Metodo avanzato di decisione gravitazionale ispirato alla legge di gravitazione universale di Newton

Perché la gravità può aiutare nelle scelte difficili

Ogni giorno, decisioni importanti dipendono dal bilanciamento di molti obiettivi in competizione: un ospedale che sceglie attrezzature, una città che pianifica energie rinnovabili o un ingegnere che progetta un calcestruzzo più sicuro. Gli strumenti classici di supporto alle decisioni aiutano a confrontare le opzioni, ma spesso trattano ogni alternativa in isolamento e faticano quando i dati sono incerti o le alternative sono molto simili. Questo articolo presenta un nuovo metodo chiamato GRAD (Advanced Gravitational Decision-Making), che prende in prestito concetti dalla legge di gravitazione di Newton per classificare le opzioni in modo più realistico quando sono in gioco sia alti rischi sia elevata incertezza.

Trasformare le scelte in un campo gravitazionale

GRAD immagina ogni possibile scelta come se fosse un piccolo corpo in un campo gravitazionale. In questa rappresentazione, la “massa” di un’opzione deriva da quanto essa performa sui diversi criteri—come costo, qualità, sicurezza o impatto ambientale—e da quanto questi criteri sono volatili nei dati. I criteri i cui valori fluttuano di più, catturati da una maggiore dispersione statistica, si comportano come masse più pesanti e attraggono con forza maggiore la decisione finale. Anche la distanza conta: le opzioni che sono lontane da un punto ideale, o lontane tra loro in termini di prestazioni, esercitano un’influenza più debole, mentre opzioni molto simili interagiscono più intensamente. Invece di misurare solo quanto ogni alternativa sia distante da un singolo ideale, GRAD permette alle opzioni di attrarsi o respingersi a vicenda in uno spazio decisionale condiviso.

Dai dati grezzi alla forza gravitazionale

Il metodo parte in modo familiare: il decisore definisce il problema, elenca le opzioni e seleziona i criteri. I numeri grezzi—come costi, velocità o valori di resistenza—vengono quindi convertiti in una scala comune 0–1 in modo che i criteri “più grande è meglio” e “più piccolo è meglio” possano essere confrontati equamente. Successivamente, GRAD calcola quanto ogni criterio varia tra le opzioni e usa questa variabilità direttamente nella sua formula ispirata alla gravità anziché solo come peso di sfondo. Per ogni opzione e per ogni criterio, GRAD combina quattro elementi: l’importanza del criterio, la sua variabilità, la prestazione normalizzata dell’opzione e la sua distanza da un punto ideale o atteso. Questi ingredienti generano una sorta di forza gravitazionale per ciascuna opzione, che viene poi sommata su tutti i criteri per ottenere un’attrazione complessiva.

Lasciare che le opzioni interagiscano fra loro

GRAD non si ferma a un singolo punteggio per opzione. Esamina anche come le opzioni si relazionano reciprocamente. Utilizzando le distanze fra ogni coppia di alternative, il metodo aggiusta il punteggio di ciascuna opzione in funzione di quanto essa venga “attratta” o “spinta” dai suoi concorrenti. Le opzioni che performano bene e si trovano vicino ad altri contendenti forti sperimentano interazioni intense, facendo emergere sottili differenze tra scelte molto vicine. Le opzioni deboli o distanti esercitano poca influenza. A questa valutazione con consapevolezza delle interazioni segue un’analisi di sensibilità: gli autori variano sistematicamente i parametri chiave che controllano quanto incidono i pesi, le differenze di prestazione e le distanze. Nell’ambito di intervalli ragionevoli, le classifiche rimangono stabili, suggerendo che il metodo è robusto e non eccessivamente sensibile a un fine-tuning.

Come si comporta GRAD nella pratica

Per mostrare il funzionamento del metodo, i ricercatori applicano innanzitutto GRAD a un piccolo esempio sintetico di fabbrica in cui quattro sistemi di produzione vengono giudicati su costo, qualità, velocità e impatto ambientale. Confrontano le classifiche ottenute con quelle prodotte da tre metodi noti—TOPSIS, VIKOR e CoCoSo—and poi eseguono 10.000 simulazioni Monte Carlo che perturbano leggermente i dati in ingresso. GRAD si dimostra migliore nel mantenere le opzioni promettenti in cima alla classifica quando i numeri sono rumorosi, un tratto caratteristico della robustezza. In un test più realistico, gli autori ricorrono a un noto dataset sul calcestruzzo usato in ingegneria civile e meccanica. Qui, ogni miscela di calcestruzzo candidata viene valutata sulle quantità di materiale, sul tempo di stagionatura e sulla resistenza a compressione raggiunta. GRAD identifica una miscela che equilibra alta resistenza con un uso ragionevole dei materiali e richieste di stagionatura, e produce una classifica sensibilmente diversa, consapevole delle interazioni, rispetto a un metodo classico basato solo sulle distanze chiamato SPOTIS.

Cosa significa questo per le decisioni nel mondo reale

In termini pratici, GRAD offre un modo per scegliere tra opzioni complesse riconoscendo che i criteri più rischiosi dovrebbero pesare di più e che le opzioni concorrenti non esistono in isolamento. Intrecciando in un unico modello coeso incertezza, somiglianza e distanza, il metodo può mettere in luce non solo quale alternativa sembra migliore sulla carta, ma quale rimane solida quando i dati sono incerti e i rivali sono vicini. Pur richiedendo dati affidabili e alcune scelte di parametri, GRAD fornisce ai decisori in campi che vanno dall’ingegneria alla finanza e alla sanità una lente più sfumata e ispirata alla fisica per affrontare scelte difficili e multifaccettate.

Citazione: 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

Parole chiave: decisione multicriterio, modello decisionale gravitazionale, incertezza nelle classifiche, scelte di progettazione ingegneristica, analisi decisionale robusta