우리는 MCDM 기술을 분류하는 다양한 접근 방식이 있다는 것을 알고 있습니다. TOPSIS 및 VIKOR과 같은 다중 속성 효용 이론(MAUT) 기술과 ELECTRE 및 PROMETHEE와 같은 아웃랭킹 기술을 사용하여 MCDM 기술을 전체적으로 분류할 수 있습니다[ 108 ]. 각 기준에 대한 대안 간의 쌍 비교는 outranking 접근 방식의 기초를 형성하며, 쌍 비교를 종합하여 outranking 관계가 형성됩니다[ 108 ]. 다음 단계는 MAUT 방법에서 자주 사용됩니다. 결정 매트릭스 생성, 정규화, 각 선택 기준과 관련하여 각 옵션의 성능 값을 합산, 옵션 평가[ 79 , 99 , 108 ]는 처음 세 단계입니다. 결과적으로, 다양한 MCDM 방법이 서로 다른 결과를 생성할 수 있는 주요 이유는 사용된 정규화 방법 및 집계 함수의 다양성에 있습니다[ 43 , 57 , 88 , 103 , 106 ].여러 단위가 선택 기준과 관련하여 대안이 어떻게 수행되는지 분석한다는 것을 누구나 알고 있습니다. 여러 측정 척도를 비교 가능하게 만들기 위해 제공된 결정 매트릭스의 구성 요소에 정규화 절차가 사용됩니다. 다양한 정규화 접근 방식이 있으며 각 접근 방식에는 고유한 장점, 단점 및 초점이 있습니다[ 69 ]. 또한 다양한 정규화 방법을 사용하면 다양한 결과를 얻을 수 있습니다[ 99 ]. Milani et al. MCDM 방법에서 다양한 정규화 절차의 효과를 조사한 [ 69 ]에서는 MCDM 방법 내부의 정규화가 신뢰할 수 있는 선택으로 이어지지 않을 수 있습니다. 그러나 MCDM 방법에 대한 좋은 정규화 전략을 선택하는 것은 거의 주목을 받지 못했습니다[ 50 ].장소 및 위치 식별과 관련하여 TOPSIS 신비한 방법은 이 분야에서 사용된 가장 눈에 띄는 방법 중 하나로 간주됩니다. [ 37 , 38 ], Kasim, nd; [ 85 , 92 ] 모두 기존 대안 중에서 가장 적절한 위치를 결정하는 데 이 방법을 적용했습니다.구글상위노출카지노솔루션카지노솔루션 제작카지노솔루션 제작피망머니상롤 토토롤 토토비제이벳구글백링크먹튀사이트신고11