Fortschrittliche gravitationsbasierte Entscheidungsfindung inspiriert von Newtons Gravitationsgesetz

Warum die Schwerkraft bei schwierigen Entscheidungen helfen kann

Jeden Tag hängen bedeutende Entscheidungen davon ab, viele konkurrierende Ziele auszubalancieren: ein Krankenhaus bei der Geräteauswahl, eine Stadt bei der Planung grüner Energie oder ein Ingenieur bei der Entwicklung sichereren Betons. Klassische Entscheidungsinstrumente helfen beim Vergleichen von Alternativen, behandeln jedoch Optionen oft isoliert und haben Schwierigkeiten, wenn Daten unsicher sind oder die Alternativen sehr ähnlich aussehen. Dieses Papier stellt eine neue Methode namens GRAD (Advanced Gravitational Decision-Making) vor, die Ideen aus Newtons Gravitationsgesetz aufgreift, um Optionen realistischer zu bewerten, wenn sowohl die Einsätze als auch die Unsicherheit hoch sind.

Wahlmöglichkeiten als Gravitationsfeld denken

GRAD stellt sich jede mögliche Wahl als einen kleinen Körper in einem Gravitationsfeld vor. In diesem Bild ergibt sich die „Masse“ einer Option daraus, wie gut sie sich in verschiedenen Kriterien bewährt — etwa Kosten, Qualität, Sicherheit oder Umweltauswirkungen — und daraus, wie volatil diese Kriterien in den Daten sind. Kriterien, deren Werte stärker schwanken und daher eine größere statistische Streuung aufweisen, verhalten sich wie schwerere Massen und ziehen im Entscheidungsprozess kräftiger. Auch die Entfernung spielt eine Rolle: Optionen, die weit von einem idealen Zielpunkt liegen oder sich leistungsmäßig stark voneinander unterscheiden, üben eine schwächere Einflusskraft aus, während eng beieinanderliegende Optionen stärker miteinander interagieren. Anstatt nur zu messen, wie weit jede Alternative von einem einzelnen Ideal entfernt ist, lässt GRAD Optionen in einem gemeinsamen Entscheidungsraum einander anziehen oder abstoßen.

Von Rohdaten zur gravitativen Anziehung

Die Methode beginnt auf vertraute Weise: Der Entscheidungsträger definiert das Problem, listet die Optionen auf und wählt die Kriterien. Rohwerte — wie Kosten, Geschwindigkeiten oder Festigkeitsangaben — werden dann auf eine gemeinsame 0–1-Skala transformiert, sodass „größer ist besser“ und „kleiner ist besser“-Kriterien fair verglichen werden können. Anschließend berechnet GRAD, wie stark jedes Kriterium über die Optionen hinweg variiert, und verwendet diese Variabilität direkt in seiner gravitationsinspirierten Formel statt sie nur als Hintergrundgewicht zu behandeln. Für jede Option und jedes Kriterium kombiniert GRAD vier Elemente: die Bedeutung des Kriteriums, seine Variabilität, die normalisierte Leistung der Option und deren Abstand zu einem idealen oder erwarteten Zielpunkt. Diese Zutaten erzeugen eine Art Gravitationskraft für jede Option, die über alle Kriterien aufsummiert wird, um eine Gesamtanziehung zu ergeben.

Optionen untereinander interagieren lassen

GRAD belässt es nicht bei einem einzelnen Wert pro Option. Die Methode betrachtet auch, wie Optionen zueinander in Beziehung stehen. Mithilfe der Abstände zwischen jedem Paar von Alternativen passt sie die Bewertung jeder Option an, je nachdem, wie stark sie von ihren Konkurrenten „gezogen“ oder „gestoßen“ wird. Optionen, die gut abschneiden und nahe bei anderen starken Kandidaten liegen, erfahren intensive Wechselwirkung, wodurch feine Unterschiede zwischen eng beieinanderliegenden Alternativen sichtbar werden. Schwache oder weit entfernte Optionen üben nur geringen Einfluss aus. Auf diese interaktionsbewusste Bewertung folgt eine Sensitivitätsanalyse: Die Autoren variieren systematisch zentrale Parameter, die steuern, wie stark Gewichte, Leistungsunterschiede und Abstände wirken. Innerhalb vernünftiger Bereiche bleiben die Rangfolgen stabil, was darauf hindeutet, dass die Methode robust ist und nicht übermäßig empfindlich auf Feinabstimmung reagiert.

Wie sich GRAD in der Praxis schlägt

Um die Funktionsweise zu demonstrieren, wenden die Forschenden GRAD zunächst auf ein kleines, synthetisches Fabrikbeispiel an, in dem vier Produktionssysteme hinsichtlich Kosten, Qualität, Geschwindigkeit und Umweltauswirkungen beurteilt werden. Sie vergleichen die resultierenden Rangfolgen mit denen dreier bekannter Methoden — TOPSIS, VIKOR und CoCoSo — und führen dann 10.000 Monte‑Carlo‑Simulationen durch, die die Eingangsdaten leicht stören. GRAD erweist sich als besser darin, vielversprechende Optionen bei rauschenden Zahlen oben in der Rangliste zu halten — ein Kennzeichen von Robustheit. In einem realistischeren Test nutzen die Autoren einen bekannten Betondatensatz aus dem Bau‑ und Maschinenbau. Dort wird jede Kandidatenmischung hinsichtlich Materialmengen, Aushärtezeit und erzielter Druckfestigkeit bewertet. GRAD identifiziert eine Mischung, die hohe Festigkeit mit vernünftigem Materialeinsatz und Aushärteaufwand ausbalanciert, und liefert eine spürbar andere, interaktionsbewusste Rangfolge als eine klassische, ausschließlich distanzbasierte Methode namens SPOTIS.

Was das für Entscheidungen in der Praxis bedeutet

Alltagspraktisch bietet GRAD eine Möglichkeit, zwischen komplexen Optionen zu wählen, indem anerkannt wird, dass risikobehaftete Kriterien stärker gewichtet werden sollten und dass konkurrierende Optionen nicht isoliert existieren. Indem Unsicherheit, Ähnlichkeit und Abstand in einem kohärenten Modell verknüpft werden, kann die Methode nicht nur aufzeigen, welche Alternative auf dem Papier am besten aussieht, sondern auch, welche unter unsicheren Daten und nahen Rivalen standhaft bleibt. Zwar erfordert sie gute Daten und einige Parameterauswahlen, doch bietet GRAD Entscheidungsträgern in Bereichen von Ingenieurwesen über Finanzen bis hin zum Gesundheitswesen eine nuanciertere, physik‑inspiriere Perspektive auf schwierige, vielschichtige Entscheidungen.

Zitation: Yerlikaya, M.A., Beytüt, H., Yildiz, K. et al. Advanced gravitational decision-making method inspired by newton’s law of universal gravitation. Sci Rep 16, 13144 (2026). https://doi.org/10.1038/s41598-026-44573-7

Schlüsselwörter: mehrkriterielle Entscheidungsfindung, gravitationsbasiertes Entscheidungsmodell, Unsicherheit in Rangfolgen, konstruktionsentscheidungen im Ingenieurwesen, robuste Entscheidungsanalyse