روش ISM، ISM فازی و ISM خاکستری

مقدمه

روش‌های ISM (مدل‌سازی ساختاری تفسیری) و نسخه‌های پیشرفته آن مانند ISM فازی و ISM خاکستری، ابزارهایی قدرتمند برای تحلیل و مدل‌سازی سیستم‌های پیچیده هستند. این روش‌ها با استفاده از ماتریس‌های مجاورت و دستیابی، به تحلیل روابط و تأثیرات میان عناصر مختلف یک سیستم می‌پردازند و به این ترتیب، کمک می‌کنند تا ساختار و سلسله‌مراتب سیستم به صورت دقیق‌تری شناسایی شود.

مدل‌سازی ساختاری تفسیری (ISM)

مدل‌سازی ساختاری تفسیری (ISM) یک روش تحلیلی است که برای درک ساختار پیچیده سیستم‌ها به کار می‌رود. این روش با استفاده از ماتریس‌های دستیابی، به تحلیل روابط بین عناصر مختلف سیستم پرداخته و به شناسایی سلسله‌مراتب عناصر کمک می‌کند.

مراحل ISM

1. شناسایی عناصر سیستم: اولین مرحله در ISM، شناسایی عناصر اصلی سیستم است که باید تحلیل شوند.
2. ایجاد ماتریس مجاورت: در این مرحله، روابط بین عناصر به صورت یک ماتریس مجاورت نمایش داده می‌شود.
3. تبدیل ماتریس مجاورت به ماتریس دستیابی: این مرحله شامل تحلیل ماتریس مجاورت برای شناسایی مسیرهای دستیابی بین عناصر است.
4. تعیین سلسله‌مراتب عناصر: با استفاده از ماتریس دستیابی، سلسله‌مراتب عناصر سیستم تعیین می‌شود.

ISM فازی

روش ISM فازی، نسخه‌ای پیشرفته از ISM است که به تحلیل سیستم‌های پیچیده تحت شرایط عدم قطعیت می‌پردازد. این روش از نظریه مجموعه‌های فازی برای مدیریت عدم قطعیت در روابط بین عناصر استفاده می‌کند.

کاربردهای ISM فازی

• مدیریت زنجیره تأمین: در تحلیل عوامل مؤثر بر زنجیره تأمین و شناسایی روابط پیچیده بین آن‌ها کاربرد دارد.
• تصمیم‌گیری در شرایط عدم قطعیت: در مسائل تصمیم‌گیری که با داده‌های ناقص و نادقیق سروکار دارند، ISM فازی به تحلیل دقیق‌تر کمک می‌کند.

ISM خاکستری

روش ISM خاکستری (GSM)، نسخه دیگری از ISM است که از نظریه سیستم‌های خاکستری برای تحلیل سیستم‌های پیچیده استفاده می‌کند. این روش به تحلیل روابط تحت شرایط عدم قطعیت و داده‌های ناقص می‌پردازد.

ویژگی‌های ISM خاکستری

• مدیریت عدم قطعیت: استفاده از نظریه سیستم‌های خاکستری برای مدیریت عدم قطعیت و تحلیل دقیق‌تر روابط بین عناصر.
• کاربرد در مسائل پیچیده: مناسب برای تحلیل سیستم‌های پیچیده‌ای که با داده‌های ناقص و نادقیق سروکار دارند.

مقایسه ISM، ISM فازی و ISM خاکستری

• سطح دقت: ISM فازی و ISM خاکستری هر دو به تحلیل دقیق‌تر روابط تحت شرایط عدم قطعیت کمک می‌کنند، اما ISM فازی بیشتر بر مدیریت عدم قطعیت‌های زبانی و ISM خاکستری بر مدیریت عدم قطعیت‌های عددی تمرکز دارد.
• کاربردها: هر دو روش برای تحلیل سیستم‌های پیچیده در شرایط عدم قطعیت مناسب هستند، اما ISM فازی بیشتر در مدیریت زنجیره تأمین و تصمیم‌گیری‌های مدیریتی و ISM خاکستری در تحلیل داده‌های ناقص و نادقیق کاربرد دارد.

نتیجه‌گیری

روش‌های ISM، ISM فازی و ISM خاکستری ابزارهای قدرتمندی برای تحلیل سیستم‌های پیچیده هستند که با استفاده از آن‌ها می‌توان روابط پیچیده بین عناصر مختلف سیستم را شناسایی و تحلیل کرد. هر یک از این روش‌ها با ویژگی‌ها و کاربردهای خاص خود، به تحلیل دقیق‌تر و مدیریت بهتر سیستم‌ها کمک می‌کنند.

منابع

1. Papageorgiou, E., & Salmeron, J. L. (2012). Learning Fuzzy Grey Cognitive Maps using Nonlinear Hebbian-based approach. Int. J. Approx. Reason., 53, 54-65. https://consensus.app/papers/learning-fuzzy-grey-cognitive-maps-using-nonlinear-papageorgiou/b3453f11d7375e44ba68d1d23f865f53/?utm_source=chatgpt
2. Lin, C. L., Lin, J. L., & Ko, T. (2002). Optimisation of the EDM Process Based on the Orthogonal Array with Fuzzy Logic and Grey Relational Analysis Method. The International Journal of Advanced Manufacturing Technology, 19, 271-277. https://consensus.app/papers/optimisation-process-based-orthogonal-array-fuzzy-logic-lin/61e2ac2639dd5c3bba4ede81039a88cb/?utm_source=chatgpt
3. Yamaguchi, D., Li, G., Mizutani, K., Akabane, T., Nagai, M., & Kitaoka, M. (2006). A Realization Algorithm of Grey Structural Modeling with MATLAB. IEEE Conference on Cybernetics and Intelligent Systems, 1-6. https://consensus.app/papers/realization-algorithm-grey-structural-modeling-matlab-yamaguchi/cd63ef89a2405518b4d6e22943924939/?utm_source=chatgpt
4. Bu, F., He, J., Li, H., & Fu, Q. (2020). Interval-valued intuitionistic fuzzy MADM method based on TOPSIS and grey correlation analysis. Mathematical biosciences and engineering: MBE, 17(5), 5584-5603. https://consensus.app/papers/intervalvalued-fuzzy-madm-method-based-topsis-bu/59f3186fe70f542087025f21b5cba1db/?utm_source=chatgpt
5. Xiong, G., Li, L., & Hao, J. M. (2010). 2-Tuple Linguistic Fuzzy ISM and Its Application. In Springer, 353-362. https://consensus.app/papers/2tuple-fuzzy-application-xiong/234eb0973df45e3eb99c22f639b328e4/?utm_source=chatgpt
6. Zhang, X., Jin, F., & Liu, P. (2013). A grey relational projection method for multi-attribute decision making based on intuitionistic trapezoidal fuzzy number. Applied Mathematical Modelling, 37, 3467-3477. https://consensus.app/papers/projection-method-multiattribute-decision-making-based-zhang/32506e6e2eb25beeb7785c899a2d5a79/?utm_source=chatgpt
7. Salmeron, J. L., & Papageorgiou, E. (2012). A Fuzzy Grey Cognitive Maps-based Decision Support System for radiotherapy treatment planning. Knowl. Based Syst., 30, 151-160. https://consensus.app/papers/fuzzy-grey-cognitive-mapsbased-decision-support-system-salmeron/3a0e343655d95693bf1c9a8e1ab1a4d1/?utm_source=chatgpt
8. Pramod, V., & Banwet, D. K. (2013). Fuzzy ISM for Analyzing the Inhibitors of a Telecom Service Supply Chain. Int. J. Inf. Syst. Supply Chain Manag., 6, 77-98. [https://consensus.app/papers/fuzzy-analyzing-inhib