sad-mcdm-java: Biblioteca de Motores de Decisão Multicritério (Java)

Biblioteca unificada em Java (compatível com Java 21+) contendo resolvedores matemáticos e simulação de Monte Carlo para Apoio à Decisão Multicritério (MCDM - Multi-Criteria Decision Making).

Esta biblioteca é o equivalente exato em ecossistema Java das versões Python (sad-mcdm-lib), R (sadMCDM) e JS/TS (sad-mcdm-js), retornando os mesmos resultados matemáticos precisos.

Características

• Zero Dependências Externas: O resolvedor Simplex (Método das Duas Fases) e branch-and-bound binário foram implementados inteiramente em Java puro. Isso torna a biblioteca totalmente portável e independente de dependências JNI nativas (como OR-Tools, Gurobi, CPLEX ou GLPK).
• Estrutura Baseada em Mapas Dinâmicos: A biblioteca utiliza LinkedHashMap<String, Object> para dados de entrada flexíveis (parâmetros de preferência) e para o retorno das saídas, assemelhando-se às estruturas do Python e R.
• Fácil Integração: Compilável diretamente com a ferramenta padrão javac do Java.

---

Estrutura do Pacote

Todos os arquivos estão sob o pacote sad.mcdm:

• sad.mcdm.Simplex: Contém o motor de Programação Linear Simplex de duas fases e Branch-and-Bound.
• sad.mcdm.Solvers: Implementação dos 9 solvers MCDM como métodos estáticos.
• sad.mcdm.MonteCarlo: Motor estocástico de simulação para análise de sensibilidade.
• sad.mcdm.TestSuite: Classe de validação com asserções numéricas.

---

Como Compilar e Executar os Testes

O projeto inclui um script do PowerShell (build.ps1) para automatizar a compilação e teste local.

Para rodar os testes:

1. Abra um console do PowerShell no diretório do projeto.
2. Execute o script:

   ./build.ps1

O console exibirá o status de compilação dos fontes para a pasta bin/ e rodará a classe sad.mcdm.TestSuite imprimindo o resultado das asserções.

---

Documentação das Funções e Resolvedores

Todos os resolvedores matemáticos são expostos como métodos estáticos da classe sad.mcdm.Solvers:

1. solveAHP

Processo Hierárquico Analítico (AHP) com Média Geométrica de Linhas e Razão de Consistência (CR).

Map<String, Object> resultado = Solvers.solveAHP(matrix, types, preferenceData, criteriaIds, alternativeIds);

2. solveBWM

Best-Worst Method (BWM) com otimização minimax via Simplex Linear nativo.

Map<String, Object> resultado = Solvers.solveBWM(matrix, types, preferenceData, criteriaIds, alternativeIds);

3. solveBWT

Best-Worst Tradeoff (BWT) com interpolação de bisseção de utilidades.

Map<String, Object> resultado = Solvers.solveBWT(matrix, types, preferenceData, criteriaIds, alternativeIds);

4. solveELECTRE

Família de métodos ELECTRE (suporta ELECTRE I, II e TRI para ordenação de categorias).

Map<String, Object> resultado = Solvers.solveELECTRE(matrix, types, preferenceData, criteriaIds, alternativeIds);

5. solveMACBETH

Método MACBETH com calibração de escala de atratividade qualitativa semântica baseada em PL.

Map<String, Object> resultado = Solvers.solveMACBETH(matrix, types, preferenceData, criteriaIds, alternativeIds);

6. solvePROMETHEE

Métodos PROMETHEE I (parcial), PROMETHEE II (completo) e PROMETHEE V (otimização de portfólio restrita por orçamento através de branch-and-bound binário).

Map<String, Object> resultado = Solvers.solvePROMETHEE(matrix, types, preferenceData, criteriaIds, alternativeIds);

7. solveSMARTS_SMARTER

Métodos SMARTS (pesos swing informados) e SMARTER (pesos centróides ROC de ordenação ordinal).

Map<String, Object> resultado = Solvers.solveSMARTS_SMARTER(matrix, types, preferenceData, criteriaIds, "smarter");

8. solveTOPSIS

Método TOPSIS baseado na proximidade geométrica das alternativas em relação às soluções ideais positiva e negativa.

Map<String, Object> resultado = Solvers.solveTOPSIS(matrix, types, preferenceData, criteriaIds, alternativeIds);

9. solveVIKOR

Método VIKOR integrando a utilidade de grupo máxima e o arrependimento individual.

Map<String, Object> resultado = Solvers.solveVIKOR(matrix, types, preferenceData, criteriaIds, alternativeIds);

10. runMonteCarlo

Simulação estocástica de sensibilidade em Java (sad.mcdm.MonteCarlo):

Map<String, Object> mc = MonteCarlo.runMonteCarlo(matrix, types, weights, variationsPct, numSimulations, "topsis", preferenceData, criteriaIds);

---

Exemplo Rápido de Uso (TOPSIS)

import sad.mcdm.Solvers;
import java.util.*;

public class Main {
    public static void main(String[] args) {
        // 3 alternativas, 2 critérios
        double[][] matrix = {
            {10.0, 100.0},
            {20.0, 50.0},
            {30.0, 0.0}
        };
        String[] types = {"benefit", "cost"};

        Map<String, Object> preferenceData = new LinkedHashMap<>();
        Map<String, Double> weights = new LinkedHashMap<>();
        weights.put("1", 50.0);
        weights.put("2", 50.0);
        preferenceData.put("weights", weights);

        int[] criteriaIds = {1, 2};
        int[] alternativeIds = {1, 2, 3};

        // Executa o TOPSIS
        Map<String, Object> res = Solvers.solveTOPSIS(matrix, types, preferenceData, criteriaIds, alternativeIds);

        double[] closeness = (double[]) res.get("global_scores");
        int[] ranks = (int[]) res.get("ranks");

        System.out.println("Pontuações de Proximidade: " + Arrays.toString(closeness));
        System.out.println("Rankings das Alternativas: " + Arrays.toString(ranks));
    }
}