیشترین سود و کمترین هزینه را داشته باشد، در حالی که راه حل غیر ایده آل، راه حلی است که بالاترین هزینه و کمترین سود را داشته باشد. به طور خلاصه، راه حل ایده آل از مجموع مقادیر حداکثر هر یک از معیارها به دست می آید، در حالی که راه حل غیر ایده آل از مجموع پایین ترین مقادیر هر یک از معیار ها حاصل می گردد.

روش تاپسیس یکی از روشهای تصمیم گیری چند شاخصه (MADM) است که به رتبه بندی گزینه ها می پردازد. در این روش از دو مفهوم “حل ایده آل” و “شباهت به حل ایده آل” استفاده شده است. حل ایده آل چنان چه از اسم آن پیداست، آن حلی است که از هر جهت بهترین باشد که عموما در عمل وجود نداشته و سعی بر آن است که به آن نزدیک شویم. به منظور اندازه گیری شباهت یک طرح (یا گزینه) به حل ایده آل و ضد ایده آل، فاصله آن طرح (یا گزینه) از حل ایده آل و ضدایده آل اندازه گیری می شود. سپس گزینه ها بر اساس نسبت فاصله از حل ضد ایده آل به مجموع فاصله از حل ایده آل و ضد ایده آل ارزیابی و رتبه بندی می شوند. واژه TOPSIS از حروف اول عبارت Technique for Order of Preference by Similarity to Ideal Solution گرفته شده است.

مفروضات زیربنایی این روش عبارتند از :

الف – مطلوبیت هر معیار باید به طور یکنواخت، افزاینده و یا کاهنده باشد. به عبارت دیگر مطلوبیت معیار اعم از کیفی یا کمی با تغییر مقدار آن همواره افزاینده با کاهنده است. معیارها باید به طور یکنواخت کاهنده یا افزاینده باشند تا بتوان بهترین ارزش موجود آن را، ایده آل و بدترین ارزش آن را، ضد ایده آل تلقی کرد.

ب- معیارها باید به گونه ای طرح شوند که مستقل از همدیگر باشند.

ج- از آن جا که نرخ تبادل بین معیارها معمولا مقداری غیر از واحد است، فاصله گزینه ها از حل ایده آل و ضد ایده آل به صورت فاصله اقلیدسی محاسبه میشود.

نکته مهم: مواردی که در بیشتر موضوعات پروپوزال و پایان نامه ها مشاهده می شود این است که به عنوان مثال برای رتبه بندی عوامل و شاخص های پژوهش روش تاپسیس را انتخاب نموده اند، در صورتیکه این اشتباه است و روش تاپسیس فقط برای رتبه بندی گزینه های مساله مورد استفاده قرار میگیرد نه عوامل پژوهش. به عنوان مثال فرض کنید موضوع پژوهشی در مورد مدیریت زنجیره تامین سبز است و میخواهیم با تکنیک تاپسیس این مساله را حل کنیم. این مساله تعدادی معیار که بر مدیریت زنجیره تامین سبز تاثیرگذار هستند انتخاب نموده است. حال این معیارها را فقط با روشهایی نظیر آنتروپی، AHP، ANP و یا BWM قادر به وزن دهی و رتبه بندی هستیم در صورتیکه بخواهیم از روش تاپسیس استفاده کنیم باید برای مساله تعداد گزینه (آلترناتیو) تایین کنیم به عنوان مثال آلترناتیو ها می تواند تعداد شرکت باشد، تعدادی استراتژی باشند که هدف تاپسیس رتبه بندی این موارد می باشد نه رتبه بندی شاخص ها.

مزایای روش تاپسیس

تصمیم گیری در صورت وجود معیارهای مثبت و منفی (حتی توام با هم در یک مساله) امکان پذیر است.

برای تعیین بهترین گزینه می توان تعداد قابل توجهی معیار را مورد بررسی قرار داد در حالی که در روش AHP یا روش ANP عملا و ذاتا در این زمینه محدودیت هایی وجود دارد.

این روش ساده و دارای سرعت مناسب است و برای تعداد زیادی گزینه و معیار به خوبی پاسخگو است.

در روش تاپسیس به راحتی می توان معیارهای کیفی را کمی کرد و تصمیم گیری با وجود معیارهای کیفی و کمی میسر است.

خروجی سیستم به صورت کمی است و علاوه بر تعیین گزینه برتر، رتبه سایر گزینه ها به صورت عددی بیان می شود. این مقدار عددی همان نزدیکی نسبی است که پایه قوی این روش را بیان می کند.

فرآیند تاپسیس شامل مراحل زیر است:

گام ۱) ایجاد یک ماتریس تصمیم گیری برای رتبه بندی. شامل m گزینه و n معیار.

گام ۲) نرمال نمودن ماتریس تصمیم گیری است.

گام ۳) تعیین راه حل ایده آل مثبت و راه حل ایده آل منفی

گام ۴) بدست آوردن میزان فاصله هر گزینه تا ایده آل‌های مثبت و منفی

گام ۵) تعیین ضریب نزدیکی برای هر یک از گزینه ها

گام ۶) رتبه بندی گزینه ها بر اساس ضریب نزدیکی