Multiple Criteria Decision Aid: Methods, Examples and Python Implementations

روش های کمک تصمیم گیری چند معیاره (MCDA) در این کتاب از طریق تکنیک های نظری و محاسباتی با استفاده از پایتون نشان داده شده است. روش های موجود به تفصیل با رویکرد یادگیری گام به گام ارائه شده است. پیشینه نظری برای TOPSIS، VIKOR، PROMETHEE، SIR، AHP، برنامه نویسی هدف و تغییرات آنها ارائه شده است. مثال‌های عددی جامعی نیز برای هر روش در ارتباط با کد پایتون به راحتی مورد بحث قرار می‌گیرد. افزونه‌های الگوریتم‌های تصمیم‌گیری چند معیاره مانند نظریه اعداد فازی و تصمیم‌گیری گروهی از طریق پایتون نیز معرفی و پیاده‌سازی می‌شوند. خوانندگان یاد خواهند گرفت که چگونه هر روش را بر اساس مشکل، داده های موجود، ذینفعان درگیر و الزامات مختلف مورد نیاز پیاده سازی و استفاده کنند. این کتاب با تمرکز بر جنبه‌های عملی روش‌های تصمیم‌گیری چند معیاره، برای محققان، پزشکان و دانشجویان تحصیلات تکمیلی پیشرفته در رشته‌های ریاضی کاربردی، سیستم‌های اطلاعاتی، تحقیق در عملیات و رشته‌های مدیریت بازرگانی و همچنین سایر مهندسین و دانشمندان رشته‌های بین‌رشته‌ای طراحی شده است. پژوهش.

خوانندگان با یادگیری و به کارگیری روش‌های مختلف MCDM/A از این کتاب بسیار سود خواهند برد. (Adiel Teixeira de Almeida، CDSID-Center for Decision System and Information Development, Universidade Federal de Pernambuco، Recife، برزیل)

ترویج توسعه و استفاده از کمک تصمیم گیری چند معیاره برای اطمینان از تصمیمات اخلاقی و پایدار ضروری است. این کتاب کمک بزرگی به این هدف است. این ترکیب کاملی از تئوری و عمل است که به کاربران و محققان بالقوه مبانی نظری برخی از شناخته‌شده‌ترین روش‌ها و همچنین ابزارهای محاسباتی مورد نیاز برای تمرین، مقایسه و استفاده از این روش‌ها را ارائه می‌دهد. i> (Jean-Pierre Brans, Vrije Universiteit Brussel, Brussels, Belgium)

این کتاب برای محققان، پزشکان و دانشجویانی که می خواهند به سرعت و کارآمد با چند معیاره آشنا شوند، در نظر گرفته شده است. الگوریتم های کمک به تصمیم گیری رویکرد پیشنهادی اصلی است، زیرا مجموعه‌ای از روش‌ها را از تئوری تا پیاده‌سازی عملی در پایتون، از جمله یک مثال مفصل، ارائه می‌دهد. این مطمئناً یادگیری این تکنیک‌ها را تسهیل می‌کند و به انتشار مؤثر آنها در برنامه‌ها کمک می‌کند. (پاتریک مایر، IMT Atlantique، Lab-STICC، Univ. Bretagne Loire، Brest، فرانسه)

Multiple criteria decision aid (MCDA) methods are illustrated in this book through theoretical and computational techniques utilizing Python. Existing methods are presented in detail with a step by step learning approach. Theoretical background is given for TOPSIS, VIKOR, PROMETHEE, SIR, AHP, goal programming, and their variations. Comprehensive numerical examples are also discussed for each method in conjunction with easy to follow Python code. Extensions to multiple criteria decision making algorithms such as fuzzy number theory and group decision making are introduced and implemented through Python as well. Readers will learn how to implement and use each method based on the problem, the available data, the stakeholders involved, and the various requirements needed. Focusing on the practical aspects of the multiple criteria decision making methodologies, this book is designed for researchers, practitioners and advanced graduate students in the applied mathematics, information systems, operations research and business administration disciplines, as well as other engineers and scientists oriented in interdisciplinary research.

Readers will greatly benefit from this book by learning and applying various MCDM/A methods. (Adiel Teixeira de Almeida, CDSID-Center for Decision System and Information Development, Universidade Federal de Pernambuco, Recife, Brazil)

Promoting the development and application of multicriteria decision aid is essential to ensure more ethical and sustainable decisions. This book is a great contribution to this objective. It is a perfect blend of theory and practice, providing potential users and researchers with the theoretical bases of some of the best-known methods as well as with the computing tools needed to practice, to compare and to put these methods to use. (Jean-Pierre Brans, Vrije Universiteit Brussel, Brussels, Belgium)

This book is intended for researchers, practitioners and students alike in decision support who wish to familiarize themselves quickly and efficiently with multicriteria decision aiding algorithms. The proposed approach is original, as it presents a selection of methods from the theory to the practical implementation in Python, including a detailed example. This will certainly facilitate the learning of these techniques, and contribute to their effective dissemination in applications. (Patrick Meyer, IMT Atlantique, Lab-STICC, Univ. Bretagne Loire, Brest, France)