DOI: https://doi.org/10.1038/s41598-026-70100-9
تاريخ النشر: 2026-10-06
المؤلف: Laxminarayan Sahoo وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تقدم هذه الورقة البحثية نهجًا مبتكرًا لاتخاذ القرار متعدد المعايير (MCDM) من خلال دمج طريقة التجميع الهرمي المعتمدة على الوزن الانتروبي مع تقنية تفضيل الطلب من خلال التشابه مع الحل المثالي (TOPSIS). يعالج الإطار المقترح التحديات الحسابية المرتبطة بأساليب MCDM التقليدية، خاصة عند التعامل مع مجموعات بيانات كبيرة، مثل تلك التي يتم مواجهتها في اختيار الموردين وتقييمات الطاقة المتجددة. من خلال تجميع البدائل أولاً في مجموعات متجانسة باستخدام خوارزمية K-means ثم تطبيق انتروبي شانون لتحديد الأوزان الموضوعية، يقوم الأسلوب بإجراء تحليل TOPSIS محلي داخل كل مجموعة لتحديد البدائل التمثيلية. تم التحقق من صحة الإطار باستخدام مجموعتين من البيانات: مجموعة بيانات صناعية تحتوي على 1,000 بديل عبر 12 معيارًا ومجموعة بيانات من العالم الحقيقي من مجموعة بيانات الطاقة المتجددة العالمية والمؤشرات، والتي تشمل 2,500 بديل عبر 53 معيارًا.
تستخدم الدراسة مؤشرات صلاحية داخلية متنوعة (الكوع، الشكل، ديفيس-بولدين، وكالينسكي-هاراباز) لتقييم جودة التجميع وتقارن نتائج الترتيب مع تقنيات MCDM المعتمدة من خلال تحليلات ارتباط الترتيب. تشير النتائج إلى أنه بينما لا يضمن الأسلوب المقترح تحقيق الأمثل العالمي، فإنه يحدد باستمرار ترتيبًا محددًا جيدًا لمراكز التجمع وبديلًا واحدًا أفضل لكل مجموعة بيانات. ومن الجدير بالذكر أن البدائل المختارة تظل مستقرة تحت اضطرابات الوزن، ويظهر الإطار قابلية التوسع، مع زيادة التكاليف الحسابية بمعدل يمكن التحكم فيه على الرغم من العدد المتزايد من البدائل والمعايير. بشكل عام، تسهم هذه البحث في تقديم أداة قوية لاتخاذ القرار لمهام MCDM التي تتضمن بدائل على نطاق واسع، مع التأكيد على فعالية دمج التجميع غير المراقب مع TOPSIS المعتمد على الانتروبي في هيكل هرمي.
مقدمة
توضح المقدمة أهمية تقنيات اتخاذ القرار متعدد المعايير (MCDM)، التي تطورت على مدى العقود الأربعة الماضية لمعالجة مشاكل اتخاذ القرار المعقدة عبر مجالات مختلفة، بما في ذلك الهندسة والرعاية الصحية والمالية. تعتبر أساليب MCDM التقليدية، مثل TOPSIS، فعالة في ترتيب البدائل بناءً على معايير متعددة ولكن تواجه تحديات عند تطبيقها على مجموعات بيانات كبيرة تحتوي على العديد من البدائل. إن ظهور البيانات الكبيرة والتحول الرقمي يتطلب أنظمة دعم اتخاذ القرار الجديدة التي يمكن أن تتعامل بكفاءة مع هذه التعقيدات.
لمعالجة هذه التحديات، يقترح البحث نموذج TOPSIS المعتمد على التجميع الهرمي المعتمد على الوزن الانتروبي المصمم لمشاكل MCDM على نطاق واسع. يدمج هذا النموذج التجميع باستخدام K-means لتجميع البدائل بناءً على التجانس، ويطبق انتروبي شانون لتحديد الأوزان الموضوعية للمعايير، ويستخدم TOPSIS داخل هذه المجموعات لتحديد البدائل التمثيلية. لا يبسط النهج الهرمي عملية اتخاذ القرار فحسب، بل يضمن أيضًا الحفاظ على الخصائص التمثيلية المحلية والتنافسية العالمية. يتم التحقق من صحة الإطار من خلال تحليلات شاملة، بما في ذلك جودة التجميع، ارتباط الترتيب، تحليل الحساسية، وتقييمات قابلية التوسع، مما يبرز قوته في إدارة اتخاذ القرار تحت عدم اليقين.
الطرق
تحدد قسم المنهجية التصميم التجريبي الذي يهدف إلى تقييم إطار TOPSIS المعتمد على الوزن الانتروبي والتجميع القائم على التجميع لمشاكل اتخاذ القرار متعدد المعايير (MCDM) على نطاق واسع. يتناول البحث خمسة أسئلة رئيسية تتعلق بتوافق الإطار مع أساليب MCDM التقليدية، والكفاءة الحسابية من خلال التجميع، والصلابة ضد التغيرات في أوزان المعايير، والموثوقية الإحصائية لعدد المجموعات، وقابلية الأداء للتوسع مع زيادة عدد البدائل. للتحقيق في هذه الأسئلة، تم إجراء خمسة تجارب: مقارنة مع أساليب MCDM التقليدية، التحقق من جودة المجموعات، اتساق الترتيبات، تحليل الحساسية، وتحليل قابلية التوسع.
تم تنفيذ التجارب باستخدام Python 3.12، مع استخدام مكتبات مثل NumPy وPandas لمعالجة البيانات، وScikit-learn للتجميع، وMatplotlib وSeaborn للتصورات. تم بدء التجميع باستخدام خوارزمية k-means++، وتم تطبيع معايير القرار عبر مقياس الحد الأدنى-الحد الأقصى قبل التحليل. تم تحديد الأوزان الموضوعية باستخدام طريقة انتروبي شانون، وتم تطبيق مقياس المسافة الإقليدية في كل من خوارزميات K-means وTOPSIS. تم تقييم فعالية الإطار مقارنة بستة أساليب معتمدة، بما في ذلك TOPSIS الكلاسيكي، TOPSIS المعتمد على الوزن الانتروبي، VIKOR، EDAS، COPRAS، وWASPAS، كما هو موضح في الجدول 4.
النتائج
يقدم قسم النتائج في الورقة البحثية تحليلًا شاملاً لأداء الإطار المقترح عبر مجموعتين متميزتين من البيانات. في مجموعة البيانات الأولى، التي تتكون من 1,000 بديل صناعي تم تقييمه مقابل 12 معيارًا للقرار، تم استخدام نموذج TOPSIS المعتمد على التجميع الهرمي المعتمد على الوزن الانتروبي. أظهر التحليل أن المعايير ذات الأوزان الأعلى كانت مستوى التعليم (0.1721) والعمر (0.1052)، بينما حصلت السجلات الجنائية (0.0098) على أقل وزن. حدد التجميع باستخدام K-means أربعة مجموعات، وتم اختيار العدد الأمثل للمجموعات كـ K = 4 بناءً على توازن تماسك المجموعة وقابلية التفسير. أشار تحليل TOPSIS إلى أن البديل العالمي الأفضل كان ID0543، مع معامل قرب قدره 0.771885، مما يظهر فعالية الطريقة الهرمية في ترتيب البدائل محليًا وعالميًا.
في مجموعة البيانات الثانية، التي تتكون من 2,500 بديل بناءً على 53 معيارًا متعلقًا بالطاقة المتجددة، تم تطبيق منهجيات مماثلة. تم تخصيص أعلى الأوزان المستمدة من الانتروبي للتعاون الإقليمي في الطاقة المتجددة (0.0505) وتحرير سوق الطاقة (0.0487). أظهر التحليل مرة أخرى أن K = 4 كان خيارًا عمليًا للتجميع، على الرغم من عدم وجود معيار تحقق يحدد أمثل فريد. حقق البديل الأعلى ترتيبًا، USA_2021_Hydro، هامشًا كبيرًا على الخيار الثاني الأفضل، مشروع الرياح البرازيلي لعام 2016. أظهر الإطار استقرارًا عاليًا في الترتيب عبر مختلف اضطرابات الوزن، مع ملاحظة ارتباط ترتيب مثالي في معظم السيناريوهات. بشكل عام، تؤكد النتائج على قوة وقابلية تفسير النهج الهرمي المقترح، الذي يولد توصيات عالمية متسقة على الرغم من التحديات التي تطرحها التجميع الطبيعي في مجموعات البيانات الواقعية.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على تطور الاتجاهات الحالية في اتخاذ القرار متعدد المعايير (MCDM)، مع التأكيد على أهمية الأساليب الكلاسيكية مثل AHP وTOPSIS والنهج الهجينة التي تجمع بين منهجيات مختلفة لتعزيز قوة اتخاذ القرار. تشير الورقة إلى اهتمام متزايد في معالجة عدم اليقين من خلال التمديدات الضبابية لـ MCDM، التي تحسن نمذجة التقييمات الغامضة للخبراء. بالإضافة إلى ذلك، يتم الاعتراف بظهور اتخاذ القرار الجماعي على نطاق واسع (LSGDM)، المدفوع بالتقدم في البيانات الكبيرة وأنظمة دعم القرار الرقمية، والتي تقدم تحديات مثل التعقيد الخوارزمي والحاجة إلى تقنيات معالجة مسبقة فعالة مثل التجميع.
يحدد المؤلفون عدة فجوات بحثية، بما في ذلك محدودية قابلية تطبيق نماذج MCDM الحالية على مجالات المشاكل الكبيرة وغياب إطار عام لاتخاذ القرار القائم على التجميع. يقترحون إطار TOPSIS المعتمد على الوزن الانتروبي الذي يستخدم التجميع باستخدام K-means لتجميع البدائل أولاً قبل تطبيق TOPSIS داخل كل مجموعة، مما يؤدي في النهاية إلى اختيار أفضل بديل تمثيلي. يهدف هذا النهج الهرمي إلى تقليل التكاليف الحسابية مع الحفاظ على جودة القرار، ومعالجة القيود المحددة في المنهجيات الحالية. يتم التحقق من صحة الإطار المقترح من خلال مجموعات بيانات متنوعة، مما يوضح فعاليته في كل من السيناريوهات المثالية والواقعية، مع استخدام مقاييس تحقق متعددة لضمان نتائج قوية في التجميع واتخاذ القرار.
القيود
تحدد قسم القيود ثلاث مجالات رئيسية للتحسين في البحث. أولاً، تشير درجات الشكل المنخفضة نسبيًا عبر كلا مجموعتي البيانات إلى أن خوارزمية التجميع K-means قد لا تلتقط بشكل فعال الهياكل الأساسية داخل فضاءات القرار التي تم تحليلها. وهذا يشير إلى الحاجة إلى مزيد من التحقيق في خوارزميات التجميع البديلة أو تقنيات تقليل الأبعاد التي يمكن أن تعزز فصل المجموعات وتحسن قابلية تفسير ممثلي المجموعات مع الحفاظ على تصنيفات قوية.
ثانيًا، اعتمد التحقق من الترتيبات على عدد محدود من ممثلي المجموعات (أربعة لكل مجموعة بيانات)، مما قد يضعف الأهمية الإحصائية للنتائج. يمكن أن تستفيد الأبحاث المستقبلية من التحقق من الترتيبات باستخدام مجموعة أكبر من المجموعات أو استخدام تقنيات إعادة أخذ العينات لتعزيز قوة النتائج. أخيرًا، استخدمت الدراسة مصفوفات قرار واضحة، وقد يكون توسيع المنهجية لاستيعاب تمثيلات مختلفة من عدم اليقين – مثل المجموعات الضبابية الحدسية، أو الأرقام Z، أو الأرقام الفترية – اتجاهًا واعدًا للبحث المستقبلي. بالإضافة إلى ذلك، يمثل استكشاف قابلية التوسع للنهج مع مجموعات أكبر من البدائل مسارًا قيمًا آخر للتحقيق في مجال اتخاذ القرار متعدد المعايير (MCDM).
DOI: https://doi.org/10.1038/s41598-026-70100-9
Publication Date: 2026-10-06
Author(s): Laxminarayan Sahoo et al.
Primary Topic: Multi-Criteria Decision Making
Overview
This research paper presents an innovative approach to Multi-Criteria Decision Making (MCDM) by integrating an entropy-weighted hierarchical clustering method with the Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS). The proposed framework addresses the computational challenges associated with traditional MCDM methods, particularly when dealing with large datasets, such as those encountered in supplier selection and renewable energy assessments. By first clustering alternatives into homogeneous groups using the K-means algorithm and then applying Shannon entropy to determine objective weights, the method conducts a localized TOPSIS analysis within each cluster to identify representative alternatives. The framework was validated using two datasets: a synthetic dataset with 1,000 alternatives across 12 criteria and a real-world dataset from the Global Renewable Energy and Indicators Dataset, which includes 2,500 alternatives across 53 criteria.
The study employs various internal validity indices (Elbow, Silhouette, Davies-Bouldin, and Calinski-Harabasz) to assess clustering quality and compares the ranking results against established MCDM techniques through rank correlation analyses. Findings indicate that while the proposed method does not guarantee a global optimum, it consistently identifies a well-defined ranking of cluster centroids and a single best alternative for each dataset. Notably, the selected alternatives remain stable under weight perturbations, and the framework demonstrates scalability, with computational costs increasing at a manageable rate despite the growing number of alternatives and criteria. Overall, this research contributes a robust decision-making tool for MCDM tasks involving large-scale alternatives, emphasizing the effectiveness of combining unsupervised clustering with entropy-based TOPSIS in a hierarchical structure.
Introduction
The introduction outlines the significance of Multi-Criteria Decision Making (MCDM) techniques, which have evolved over the past four decades to address complex decision-making problems across various fields, including engineering, healthcare, and finance. Traditional MCDM methods, such as TOPSIS, are effective for ranking alternatives based on multiple criteria but face challenges when applied to large datasets with numerous alternatives. The emergence of big data and digital transformation necessitates new decision-making support systems that can efficiently handle these complexities.
To address these challenges, the research proposes an entropy-weighted cluster-based TOPSIS model designed for large-scale MCDM problems. This model integrates K-means clustering to group alternatives based on homogeneity, applies Shannon entropy to determine objective weights for criteria, and utilizes TOPSIS within these clusters to identify representative alternatives. The proposed hierarchical approach not only simplifies the decision-making process but also ensures the preservation of local representational properties and global competitiveness. The framework is validated through comprehensive analyses, including clustering quality, rank correlation, sensitivity, and scalability assessments, highlighting its robustness in managing decision-making under uncertainty.
Methods
The methodology section outlines the experimental design aimed at evaluating the proposed entropy-weighted, cluster-based TOPSIS framework for large-scale multi-criteria decision-making (MCDM). The research addresses five key questions regarding the framework’s consistency with traditional MCDM methods, computational efficiency through clustering, robustness against variations in criterion weights, statistical soundness of cluster numbers, and performance scalability as the number of alternatives increases. To investigate these questions, five experiments were conducted: comparison with traditional MCDM approaches, verification of cluster quality, consistency of rankings, sensitivity analysis, and scalability analysis.
The experiments were implemented using Python 3.12, employing libraries such as NumPy and Pandas for data processing, Scikit-learn for clustering, and Matplotlib and Seaborn for visualizations. K-means clustering was initialized using the k-means++ algorithm, and decision criteria were normalized via min-max scaling prior to analysis. The objective weights were determined using the Shannon entropy method, and the Euclidean distance metric was applied in both the K-means and TOPSIS algorithms. The framework’s effectiveness was benchmarked against six established methods, including classical TOPSIS, Entropy-Weighted TOPSIS, VIKOR, EDAS, COPRAS, and WASPAS, as detailed in Table 4.
Results
The results section of the research paper presents a comprehensive analysis of the proposed framework’s performance across two distinct datasets. In Dataset I, which consists of 1,000 artificial alternatives evaluated against 12 decision criteria, the entropy-weighted hierarchical clustering-based TOPSIS model was employed. The analysis revealed that the criteria with the highest weights were Education Level (0.1721) and Age (0.1052), while Criminal Records (0.0098) received the lowest weight. The k-means clustering identified four clusters, with the optimal number of clusters chosen as K = 4 based on a balance of cluster cohesion and interpretability. The TOPSIS analysis indicated that the best global alternative was ID0543, with a closeness coefficient of 0.771885, demonstrating the effectiveness of the hierarchical method in ranking alternatives both locally and globally.
In Dataset II, which comprises 2,500 alternatives based on 53 criteria related to renewable energy, similar methodologies were applied. The highest entropy-derived weights were assigned to Regional Renewable Energy Cooperation (0.0505) and Energy Market Liberalization (0.0487). The analysis again indicated that K = 4 was a practical choice for clustering, despite no validation criterion identifying a unique optimum. The top-ranked alternative, USA_2021_Hydro, achieved a significant margin over the second-best option, Brazil’s 2016 wind project. The framework exhibited high stability in ranking across various weight perturbations, with perfect rank correlation observed in most scenarios. Overall, the findings underscore the robustness and interpretability of the proposed hierarchical approach, which effectively generates consistent global recommendations despite the challenges posed by natural clustering in real-world datasets.
Discussion
The discussion section of the paper highlights the evolution and current trends in Multi-Criteria Decision Making (MCDM), emphasizing the significance of classical methods such as AHP, TOPSIS, and hybrid approaches that combine various methodologies to enhance decision-making robustness. The paper notes a growing interest in addressing uncertainty through fuzzy extensions of MCDM, which improve the modeling of ambiguous expert evaluations. Additionally, the rise of Large-Scale Group Decision-Making (LSGDM) is acknowledged, driven by advancements in big data and digital decision-support systems, which introduce challenges such as algorithmic complexity and the need for efficient preprocessing techniques like clustering.
The authors identify several research gaps, including the limited applicability of existing MCDM models to large problem domains and the lack of a general framework for clustering-based decision-making. They propose an entropy-weighted TOPSIS framework that utilizes K-means clustering to first group alternatives before applying TOPSIS within each cluster, ultimately selecting the best representative alternative. This hierarchical approach aims to reduce computational costs while maintaining decision quality, addressing the identified limitations in current methodologies. The proposed framework is validated through various datasets, demonstrating its effectiveness in both ideal and real-world scenarios, while also employing multiple validation measures to ensure robust clustering and decision-making outcomes.
Limitations
The section on limitations identifies three key areas for improvement in the research. First, the relatively low Silhouette scores across both datasets indicate that the K-means clustering algorithm may not effectively capture the underlying structures within the decision spaces analyzed. This suggests a need for further investigation into alternative clustering algorithms or dimensionality reduction techniques that could enhance cluster separation and improve the interpretability of cluster representatives while maintaining robust rankings.
Second, the validation of rankings relied on a limited number of cluster representatives (four per dataset), which may weaken the statistical significance of the findings. Future research could benefit from validating rankings using a larger set of clusters or employing resampling techniques to bolster the robustness of the results. Lastly, the study utilized crisp decision matrices, and extending the methodology to accommodate various representations of uncertainty—such as intuitionistic fuzzy sets, Z-numbers, or interval numbers—could be a promising direction for future research. Additionally, exploring the scalability of the approach with larger sets of alternatives represents another valuable avenue for investigation in the field of multi-criteria decision-making (MCDM).
