The generalized interval-valued trapezoidal fuzzy best-worst method (GITrF-BWM) provides more reliable and more consistent criteria weights for multiple criteria group decision making (MCGDM) problems. In this study, GITrF-BWM is integrated with the extended TOPSIS (technique for order preference by similarity to the ideal solution) and extended VIKOR (visekriterijumska optimizacija i kompromisno resenje) methods for the selection of the optimal industrial robot using fuzzy information. For a criteria-based selection process, assigning weights play a vital role and significantly affect the decision. Assigning weights based on direct opinions of decision makers can be biased, so weight deriving models, such as GITrF-BWM, overcome this discrepancy. In previous studies, generalized interval-valued trapezoidal fuzzy weights were not derived by using any MCGDM method for the robot selection process. For this study, both subjective and objective criteria are considered. The preferences of decision makers are provided with the help of linguistic terms that are then converted into fuzzy information. The stability and reliability of the methods were tested by performing sensitivity analysis, which showed that the ranking results of both the methodologies are not symmetrical, and the integration of GITrF-BWM with the extended TOPSIS method provides stable and reliable results as compared to the integration of GITrF-BWM with the extended VIKOR method. Hence, the proposed methodology provides robust optimal industrial robot selection.

中文翻译：

---

混合模糊MCGDM方法在最优机器人选择过程中的比较分析。

广义区间值梯形模糊最差方法（GITrF-BWM）为多准则组决策（MCGDM）问题提供了更可靠，更一致的准则权重。在这项研究中，GITrF-BWM与扩展的TOPSIS（通过与理想解决方案的相似性来实现订单偏好的技术）和扩展的VIKOR（可视化优化）方法相结合，用于使用模糊信息来选择最佳工业机器人。对于基于标准的选择过程，分配权重起着至关重要的作用，并且会显着影响决策。根据决策者的直接意见分配权重可能会产生偏差，因此权重推导模型（例如GITrF-BWM）可以克服这种差异。在以前的研究中，没有使用任何MCGDM方法在机器人选择过程中得出广义的区间值梯形模糊权重。对于本研究，要考虑主观和客观标准。借助语言术语提供决策者的偏好，然后将其转换为模糊信息。通过进行敏感性分析测试了方法的稳定性和可靠性，结果表明两种方法的排名结果都不对称，并且与集成方法相比，GITrF-BWM与扩展TOPSIS方法的集成方法提供了稳定可靠的结果。扩展的VIKOR方法对GITrF-BWM进行分析。因此，所提出的方法提供了鲁棒的最佳工业机器人选择。同时考虑主观和客观标准。借助语言术语提供决策者的偏好，然后将其转换为模糊信息。通过进行敏感性分析测试了方法的稳定性和可靠性，结果表明两种方法的排名结果都不对称，并且与集成方法相比，GITrF-BWM与扩展TOPSIS方法的集成方法提供了稳定可靠的结果。扩展的VIKOR方法对GITrF-BWM进行分析。因此，所提出的方法提供了鲁棒的最佳工业机器人选择。同时考虑主观和客观标准。借助语言术语提供决策者的偏好，然后将其转换为模糊信息。通过进行敏感性分析测试了方法的稳定性和可靠性，结果表明两种方法的排名结果都不对称，并且与集成方法相比，GITrF-BWM与扩展TOPSIS方法的集成方法提供了稳定可靠的结果。扩展的VIKOR方法对GITrF-BWM进行分析。因此，所提出的方法提供了鲁棒的最佳工业机器人选择。通过进行敏感性分析测试了方法的稳定性和可靠性，结果表明两种方法的排名结果都不对称，并且与集成方法相比，GITrF-BWM与扩展TOPSIS方法的集成方法提供了稳定可靠的结果。扩展的VIKOR方法对GITrF-BWM进行分析。因此，所提出的方法提供了鲁棒的最佳工业机器人选择。通过进行敏感性分析测试了方法的稳定性和可靠性，结果表明两种方法的排名结果都不对称，并且与集成方法相比，GITrF-BWM与扩展TOPSIS方法的集成方法提供了稳定可靠的结果。扩展的VIKOR方法对GITrF-BWM进行分析。因此，所提出的方法提供了鲁棒的最佳工业机器人选择。