PYMISSINGAHP: algoritmos genéticos para preencher pares ausentes em matrizes AHP e fuzzy AHP, com soluções mono e multiobjetiva

• Ano de defesa: 2024
• Autor(a) principal: Heymann, Mozart Caetano
• Orientador(a): Pereira, Valdecy
• Banca de defesa: Quelhas, Osvaldo Luiz Gonçalves, Roboredo, Marcos Costa, Basílio, Marcio Pereira, Hora, Henrique Rego Monteiro da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Link de acesso: http://app.uff.br/riuff/handle/1/32407
• topic: Processo analítico hierárquico - AHP; Matrizes de comparações com pares ausentes; Algoritmos genéticos; Otimização multiobjetiva; Números fuzzy; Algoritmo genético; Lógica fuzzy; Análise hierárquica de processo (AHP); Analytic hierarchy process - AHP; Matrices with missing pairwise comparisons; Genetic algorithm; Multi-objective optimization; Fuzzy numbers

Propósito: Demonstrar a eficácia do Algoritmo PymissingAHP, implementado em Python e acessível em <https://pypi.org/project/pyMissingAHP/>. O pymissingAHP utiliza Algoritmos Genéticos (GA), com abordagens mono e multiobjetiva, visando o preenchimento de pares ausentes em matrizes de comparação par a par (PCMs), originadas dos julgamentos dos tomadores de decisão (DMs), de modelos do método de tomada de decisão multicritério (MCDM), denominado processo analítico hierárquico (AHP). O objetivo final é proporcionar uma compreensão mais profunda do potencial do algoritmo pyMissingAHP na resolução de problemas de pares ausentes em PCMs, promovendo assim a eficácia do processo de tomada de decisão no contexto do AHP. Metodologia: O algoritmo pymissingAHP utiliza GA, integrante do grupo dos Algoritmos Evolucionários (EA), com uma codificação especializada para aplicação do propósito desse estudo. Pode lidar com cenários mono ou multiobjetivo, que envolvem minimizar a razão de consistência e manter o ranking de pesos definido por especialistas. Além disso, o algoritmo opera com números fuzzy dentro da estrutura AHP (FAHP). Limitações: PCMs contendo vários valores ausentes podem gerar várias soluções e não refletir com precisão as opiniões dos especialistas. Embora o algoritmo pymissingAHP possa resolver PCMs totalmente esgotadas, é recomendável obter o maior número possível de comparações para garantir uma representação fiel das opiniões de especialistas para a tomada de decisão. Destaca-se também, que nem sempre é possível obter resultados que garantam a consistência da PCM, pois há casos que eles não existem. Resultados – A validação do algoritmo pymissingAHP na solução de problemas exemplificados em 9 instâncias de artigos acadêmicos e 1 exemplo gerado especificamente para este estudo, demonstrou coerência com os resultados dos respectivos artigos, sendo que em alguns casos, apresentou melhores resultados. Essa performance está relacionada com a utilização de GAs, que proporcionam os efeitos da convergência e diversidade na busca da solução ótima. Originalidade: O algoritmo pymissingAHP é inovador para o seu propósito, com uso de GA e oferece vantagens significativas, como: a capacidade de buscar soluções que atendam a objetivos únicos ou múltiplos, utilizando valores contínuos ou discretos e, adicionalmente, a capacidade de resolver problemas FAHP, além de fácil implementação