Geavanceerde gravitationele besluitvormingsmethode geïnspireerd op Newtons wet van de universele zwaartekracht

Waarom zwaartekracht kan helpen bij lastige keuzes

Dagelijks hangen belangrijke beslissingen af van het afwegen van vele concurrerende doelen: een ziekenhuis dat apparatuur kiest, een stad die groene energie plant, of een ingenieur die veiliger beton ontwerpt. Klassieke besluitvormingsinstrumenten helpen opties te vergelijken, maar behandelen vaak elke optie geïsoleerd en hebben moeite wanneer gegevens onzeker zijn of alternatieven erg op elkaar lijken. Dit artikel introduceert een nieuwe methode genaamd GRAD (Geavanceerde Gravitationele Besluitvorming), die ideeën uit Newtons zwaartekrachtwet leent om opties realistischer te rangschikken wanneer zowel de inzet als de onzekerheid hoog zijn.

Keuzes omzetten in een zwaartekrachtsveld

GRAD stelt zich elke mogelijke keuze voor als een klein lichaam in een zwaartekrachtsveld. In dit beeld komt de “massa” van een optie voort uit hoe goed deze presteert op verschillende criteria—zoals kosten, kwaliteit, veiligheid of milieubelasting—en uit hoe volatiel die criteria in de data zijn. Criteria waarvan de waarden sterker schommelen, vastgelegd door een hogere statistische spreiding, gedragen zich als zwaardere massa’s en trekken sterker aan de uiteindelijke beslissing. Afstand doet er ook toe: opties die ver van een ideaal doelpunt liggen, of ver van elkaar qua prestaties, oefenen een zwakkere invloed uit, terwijl nauw overeenkomende opties sterker op elkaar inwerken. In plaats van alleen te meten hoe ver elk alternatief van een enkel ideaal verwijderd is, laat GRAD opties elkaar aantrekken of afstoten in een gedeelde beslissingsruimte.

Van ruwe data naar gravitationele aantrekkingskracht

De methode begint op een bekende manier: de beslisser definieert het probleem, somt de opties op en selecteert de criteria. Ruwe getallen—zoals kosten, snelheden of sterktewaarden—worden vervolgens omgezet naar een gemeenschappelijke 0–1 schaal zodat criteria waarbij “groter beter is” en “kleiner beter is” eerlijk vergeleken kunnen worden. Vervolgens berekent GRAD hoeveel elk criterium varieert over de opties en gebruikt deze variabiliteit direct in zijn zwaartekracht-geïnspireerde formule in plaats van alleen als achtergrondgewicht. Voor elke optie en elk criterium combineert GRAD vier elementen: het belang van het criterium, de variabiliteit ervan, de genormaliseerde prestatie van de optie en de afstand tot een ideaal of verwacht doelpunt. Deze ingrediënten genereren een soort gravitationele kracht voor elke optie, die vervolgens over alle criteria wordt opgeteld om een totale aantrekkingskracht te geven.

Opties elkaar laten beïnvloeden

GRAD houdt het niet bij één score per optie. Het kijkt ook naar hoe opties zich tot elkaar verhouden. Met behulp van afstanden tussen elk paar alternatieven past de methode elke optie's score aan op basis van hoe sterk ze door concurrenten worden “getrokken” of “geduwd”. Opties die goed presteren en dicht bij andere sterke kanshebbers zitten, ondervinden intense interactie, waardoor subtiele verschillen tussen nauw verwante keuzes aan het licht komen. Zwakke of verre opties oefenen weinig invloed uit. Op deze interactiebewuste scoring volgt een gevoeligheidsanalyse: de auteurs variëren systematisch sleutelparameters die bepalen hoe sterk gewichten, prestatieverschillen en afstanden meetellen. Binnen redelijke bereiken blijven de rangschikkingen stabiel, wat suggereert dat de methode robuust is en niet overmatig gevoelig voor fijn-afstelling.

Hoe GRAD in de praktijk presteert

Om te laten zien hoe de methode werkt, passen de onderzoekers GRAD eerst toe op een klein, synthetisch fabrieksvoorbeeld waarbij vier productiesystemen worden beoordeeld op kosten, kwaliteit, snelheid en milieubelasting. Ze vergelijken de resulterende rangschikkingen met die van drie bekende methoden—TOPSIS, VIKOR en CoCoSo—and voeren vervolgens 10.000 Monte Carlo-simulaties uit die de invoergegevens licht verstoren. GRAD blijkt beter in staat veelbelovende opties dicht bij de top van de ranglijst te houden wanneer de cijfers ruis bevatten, een kenmerk van robuustheid. In een realistischere test wenden de auteurs zich tot een bekende betontoetsgegevensset uit civiele en werktuigbouwkundige toepassingen. Hier wordt elk kandidaat-betonmengsel geëvalueerd op materiaalaantallen, uithardingstijd en behaalde druksterkte. GRAD identificeert een mengsel dat hoge sterkte in balans brengt met redelijk materiaalgebruik en uithardingseisen, en levert een duidelijk andere, interactiebewuste rangorde dan een klassieke afstandsgebaseerde methode genaamd SPOTIS.

Wat dit betekent voor beslissingen in de echte wereld

In praktische termen biedt GRAD een manier om te kiezen tussen complexe opties, met erkenning dat risicovolle criteria zwaarder zouden moeten wegen en dat concurrerende opties niet geïsoleerd bestaan. Door onzekerheid, gelijkenis en afstand in één samenhangend model te verweven, kan de methode niet alleen laten zien welk alternatief op papier het beste lijkt, maar ook welke sterk blijft wanneer de data onzeker zijn en rivalen dicht bij elkaar liggen. Hoewel het goede data en enkele parameterkeuzes vereist, geeft GRAD besluitvormers in domeinen van engineering tot financiën en gezondheidszorg een genuanceerdere, door de natuurkunde geïnspireerde blik op moeilijke, veelzijdige keuzes.

Bronvermelding: 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

Trefwoorden: multicriteria besluitvorming, gravitationeel beslissingsmodel, onzekerheid in rangschikkingen, keuzes in technisch ontwerp, robuuste besluitanalyse