Eine neue Methode zur Anwendung der Auswahl nach Vorteilen (CBA) Multikriterienentscheidung auf eine große Anzahl von Entwurfsalternativen
Die Gestaltung von Gebäuden, ziviler Infrastruktur und anderen komplexen Systemen in unserer gebauten Umwelt beinhaltet die Berücksichtigung vieler, oft widersprüchlicher Entwurfskriterien. Architektur-, Ingenieur- und Bauprojektteams (AEC) verwenden häufig multikriterielle Entscheidungsfindungsmethoden (MCDM), um zu einer bevorzugten Entwurfslösung zu gelangen. Eine aufstrebende MCDM-Methode in der heutigen Praxis ist die Auswahl nach Vorteilen (CBA), die in vielen AEC-Projekten erfolgreich angewendet wurde. Diese Methode hat mehrere Vorteile gegenüber herkömmlichen MCDM-Methoden (z. B. die gewichtete Summe): CBA erlaubt es nicht, eine Kompensation von Geld für Wert zu verbergen, CBA hilft bei der Unterscheidung zwischen Alternativen basierend auf dem Entscheidungskontext, CBA reduziert die Zeit, um einen Konsens zu erreichen, und es verwaltet bessere subjektive Kompromisse, indem Entscheidungen auf der Wichtigkeit vereinbarter Vorteile basieren. CBA wird normalerweise zwischen zwei und zehn Alternativen angewendet und wurde nie für mehr als hundert Alternativen verwendet. Daher trägt diese Studie zum Wissen bei, indem sie eine neue Methode zur Anwendung von CBA auf Hunderte oder Tausende von Alternativen entwickelt und testet. Die neue Methode beinhaltet das Clustern von Alternativen in einige repräsentative Designalternativen basierend auf Merkmalsähnlichkeit unter Verwendung der K-Means-Methode. Präferenzen zwischen diesen repräsentativen Entwurfsalternativen werden dann unter Verwendung der linearen Regression verallgemeinert. Ein Experiment mit studentischen Probanden wurde durchgeführt, um den Grad der Genauigkeit zu messen, in dem Präferenzen durch die vorgeschlagene Methode verallgemeinert werden können. Das Experiment betrachtete 1.000 verschiedene Gebäudedesign-Alternativen. CBA wurde auf repräsentative Alternativen mit drei, sechs, acht und zehn Clustern angewendet. In der Studie wurden Fehler, Korrelationen und Konsistenz der Vorhersagen für jede Clusterkonfiguration gemessen. Wenn acht Cluster zur Erstellung repräsentativer Alternativen verwendet wurden, waren die Entscheidungen immer konsistent mit denen, die mit zufälligen Alternativen getroffen wurden, und die Korrelation mit der vorhergesagten Präferenz war höher mit geringerem Fehler als bei anderen getesteten Clusterkonfigurationen.
