Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
전통적인 TOPSIS 방식의 한계인 순위 역전과 이상치 민감도 문제를 해결하기 위해 TOPSIS-RAD를 제안합니다. 의사결정자의 요구사항을 반영한 거부 성능 수준(VPL)과 희망 성능 수준(DPL)을 도입하여 안정적인 순위 결정을 가능하게 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기전통적인 TOPSIS는 관찰된 대안 집합으로부터 참조점인 양의 이상적 해 ($PIS$, Positive Ideal Solution)와 음의 이상적 해 ($NIS$, Negative Ideal Solution)를 도출하며, 이로 인해 순위가 의사결정자 (DM, Decision-Maker)의 요구사항과 일치하지 않거나, 이상치 성능에 민감하며, 순위 역전 (Rank Reversal) 현상이 발생할 수 있습니다. 본 논문은 의사결정자가 정의한 두 가지 배열의 참조 수준을 통합함으로써 이러한 문제를 해결하는 TOPSIS-RAD를 제안합니다. 거부 성능 수준 ($VPL$, Vetoed Performance Levels)은 정규화 (Normalisation) 이전에 실행 불가능한 대안을 제외하여, 이들이 순위 경계선을 왜곡하는 것을 방지합니다. 희망 성능 수준 ($DPL$, Desired Performance Levels)은 정규화 이전에 성능을 의사결정자의 희망 수준으로 제한하여, $PIS$가 데이터셋의 극단값이 아닌 명시적인 열망에 고정되도록 합니다. 세 가지 토이 예제(Toy Examples)를 통해 각 메커니즘을 입증합니다: $VPL$은 실행 불가능한 대안을 제거함으로써 정규화 경계를 재형성하며, 고정된 $DPL$ 경계는 희망 수준을 훨씬 상회하는 성능의 영향을 제한함으로써 순위를 안정화합니다. 이 방법은 TOPSIS의 친숙한 거리 기반 구조를 유지하면서도, 의사결정자가 지정한 안정적인 경계에 순위 결정의 근거를 둡니다. 한계점 및 향후 연구 방향에 대해서도 논의합니다.