İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklar🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Karar verme›Logaritmik Katkı Ağırlıkları Metodolojisi
MCDMRankingcrisp

Logaritmik Katkı Ağırlıkları Metodolojisi

Logarithm Methodology of Additive Weights

LMAW (Logaritmik Katkı Ağırlıkları Metodolojisi), Pamučar, D., Žižović, M., Biswas, S., Božanić, D. tarafından 2021 yılında tanıtılan bir sıralama çok kriterli karar verme (ÇKKV) yöntemidir. Birden çok kritere göre puanlanmış alternatiflerden oluşan bir karar matrisini yapılandırılmış, tekrarlanabilir bir sonuca dönüştürür.

ScholarGate
  1. MCDM
  2. v1
  3. 1 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Logaritmik Katkı Ağırlıkları Metodolojisi
Analitik Hiyerarşi SüreciAnalitik Ağ Süreci (geri…En İyi-En Kötü Yöntem (B…Bayesian BWMKriterler Korelasyonu ve…Kriter Etki Kayıpları (C…Criterion Impact MeAsure…Kriterler Arası Korelasy…

Ne zaman kullanılır

Q_i ∈ [0, n] olup n kriter sayısıdır. Daha yüksek Q, daha iyi bir alternatif anlamına gelir. Q_i, sigmoid ağırlıklı ξ_ij ∈ (0, 2) değerlerinin kriterler üzerindeki toplamıdır. Yönelim, F1'de Pamucar 2021 Eq.(2) aracılığıyla ele alınır: fayda standardizasyonu (x+max)/max, maliyet standardizasyonu (x+min)/x — her ikisi de en iyi alternatife en büyük ϑ değerini vererek ϑ_ij > 1 üretir. F1 → F2 (log-norm) → F3 (sigmoid ağırlıklandırma) → F4 (toplama) kanonik işlem hattıdır.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Adım adım denetlenebilen şeffaf, tekrarlanabilir bir hesaplama prosedürünü takip eder.
  • Tek bir karar matrisi içinde farklı ölçek ve birimlere sahip birden çok kriteri ele alır.
Sınırlılıklar
  • Tam telafiyi varsayar — bir kriterdeki güçlü bir puan, başka bir kriterdeki zayıf bir puanı dengeleyebilir.

Kaynaklar

  1. Pamučar, D., Žižović, M., Biswas, S., Božanić, D. (2021). A new logarithm methodology of additive weights (LMAW) for multi-criteria decision-making: Application in logistics. Facta Universitatis, Series: Mechanical Engineering DOI: 10.22190/FUME210214031P ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 2). Logarithm Methodology of Additive Weights. ScholarGate. https://scholargate.app/tr/decision-making/lmaw

İlişkili yöntemler

Analitik Hiyerarşi SüreciAnalitik Ağ Süreci (geribildirim ve karşılıklı bağımlılıklar içeren KAS)En İyi-En Kötü Yöntem (BWM)Bayesian BWMKriterler Korelasyonu ve Standart Sapma objektif ağırlıklandırmasıKriter Etki Kayıpları (CILOS) objektif ağırlıklandırma yöntemiCriterion Impact MeAsurement SystemKriterler Arası Korelasyon Yoluyla Kriter Önem Derecesi

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Analitik Hiyerarşi SüreciKarar verme↔ karşılaştır
  • Analitik Ağ Süreci (geribildirim ve karşılıklı bağımlılıklar içeren KAS)Karar verme↔ karşılaştır
  • En İyi-En Kötü Yöntem (BWM)Karar verme↔ karşılaştır
  • Bayesian BWMKarar verme↔ karşılaştır
  • Kriterler Korelasyonu ve Standart Sapma objektif ağırlıklandırmasıKarar verme↔ karşılaştır
  • Kriter Etki Kayıpları (CILOS) objektif ağırlıklandırma yöntemiKarar verme↔ karşılaştır
  • Criterion Impact MeAsurement SystemKarar verme↔ karşılaştır
  • Kriterler Arası Korelasyon Yoluyla Kriter Önem DerecesiKarar verme↔ karşılaştır
Yan yana karşılaştır →

Benzer yöntemler

Z-Sayıları Bulanık Logaritmik Toplayıcı Ağırlıklar MetodolojisiSeviye Bazlı Ağırlık DeğerlendirmesiLOgarithmic Percentage Change-driven Objective Weighting (LOPCOW)Logaritmik NormalizasyonBulanık SIWECEşit Kriter Ağırlıklarıyla Alternatifleri SıralamaBasit Ağırlık Hesaplaması

İlgili referans kavramlar

Decision MakingDecision Support SystemsWeighted ScoresLojistik DiskriminasyonRisk ve Belirsizlik Altında Karar Verme ÖlçütleriLojistik Regresyon

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — LMAW (Logarithm Methodology of Additive Weights). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/decision-making/lmaw · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Pamučar, D., Žižović, M., Biswas, S., Božanić, D.
Subfamily
Ranking
Year
2021
Type
Logarithm-based additive weighting
Value Space
crisp
Uncertainty
Hiçbiri
Compensation
full
Rank Reversal
Hayır
İlişkili yöntemler
Analitik Hiyerarşi SüreciAnalitik Ağ Süreci (geribildirim ve karşılıklı bağımlılıklar içeren KAS)En İyi-En Kötü Yöntem (BWM)Bayesian BWMKriterler Korelasyonu ve Standart Sapma objektif ağırlıklandırmasıKriter Etki Kayıpları (CILOS) objektif ağırlıklandırma yöntemiCriterion Impact MeAsurement SystemKriterler Arası Korelasyon Yoluyla Kriter Önem Derecesi
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil