Etkileşimli (interaktif) karar verme yöntemleri

Son kırk yılda, amaç fonksiyonlarının genelde çeliştiği ve karar vericinin fayda fonksiyonunun net biçimde ortaya konamadığı çok amaçlı programlama problemlerini çözebilmek amacıyla çok sayıda yöntem ve algoritma geliştirilmiştir. Yönetim bilimleri ve yöneylem araştırmasında çok amaçlı programlamanın hızla artan etkisiyle de birlikte birçok karar verme problemi formüle edilmiştir. Birbiriyle çelişen amaç fonksiyonlarının bulunduğu karar verme problemleri, günlük hayatta da sıkça karşılaşılan ve ulaşılması hedeflenen sonuca tek amaç fonksiyonuyla tam olarak ulaşılamaması neticesinde doğmuş problemlerdir [36].

Pratikte problemleri daha gerçekçi biçimde ele alabilmek için amaç fonksiyonu sayısının arttırılması, çok amaçlı karar verme (ÇAKV) biliminin doğmasına yol açmıştır. Bu tür problemler literatürde vektör maksimizasyonu problemi (VMP) olarak da anılmaktadır. Dolayısıyla bir amaç fonksiyonu yerine m adet amaç fonksiyonu içeren vektörün maksimize edilmesi amaçlanmaktadır. Problemin optimum çözümü ise tüm amaç fonksiyonlarını birlikte maksimize eden çözümdür. Göz önüne alınan amaçlar genellikle birbiri ile çelişkili ve negatif etkileşimli olduğu için, böyle bir çözüme ulaşmak çok zordur [37].

Örneğin sorunlu alacakları azaltmak ve satışları arttırmak çalışma kapsamında ele alacağımız problem birbiriyle çelişen iki amacın söz konusu olduğu bir problemdir. Esasen bu iki amaç birbirini ters yönde etkileyen amaçlardır. Böyle bir durumda optimum çözümden bahsetmek güçtür. Her amaç için optimum olan çözümleri ve karar vericinin tercihlerini de dikkate alarak uzlaşık bir çözüm bulunması, yani problemin etkileşimli biçimde çözülmesi en akılcı yol gibi görünmektedir. Dolayısıyla ulaşılan çözüm de “eniyi uzlaşık çözüm” olarak adlandırılmaktadır [37, 38].

Etkin bir etkileşimli algoritmanın sahip olması gereken özellikler ise aşağıdaki gibidir:

- Karar vericiden asgari düzeyde bilgi talep edilmesi, - Karar verme yapısının basit olması,

- Eğer karar verici bir iterasyonda hatalı tercih yaparsa, diğer iterasyonlarda bu hatayı düzeltme fırsatı tanıması,

- Sonuca ulaşana kadar geçen iterasyon sayısının mantıklı değerlerde olması,

- Karar vericinin, kendisinden talep edilen bilgileri doğru biçimde değerlendirecek kadar konunun ehli olması,

- Algoritmanın büyük ölçekli problemlerin çözümüne uygun olması [36].

Karar vericinin tercihlerini farklı şekillerde ele alan çeşitli yöntemler geliştirilmiştir. Bu süreç temel olarak dört başlık altında sınıflandırılabilmektedir. Bunlar:

- Karar vericiden açıkça bilgi istenmeyen yöntemler, - Karar vericiden başlangıçta bilgi isteyen yöntemler,

- Karar vericiden karar esnasında ardışık olarak bilgi isteyen yöntemler, - Karar vericiden bilgiyi sonradan isteyen yöntemlerdir [37].

İnteraktif yani etkileşimli karar verme yöntemleri, problemlerin karmaşıklığı nedeniyle karar vericinin başlangıç aşamasında tercihleriyle ilgili bilgi veremeyeceğini, ancak bulunan çözüm alternatiflerine dayanan kısmi tercih bilgisi verebileceğini kabul eden yöntemlerdir. Karar vericinin kısmi bilgi ile karar vermesi nedeniyle interaktif yaklaşımlar, araştır ve öğren mantığında olan metotlardır. Buna paralel olarak çözümün ilk aşamasında karar verici tercihleri doğrultusunda başlangıç için tahmini bir değer belirler ve ilk tercihini yapmış olur. İlk iterasyon sonucunda elde edilen çözüm alternatiflerine dayalı olarak tercihlerini gözden geçiren ve revize etme imkânı bulan karar verici, yeni iterasyonlarda daha iyi çözümlere ulaşmaktadır. Bu sayede karar verici, çözümde aşamalar geride kaldıkça problem hakkında bilgisi artmış ve zamanla tercihlerini daha akılcı biçimde yapmaya başlamış olur [38, 39]. Etkileşimli karar verme yöntemleri olarak anılan bu yöntemler, kriterler veya amaçlar uzayında KV’nin tercihlerinin ardı ardına tanımlanmasına dayanmaktadır. Ardışık tanımlar ise karar verici-analist veya karar verici-bilgisayar diyalogu ile her iterasyonda gerçekleştirilmektedir. Yöntemdeki en önemli unsurlardan birisi de takas değerlerinin belirlenmesidir. Yeni çözümü belirlemek için, önceki iterasyonda ulaşılan çözüme dayanarak karar vericinin tercihleri veya erişilen değerlerden bir kısmının lehine, diğerlerinden yapabileceği fedakârlık bilgisi sorulur. Bu bilginin karar vericiye soruluş biçimi, uygulanan yönteme göre de değişiklik

gösterebilmektedir. Bazı yöntemlerde her aşamada amaçların erişilen değerleri arasında yapılabilecek fedakârlık miktarları bilgisi talep edilirken, bazı yöntemlerde karar vericinin ulaşılan çözüm alternatiflerinden tatmin olup olmadığını göstermesiyle ilgili bilgi istenir [39].

Etkileşimli karar verme yöntemlerinden GDF (Geoffrion-Dyer-Feinberg) çözüm sürecinde araştırmaya dayalı bir yöntemdir. Bu yöntemde karar vericinin tercihlerinin, dolaylı olarak bilinen fayda fonksiyonlarına dayandığı varsayılır. Her iterasyonda karar verici takas değerlerini ifade eder ve fayda fonksiyonlarını daha iyi tanır. Yöntem kapsamında oluşturulan tek amaçlı optimizasyon problemini çözdükten sonra karar vericiye en iyi çözüm alternatifleri sunulmaktadır. Yapacağı seçimle karar verici takas değerlerini yeniden gözden geçirebilir ya da algoritmayı sonlandırır. Tchebycheff metodu da yine araştırmaya dayalı bir yöntem olup ağırlıklandırılmış Tchebycheff metriklerini, karar verici tarafından belirlenen amaç vektörüne minimize etmeyi dener. Sunulan çözüm kümesini değerlendiren karar verici, ya çözüme ulaştığını ifade eder ya da yeni bir amaç vektörü belirleyerek ağırlıkların aralığını azaltır.

Step metodu ise öğrenmeye dayalı yöntemlerden biridir. Bu yöntemde bir referans çözüm seçildikten sonra karar verici erişilen amaçları, tatmin olup olmamasına göre sınıflandırmaktadır. Sonrasında karar verici tatmin olunan amaçtan yapılacak fedakârlığı belirler ve bu doğrultuda tatmin olunmayan amaçta kısıtlar doğrultusunda iyileşme sağlanır. Sonraki aşamada ise karar verici, yeni bir referans çözüm seçip erişilen amaçları sınıflandırabilir. Diğer bir öğrenmeye dayalı yöntem ise referans nokta yöntemidir. Karar verici bir amaç vektörü seçtikten sonra, problem çok sayıda tek amaçlı optimizasyon problemine dönüştürülür ve nihai çözüme ulaşılana kadar karar verici iterasyonlarda yeni amaç vektörleri seçmeye devam eder [39].

Etkileşimli karar verme yöntemlerinin faydalarını şu şekilde özetlemek mümkündür: - Çözüm sürecine başlamadan önce karar vericiden herhangi bir bilgi talep edilmez. - Çözüm süreci, karar vericinin problemin yapısı hakkında gittikçe daha fazla şey öğrenmesine yardım eder.

- Çözüm süreci boyunca yalnızca küçük bölgesel tercih bilgilerine ihtiyaç duyulur. - Karar verici çözüm sürecinin bir parçası olduğu için ulaşılan çözümün uygulanabilirliği daha olasıdır. Yani analistle birlikte problemin çözümüne sürekli

katkıda bulunan karar vericinin sonuçta ulaşılan çözümü kabul etmesi kuvvetle muhtemeldir.

- Diğer yöntemlere kıyasla daha az kısıtlayıcı varsayımlara sahiptirler. Faydalarının yanı sıra bu yöntemlerin olumsuz özellikleri de bulunmaktadır:

- Çözümler, karar vericinin ifade edebildiği bölgesel tercihlerin doğruluğuna bağlıdır. Bir başka deyişle karar verici dikkatsiz davranır ve yanlış seçimler yaparsa, ulaşılan sonuç arzu edilmeyen bir sonuç olabilir. Bunun yanı sıra birçok yöntemde sınırlı sayıdaki iterasyondan sonra nihai bir çözüme ulaşılabileceğine dair bir garanti bulunmamaktadır.

- Karar vericilerle sık sık temas etmek zor olabileceği gibi, talep edilen bilgiyi elde etmek de zordur. Zaman içinde bu yöntemlerin geliştirilmiş uyarlamaları, bu gibi olumsuzlukları asgari düzeye indirgemeyi amaçlamaktadır [36, 39].