Um novo método para a aplicação de escolher por vantagens (CBA) decisão multicritério para um grande número de alternativas de projeto

O design de edifícios, infra-estrutura civil e outros sistemas complexos em nosso ambiente construído envolve a consideração de muitas, muitas vezes conflitantes, critérios de projeto. As equipas de projectos de arquitectura, engenharia e construção (AEC) utilizam frequentemente métodos de tomada de decisão multi-critérios (MCDM) para os ajudar a chegar a uma solução de projecto preferida. Um método MCDM emergente na prática hoje é escolher por Vantagens (CBA) que tem sido aplicado com sucesso a muitos projetos da AEC. Este método tem várias vantagens sobre os métodos MCDM tradicionais (como o montante ponderado): A CBA não permite esconder uma compensação de dinheiro pelo valor, a CBA ajuda a diferenciar entre alternativas baseadas no contexto de decisão, a CBA reduz o tempo para chegar a um consenso, e gerencia melhores trade-offs subjetivos, baseando as decisões na importância das vantagens acordadas. A ACB é geralmente aplicada entre duas a dez alternativas, e nunca foi utilizada para mais de cem alternativas. Por isso, este estudo contribui para o conhecimento, desenvolvendo e testando um novo método para aplicar a CBA a centenas ou milhares de alternativas. O novo método envolve agrupar alternativas em algumas alternativas de design representativas baseadas em similaridade de características usando o método K-means. As preferências entre estas alternativas de design representativas são então generalizadas usando regressão linear. Foi realizada uma experiência envolvendo estudantes para medir o nível de precisão em que as preferências podem ser generalizadas pelo método proposto. O experimento considerou 1.000 alternativas de projeto de construção diferentes. A ACB foi aplicada em alternativas representativas usando três, seis, oito e dez clusters. O estudo mediu erros, correlações e consistência das previsões para cada configuração de cluster. Quando oito clusters foram usados para criar alternativas representativas, as decisões sempre foram consistentes com as feitas com alternativas aleatórias, e correlação com a preferência prevista foi maior com erro menor em comparação com outras configurações de clusters testadas.