Competence Coefficients Calculation Method of Participants in Group Decision-Making for Selecting the Best Alternative with the Multivariate of the Result

Cover Page

Cite item

Full Text

Abstract

The problem of obtaining the best alternative using decision-making methods based on the experience of specialists and mathematical calculations is considered in the article. Group decision-making is appropriate for solving this problem. However, it can lead to the selection of several best alternatives (multivariate of the result). Accounting for competence will prioritize the decision of more competent participants and eliminate the emergence of several best alternatives in the process of group decision-making. The problem of determining the competence coefficients for participants in group decision-making has been formulated. The selection of the best alternative with the multivariate of the result is provided in the problem. A method for solving the problem has been developed. It involves discretizing the range of input variables and refining the competence coefficients values of group decision-making participants in it to select the best alternative, either by the majority principle or with the decision-maker’s involvement. Further calculation of the competence coefficients for participants in group decision-making is carried out using local linear interpolation of the refined competence coefficient at surrounding points from the discretized range. The use of the proposed method for solving the problem is considered using the example of group decision-making according to the main types of the majoritarian principle for selecting an electrodeposition variant. The results show that the proposed method for calculating the competence coefficients of participants in group decision-making through local linear interpolation is the most effective for selecting the best alternative with a multivariate result based on the relative majority.

About the authors

D. S Solovjev

Derzhavin Tambov State University

Email: solovjevdenis@mail.ru
Internacional'naya St. 33

References

  1. Смирнов А.В., Молл Е.Г., Тесля Н.Н. Использование нечетких коалиционных игр при принятии социально ориентированных решений при госпитализации в условиях пандемии // Информатика и автоматизация. 2021. Т. 20. № 5. С. 1090–1114.
  2. Шилов Н.Г., Пономарев А.В., Смирнов А.В. Анализ методов онтолого-ориентированного нейро-символического интеллекта при коллаборативной поддержке принятия решений // Информатика и автоматизация. 2023. Т. 22. № 3. С. 576–615.
  3. Ларичев О.И. Объективные модели и субъективные решения // М.: Наука. 1987. 143 c.
  4. Гущин Ю.Г., Парфенова М.Я., Парфенов И.И. Многокритериальная задача принятия решений с объективными и субъективными моделями // Вестник Ижевского государственного технического университета. 2007. № 3(35). С. 148–150.
  5. Gomes M.I., Martins N.C. Mathematical Models for Decision Making with Multiple Perspectives: An Introduction // Boca Raton: CRC Press. 2022. 300 p.
  6. Набатова Д.С. Математические и инструментальные методы поддержки принятия решений // М.: Издательство Юрайт. 2023. 292 с.
  7. Biswas S. Measuring performance of healthcare supply chains in India: A comparative analysis of multi-criteria decision making methods // Decision Making Applications in Management and Engineering. 2020. vol. 3. no. 2. pp. 162–189.
  8. Hezer S., Gelmez E., Ozceylan E. Comparative analysis of TOPSIS, VIKOR and COPRAS methods for the COVID-19 regional safety assessment // Journal of Infection and Public Health. 2021. vol. 14. no. 6. pp. 775–786.
  9. Pramanik P.K.D., Biswas S., Pal S., Marinkovic D., Choudhury P.A. A Comparative Analysis of Multi-Criteria Decision-Making Methods for Resource Selection in Mobile Crowd Computing // Symmetry. 2021. vol. 13. no. 9. pp. 1–51. doi: 10.3390/sym13091713.
  10. Малтугуева Г.С., Юрин А.Ю. Метод поддержки принятия решений в малых группах // Вестник Бурятского государственного университета. Математика, информатика. 2012. № 1. С. 26–34.
  11. Колпакова Т.А. Определение компетентности экспертов при принятии групповых решений // Радиоэлектроника, информатика, управление. 2011. № 1(24). С. 40–43.
  12. Dutov A.V., Litovka Y.V., Nesterov V.A., Solovjev D.S., Solovjeva I.A., Sypalo K.I. Search for the optimal control over current regimes in electroplating processes with multi anodes at a diversified assortment of treated articles // Journal of Computer and Systems Sciences International. 2019. vol. 58. pp. 75–85.
  13. Solovjev D.S., Solovjeva I.A., Konkina V.V., Litovka Y.V. Improving the uniformity of the coating thickness distribution during electroplating treatment of products using multi anode baths // Materials Today: Proceedings. 2019. vol. 19. no. 5. pp. 1895–1898.
  14. Solovjev D.S., Potlov A.Y., Litovka Y.V. Reduction of nonuniformity in the thickness of a galvanic coating using disableable anode sections under current reversal conditions // Theoretical Foundations of Chemical Engineering. 2019. vol. 53. no. 1. pp. 97–106.
  15. Solovjev D.S., Solovjeva I.A., Konkina V.V. Software Development for the Optimal Parts Location in the Bath Space with the Purpose to Reduce the Non-uniformity of the Coating Thickness // Proceedings of the 6th International Conference on Industrial Engineering (ICIE 2020). 2021. pp. 85–93.
  16. Пчелинцева И.Ю., Литовка Ю.В. Система автоматизированного управления процессом нанесения гальванического покрытия в ванне с токонепроводящим экраном // Мехатроника, автоматизация, управление. 2022. Т. 23. № 4. С. 188–196.
  17. Karimian N., Hashemi P., Afkhami A., Bagheri H. The principles of bipolar electrochemistry and its electroanalysis applications // Current Opinion in Electrochemistry. 2019. vol. 17. pp. 30–37.
  18. Yang G., Deng D., Zhang Y., Zhu Q., Cai J. Numerical Optimization of Electrodeposition Thickness Uniformity with Respect to the Layout of Anode and Cathode // Electrocatalysis. 2021. vol. 12. no. 5. pp. 478–488.
  19. Liu N., Xu Z. An overview of ARAS method: Theory development, application extension, and future challenge // International Journal of Intelligent Systems. 2021. vol. 36. no. 7. pp. 3524–3565.
  20. Goswami S.S., Jena S., Behera D.K. Implementation of CODAS MCDM Method for the Selection of Suitable Cutting Fluid // 2021 International Conference on Simulation, Automation & Smart Manufacturing (SASM), Mathura, India. 2021. pp. 1–6.
  21. Krishankumar R., Garg H., Arun K., Saha A., Ravichandran K.S., Kar S. An integrated decision-making COPRAS approach to probabilistic hesitant fuzzy set information // Complex & Intelligent Systems. 2021. vol. 7. pp. 2281–2298.
  22. Yazdani M., Torkayesh A.E., Santibanez-Gonzalez E.D., Otaghsara S.K. Evaluation of renewable energy resources using integrated Shannon Entropy–EDAS model // Sustainable Operations and Computers. 2020. vol. 1. pp. 35–42.
  23. Shil B., Sinha P., Das S., Tripathy B.C., Poojary P. Grey Relational Analysis–Based MADM Strategy Under Possibility Environment and Its Application in the Identification of Most Important Parameter Affecting Climate Change and the Impact of Urbanization on Hydropower Plants // Process Integration and Optimization for Sustainability. 2023. vol. 7. no. 3. pp. 599–608.
  24. Ic Y.T. A multi-objective credit evaluation model using MOORA method and goal programming // Arabian Journal for Science and Engineering. 2020. vol. 45. no. 3. pp. 2035–2048.
  25. Altin H. A Comparison of Performance Results Of Aras And Moosra Methods: American Continent Countries // Journal of Economics, Finance and Accounting. 2020. vol. 7. no. 2. pp. 173–186.
  26. Warnars H.L.H.S., Fahrudin A., Utomo W.H. Student performance prediction using simple additive weighting (SAW) method // International Journal of Artificial Intelligence. 2020. vol. 9. no. 1. doi: 10.11591/ijai.v9.i4.
  27. Chakraborty S. TOPSIS and Modified TOPSIS: A comparative analysis // Decision Analytics Journal. 2022. vol. 2. no. 100021. pp. 1–7.
  28. Pamucar D., Sremac S., Stevic Z., Cirovic G., Tomic D. New multi-criteria LNN WASPAS model for evaluating the work of advisors in the transport of hazardous goods // Neural Computing and Applications. 2019. vol. 31. pp. 5045–5068.
  29. Соловьев Д.С. Метод объективизации значений весовых коэффициентов для принятия решений в многокритериальных задачах // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 1. С. 161–168.
  30. Saari D.G. Selecting a voting method: the case for the Borda count // Constitutional Political Economy. 2023. vol. 34. no. 3. pp. 357–366.
  31. Соловьев Д.С. Выбор единственной альтернативы с использованием совокупности методов принятия решений при мультивариантности результата в многокритериальных задачах // Свидетельство о государственной регистрации программы для ЭВМ № 2023612846 от 08.02.2023. Заявка № 2023611961 от 08.02.2023.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».