DOI: https://doi.org/10.22364/bjmc.2026.14.1.08
تاريخ النشر: 2026-01-01
المؤلف: Cem Özkurt وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تتناول الدراسة عملية اتخاذ القرار المعقدة متعددة المعايير (MCDM) المتعلقة باختيار الروبوتات الصناعية، مع التركيز على تحسين عملية الاختيار من خلال دمج تقنيات MCDM التقليدية مع نماذج الوزن المبتكرة المستندة إلى المنطق الضبابي ونمذجة الاحتمالات المستوحاة من الكم. تستخدم الدراسة مجموعة من طرق MCDM الكلاسيكية والضبابية، بما في ذلك CODAS وTOPSIS وVIKOR وMOORA وTOPSIS الضبابية وEDAS الضبابية وVIKOR الضبابية، إلى جانب خمس تقنيات وزن متميزة: الأفضل والأسوأ (BW) وCRITIC وEntropy وQuantum-inspired وFuzzy Quantum-inspired. ومن الجدير بالذكر أن طرق الوزن Quantum وFuzzy Quantum حددت باستمرار نموذج IRB 1010-1.5/0.37 كأفضل خيار، بينما فضلت طرق أخرى مثل Entropy وCRITIC نموذج IRB 760.
تسلط الخاتمة الضوء على دمج آلية وزن احتمالية مستوحاة من الكم التقليدي مع نمذجة عدم اليقين الضبابية، مما يعزز طرق تصنيف MCDM التقليدية. تكشف الدراسة أن الاستقرار في الاختيار والتصنيف الأمثل يمكن أن يختلف بشكل كبير عبر مخططات الوزن المختلفة وطرق MCDM. تقدم الطرق المستوحاة من الكم والضبابية منظورًا جديدًا لتحليل الحساسية في وزن المعايير تحت عدم اليقين، مما يلغي الحاجة إلى مدخلات الخبراء الذاتية. تشمل اتجاهات البحث المستقبلية استكشاف استراتيجيات أخذ العينات المرتبطة لأخذ في الاعتبار الاعتماد بين المعايير، والتقييم الرسمي للتقارب والاستقرار تحت أخذ العينات المتكررة، وتقييم الكفاءة الحسابية وقابلية التوسع على مجموعات بيانات أكبر.
مقدمة
تتناول مقدمة هذه الورقة البحثية تعقيد اختيار الروبوتات الصناعية كمشكلة اتخاذ قرار متعددة المعايير (MCDM)، مما يتطلب التقييم المتزامن لمعايير فنية واقتصادية متنوعة. نظرًا لعدم اليقين المتأصل بسبب أحكام الخبراء والمعلومات غير المكتملة، يتم استخدام طرق MCDM الضبابية لتعزيز قوة التصنيفات البديلة. تقترح الدراسة آلية وزن معيار احتمالية مستوحاة من الكم جديدة تتكامل مع كل من طرق MCDM التقليدية والضبابية، بهدف التحقيق في تأثير مخططات الوزن المختلفة على نتائج تصنيف الروبوتات. تعمل هذه الآلية بالكامل على بنية تحتية حاسوبية تقليدية، باستخدام أخذ عينات الزاوية الطورية ورسم الخرائط الجيبية لتوليد كتل احتمالية، والتي يتم بعد ذلك تحويلها إلى ضبابية باستخدام أعداد ضبابية مثلثية.
تستخدم الدراسة طرق MCDM التقليدية (مثل CODAS وTOPSIS وVIKOR وMOORA) جنبًا إلى جنب مع طرق MCDM الضبابية (بما في ذلك TOPSIS الضبابية وEDAS الضبابية وVIKOR الضبابية) لمعالجة مشكلة اختيار الروبوتات الصناعية. يتم استخدام مخططات وزن المعايير المختلفة – الأفضل والأسوأ (BW) وCRITIC وEntropy وquantum-inspired وfuzzy quantum-inspired – ويتم تحليل حساسية التصنيفات الناتجة لهذه الأساليب الوزن. تؤكد الورقة أنه بينما تلهم المفاهيم الكمومية المنهجية، لا يتم تنفيذ أي تقنيات حسابية كمومية فعلية، مما يؤطر المساهمة كتصميم وزن عشوائي مستوحى من الكم التقليدي.
طرق
في هذا القسم، يناقش المؤلفون طرق اتخاذ القرار متعددة المعايير (MCDM)، والتي تعتبر ضرورية لتقييم البدائل في سيناريوهات اتخاذ القرار التي تتضمن معايير متعددة، وغالبًا ما تكون متعارضة مثل التكلفة والكفاءة والاستدامة. يوفر MCDM نهجًا منظمًا يمكّن صانعي القرار من تقييم الخيارات ومقارنتها بشكل موضوعي من خلال دمج البيانات الكمية والنوعية. تسمح مرونة طرق MCDM بتطبيقها عبر مجالات متنوعة، بما في ذلك الهندسة والإدارة والرعاية الصحية وتخطيط الطاقة، باستخدام تقنيات وزن وتصنيف مختلفة لتلبية سياقات اتخاذ القرار المتنوعة.
كما يتناول القسم عملية توليد نقاط المرجع لطرق MCDM، الممثلة بالمعادلة \( \tilde{v}^{(k)}_j = \Phi^{(k)}_j \left( \sum_{i=1}^{m} r_{ij} \cdot \theta_j \right) \)، حيث \( k \) يشير إلى نقاط المرجع و \( j \) يدل على المعايير. توضح هذه المعادلة كيف يتم اشتقاق نقاط المرجع الخاصة بالطريقة من القيم الموزونة المن normalized \( r_{ij} \)، باستخدام دالة توليد \( \Phi \) التي تتضمن معلمات محددة \( \theta_j \). تعتبر القيم الناتجة \( \tilde{v}^{(k)}_j \) نقاط مرجعية حاسمة لعملية MCDM، مما يسهل تقييم البدائل.
مناقشة
يتناول قسم المناقشة في الورقة البحثية ثلاثة أسئلة بحثية رئيسية (RQs) تتعلق بتطبيق نماذج الوزن المستوحاة من الكم في سياقات اتخاذ القرار متعددة المعايير (MCDM). يستقصي RQ1 اتساق النتائج الناتجة عن طرق الوزن المستوحاة من الكم مقارنة بالأساليب التقليدية. يستكشف RQ2 تأثير دمج المنطق الضبابي في عملية الوزن المستوحاة من الكم، لا سيما في إدارة عدم اليقين وتحسين التصنيفات في بيئات ذات عدم يقين عالٍ. يفحص RQ3 كيف تؤثر طريقة الوزن الضبابية المستوحاة من الكم على اتساق التصنيف في تطبيقات محددة، مثل اختيار الروبوتات الصناعية، مقارنة بنماذج الوزن التقليدية. يبرز المؤلفون فجوة ملحوظة في الأدبيات بشأن تطبيق الوزن الاحتمالي المستوحى من الكم ودمجاته الضبابية، مما يشير إلى أن تطوير مثل هذه الأساليب الهجينة أمر حاسم لمعالجة المشكلات الهندسية المعقدة التي تتسم بعدم اليقين.
تشير مراجعة الأدبيات إلى تحول نحو أطر هجينة تجمع بين المنطق الضبابي والحوسبة الكمومية لتعزيز عمليات اتخاذ القرار، لا سيما في التطبيقات الديناميكية والموجهة نحو الاستدامة. يشير المؤلفون إلى أن الدراسات الحديثة قد ركزت بشكل متزايد على أطر اتخاذ القرار الذكية والبيانات المدفوعة، متجاوزة النماذج الثابتة. تؤكد الورقة على أهمية الأساليب العلمية في اتخاذ القرار، لا سيما في السيناريوهات المعقدة حيث يجب تقييم المعايير المتعارضة. تهدف آلية الوزن المستوحاة من الكم التقليدي المقترحة، التي تولد كتل احتمالية عشوائية وتدمجها مع نمذجة عدم اليقين الضبابية، إلى توفير إطار قوي لاتخاذ القرار تحت عدم اليقين، مما يساهم في المشهد المتطور لأساليب MCDM.
DOI: https://doi.org/10.22364/bjmc.2026.14.1.08
Publication Date: 2026-01-01
Author(s): Cem Özkurt et al.
Primary Topic: Multi-Criteria Decision Making
Overview
The research addresses the complex multi-criteria decision-making (MCDM) involved in industrial robot selection, focusing on enhancing the selection process through the integration of traditional MCDM techniques with innovative weighting models based on fuzzy logic and quantum-inspired probabilistic modeling. The study employs a combination of classical and fuzzy MCDM methods, including CODAS, TOPSIS, VIKOR, MOORA, fuzzy TOPSIS, fuzzy EDAS, and fuzzy VIKOR, alongside five distinct weighting techniques: Best-Worst (BW), CRITIC, Entropy, Quantum-inspired, and Fuzzy Quantum-inspired. Notably, the Quantum and Fuzzy Quantum weighting methods consistently identified the IRB 1010-1.5/0.37 model as the most favorable option, while other methods like Entropy and CRITIC favored the IRB 760 model.
The conclusion highlights the integration of a classical quantum-inspired probabilistic weighting mechanism with fuzzy uncertainty modeling, which enhances conventional MCDM ranking methods. The study reveals that the optimal selection and ranking stability can vary significantly across different weighting schemes and MCDM approaches. The proposed quantum-inspired and fuzzy quantum-inspired methods offer a novel perspective for sensitivity analysis in criterion weighting under uncertainty, eliminating the need for subjective expert input. Future research directions include the exploration of correlated sampling strategies to account for inter-criterion dependence, formal evaluation of convergence and stability under repeated sampling, and assessment of computational efficiency and scalability on larger datasets.
Introduction
The introduction of this research paper addresses the complexity of industrial robot selection as a multi-criteria decision-making (MCDM) problem, which necessitates the simultaneous evaluation of various technical and economic criteria. Given the inherent uncertainty due to expert judgments and incomplete information, fuzzy MCDM approaches are employed to enhance the robustness of alternative rankings. The study proposes a novel quantum-inspired probabilistic criterion-weighting mechanism that integrates with both classical and fuzzy MCDM methods, aiming to investigate the impact of different weighting schemes on robot ranking outcomes. This mechanism operates entirely on classical computing infrastructure, utilizing phase-angle sampling and sine mapping to generate probability masses, which are then fuzzified using triangular fuzzy numbers.
The research employs classical MCDM methods (such as CODAS, TOPSIS, VIKOR, and MOORA) alongside fuzzy MCDM methods (including fuzzy TOPSIS, fuzzy EDAS, and fuzzy VIKOR) to tackle the industrial robot selection problem. Various criterion weighting schemes—Best-Worst (BW), CRITIC, Entropy, quantum-inspired, and fuzzy quantum-inspired—are utilized, and the sensitivity of the resulting rankings to these weighting approaches is analyzed. The paper emphasizes that while quantum concepts inspire the methodology, no actual quantum computational techniques are implemented, thus framing the contribution as a classical, quantum-inspired stochastic weighting design.
Methods
In this section, the authors discuss Multi-Criteria Decision-Making (MCDM) methods, which are essential for evaluating alternatives in decision-making scenarios that involve multiple, often conflicting criteria such as cost, efficiency, and sustainability. MCDM provides a structured approach that enables decision-makers to objectively assess and compare options by integrating both quantitative and qualitative data. The versatility of MCDM methods allows their application across various domains, including engineering, management, healthcare, and energy planning, utilizing different weighting and ranking techniques to accommodate diverse decision contexts.
The section also details the process of reference point generation for MCDM methods, represented by the equation \( \tilde{v}^{(k)}_j = \Phi^{(k)}_j \left( \sum_{i=1}^{m} r_{ij} \cdot \theta_j \right) \), where \( k \) indexes the reference points and \( j \) denotes the criteria. This equation illustrates how method-specific reference points are derived from normalized-weighted values \( r_{ij} \), using a generation function \( \Phi \) that incorporates specific parameters \( \theta_j \). The resulting values \( \tilde{v}^{(k)}_j \) serve as critical reference points for the MCDM process, facilitating the evaluation of alternatives.
Discussion
The discussion section of the research paper addresses three primary research questions (RQs) related to the application of quantum-inspired weighting models in multi-criteria decision-making (MCDM) contexts. RQ1 investigates the consistency of outcomes produced by quantum-inspired weighting methods compared to classical approaches. RQ2 explores the impact of integrating fuzzy logic into the quantum-inspired weighting process, particularly in managing uncertainty and improving rankings in high-uncertainty environments. RQ3 examines how the fuzzy quantum-inspired weighting method influences ranking consistency in specific applications, such as industrial robot selection, compared to traditional weighting models. The authors highlight a notable gap in the literature regarding the application of quantum-inspired probabilistic weighting and its fuzzy hybridizations, suggesting that the development of such hybrid approaches is crucial for addressing complex engineering problems characterized by uncertainty.
The literature review indicates a shift towards hybrid frameworks that combine fuzzy logic and quantum computing to enhance decision-making processes, particularly in sustainability-oriented and dynamic applications. The authors note that recent studies have increasingly focused on adaptive, intelligent, and data-driven decision frameworks, moving beyond static models. The paper emphasizes the importance of scientific methods in decision-making, particularly in complex scenarios where conflicting criteria must be evaluated. The proposed classical quantum-inspired weighting mechanism, which generates stochastic probability masses and integrates them with fuzzy uncertainty modeling, aims to provide a robust framework for decision-making under uncertainty, thereby contributing to the evolving landscape of MCDM methodologies.