1.1.

Uvod u viekriterijumsko odluivanje

Viekriterijumsko odluivanje (VKO) se odnosi na situacije odluivanja kada postoji vei
broj, najee, konfliktnih kriterijuma. Upravo ova injenica predstavlja znaajan korak ka
realnosti problema koji se mogu rjeavati metodama VKO. Naime, sve klasine optimizacione
metode koriste samo jedan kriterijum pri odluivanju, ime se ujedno i umanjuje realnost
problema koji se mogu rjeavati.

Meutim, prisustvo veeg broja kriterijuma u modelima odluivanja ima i svoju negativnu
stranu. U matematikom smislu modeli postaju znaajno sloeniji i do danas nije razvijena
metoda ija bi se snaga i optost mogla porediti npr. sa SIMPLEX metodom. Ideja da se
rjeavanju problema VKO prie damo sa pojedinanom optimizacijo pojedinih kriterijuma
brzo je naputena, jer se tom prilikom najee dobijaju neupotrebljiva rjeenja koja
najvjerovatnije optimiziraju neki od kriterijuma, ali po cijenu neispunjenja ostalih.

Lepeza problema VKO je izuzetno iroka, ali ipak oni imaju neke zajednike karakteristike:
1. Vei broj kriterijuma, odnosno atributa, koje mora kreirati donosilac odluke.
2. Konflikt meu kriterijumima, kao najei sluaj kod realnih problema.
3. Neuporedive jedinice mjere, jer svaki kriterijum, odnoso atribut, ima razliite jedinice
mjere.
4. Projektovanje ili izbor. Rjeenja ove vrste problema su ili projektovanje najbolje akcije
(alternative) ili izbor najbolje akcije iz skupa prethodno definisanih konanih akcija.

Kao i svi drugi modeli i metode, metode viekriterijalnog odluivanja imaju svoje prednosti i
nedostatke. Prednosti ove grupe metoda mogu se saeti u slijedeem:
Dozvoljavaju analizu vie razliitih kriterija, koji mogu imati+ razliite jedinice mjere i ne
moraju obavezno biti kvantitativni,
+ Dozvoljavaju donosiocu odluke da procjenjuje kriterije i alternative usporeivanjem,
ponderiranjem i rangiranjem,
+ Dozvoljavaju reduciranje skupa alternativa na razumnu veliinu procjenom alternativa po
razliitim kriterijima,
+ Mogu se upotrijebiti da se odrede dobra ili prihvatljiva rjeenja, konana ili kompromisna
rjeenja, itd.

Razlikujemo dvije grupe metoda VKO:

1. Vieciljno odluivanje (VCO)
2. Vieatributivno odluivanje (VAO), odnosno viekriterijumska analiza (VKA).









Razlike izmeu osobina dvije navedene grupe mogu se sagledati iz sljedee tabele:

VAO VCO
KRITERIJUM
(definisan) ATRIBUTIMA CILJEVIMA
CILJ IMPLICITAN
(loe definisan) EKSPLICITAN
ATRIBUT EKSPLICITAN IMPLICITAN
OGRANIENJA NEAKTIVNA
(ukljuena u atribute) AKTIVNA
AKCIJE
(alternative) KONAAN BROJ
diskretne BESKONAAN BROJ
kontinualne
INTERAKCIJA SA DONOS. ODLUKE NIJE IZRAZITA IZRAZITA
PRIMJENA IZBOR/EVALUACIJA PROJEKTOVANJE


1.2. Vieciljno odluivanje

Za vieciljno odluivanje (VCO) karakteristino je da sve do sada razvijene metode imaju
sljedee zajednike osobine:
- skup ciljeva koji mogu biti kvantifikovani,
- skup dobro definisanih ogranienja,
- proces dobijanja trade-off informacija (eksplicitnih ili implicitnih) o identifikovanim
ciljevima (koji recimo nisu kvantifikovani).
Posljednja osobina je posebno znaajna. Naime, veinu realnih ciljeva je vrlo teko
kvantifikovati, pa je za koritenje metoda iz ove grupe (VCO), potrebno raspolagati procesom
koji bi bio u stanju da obezbijedi odreeni nivo kvantifikacije svih ciljeva.
Dva osnovna modela iz vieciljnog odluivanja jesu:
- viekriterijumsko programiranje (VP) i
- ciljno programiranje (CP).

1.2.1. Viekriterijumsko programiranje (VP)

Opta matematika formulacija dobro struktuiranog modela sa vie ciljeva (kriterijuma)
najee se daje u matematikom modelu sljedeeg oblika:



pri ogranienjima

i


gdje je:

n broj promjenljivih
p broj funkcija kriterijuma,
m broj ogranienja
x n-dimenzioni vektor promjenljivih xj ,
fx funkcije kriterijuma,
gi (x) skup ogranienja,

Potrebno je naglasiti da se vri maksimizacija vektora (funkcije cilja) pri zadatim
ogranienjima, poto se kriterijumi minimizacije mogu prevesti u kriterijume maksimizacije.
Na primjer:



Rjeavanjem gore navedenog modela dobije se skup dopustivih rjeenja, Rn, za kojcvektor X
koji pripada skupu prirodnih brojeva X i vai:

X = 0, i =s gi (x) ,x 0, j =>, xj

Osnovna karakteristika svakog viekriterijumskog problema jeste postojanje vie kriterijuma
za odluivanje i vie alternativa za izbor najprihvatljivije akcije.

1.2.2. Ciljno programiranje (CP)

Opti matematiki model zadatka ciljnog programiranja ima oblik:



gdje su:
- eljeni nivo k-tog cilja, k=1,2,...,p
- negativno odstupanje od eljenog nivoa k-tog cilja, k=1,2,...,p
- pozitivno odstupanje od eljenog nivoa k-tog cilja, k=1,2,...,p.
Ideja ciljnog programiranja zasniva se na minimizaciji odstupanja dostignutih u odnosu na
eljene ciljeve, a definisanih od strane odnosioca odluke, pri emu uvijek mora vaiti uslov da
je
Rjeavanje modela ciljnog prgramiranja se vri modifikovanom simpleks metodom.
Vana karakteristika obje grupe metoda jeste da su interaktivne, tj. u njihovom koritenju
neposredno uee moraju uzeti i analitiar odluivanja i donosilac odluke.
2. VIEATRIBUTIVNO ODLUIVANJE

Kod modela vieatributivnog odluivanja (VAO), kriteriji su zadati atributima, postoji
konaan broj unaprijed zadatih altenativa za izbor, i ne postoje posebna ogranienja, ve su
ona ukljuena u atribute.
Atributi su izabrane karakteristike po kojima se alternative meusobno razlikuju i na osnovu
kojih vrimo njihovo poreenje i evaluaciju. esti sinonimi za atribute su parametri
performanse, komponente, faktori, osobine, karakteristike i sl. Ako atributima pridruimo
eljeni pravac kretanja mi definiemo ciljeve koje odlukom elimo da postignemo. Zbog toga
i jeste naziv vieatributivno odluivanje.
Uobiajen nain prikazivanja problema VAO je matrina forma. Tako je matrica odluivanja
O matrica (mn) iji elementi xij oznaavaju vrijednost i-te akcije ai, i=1,2,...,m, u odnosu na
j-ti atribut Aj, j=1,2,...,n.



2.1. Osobine atributa

Atributi se meu sobom razlikuju po brojnim svojstvima, od kojih emo izdvojiti dva, a to su:
+ preciznost sa kojom ih moemo mjeriti i
+ smjer korelacije izmeu vrijednosti atributa i korisnosti koju nam oni pruaju.

Po stepenu mjerljivosti razlikujemo dvije vrste atributa:
+ kvantitativne i
+ kvalitativne atribute.

Kvantitativni atributi su karakteristike alternativa koje moemo precizno da mjerimo na tzv.
kardinalnim skalama (intervalnoj skali i skali odnosa ili relacionoj skali). U ovu grupu
atributa spadaju obim proizvodnje, ostvareni prihod, relativno uee karta, i sl.
Kvalitativni atributi su karakteristike ije modalitete ne moemo da izrazimo numeriki.

Po smjeru slaganja (korelacije) razlikujemo:
+ prihodne atribute
+ rashodne atribute
+ nemonotone atribute.

Prilikom formiranja matrice odluivanja, est je sluaj da se vrijednosti atributa, za svaku
akciju po odreenom kriterijumu predstavljaju kao kvalitativne vrijednosti. Pri tome se
javljaju problemi kako izvesti poreenje kvalitativne sa kvantitativnom vrijednosti atributa.
Za prevazilaenje ovakvih problema, vri se tzv. kvantifikacija kvalitativnih atributa, odnosno
prevoenje kvalitativnih atributa u kvantitativne. Prema tome prvi uslov za rjeavanje
problema VAO je izvrena kvantifikacija kvalitativnih atributa.

2.2. Kvantifikacija kvalitativnih atributa

Prema profesoru Hasanu Haniu postoje etiri vrste skala za prevoenje kvalitativnih atributa
u kvantitativne atribute. To su nominalne, ordinalne, intervalne i relacione skale.
Nominalne skale nemaju ishodite i ne mogu se koristiti za+ istraivanje razlika ili
redoslijeda. Koriste se za identifikaciju predmeta i pojava i slue prvenstveno za
kategorizaciju i grupisanje.
Ordinalne skale koriste svojstvo brojnog sistema tako da brojevi+ imaju redoslijed veliine,
npr. broj 2 vei od broja 1, broj 3 od broja 2 itd. Brojevi slue samo za rangiranje predmeta
prema nekom atributu (svojstvu, karakteristici) tako da vei broj oznaava samo vii rang
atributa prema subjektivnoj ocjeni ispitivanog lica.
Intervalne skale imaju jau mo mjerenja nego ordinalne skale, jer+ pored svojih svojstava
imaju osobinu da odstojanja brojnih veliina odgovaraju odstojanjima izmeu predmeta,
pojava u pogledu karakteristika koje se mjere. Kod intervalnih skala ishodite brojevnih
veliina je arbitrarno, nije unaprijed odreeno.
Relacione skale (ratio scales) predstavljaju najvii oblik u sistemu+ skala jer doputaju sve
aritmetike operacije. One imaju nultu taku koja oznaava odsustvo karakteristike koja je
predmet mjerenja. Ove skale koje se uobiajeno koriste u mjerenju u fizikim naukama npr.
teine, visine itd., imaju arbitrarnu samo jedinicu mjere (ton, kilogrami itd za teinu).

HWANG i YOON razlikuju tri vrste skala:

1. Redna (ordinalna) skala stavlja mjerene akcije u redoslijed (rangove), pri emu se ne vodi
rauna o relativnim rastojanjima izmeu rangova.
2. Interval skala obezbjeuje jednake intervale izmeu akcija i oznaava razlike ili
rastojanja akcija od nekog unaprijed definisanog repera (originala).
3. Skala odnosa obezbjeuje jednake intervale izmeu akcija i oznaava razlike ili rastojanja
od nekog originala koji nije unaprijed definisan.

Mi emo koristiti interval skalu, pomou koje e se izvriti prevoenje kvalitativnih
vrijednosti u kvantitativne. Raspon skale kree se u intervalu od 1 do 9, pri emu se koriste
cijeli brojevi.


Kvalitativna ocjena Lo Dobar Prosjean Vr. dobar Odlian Tip kriterijuma
Kvantitativna ocjena 1 3 5 7 9 Max
9 7 5 3 1 Min

Po zavrenoj kvantifikaciji kvalitativnih atributa podaci se i dalje predstavljaju u matrinoj
formi i tu matricu nazivamo kvantifikovana matrica. Elementi kvantifikovane matrice
odluivanja su esto sa velikim rasponima brojnih vrijednosti. To je razlog da se isti svedu na
, odnosno da se uprosjee, primjenom tzv. vektorske| 0,1|interval normalizacije. Pri tome je
potrebno voditi rauna o zaokruivanju elemenata matrice odluivanja (najmanje na treu
decimalu)




2.2.1. Vektorska normalizacija

Sprovoenjem normalizacije vri se ujednaavanje vrijednosti atributa. Normmalizacija
kvantifikovane matrice odluivanja (O) vri se tako to se svaki elemenat ove matrice podijeli
sa svojom normom. Postupak se obavlja na sljedei nain:
Za svaku kolonu matrice odluivanja izrauna se norma kao:

Norma =

gdje je xij vrijednost j-tog atributa po i-toj alternativi.
Normalizovani element matrice atributa izraunava se na sljedei nain:

Kod kriterijuma tipa max:



Kod kriterijuma tipa min:


gdje je:
nij normalizovani element matrice odluivanja.

Poslije sprovedene vektorske normalizacije, svi elementi se predstavljaju u normalizovanoj
matrici odluivanja. Prednost ovog naina transformacije je u injenici da se svi kriterijumi
mogu izraziti mjerama koje imaju svoju jedinicu.

2.2.2. Linearizacija atributa

Po zavrenoj normalizaciji atributa, u cilju primjene metoda VAO, neophodno je izvriti tzv.
linearizaciju atributa. Razlog sprovoenja linearizacije jeste svoenje vrijednosti atributa na
interval (0,1) odnosno razne mjerne jedinice kriterijuma u neimenovan broj.
U zavisnosti od tipa kriterijuma (max/min) izraunavanje linearizovanih elemenata (Iij)
matrice odluivanja vri se na sljedei nain:

Kod kriterijuma tipa max:

gdje je :
xj* =

Kod kriterijuma tipa min:


gdje je:



i ranije definisana promjenljiva:
xij vrijednost j-tog atributa po i-toj alternativi

Primjer:

Prilikom kupovine automobila kupac je u situaciji da bira izmeu etiri tipa: a1, a2, a3 i a4.
Svaki od tipova se karakterie odreenim atributima kojih u ovom primjeru ima 6:
A1 maksimalna brzina [km/h],
A2 potronja goriva [l/100 km],
A3 mogunost optereenja [kp],
A4 cijena [104 KM],
A5 pouzdanost (kvalitativna ocjena),
A6 sposobnost manevrisanja (kvalitativna ocjena).

Kupac eli za sebe da izabere najpovoljniji automobil.

Matrica odluivanja za ovaj primjer glasi:



a) Kvantifikacija kvalitativnih atributa

Koristit emo intervalnu skalu, pomou koje emo izvriti prevoenje kvalitativnih vrijednosti
u kvantitativne. Raspon skale kree se u intervalu od 1 do 9, pri emu se koriste cijeli brojevi.
Prethodnu matricu je mogue u potpunosti kvantifikovati:

Kvalitativna ocjena Lo Dobar Prosjean Vr. dobar Odlian Tip kriterijuma
Kvantitativna ocjena 1 3 5 7 9 Max
9 7 5 3 1 Min

Kvantifikovana matrica ima sljedei oblik:

max f1 min f2 max f3 min f4 max f5 max f6



b) Vektorska normalizacija

Izraunavanje norme

max f1 min f2 max f3 min f4 max f5 max f6
a1 22500 100 2250000 36 49 25
0 = a2 32400 225 1210000 81 81 49
a3 25600 144 1960000 49 25 81
a4 25600 81 2560000 25 9 25
106100 550 7980000 191 164 180
Norma 325,72995 23,452079 2824,8894 13,8203 12,80625 13,41641









Izraunavanje normalizovanih koeficijenata za atribut f1 (kriterij maksimuma):






Izraunavanje normalizovanih koeficijenata za atribut f2 (kriterij minimuma):





Za ostale atribute postupak izraunavanja normalizovanih koeficijenata je potpuno identian s
napomenom da treba voditi rauna da li atribut treba da zadovolji minimalnu ili maksimalnu
vrijednost.

Normalizovana matrica odluivanja:

max f1 min f2 max f3 min f4 max f5 max f6


c) Linearna transformacija

Izraunavanje linearizovanih koeficijenata za atribut f1 (kriterij maksimuma)

gdje je :

xj* =
U naem sluaju


Izraunavanje linearizovanih koeficijenata za atribut f2 (kriterij minimuma):

gdje je:



Pogledom na veliinu koeficijenata vidimo da je minimalni koeficijent x42=9 . Sada
raunamo linearizovane koeficijente:



Za ostale atribute postupak izraunavanja je identian.

max f1 min f2 max f3 min f4 max f5 max f6




4. VIEKRITERIJALNA ANALIZA ODLUIVANJA

U svijetu vlada miljenje da su najbolje metode kod viekriterijalnog odluivanja tzv. "metode
vieg ranga":

1. ELECTRE
2. PROMETHEE
3. TOPSIS
4. AHP (analitiki hijerarhijski proces)

One su jako sloene i njihova upotreba u kompleksnim poslovnim situacijama odluivanja je
nezamisliva bez raunarske podrke. Razvijene su za odreivanje jednog preferiranog rjeenja
iz skupa nedominiranih rjeenja i omoguavaju rangiranje precizno definisanih alternativa
kojih mora biti konaan broj, prema kriterijima kao funkcijama cilja.
Znai, osnovni cilj ovih metoda je odreivanje prioriteta izmeu pojedinih alterativa ili
kriterija u situacijama odluivanja:
a) gdje uestvuje vei broj donosilaca odluke,
b) gdje je prisutan vei broj kriterija odluivanja i
c) u viestrukim vremenskim periodima.

4.1. Metoda ELECTRE

Metodu ELECTRE I njene nadopune (ELECTRE II, III i IV) razvio je Bernard Roy sa
saradnicima (od 1968.). Njom se vri izbor i rangiranje skupa od n alternativa prema k
razliitih kvalitativnih i kvantitativnih kriterija (atributa) razliitog stepena vanosti. Ona
omoguava parcijalno ureenje skupa alternativa na osnovu preferencija donosioca odluke.
Pomae kod realnih situacija odluivanja sa problemom nemogunosti odreivanja striktne
(matematike) dominacije jedne akcije nad drugom. Znai, ona uporeuje akcije u parovima.
Dva osnovna uslova su:
a) uslov saglasnosti i
b) uslov nesaglasnosti.
Definisani su preko praga slaganja (odreen poeljnim nivoom saglasnosti) i preko svarnog
indeksa saglasnosti/nesaglasnosti.
Prvo se ispituje stepen saglasnosti izmeu teina preferencija i uparenih dominacija, a potom
stepen nesaglasnosti po kome se ocjena teina pojedinih akcija meusobno razlikuje.
Postupak primjene metode je iterativan i odvija se u 9 koraka.
Precizno se definiu alternative i kriteriji rangiranja, te se formira matrica odluivanja.
Matricu je mogue u potpunosti kvatificirati koristei pristup tzv. bipolarnih skala, za skalu od
0 do 10,gdje je:
1-vrlo nizak, 3-nizak, 5-srednji (prosjeni), 7-visok i 9-vrlo visok nivo.

4.2. Metoda PROMETHEE

Metoda PROMETHEE je jedna od najnovijih metoda u oblasti viekriterijalne analize, a
razvili su je profesori J.P. Brans, B. Mareschal i P. Vincke (1984). Za razliku od ostalih
metoda ova metoda ima niz prednosti:
-izuzetna jednostavnost
-parametri koji se koriste imaju svoje ekonomsko objanjenje i znaaj
-efekti rangiranja su potpuno eliminisani

Osnovi metode PROMETHEE

Neka se sa A obiljei konaan skup svih akcija koje je potrebno rangirati, a sa k1,k2,...,kp, p
kriterijuma koji su prethodno izabrani. Tada je potrebno nai:

Max{k (a),k (a)....k (a)|a A}

Podaci se prikazuju u tzv. evaluacionoj tabeli:












Za rjeavanje ovog problema koristi se metoda PROMETHEE a njeni koraci su:
Korak 1: proirenje strukture preferencija i uvoenje opteg kriterijuma
Korak 2: obogaenje grafa dominacije i konstrukcija grafa vieg reda
K orak 3: eksploatacija dobijenog grafa

KORAK 1: Proirenje strukture preferencija i uvoenje opteg kriterijuma

a, b, akcije za donosioca odluke
P (a,b): preferenca a u odnosu na b
Vrijednost funkcije se kree u intervalu izmeu 0i1,a kombinacije odnosa je mogue prikazati
sljedeim relacijama:

P (a, b)=0 nema preferencije, indiferencija
P (a, b)~0 slaba preferencija k (a)>k (b)
P (a, b)~1 jaka preferencija k (a)>>k (b) P (a, b)=1 striktna preferencija k (a)>>>k (b)

Grafiki je to mogue prikazati na sljedei nain:

P (a, b)







k (a) k (b)

Da bi se metoda PROMETHEE mogla koristiti potrebno je:

1) definisati opti kriterijum k1(a)....j=1....p
2) za svaki kriterijum izabrati jedan od 6 vrsta optih kriterijuma
3) da donosilac odluke i analitiar naprave izbor pri cemu razmatraju znaaj svakog
kriterijuma
4) definisati samo 0,1 ili 2 parametra za svaki opti kriterijum
5) izabrati parametre koji imaju stvarni ekonomski znaaj za donosioca odluke

KORAK 2: Konstrukcija procijenjenog grafa vieg ranga

Poto je za svaki kriterijim definisano kom tipu pripada u sljedeem koraku je potrebno
odrediti vrijednosti preferencije akcije a u odnosu na b za svaki kriterijum 'i' izraunati tzv.
indeks preferencije (IP) akcije a u odnosu na akciju b uzimajui u obzir svaki par akcija iz
skupa A.



Osobine indeksa preferencije se mogu izraziti na sljedei nain:
1. 1. 0IP(a, b)1 IP (a,a)=0
2. IP (a, b)~0 slaba preferencija a u odnosu na b
IP (a, b)~1stroga preferencija a u odnosu na b
3. IP (a, b) IP (b, a)

Procijenjen graf vieg ranga se naziva graf ija su jezgra dopustive akcije i za svaki par akcija
a i b odgovarajui luk (a, b) ima vrijednost njihovog indeksa preferencije IP (a ,b).

KORAK 3: Koritenje relacija vieg ranga kao pomo u odluivanju

se vri metodama :

PROMETHEE I-djelimino rangira akcije
PROMETHEEII-vri potpuno rangiranje akcija

U procjenjenom grafu vieg ranga odreuju se ulazni i izlazni tok za svako jezgro

Pozitivni tok vieg reda (izlazni tok)

ili


Negativni tok vieg reda (ulazni tok)

ili


PROMETHEE I: definisati parcijalni poredak

*aP b ako i samo ako je aP b i aP b
aP b i aI b
aI b i aP b
*aI b ako i samo ako je aI b i aI b

*aRb u ostalim sluajevima

PROMETHEE II: rangiranje akcija u potpunom poretku

Na osnovu izraza za tokove vieg ranga moe se definisati isti tok:

T(a)=T (a)-T (a)
koji se moe jednostavno upotrijebiti u rangiranju akcija:

aP b ako i samo ako je T(a)>T(b)
aI b ako i samo ako je T(a)=T(b)




4.3. Analitiki hijerarhijski proces (AHP)

AHP je razvijen poetkom 1970-tih godina. Najvie doprinosa u razvoju AHP imao je Tomas
Saaty. Metoda spada u metode viekriterijalne analize. Koristi se za situacije kompleksnih
problema odluivanja kad je neophodno ukljuivanje i kvantitavnih i kvalitativnih elemenata.
Slui kao alat za pruanje pomoi donosiocima odluka u rjeavanju problema koji ukljuuju
vei broj donosilaca odluke, vei broj kriterija i ,esto, vie nivoa podkriterija. Svrha AHP
jeste u organiziranju ljudskih misli i procjena za donoenje efikasnih odluka. Sloene odluke
su karakterizirane velikim brojem utjecajnih faktora. Problem je kako ispravno procijeniti
vanost tih faktora.
ANALITIKI: jer ona koristi matematiko/logiko rasuivanje.
HIJERARHIJSKI: struktuiranje problema odluivanja u vie nivoa: ciljevi, kriteriji,
podkriteriji i alternative. Elementi koji imaju globalni karakter predstavljeni su na viem
nivou hijerarhije. Najvii nivo sadri samo jedan element koji reflektira glavni cilj. Nii nivoi
obino sadre vei broj elemenata. Elementi na istom nivou su meusobno nezavisni, ali su
povezani elementima na sljedeem niem nivou.
PROCES: odluke se ne donose u jednom trenutku. Potrebno je vrijeme za prikupljanje
informacija, pregovaranje, prouavanje.
Proces modeliranja AHP-a zahtjeva etiri faze:
1) Struktuiranje problema
2) Prikupljanje podataka
3) Ocjenjivanje relativnih teina
4) Odreivanje rjeenja problema
1) Faza struktuiranja se sastoji od dekomponovanja bilo kog kompleksnog problema
odluivanja u seriju hijerarhija, gdje svaki nivo predstavlja manji broj upravljivih atributa.
Oni se potom dekomponuju u drugi skup elemenata koji odgovara sljedeem nivou itd., a to
je prikazano na slici 1.


NIVO 1



. . .
NIVO 2


. . .
NIVO 3
.
.
.
.
NIVO k . . .


Slika 2: Struktuiranje problema
Ovakvo hijerarhijsko struktuiranje bilo kog problema odluivanja na ovaj nain je efikasan
put suoavanja sa kompleksnou realnih problema i identifikovanja znaajnih atributa u cilju
dostizanja sveukupnog cilja problema.

2) Druga faza metode AHP poinje prikupljanjem podataka i njihovim mjerenjem. Onaj ko
ocjenjuje e potom dodijeliti relevantne ocjene u parovima atributima jednog hijerarhijskog
nivoa, za date atribute sljedeeg, vieg hijerarhijskog nivoa. Isti proces se ponavlja za sve
nivoe cjelokupne hijerarhije.
Najpoznatija skala sa devet taaka za dodjeljivanje teina, data je u tabeli 1, a primjena u
rjeavanju realnih problema se pokazala izuzetno pouzdanom.
Slijedei ovu metodu rangiranja, onaj ko procjenjuje e dodijeliti teine za svaki par posebno,
kao mjeru koliko je jedan par atributa znaajniji od drugog. Ako raspolaemo objektivnim
podacima onda se oni mogu koristiti pri dodjeljivanju teina. Oni koji procjenjuju mogu
koristiti sopstvena vjerovanja, procjene ili informacije pri dodjeljivanu teina ukoliko ne
raspolau sa objektivnim informacijama. Po kompletiranju ovog procesa dobit e se
odgovarajua matrica uporeivanja po parovima koja odgovara svakom nivou hijerarhije.












SKALA OBJANJENJE RANGIRANJA
9 Apsolutno najznaajnije/najpoeljnije
8 Veoma snano ka apsolutno najznaajnijem
7 Veoma snano ka veoma znaajnom/poeljnom
6 Snano ka veoma snanom
5 Snanije vie znaajno/poeljno
4 Slabije ka vie snanijem
3 Slabije vie znaajno/poeljnije
2 Podjednako ka slabijem viem
1 Podjednako znaajno/poeljno
0,50 Podjednako ka slabije manjem
0,33 Slabije manje znaajno/poeljno
0,25 Slabije ka snano manjem
0,20 Snano manje znaajno/poeljno
0,17 Snano ka veoma snano manjem
0,14 Izuzetno snano manje znaajno/poeljno
0,13 Veoma snano ka apsolutno manjem
0,11 Apsolutno najmanje znaajno/poeljno
Tabela 1: Skala devet taaka


3) Trea faza metode AHP je procjena relativnih teina. Kao to je ve napomenuto, matrica
poreenja po parovima e se ''prevesti'' u probleme odreivanja sopstvenih vrijednosti, radi
dobijanja normalizovanih jedinstvenih sopstvenih vektora teina za sve atribute na svakom
nivou hijerarhije.
Pretpostavit emo da dati nivo hijerarhije ima atribute: sa vektorom teina . Potrebno je nai t
u cilju odreivanja relativnog znaaja za . Ukoliko onaj ko ocjenjuje teine uporeuje svaki
par Ai i Aj svih atributa, kao stepen kojim Ai dominira nad Aj (tj. ti/tj), tada se moe formirati
matrica uporeivanja parova kao:


A1 A2 Aj An


Potom se normalizovani vektor teina, moe nai rjeavanjem odgovarajueg problema
najvee sopstvene vrijednosti:

Neka je a, reciprona, tj. matrica sa osobinom:
i za sve i,j= 1,,n
Takoer je poznato da ako su dijagonalni elementi matrice A jednaki 1 (aij=1) i ako je A
regularna matrica (detA razliito od 0), tada male promjene u vrijednostima za aij zadravaju
najveu sopstvenu vrijednost max, a ostale sopstvene vrijednosti su priblino jednakena,
recimo nuli. Na taj nain je nalaenje vrijednosti vektora t rjeavanjem izraza

ekvivalentno nalaenju t rjeavanjem:

Uopteno, vektor t koji se dobije rjeavanjem izraza nije normalizovani moe se dobitioti i
zamjenjujui t sa t/ = ovektor. Definiui normalizovani vektor za odreivanje relativnih
znaajnosti atributa
max se moe izraunati iz sljedeeg izraza:Indeks konzistentnosti (IK) kao mjera
konzistentnosi odstupanja n od



Za vrijednost IK manju od 0,10 uopteno se smatra da predstavlja zadovoljavajuu mjeru koja
indicira da su procjene (za aij), max ''bliska''konzistentne i da je zbog toga odreena
vrijednost za idealnog vrijednosti koju elimo da procijenimo.

4) Posljednja faza metode AHP podrazumijeva nalaenje tzv. kompozitnog normalizovanog
vektora. Poto su sukcesivni nivoi hijerarhije meusobno povezani kao to je prikazano na
slici 1, jedinstveni kompozitni vektor jedinstvenih i normalizovanih vektora teina za
cjelokupnu hijerarhiju e se odrediti mnoenjem vektora teina svih sukcesivnih nivoa. Taj
kompozitni vektor e se potom koristiti za nalaenje relativnih prioriteta svih entiteta na
najniem (hijerarhijskom) nivou, to omoguava dostizanje postavljenih ciljeva cjelokupnog
problema.
Metoda AHP je vrlo uspjeno koritena pri rjeavanju niza realnih problema kod izbora
operativnog sistema za lokalnu mreu raunara, za studiju proizvod/trite/raspodjela pri
generisanju novih proizvodnih koncepata. Metoda je primjenjena, sa kasnije potvrenom
efikasnou za izbor politikih kandidata u amerikoj politikoj praksi.














PRILOG

Primjer 1.
Kvantitativne i kvalitativne ocjene navedenih kriterija, za pojedine tipove automobila se
navode u sljedeoj matrici odluivanja:



Kvantifikovana matrica odluivanja (pomou postupka bipolarnih skala):



KORAK 1: Raunanje normalizovane matrice odluivanja

za i=1,,m i j=1,,n

gdje je -vrijednost alternative u odnosu na atribut .

Za na primjer ta matrica N je:



KORAK 2:Raunanje normalizirane matrice teina

Ovdje donosilac odluke iskazuje svoje preferencije prema kriterijima na osnovu kojih vri
izbor izmeu raspoloivih alternativa. Zatim se rauna normalizirana matrica teina prema
izrazu:



gdje je

dijagonalna matrica dodijeljenih teina pojedinim atributima
Tada je:



U primjeru, donosilac odluke je izabrao svoje preferencije u odnosu na atribute:



pa je teinska normalizovana matrica:



KORAK 3: Odreivanje skupa saglasnosti i nesaglasnosti

Ovdje se uporeuju pojedini parovi alternativa (akcija) p i r . Prvo se formira skup saglasnosti
za akcije i ,koji se sastoji od svih kriterija za koje je poeljnije od :
,
a zatim se formira njemu komplementarni skup nesaglasnosti:
.
Npr. uporeivat emo akcije i :
p = 1 r = 2




Konaan izgled skupova saglasnosti i nesaglasnosti za akcije i :
i , a slino se odreuju i za ostale akcije.


KORAK 4: Odreivanje matrice saglasnosti

Elemente ove matrice ine tzv. indeksi saglasnosti. Raunaju se kao suma preferencija
(teina) koje odgovaraju pripadajuim elementima skupova saglasnosti, te se indeks
saglasnosti za akcije i ,za normalizovani skup teina,definie kao:

pri emu je
i vea vrijednost indeksa ukazuje na veu poeljnost akcije u odnosu na akciju .
Primjer za element

Ti indeksi formiraju matricu saglasnosti:

odnosno, u primjeru: .


KORAK 5: Odreivanje matrice nesaglasnosti

Uvodi se indeks nesaglasnosti koji kazuje stepen nesaglasnosti u kome je manje poeljno od .
I ovdje je , vea vrijednost govori da je manje poeljna akcija od . Indeks se rauna po
formuli:



npr. za akcije i :





Matrica nesaglasnosti je:

za primjer:


KORAK 6: Odreivanje matrice saglasne dominacije (MSD)

Ova matrica se odreuje na osnovu vrijednosti tzv. praga indeksa saglasnosti(prosjeni indeks
saglasnosti:


tj. za akciju se moe rei da ima ansu da bude poeljnija od , samo ako njen odgovarajui
indeks saglasnosti prevazilazi vrijednost prosjenog indeksa saglasnosti
.
Matrica se formira na osnovu kriterija:

i .
U primjeru:



KORAK 7: Odreivanje matrice nesaglasne dominacije (MNSD)

Analogno je MSD-u. Prosjeni indeks nesaglasnosti:



pa se na osnovu kriterija:

i

formira MNSD:


KORAK 8:Odreivanje matrice agregatne dominacije (MAD)

Matrica agregatne dominacije se dobije kao proizvod saglasne i nesaglasne dominacije:



to za konkretni primjer glasi:



KORAK 9:Eliminisanje manje poeljnih akcija

Ako je vrijednost za tada akcija dominira nad akcijom po oba kriterija (saglasnosti i
nesaglasnosti). Ali to ne znai da ne postoji neka druga akcija koja ne dominira nad .Zato
uslov da nije pod dominacijom po metodi ELECTRE glasi:

za bar jedno r
za sve i .

Praktino, potrebno je ispitati stanje dominacije za sve mogue kombinacije parova akcija.
Akcija (alternativa, red) sa veim brojem elemenata , dominira nad ostalim, a u sluaju da je
broj tih elemenata isti ne moe se utvrditi stanje dominacije. Dominacija ne postoji kod akcija
kod kojih su svi elementi .
Primjer: vidljivo je da akcija dominira nad ostalim akcijama zbog jednog elementa, .
Metoda ELECTRE je meu prvima u probleme tzv. kvalitativnog odluivanja uvela
mogunost kvantifikacije. Meutim, nedostatke kao nesavrenost instrumenata, nemogunost
odreivanja redoslijeda potpunih preferencija i sl.,nije uspjela prevazii, ali to je ublaeno u
kasnijim verzijama razvoja ove metode: ELECTRE II,ELECTRE III i ELECTRE IV. Svaka
od njih je uvela odreena poboljanja.






Primjer 2.

U primjeru postoje etiri akcije (n=4) i est kriterijuma (p=6)

k1 k2 k3 k4 k5 k6


Korak 1. Odrediti za svaki kriterijum tip opteg kriterijuma, parametre i teine

I V IV III IV II
m = - 0,20 0,20 - 1,00 3,00
n = - 0,50 0,30 2,50 2,00 -
teine 0,10 0,20 0,10 0,30 0,20 0,10


Korak 2. Odrediti funkcije preferencije Pj (ai, as) i,s = 1,2,3,4 i j = 1,,6, is

k1 tip I: (a1, as) x = k1(a1) k1(as) P1 (a1, as)
s = 2 1,5 1,8 = -0,3 0
s = 3 1,5 1,6 = -0,1 0
s = 4 1,5 1,4 = 0,1 1

Sa ovim postupkom je potrebno nastaviti i za sve preostale parove akcija

Korak 3. Odrediti indekse preferencija

IP(a1,a2)=0,1*0+0,2*0+0,1*1+0,3*1+0,2*0+0,1*0=0,400

Korak 4. Odrediti ulazne i izlazne tokove svake akcije

Koristimo sljedei izraz:

T =1/(4-1)*(0,400+0,367+0,500)=0,33

Ostale vrijednosti date su u tabeli:

a
a
a
a
T
T
a
0,000 0,400 0,280 0,300 0,33 0,09
a
0,400 0,000 0,367 0,500 0,42 0,06
a
0,200 0,280 0,000 0,367 0,28 -0,04
a
0,120 0,400 0,300 0,000 0,27 -0,12
T
0,24 0,36 0,32 0,39
Korak 5. Odrediti sve parove potpunih poredaka

Za akcije a i a parovi potpunih poredeka se raunaju na sljedei nain:

T
T

a
0.33 0.24
a
0.42 0.36



a P a ako i samo ako je T (a1)>T (a2) ne
a I a ako i samo ako je T (a1)=T (a2) ne
a P a ako i samo ako je T (a1)