Methods of local and integral multilevel aggregation estimates of objects measured in different types of scales

Cover Page

Cite item

Full Text

Abstract

In the tasks of multi-criteria assessment and selection of objects with a multilevel structure, the initial data characterizing the objects are usually measured in different scales. In this regard, the use of additive convolution for the end criteria of a hierarchical tree reflecting the multilevel structure of objects is correct only for estimates of objects represented or transformed to a single homogeneous scale. The article introduces the concept of weight in the quantitative scale of the relations of the criterion (k-1)-th level of the hierarchical tree, determined by the sum of the weights of the subcriteria of the k-th level. In this case, the application of the procedure for calculating global normalized weights, which are commonly called coefficients, at each level of the hierarchy through a multiplicative convolution of local coefficients lying on the path from the root vertex is correct. The proposed method of local aggregation of estimates of objects with a multilevel structure has an important property, namely: the adequacy of the ordering of objects at any vertex of the hierarchical structure of criteria for calculating aggregated estimates in a quantitative, ordinal (rank) scale. It is shown under what conditions the integral method of aggregated estimates based on global coefficients of the end criteria coincides with the local one. The advantages of the local method are visibility, the ability for analysts to understand and control intermediate results, and greater objectivity of calculated estimates at the root vertex of the hierarchical tree. The essence of the methods and their comparison is shown by the example of a multi-criteria evaluation of information materials.

About the authors

Viktor Pavlovich Korneenko

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: vkorn@ipu.ru
Moscow

Oleg Akhatovich Rameev

MIREA – Russian Technological University

Email: ierp2002@mail.ru
Moscow

References

  1. АРИСТОВА Е.М. Упрощение задачи линейной много-критериальной оптимизации с помощью метода агре-гирования целевых функций // Вестник ВГУ, серия: си-стемный анализ и информационные технологии. – 2012. – №2. – C. 11–17.
  2. АНОХИН А.М. ГЛОТОВ В.А., ПАВЕЛЬЕВ В.В. и др. Методы определения коэффициентов важности крите-риев // Автоматика и телемеханика. – 1997. – №8. – С. 3–35.
  3. БОРИСОВА В.В., ДЕМКИНА О.В., ШАЛАМОВА Н.Г. Методические аспекты построения интегрального по-казателя оценки готовности экономики России к циф-ровизации // Экономика: вчера, сегодня, завтра. – 2019. – Том 9, №10А. – С. 137–148.
  4. БОРМОТОВ А.Н. Обоснование метода формирования весовых коэффициентов критерия практической опти-мальности по результатам математического модели-рования композитов // Технические науки. – 2016. – №8. – С. 14–18.
  5. ВАСИН А.А., КРАСНОЩЕКОВ П.С., МОРОЗОВ В.В. Исследование операций. – М.: Академия, 2008. – С. 170.
  6. ЗОТЬЕВ Д.Б. К проблеме определения весовых коэффи-циентов на основании экспертных оценок // Заводская лаборатория. Диагностика материалов. – 2011. – №1. – Т. 77. – С. 75–78.
  7. КОРНЕЕНКО В.П. Метод косвенных предпочтений формирования весов критериев в задачах с многоуров-невой структурой // Онтология проектирования. – 2023. – Т.13, №4(50). – С. 580–596.
  8. КОРНЕЕНКО В.П. Метод локального агрегирования данных объектов с многоуровневой структурой в по-рядковых шкалах // Труды 14-й Международной конфе-ренции "Управление развитием крупномасштабных си-стем" (MLSD-2021). – М.: ИПУ РАН, 2021. – С. 485–493. – URL: https://mlsd2021.ipu.ru/proceedings/485-493.pdf.
  9. КОРНЕЕНКО В.П. Многокритериальное ранжирование и выбор в ранговых градациях объектов, измеренных в разнотипных шкалах // Прикладная математика и вопро-сы управления. – 2023. – №4. – С. 55 59.
  10. КРИВУЛИН Н.К. и др. О решении многокритериальных задач принятия решений на основе парных сравнений // Компьютерные инструменты в образовании. – 2020. – №2. – С. 27–58.
  11. ЛОПУХИН М.М. «ПАТТЕРН» – метод планирования и прогнозирования научных работ. – М.: Советское радио, 1971. – 160 с.
  12. ПОДИНОВСКИЙ В.В. Количественная важность кри-териев и аддитивные функции ценности // Журнал вы-числительной математики и математической физики. – 2013. – №1. – С. 133–142.
  13. ПОЛИЩУК Л.И. Об обобщенных критериях с коэффи-циентами важности в задачах векторной оптимизации // Автоматика и телемеханика. – 1982. – №2. – С. 55–60.
  14. ПОСТНИКОВ В.М., СПИРИДОНОВ С.Б. Методы выбо-ра весовых коэффициентов локальных критериев // Наука и Образование. МГТУ им. Н.Э. Баумана. Элек-трон. журн. – 2015. – №06. – С. 267–287.
  15. РАМЕЕВ О.А. Оценка качества и агрегирование в мно-гоуровневых системах организационного управления. – М.: ИКСИ, 1998. – 228 с.
  16. ЮЩУК Е.Л., ПЕТРЯШОВ Д.В., КУЗИН А.В. и др. Кон-курентная разведка. – Екатеринбург: Урал. гос. экон. ун-т., 2015. – 210 с.
  17. BELTON V., STEWART T.J. Multiple criteria decision analysis. An integrated approach. – Boston : Kluwer, 2003. – 374 p.
  18. KEENEY R.L., RAIFFA H. Decisions with Multiple Objec-tives: Preferences and Value Trade-Offs. – New York: Wiley, 1976. – 569 p.
  19. KENDALL M.G. Rank correlation methods. – New York: Oxford University, 1990. – 260 p.
  20. PLATT W. Strategic Intelligence Production. Basic Princi-ples. – New York: Frederic A. Praeger, 1957. – 302 p.
  21. PFANZSAGL J. Theory of measurement. – Berlin, Heidel-berg: Spriger-Verlag, 1971. – 235 p.
  22. SAATY T.L. The Analytic Hierarchy Process. – New York: McGraw-Hill, 1980. – 257 p.

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

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».