Phương Pháp So Sánh Diện Tích Xấp Xỉ Biên Đa Tiêu Chí (MABAC Method)

Với sự phát triển của công nghệ thông tin hiện đại, với sự bùng nổ của dữ liệu từ nhiều nguồn khác nhau, việc ra quyết định dựa trên thông tin và dữ liệu trở nên ngày càng quan trọng và phức tạp hơn bao giờ hết. Để đối phó với thách thức này, nhiều phương pháp và mô hình đã được phát triển để hỗ trợ quá trình ra quyết định. Trong số đó, "Phương Pháp So Sánh Diện Tích Xấp Xỉ Biên Đa Tiêu Chí" (The Multi-Attributive Border Approximation Area Comparison - MABAC Method). Đã nổi bật như một công cụ mạnh mẽ giúp nhà quản lý và nhà nghiên cứu đưa ra quyết định hiệu quả trong các tình huống phức tạp. MABAC Method không chỉ đơn thuần là một phương pháp so sánh, mà còn là một khung công cụ linh hoạt, cho phép xác định ưu tiên và lựa chọn giữa các tùy chọn dựa trên nhiều tiêu chí khác nhau. Bằng cách tính toán diện tích xấp xỉ biên giữa các tùy chọn, MABAC Method cung cấp một cách tiếp cận toàn diện và rõ ràng cho quá trình ra quyết định.

TRƯỜNG ĐẠI HỌC VĂN LANG

KHOA KỸ THUẬT CƠ – ĐIỆN VÀ MÁY TÍNH

BÁO CÁO CUỒI KỲ

Học Phần: Tổng Quan Hệ Hỗ Trợ Ra Quyết Định

Đề Tài:

Phương Pháp So Sánh Diện Tích Xấp Xỉ Biên Đa Tiêu Chí

❖ Giảng Viên Hướng Dẫn ❖ : TS Phạm Toàn Định

Sinh viên thực hiện: Trần Lê Hoàng Bảo – 2174801090010 – 71K27KHDL01 E-mail: bao.2174801090010@vanlanguni.vn

Ngành: Khoa Học Dữ Liệu -~o0o~ -

HỒ CHÍ MINH, tháng 4 năm 2024

MỤC LỤC MỤC LỤC

MỞ ĐẦU 3

CHƯƠNG 1: TỔNG QUAN VỀ HỆ HỖ TRỢ RA QUYẾT ĐỊNH VÀ PHƯƠNG PHÁP MABAC 4

1.1 Giới Thiệu Chung Về Hệ Hỗ Trợ Và Ra Quyết Định (DSS) – DSS Là Gì ? 4

1.2 Tổng Quan Về Phương Pháp MABAC 6

CHƯƠNG 2: MÔ TẢ PHƯƠNG PHÁP MABAC 7

2.1 Các Bước Thực Hiện MABAC Method 7

2.2 Mô Tả Công Thức Của Phương Pháp MABAC 8

2.2.1 Bước 1: Tạo ma trận quyết định chuẩn hóa 9

2.2.2 Bước 2: Tính toán ma trận quyết định chuẩn hóa có trọng số (V) 10

2.2.3 Bước 3: Xác định ma trận diện tích xấp xỉ biên (G) 10

2.2.4 Bước 4: Tính khoảng cách từ khu vự xấp xỉ biên cho các phần tử ma trận (Q) 11

2.2.5 Bước 5: Tổng khoảng cách từ khu vực xấp xỉ biên và Xếp hạng 12

2.3 Ví Dụ Minh Họa Về Việc Áp Dụng Phương Pháp MABAC 14

2.3.1 Ví dụ minh họa 1: Ứng dụng mô hình hybrid đề xuất: Lựa chọn xe nâng 14

2.3.2 Ví dụ minh họa 2: Chọn chiếc xe tốt nhất và phân loại chúng bằng MABAC 22

CHƯƠNG 3: ỨNG DỤNG CỦA PHƯƠNG PHÁP MABAC TRONG THỰC TẾ 28

3.1 Phân Phối Tạp Chí 28

3.2 Các Phương Pháp Học 30

3.3 Ứng Dụng Của MABAC 30

CHƯƠNG 4: SO SÁNH KẾT QUẢ CỦA MABAC VỚI CÁC PHƯƠNG PHÁP KHÁC 33

4.1 So Sánh Kết Quả Của MABAC Với TOPSIS (Technique For Order Of Preference By Similarity To Ideal Solution) 33

4.2 So Sánh Kết Quả Của MABAC Với WASPAS (The Weighted Aggregated Sum Product Assessment) 40

CHƯƠNG 5: KẾT LUẬN 47

TÀI LIỆU THAM KHẢO 50

MỞ ĐẦU

Với sự phát triển của công nghệ thông tin hiện đại, với sự bùng nổ của dữ liệu từ nhiều nguồn khác nhau, việc ra quyết định dựa trên thông tin và dữ liệu trở nên ngày càng quan trọng và phức tạp hơn bao giờ hết Để đối phó với thách thức này, nhiều phương pháp và mô hình đã được phát triển để hỗ trợ quá trình ra quyết định Trong số đó, "Phương Pháp So Sánh Diện Tích Xấp Xỉ Biên Đa Tiêu Chí" (The Multi-Attributive Border Approximation Area

Comparison - MABAC Method) Đã nổi bật như một công cụ mạnh mẽ giúp nhà quản lý và

nhà nghiên cứu đưa ra quyết định hiệu quả trong các tình huống phức tạp

MABAC Method không chỉ đơn thuần là một phương pháp so sánh, mà còn là một khung công

cụ linh hoạt, cho phép xác định ưu tiên và lựa chọn giữa các tùy chọn dựa trên nhiều tiêu chí

khác nhau Bằng cách tính toán diện tích xấp xỉ biên giữa các tùy chọn, MABAC Method cung

cấp một cách tiếp cận toàn diện và rõ ràng cho quá trình ra quyết định

Trong báo cáo này, tôi sẽ giới thiệu về MABAC Method và thảo luận về các khía cạnh quan

trọng của phương pháp này Tôi cũng sẽ cung cấp ví dụ minh họa và ứng dụng cụ thể của

MABAC Method trong thực tế, nhằm minh họa tính ứng dụng và hiệu quả của nó

Tiếp theo, tôi thực hiện so sánh kết quả của MABAC Method với các phương pháp khác như Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), The Weighted Aggregated Sum Product Assessment (WASPAS), nhằm đánh giá và so sánh hiệu suất của

MABAC Method so với các phương pháp truyền thống

Thực tiễn Công nghiệp đã phát triển theo một quá trình tiến bộ và lâu dài bắt đầu từ các hoạt động công nghiệp truyền thống và phát triển thành công nghiệp 4.0 Một ví dụ về quá trình tiến hóa này được mô tả trong Hình 1

Hình 1 Quá trình phát triển từ Công nghiệp 1.0 sang Công nghiệp 4.0 Promoting

factors

CHƯƠNG 1: TỔNG QUAN VỀ HỆ HỖ TRỢ RA QUYẾT ĐỊNH VÀ PHƯƠNG PHÁP MABAC

1.1 Giới Thiệu Chung Về Hệ Hỗ Trợ Và Ra Quyết Định (DSS) – DSS Là Gì ?

Trong môi trường kinh doanh hiện đại, việc ra quyết định đòi hỏi sự thông tin và dữ liệu đầy đủ, chính xác và kịp thời Tuy nhiên, sự phức tạp của thế giới kinh doanh và sự phát triển của công nghệ đã tạo ra một lượng lớn dữ liệu, từ các nguồn khác nhau, làm cho quá trình ra quyết định trở nên phức tạp hơn

Tổng quan về hệ hỗ trợ ra quyết định (Decision Support System - DSS) bao gồm:

• Hệ thống hỗ trợ ra quyết định (DSS) là hệ thống thông tin hỗ trợ cho việc ra quyết định

của người quản lý trong các tình huống quyết định không xác định và bán xác định

• Các hệ thống DSS thường sử dụng các mô hình quyết định, phân tích dữ liệu và kiến thức

về quy trình quyết định của doanh nghiệp

• DSS hỗ trợ quy trình ra quyết định bao gồm các giai đoạn: Định nghĩa vấn đề, thu thập

dữ liệu, phân tích và đánh giá giải pháp, triển khai quyết định

• Việc nghiên cứu và phát triển các mô hình, phương pháp hỗ trợ quyết định là một nội dung quan trọng của ngành khoa học dữ liệu ứng dụng và hỗ trợ ra quyết định

Trong nhiều năm vừa qua, hệ hỗ trợ ra quyết định (DSS) đã được phát triển nhằm giải quyết vấn đề này Hệ hỗ trợ ra quyết định (DSS) là các hệ thống thông tin được thiết kế

để hỗ trợ quá trình ra quyết định thông qua việc thu thập, xử lý và phân tích dữ liệu Những hệ thống này cung cấp cho người ra quyết định các công cụ và phương pháp để hiểu rõ hơn về tình hình hiện tại và tương lai, từ đó đưa ra quyết định tốt hơn

Hình 2 Các đặc điểm và khả năng chính của DSS

Một số công cụ và phương pháp thông thường được sử dụng trong hệ hỗ trợ ra quyết định bao gồm:

• Phân tích Dự báo: Dựa trên dữ liệu lịch sử để dự đoán các xu hướng tương lai

• Phân tích Biểu đồ: Sử dụng biểu đồ và đồ thị để trực quan hóa dữ liệu và phân tích mối

quan hệ giữa các biến

• Phân tích Đa biến: Phân tích sự tương tác giữa nhiều biến đồng thời

• Mô hình Hồi quy: Xây dựng mô hình toán học để dự đoán giá trị của một biến phụ thuộc

dựa trên các biến độc lập ➢ Mục đích của báo cáo:

Báo cáo này nhằm cung cấp một cái nhìn tổng quan về hệ hỗ trợ ra quyết định và giới thiệu MABAC Method - một phương pháp tiên tiến trong lĩnh vực này Tôi tập trung vào trình

bày và phân tích chi tiết về phương pháp MABAC, bao gồm cách thức hoạt động, ứng

dụng thực tế và so sánh hiệu suất với các phương pháp khác Mục tiêu là giúp người đọc

hiểu rõ hơn về cách sử dụng phương pháp MABAC trong quá trình ra quyết định và nhận

thức được tiềm năng và lợi ích mà nó mang lại

1.2 Tổng Quan Về Phương Pháp MABAC

Phương pháp MABAC (Multi-Attributive Border Approximation Area Comparison)

đã được giới thiệu bởi Pamucar và Cirovic và phương pháp này được đề xuất bởi

Keshavarz Ghorabaee et al vào năm 2015 Giả định cơ bản trong phương pháp này là xác

định khoảng cách của các lựa chọn từ khu vực xấp xỉ biên Thực tế, mỗi lựa chọn được đánh giá và xếp hạng bằng cách xác định sự khác biệt giữa các khoảng cách

Phương pháp này thường được sử dụng trong một số lĩnh vực như: • Đánh giá các trạm tàu hoặc đánh giá dự án đầu tư

• Công nghệ sản xuất năng lượng trên địa bàn • Xếp hạng website du lịch

Phương pháp này có những đặc điểm sau đây: • Đây là một trong những phương pháp bù đắp;

• Các thuộc tính chất lượng được chuyển đổi thành các thuộc tính lượng

• Phương pháp không yêu cầu phân cấp các tiêu chí, cho phép các tiêu chí có đơn vị đo lường khác nhau

Hình 3 Sản phẩm khoa học hàng năm từ 2016 đến 2020, đánh giá tài liệu có hệ thống về phương pháp và ứng

dụng MABAC để giải quyết Sustainable DevelopmentGoals (SDGs)

Ngoài ra, đầu vào được xác định dựa trên ma trận quyết định, như trong phương trình (1):

𝑿 =[

Trong đó, 𝒓𝒊𝒋 là phần tử của ma trận quyết định cho lựa chọn thứ i trong thuộc tính thứ j

Trong phương pháp này, người ra quyết định cung cấp trọng số của các thuộc tính [𝒘𝟏, 𝒘𝟐, , 𝒘𝒏]

CHƯƠNG 2: MÔ TẢ PHƯƠNG PHÁP MABAC

2.1 Các Bước Thực Hiện MABAC Method

➢ Phương pháp So sánh Diện tích Xấp xỉ Biên Đa Tiêu chí (MABAC) gồm các bước sau: o Chuẩn hóa ma trận quyết định: Chuẩn hóa các giá trị trong ma trận quyết định

dựa trên các tiêu chí tích cực và tiêu cực

o Tính toán ma trận quyết định chuẩn hóa có trọng số: Tính toán các giá trị

chuẩn hóa có trọng số cho mỗi lựa chọn dựa trên trọng số được gán cho các tiêu chí

o Tính toán ma trận khu vực xấp xỉ biên: Tính toán giá trị cho ma trận khu vực

xấp xỉ biên dựa trên giá trị trung bình của các lựa chọn

o Tính toán khoảng cách từ khu vực xấp xỉ biên: Tính toán khoảng cách của mỗi

lựa chọn từ khu vực xấp xỉ biên

o Tính toán tổng khoảng cách từ khu vực xấp xỉ biên: Tính tổng khoảng cách của

mỗi lựa chọn từ khu vực xấp xỉ biên

o Xếp hạng cuối cùng của các lựa chọn: Xếp hạng các lựa chọn dựa trên tổng

khoảng cách từ khu vực xấp xỉ biên

Hình 4 Các giai đoạn của mô hình–MABAC

2.2 Mô Tả Công Thức Của Phương Pháp MABAC

Hình thành ma trận quyết định ban đầu:

Ví dụ: Hình dung cách sử dụng phương pháp MABAC để lựa chọn điện thoại tốt nhất

Kích thước màn hình (C1) Pin (C2) Giá cả (C3)

2.2.1 Bước 1: Tạo ma trận quyết định chuẩn hóa

• Phương trình (2) và (3) được sử dụng để chuẩn hóa các thuộc tính tích cực và tiêu cực

của ma trận quyết định, tương ứng Trong đó:

Đối với tiêu chí loại Benefit (giá trị cao hơn của tiêu chí là thích hợp hơn)

o 𝒓𝒊+ cho Iphone là 24 và Samsung là 16

o 𝒓𝒊− cho Iphone là 16 và Samsung là 24

o 𝒓𝒊𝒋∗ cho Iphone: r21 = (24-16)/(24-16) = 1 o 𝒓𝒊𝒋∗ cho Samsung: r22 = (16-16)/(24-4) = 0 • Đối với tiêu chí "Giá cả (C3)":

o 𝒓𝒊+ cho Iphone là 5000 và Samsung là 3000

o 𝒓𝒊− cho Iphone là 3000 và Samsung là 5000

o 𝒓𝒊𝒋∗ cho Iphone: r31 = (5000-5000)/(3000-5000) = 0 o 𝒓𝒊𝒋∗ cho Samsung: r32 = (3000-5000)/(3000-5000) = 1

Kích thước màn hình (C1)

Pin (C2) Giá cả (C3)

Samsung (A2) 1 0 1

2.2.2 Bước 2: Tính toán ma trận quyết định chuẩn hóa có trọng số (V)

• Với các giá trị đã được chuẩn hóa của ma trận quyết định và trọng số của các thuộc tính

𝒘𝟏, 𝒘𝟐, … , 𝒘𝒎 , các giá trị chuẩn hóa có trọng số của mỗi thuộc tính được tính toán từ

phương trình (4):

𝒓𝒊𝒋^ = 𝒘𝒋 + 𝒓𝒊𝒋∗ 𝒘𝒋 ; i = 1, …, m, j = 1, …, n (4)

Trong đó 𝒓𝒊𝒋∗ là các phần tử của ma trận chuẩn hóa (N), 𝒘𝒋 là hệ số trọng số của các tiêu

chí Sử dụng phương trình (4) tôi có được ma trận có trọng số V

𝑽 =[

𝒓𝟏𝟏^ 𝒓𝟏𝟐^ 𝒓𝟏𝟑^ ⋯ 𝒓𝟏𝒋^𝒓𝟐𝟏^ 𝒓𝟐𝟐^ 𝒓𝟐𝟑^ ⋯ 𝒓𝟐𝒋^𝒓𝟑𝟏^ 𝒓𝟑𝟐^ 𝒓𝟑𝟑^ ⋯ 𝒓𝟑𝒋^

𝒓𝒊𝟏^ 𝒓𝒊𝟐^ 𝒓𝒊𝟑^ ⋯𝒓𝒊𝒋^ ]=

𝒘𝟏 + 𝒓𝟏𝟏∗ 𝒘𝟏 ⋯ 𝒘𝒋 + 𝒓𝟏𝒋∗ 𝒘𝒋𝒘𝟏 + 𝒓𝟐𝟏∗ 𝒘𝟏 ⋯ 𝒘𝒋 + 𝒓𝟐𝒋∗ 𝒘𝒋

2.2.3 Bước 3: Xác định ma trận diện tích xấp xỉ biên (G)

• Các giá trị của ma trận khu vực xấp xỉ biên giới (BAA) cho mỗi tiêu chí được tính toán từ

phương trình (5):

𝒈𝒋 = (∏ 𝒓𝒊𝒋^𝒎

)𝟏/𝒎 ; j = 1, … , n (𝟓)

Trong đó 𝒓𝒊𝒋^ là các phần tử của ma trận có trọng số (V), và m là tổng số phương án thay thế

Sau khi tính giá trị 𝒈𝒋 cho mỗi tiêu chí, một đường viền xấp xỉ ma trận vùng ảnh G (6)

được hình thành với định dạng n x 1 (n là tổng số tiêu chí để lựa chọn từ các lựa chọn thay thế được cung cấp)

𝐺 = 𝐶1𝐶2 … 𝐶𝑛

[ 𝒈𝟏𝒈𝟐 … 𝒈𝒋 ] (6) Kích thước màn hình

2.2.4 Bước 4: Tính khoảng cách từ khu vự xấp xỉ biên cho các phần tử ma trận (Q)

• Với số liệu của ma trận khu vực xấp xỉ biên và các giá trị chuẩn hóa có trọng số của mỗi thuộc tính, khoảng cách của các lựa chọn từ khu vực xấp xỉ biên được xác định như trong

Khoảng cách của các lựa chọn thay thế từ xấp xỉ biên giới diện tích (𝑸𝒊𝒋) được xác định

bằng sự chênh lệch giữa các phần tử trong ma trận có trọng số (V) và giá trị xấp xỉ của đường viền diện tích (G)

𝑸𝒊𝒋 = 𝑽 − 𝑮 = 𝒓𝒊𝒋^ − 𝒈𝒋 (7)

V Kích thước màn hình (C1)

Pin (C2) Giá cả (C3)

0.3 – 0.42 = -0.12 0.6 – 0.42 = 0.18 0.4 – 0.28 = 0.12

0.2 – 0.28 = -0.08 0.5 – 0.71 = -0.21 1 – 0.71 = 0.29

2.2.5 Bước 5: Tổng khoảng cách từ khu vực xấp xỉ biên và Xếp hạng

• Tổng khoảng cách của mỗi lựa chọn từ khu vực xấp xỉ biên được xác định như trong

Hình 5 Trình bày phần trên (G+), vùng xấp xỉ dưới (G-) và đường viền (G)

➢ Để phương án thay thế được chọn là phương án tốt nhất trong bộ, phương án đó phải có càng nhiều tiêu chí thuộc khu vực gần đúng phía trên càng tốt

➢ Vùng xấp xỉ trên biểu thị giải pháp lý tưởng trong khi vùng xấp xỉ dưới biểu thị giải pháp phản lý tưởng

Hình 6 Phương pháp tìm kiếm bài viết

2.3 Ví Dụ Minh Họa Về Việc Áp Dụng Phương Pháp MABAC

2.3.1 Ví dụ minh họa 1: Ứng dụng mô hình hybrid đề xuất: Lựa chọn xe nâng

• Quy trình vận chuyển là một phần mở rộng của quy trình sản xuất và là một trong những phân đoạn quan trọng nhất của quản lý hậu cần ở cấp công ty Vận chuyển là cần thiết để đưa nguyên liệu thô và nguyên liệu phụ trợ đến nơi chế biến và để di chuyển hàng hóa trong chính quá trình sản xuất Cuối cùng, thành phẩm hoặc bán thành phẩm có thể được đưa ra thị trường bằng nhiều loại phương tiện vận chuyển khác nhau Một trong những hình thức vận chuyển hàng hóa được sử dụng thường xuyên nhất trong quá trình sản xuất thực tế đó là Xe nâng Trong phần sau, dựa trên nghiên cứu được thực hiện bởi Atanaskovic et al (2013), tiêu chí được chọn để lựa chọn các đơn vị xử lý vận chuyển (xe nâng) tối ưu

Bảng 1

Tiêu chí lựa chọn Xe nâng tối ưu

No Tiêu chí Mô tả các tiêu chí

2 C2 Bảo hành của nhà sản xuất 3 C3 Mạng lưới dịch vụ

4 C4 Có sẵn phụ tùng thay thế 5 C5 Chi phí bảo trì trung bình 6 C6 Mức tiêu thụ nhiên liệu 7 C7 Khả năng chịu lực tối đa 8 C8 Sức nâng tối đa

9 C9 Tốc độ di chuyển của xe nâng (có / không tải) 10 C10 Tốc độ nâng/hạ tải

1 Loại tiêu chí (Benefit và Cost):

• Trong phương pháp MABAC, các tiêu chí được phân loại thành hai loại: tiêu chí lợi ích (Benefit) và tiêu chí chi phí (Cost)

o Tiêu chí lợi ích (Benefit): Đối với các tiêu chí này, giá trị càng cao càng được ưa chuộng và ảnh hưởng tích cực đến quyết định

o Tiêu chí chi phí (Cost): Ngược lại, đối với các tiêu chí này, giá trị càng thấp càng được ưa chuộng và ảnh hưởng tích cực đến quyết định

Bước 2: Đánh giá xe nâng (Ma trận ban đầu)

Trọng số của tiêu chí

0.146 0.144 0.119 0.121 0.115 0.101 0.088 0.068 0.05 0.048 1 Loại

Bước 3: Ma trận chuẩn hóa N

Trước tiên chúng ta cần chuẩn hóa bằng công thức sau:

weights of

criteria 0.146 0.144 0.119 0.121 0.115 0.101 0.088 0.068 0.05 0.048 kind of

Bước 5: Ma trận diện tích xấp xỉ biên

Sau đó đi tính G theo cách: rồi lập ma trận diện tiechs xấp xỉ biên

Border Approximation Area Matrix (G) 0.21 0.19 0.17 0.20 0.17 0.16 0.13 0.10 0.08 0.06 Ví dụ: Bằng cách lấy trung bình hình học các giá trị của các lựa chọn thay thế đã thu được

ma trận diện tích gần đúng đường viền (G) ở Bước 5

Khoảng cách của phương án thay thế so với BAA Bước 6, được xác định bằng cách sử dụng phương trình (7) là hiệu giữa các phần tử trong ma trận có trọng số (V) và các giá trị từ ma trận diện tích gần đúng đường viền (G)

Bước 7: Xếp hạng các lựa chọn thay thế bằng phương pháp MABAC

Giá trị của các hàm tiêu chí cho các phương án là tổng của từng hàng phần tử trong ma trận

Q (8) Giá trị của các hàm tiêu chí và thứ hạng cuối cùng của các phương án được cho trong

-0.0490.025-0.070

𝑺𝟏 = ∑ 𝒒𝟏𝒋

= −𝟎 𝟎𝟒 − 𝟎 𝟎𝟒 − 𝟎 𝟎𝟏 + 𝟎 𝟎𝟓 + 𝟎 𝟎𝟐 + 𝟎 𝟎𝟒 + 𝟎 𝟎𝟐 + 𝟎 𝟎𝟑 + 𝟎 𝟎𝟐 − 𝟎 𝟎𝟏 = 𝟎 𝟎𝟖𝟑

NHẬN XÉT:

Dựa trên kết quả của Ví dụ Minh họa 1 sau khi áp dụng phương pháp MABAC, chúng ta có thể nhận xét rằng phương pháp này đã giúp xác định và xếp hạng các đơn vị xe nâng dựa trên các tiêu chí quan trọng

Kết quả cho thấy rằng phương án A2 được đánh giá là tốt nhất, theo sau là A1 > A6 > A7 > A4 > A3 > A5

Code minh họa

1 import numpy as np: Import thư viện NumPy để làm việc với ma trận và mảng nhiều

chiều

2 import pandas as pd: Import thư viện Pandas để tạo DataFrame và hiển thị dữ liệu một

cách dễ đọc

3 from pymcdm.methods import MABAC: Import phương pháp MABAC từ thư viện

pymcdm để sử dụng cho việc đánh giá và so sánh các lựa chọn

4 from pymcdm.normalizations import minmax_normalization: Import hàm

minmax_normalization từ pymcdm để chuẩn hóa dữ liệu

5 from pymcdm import helpers: Import helpers từ pymcdm để sử dụng các hàm hỗ trợ

cho việc chuẩn hóa và tính toán

6 mabac = MABAC (minmax_normalization): Tạo một đối tượng MABAC với hàm

chuẩn hóa minmax_normalization

7 preferences = mabac(matrix, weights, types): Tính toán ưu tiên (preferences) cho từng

lựa chọn dựa trên ma trận quyết định, trọng số và loại tiêu chí

2.3.2 Ví dụ minh họa 2: Chọn chiếc xe tốt nhất và phân loại chúng bằng MABAC

B1: Dữ Liệu

(R$)

Volume bình xăng (l)

Tiêu thụ nhiên liệu (Km/l)

Công suất (CV)

Bảo hiểm (R$)

Volume bình xăng (l)

Tiêu thụ nhiên liệu (Km/l)

Công suất (CV)

Normalized Matrix

G41 = (0,2 x 0,13 x 0,16 x 0,1 x 0,18 x 0,14) 1/6 = 0,1479

G51 = (0,15 x 0,1115 x 0,1404 x 0,1596 x 0,2 x 0,1) 1/6 = 0,1399

Border Approximation Area Matrix (G) 0.45 0.42 0.28 0.15 0.14 B5: Tính 𝑸𝒊𝒋 Ma trận khoảng cách

Distance of Alternatives

from BAA matrix (Q)

NHẬN XÉT:

Trong Ví Dụ Minh Họa 2, chúng ta đang tìm kiếm chiếc xe tốt nhất dựa trên các tiêu chí nhất định như Giá, Bảo hiểm, Volume bình xăng, Tiêu thụ nhiên liệu và Công suất Sau khi áp dụng phương pháp quyết định đa biến MABAC thì có kết quả này

Xe Tracer GT (A1) được xếp hạng đầu tiên với tổng khoảng cách Si cao nhất, tiếp theo là xe

ST 1200 (A3), và cuối cùng là xe Africa Twin (A6) (A1>A3>A6>A2>A4>A5)

Code minh họa