Basit ve yalıtılmı do al çevrelerde çok iyi sonuç veren klasik yöntemler; karma ık, etkile imli ve göreli özellikler ta ıyan ça da problemlerin çözümünde her zaman o derece iyi sonuçlar veremeyebilmektedir. Nitekim bilim ve teknolojideki geli meler, günümüzün modern toplumunu öylesine karma ık hale getirmi tir ki, karar süreçleri, belirsiz ve incelenmesi zor bir özellik kazanmı tır. Bu durum, etkili karar verme için karar destek sistemlerini (decision support systems, DSS) ba ka bir deyi le yöneticilerin etkili karar alabilmeleri için gerekli tüm bilgi ve veriyi i leyebilen ve organize edebilen sistemleri gerektirmektedir. Karar verme sürecinde karar vericiler, dı çevrelerinde veya organizasyon içinde farklı biçimlerde bulunan bilgiyi (örne in söylemeden anla ılan veya açık bilgi) ve farklı tipteki veriyi (içsel veya dı sal veri) birle tirmektedir. Bu anlamda dü ünüldü ünde karar vericinin görevi, karar vermeyi etkileyen belirsizlikler nedeniyle oldukça zordur. Karar ortamı, karar vericinin do a durumlarına ve onların gerçekle mesine ili kin bilgi derecesine ba lıdır. Buna göre, karar ortamını olu turan ve belirleyen verilere göre karar ortamları genel olarak;
• Riskli ortam ve • Belirsiz ortam
olmak üzere üçe ayrılmaktadır.
Belirlilik ortamının, iki temel varsayımın aynı anda sa lanması ile ortaya çıktı ı söylenebilmektedir. Bu iki temel varsayım:
1. Belli bir stratejinin seçiminden elde edilecek sonucun kesinlikle bilindi i, 2. Hangi durumun gerçekle ece ine ili kin bilginin tam ve kesin olarak elde edildi i ba ka bir deyi le, belli bir durumun gerçekle me olasılı ının 1 oldu udur (Aytaç, 2006: 1-4).
Risk ortamında karar vermede, alınacak belirli bir karara ili kin de i ik sayıda ko ullar söz konusudur. Her seçene in her ko ul altında varaca ı sonuçlar, belirli bir olasılıkla (riskle) olu maktadır. Risk ortamının varlı ı da, belirlilik ortamı gibi iki varsayıma ba lıdır. Bunlar:
1. Birden çok durumun var olması ve var olan bu durumların gerçekle me olasılıklarının tam olarak belirlenebilmesi,
2. Belli bir stratejinin seçimiyle ortaya çıkan sonuçların tam ve kesin olarak bilinmesidir.
Buradan da anla ılaca ı gibi, bir durumun gerçekle mesi belirlilik ortamında kesin olarak bilinirken, risk ortamında olasılıklar biçiminde bilinmektedir.
Belirsizlik ortamı genelde, gerçekle ecek durumların olasılıklarının kesin olarak bilinmedi i durumlarda ortaya çıkmaktadır. Di er bir deyi le, ortamların ve seçeneklerin nasıl bir sonuç verece i karar verici tarafından bilinmezse, burada meydana gelecek sonuçlara herhangi bir olasılık de eri verilememektedir.
Karar vericinin her karar ortamında kullandı ı karar verme araçları farklıdır. Bu karar verme araçlarına kısaca bakıldı ında; belirlilik ortamı deterministiktir ve en basit karar verme ko ullarından biridir. Böyle bir ortamda genelde kar ıla ılan seçenekler, minimum ya da maksimum olarak karar verici tarafından tercih edilmekte ve do rusal
programlama, CPM gibi optimizasyon tekniklerinin yanısıra diferansiyel hesap, türev, integral, fonksiyonlar kuramı gibi temel analiz yöntemleri kullanılarak problemin çözümüne gidilmektedir.
Risk ortamında, olaylar belli olasılık de erlerine göre meydana geldi inden öncelikle olasılık kuramının kullanılması gerekmektedir. Burada, beklenen de er kavramı esas alınmaktadır. Yani, beklenen karı en yüksek yapan seçenek ve beklenen zararı en az yapan seçenek, en uygun sonucu sa layan seçenek olarak adlandırılmaktadır. Burada da bilinen olasılıklı programlama, PERT, simülasyon gibi optimizasyon teknikleri olasılık teorisi ile birlikte kullanılmaktadır.
Belirsizlik altında karar ölçütleri, gelecekte olması olanaklı do a durumlarının bilinip ancak karar vericinin bu durumlara olasılık atayabilecek bilgisi olmadı ının kabul edildi i karar durumlarında uygulanabilmektedir (Tütek ve Gümü o lu, 2000: 69). Belirsizlik ortamında karar verme ile ilgili olarak ortaya atılan çe itli kuramlar mevcuttur. Bunlardan bazıları klasik olasılık kuramı, Bayes kuramı, klasik kümeler kuramına dayalı Hartley kuramı, Dempster Shafer Kuramı ve Zadeh’in Lukasiewicz Mantı ını temel alan Bulanık Kümeler Kuramı’dır (Baray, 1993: 93).
2.2.2. Bulanık Mantık ve Uygulamaları
Bulanık mantık ilk defa 1960 yılında, University of California, Berkeley’den Dr. Lotfi Zadeh tarafından, do al dildeki belirsizli i modellemek için ortaya konmu tur. Bulanık mantık dar anlamda, klasik iki de erli mantı ın genelle tirilmi halidir. Geni anlamda ise bulanık kümeleri kullanan bütün teorileri ve teknolojileri ifade eder (Baykal ve Beyan, 2004: 39).
Blanık mantı ın ardındaki temel fikir, bir önermenin ‘do ru’, ‘yanlı ’, ‘çok do ru’, ‘yakla ık olarak do ru’, ‘yakla ık olarak yanlı ’ vb.. gibi olabilece idir. Bulanık mantı ı tanımlamanın en basit yolu, yakla ımsal nedensellemenin bir mantı ı oldu unu söylemektir. Bulanık mantı ın belirleyici özellikleri:
• Do ru, çok do ru, az do ru, daha az do ru, yanlı gibi sözel olarak ifade edilen do ruluk de erlerine sahiptir.
• Belirsizik içerir.
Bulanık mantık ili ki olarak makinaları ve ürünleri, insanların yaptı ı ekle benzeyen süreç bilgisi vasıtasıla, ba ımsız ve daha etkili bir ekilde i letmeyi mümkün kılar. Aynı zamanda, bulanık mantık sebebe yakla ma kavramına dayanan bir tahmin tekni idir (Ertu rul, 1996: 4-7).
Bulanık kavram ve sistemlerin dünyanın de i ik ara tırma merkezlerinde dikkat çekmesi, 1975 yılında Mamdani ve Assilian tarafından yapılan gerçek bir kontrol uygulaması ile olmu tur. Bu ara tırıcılar, ilk defa bir buhar makinesi kontrolünün bulanık sistem ile modellenmesini ba armı tır.
Daha sonraki yıllarda bulanık sistem uygulaması bir çimento fabrikasının i letilmesi ve kontrolü için yapılınca, artık bulanık kavramlar dünyanın birçok yerinde yava yava kullanılmaya ba lanmı tır. Bu ba lama, batıda çok yava olurken, do uda ve özellikle de Japonya, Singapur, Kore ve Malezya’da fazlaca kendisini göstermi tir. Teknolojiye duyarlı olan Japon mühendisleri, bulanık kontrol birimlerini kurmanın ne kadar kolay oldu unu görerek, bunları birçok cihazın yapımında kullanmaya ba lamı lardır. Bunlar arasında bulanık sistemin elektrikli süpürgeler, çama ır makineleri, asansörler, metro ve irket i letimi gibi konularda kullanılmasında 1980 sonrasında patlama olmu tur ( en, 2004: 9).
Ço u endüstriyel uygulamalar bulanık mantık sistemlerini, sinirsel a lar ile çalı tırmaktadır. Sinirsel a ların ve bulanık sistemlerin birle mesi, umut verici bir alandır. Hem sinirsel a lar hem de bulanık mantık, model gerektirmeyen sayısal yakla ımlardır. Her yakla ım, karma ık matematiksel analizden çok basit bir algoritmik prosesi uygulamakta ve parametreleri ayarlamaktadır. Bu benzerlikler, iki prosesin birle tirilmesi için potansiyeli geli tirmektedir. “Bulanık sinirsel a lar (fuzzy neural networks)” adı verilen yakla ım, sinirsel a ları ana parça olarak kullanmakta ve sonra bulanık mantık sisteminin özelliklerini eklemektedir. Bunun tersine “sinirsel bulanık sistemler (neural fuzzy systems)” yakla ımında bulanık sisteme sinirsel a ların özellikleri eklenmektedir (Ting-Du, 1997: 266).
2.3. BULANIK KÜME KURAMI