|
|||||||||||||||||||||||||||||||||||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
МНОГОКРИТЕРИАЛЬНАЯ ОПТИМИЗАЦИЯ4.1. Задача многокритериальной оптимизации. Многокритериальная предпочтительность решений В задачах математического программирования, рассмотренных ранее, необходимо среди допустимых решений выбрать оптимальное по одному заранее выбранному критерию. Между тем, в реальных экономических задачах приходится искать наилучшее решение, руководствуясь несколькими различными целями. Причем довольно часто эти цели в той или иной степени противоречат друг другу. Примерами противоречивых целей в задачах реальной экономики являются минимальные затраты и минимальное время выполнения работ, максимальная доходность финансовой операции и ее минимальный риск или, например, максимальная прибыль, максимальная эффективность вложенных средств и максимальный объем производства. Математически такая задача содержит область допустимых решений, которая может иметь любую природу, и несколько целевых функций, значение которых должно максимизироваться или минимизироваться в данной области. Максимизация и минимизация целевых функций легко сводятся друг к другу умножением на -1, поэтому, не нарушая общности, можно считать, что данная задача имеет вид: fi(х) → mах (i = 1, 2,…, n), x D, х -?, где D — область допустимых решений. Отметим, что в этой задаче х может быть векторным параметром. Если количество целевых функций fi в задаче (4.1.1) больше одной, то данная задача является задачей многокритериальной оптимизации. В экономических задачах допустимая область обычно задается системой уравнений и неравенств, к которой могут быть добавлены некоторые дополнительные ограничения, например ограничения на целочисленность переменных. Пример 4.1. Парикмахерская может производить два вида продукции: мужские и женские прически, причем мастера, работающие в парикмахерской, являются универсалами. Женская прическа отнимает два часа работы мастера и приносит 10 у.е. прибыли. Мужская прическа отнимает один час работы мастера и приносит 4 у.е. прибыли. Общий ресурс работы мастеров составляет 40 ч. Социальный заказ, установленный для парикмахерской при ее открытии, состоит в максимальном количестве обслуженных клиентов. Если через х1 и х2 обозначить количество мужских и женских причесок, сделанных в парикмахерской за рассматриваемый промежуток времени, то математическая модель рассматриваемой задачи будет иметь вид: z1 =4x1 + 10х2 → max, z2 = х1 + х2 → max, х1 + 2x2 ≤ 40 х1, х2 Z, х1, х2 ≥ 0, х1, х2 -? В данной задаче оптимальность производственного плана парикмахерской определяется по двум критериям: критерию максимальной прибыли и критерию максимального количества обслуженных клиентов. Этим критериям соответствуют целевые функции z, и z2. В задаче многокритериальной оптимизации (4.1.1), рассматриваемой в прямой постановке, как правило, нет решений, поскольку цели, выражаемые различными критериями, часто являются противоположными. Поэтому оптимальные значения целевых функций достигаются при разных допустимых решениях. Например, в примере 4.1 целевая функция z1 достигает своего максимума при х1 = 0, х2 = 20, а функция z2 — при х1 = 40, х2 = 0. Несмотря на отсутствие оптимального решения в задаче (4.1.1), на практике приходится делать выбор в пользу какого-либо одного допустимого варианта. Поэтому в многокритериальных задачах необходимо сравнивать различные допустимые решения, хотя далеко не все из них будут сравнимы. Смысл сравнения различных допустимых решений в многокритериальной задаче состоит в следующем. Для каждого допустимого решения задачи определяется оценка, которая зависит от значений целевых функций f1, f2,… fп. В совокупности все эти функции составляют векторный критерий f = (f1, f2,… fп). Оценкой допустимого решения x D задачи (4.1.1) называется вектор f(x) = (f1(x), f2(х), … fn(x)) Rn. Теперь, какова бы ни была природа множества D, можно сравнивать не его элементы, а их векторные оценки. То есть предпочтительность на множестве D можно заменить предпочтительностью оценок на множестве Rn. Если отношение предпочтительности на множестве D обозначить символом , то для любых х, у D х у означает, что f(х) < f(у) на множестве Rn. Сложность состоит в том, что и на множестве Rn элементы сравнимы далеко не всегда. Часто встречается ситуация, когда среди двух допустимых решений одно лучше по одному критерию, а второе - по другому. Например, в задаче (4.1.2) векторная оценка решения (0; 20) имеет вид (200; 20), а векторная оценка решения (40; 0) — (160; 40). По этим оценкам видно, что рассматриваемые решения несравнимы. Для выбора лучшего решения на множестве несравнимых решений необходимы специальные процедуры, которые вкладывают в понятие лучшего решения некоторый конкретный смысл. Такие процедуры будут рассмотрены в § 4.4. Сейчас же будет рассмотрено, какой смысл можно вложить в понятие предпочтительности на множестве оценок допустимых решений.
4.2. Эффективные решения многокритериальных задач. Различные виды эффективности Основная сложность анализа многокритериальных задач состоит в том, что в них проявляется эффект несравнимости решений. В дальнейшем допустимые решения многокритериальных задач будем также называть исходами. На практике задача сравнения различных исходов обычно ставится следующим образом: среди всех допустимых решений выбрать одно наилучшее. При этом при наличии нескольких критериев разные люди вкладывают в понятие «наилучшее решение» различный смысл. Если одно из двух рассматриваемых возможных решений лучше по одному из используемых критериев, а второе — по другому критерию, то в различных ситуациях лучшими могут быть признаны разные решения. Такие решения называются несравнимыми. Выбор лучшего из них зависит не только от конкретных условий задачи, но и от предпочтений лица, принимающего решения (ЛПР). Однако иногда можно сравнивать по качеству некоторые исходы, удовлетворяющие наложенным ограничениям независимо от предпочтений ЛПР. Например, если одно из двух возможных решений лучше другого по всем рассматриваемым критериям, то ему, конечно, следует отдать предпочтение. Математически отношения между объектами, когда некоторые из них можно сравнивать, а некоторые несравнимы, называются отношениями частичного порядка или отношениями строго частичного порядка. При этом отношение имеет некоторые естественные свойства. В задаче многокритериальной оптимизации (4.1.1) на множестве D допустимых решений можно ввести отношение строго частичного порядка. Итак, пусть х, у — два допустимых решения задачи (4.1.1), т.е. х D y D. Будем говорить, что х строго предпочтительнее у, если решение х лучше решения у по всем критериям. Такое отношение строгого предпочтения на множестве D будем записывать следующим образом: х у строго. Если считать, что все целевые функции задачи (4.1.1) максимизируются, то: х у строго, если для всякого i = 1, 2,…п fi(x) > fi(y). Отношение строгого предпочтения можно ослабить: будем говорить, что допустимое решение х доминирует допустимое решение у, если х не хуже у по всем критериям и строго лучше хотя бы по одному из них. Такое отношение будем обозначать следующим образом: х у. В случае максимизируемых целевых функций х у означает, что выполнены два условия: 1) для всякого i = 1,2,..., п справедливо неравенство fi(x) ≥ fi(y) 2) существует j, такое, что fj (х) > fj (у). Отношение доминирования, введенное на множестве допустимых решений D, называется также доминированием по Парето. Оно отражает совершенно естественный взгляд на сравнение различных исходов по нескольким критериям, как, впрочем, и отношение строгого предпочтения, введенное до этого. Таким образом, на множестве D допустимых решений задачи (4.1.1) введены два различных отношения: 1) строгого предпочтения и 2) доминирования по Парето. С практической точки зрения каждое из них имеет свои преимущества и недостатки. Отношение строгого предпочтения является бесспорным, однако слишком много объектов оказываются несравнимыми. Поэтому отношение доминирования по Парето получило большее распространение в экономических исследованиях. Поясним суть двух рассматриваемых отношений на примере задачи (4.1.2). Рассмотрим два допустимых решения этой задачи: х = (5; 10) и у = (10; 5). Значения целевых функций для этих решений соответственно равны: z1(x) = l20, z2(x) = 15; z1(y) = 90, z2(x) = 15. Решения x и у равнозначны по второму критерию, но х предпочтительнее по первому критерию. Поэтому нельзя сказать, какое решение является строго предпочтительным. Если использовать отношение строгой предпочтительности, то исходы х и у несравнимы. Однако исход х доминирует исход у по Парето. Как уже говорилось, на практике обычно требуется выбрать лучшее решение, причем существенная (если не самая главная) часть задачи — определить смысл, вкладываемый в данное понятие. Однако часто задачу можно значительно упростить, если уменьшить количество рассматриваемых исходов. Действительно, если имеются два допустимых решения х и у, причем х предпочтительнее у, то решение у не может быть лучшим среди всех допустимых решений, потому что х лучше него. Поэтому при выборе наилучшего решения множество допустимых решений можно уменьшить, отбросив те из них, для которых найдется более предпочтительный по какому-либо введенному отношению строгого порядка исход. В результате в рассмотрении останется такая совокупность исходов, в которой любые два исхода несравнимы. Подобное представление об уменьшении рассматриваемого множества решений лежит в основе понятия эффективного решения. И поскольку на множестве допустимых решений введено два различных отношения строгого частичного порядка, то можно ввести два различных понятия эффективного решения. Рассмотрим задачу (4.1.1). Допустимое решение х D называется эффективным, если не существует у, такого, что у х, т.е. для любого у D не выполняется хотя бы одно из двух условий: 1) для всякого i = 1, 2,… п fi(y) ≥ fi(x); 2) существует j, такое, что fj(у) > fj(х). Эффективное решение задачи (4.1.1) называется также решением, оптимальным по Парето, или Парето-оптимальным решением. Допустимое решение х D называется слабо эффективным (или оптимальным по Слейтеру), если не существует y D, такого, что у х строго, т.е. для всякого у D существует число i, такое, что fi(y) ≤ fi(x) В заключение рассмотрим понятие оптимальности по Парето и по Слейтеру на примере следующей задачи многокритериальной оптимизации: z1 = 4х1 + 10х2 → max, z2 = х1 + х2 → max, z3 = х2 → max, х1 + 2х2 ≤ 40, х2 < 15, х1, х2 ≥ 0, х1, х2 -?
Множество допустимых решений этой задачи изображено на рис. 4.1. Множество допустимых решений представляет собой многоугольник ОАВС. Для всех точек этого многоугольника, кроме точек ломаной ABC, можно найти решения, которые являются более предпочтительными как в отношении строгого предпочтения, так и в отношении доминирования по Парето. Для этого необходимо рассмотреть точки, лежащие выше, тогда увеличатся значения всех трех целевых функций. Так как для всех точек многоугольника ОАВС, кроме точек ломаной ABC, существуют допустимые точки, лежащие выше их, то эти точки не являются оптимальными ни по Парето, ни по Слейтеру. Все точки отрезка АВ безразличны по отношению к критерию z3, поэтому они несравнимы в отношении сильного предпочтения. При этом при движении вдоль отрезка АВ от точки А к точке В растут значения критериев z1 и z2. Но при движении по отрезку ВС от точки В к точке С значение функции z2 растет, а значение функции z1 уменьшается. Поэтому точки отрезка ВС несравнимы в отношении доминирования по Парето, а все точки интервала АВ доминируются по Парето точкой В. Таким образом, в задаче (4.2.1) оптимальными по Парето являются точки отрезка ВС, а оптимальными по Слейтеру — точки ломаной ABC. Понятие эффективного решения является фундаментальным в решении задач многокритериальной оптимизации, поскольку позволяет значительно уменьшить число рассматриваемых решений. 4.3. Построение Парето-эффективной границы Парето-оптимальность некоторого исхода означает, что он не может быть улучшен ни по одному из критериев без ухудшения по какому-либо другому критерию. Пусть совокупность функций F = {f1..., fm} осуществляет отображение множества допустимых решений D на множестве Y Rm. Подмножество Y называется эффективной границей (множеством точек, оптимальных по Парето), если для любого вектора у не существует вектора X, который доминирует вектор F-1(у). Для наглядного представления доминирования по Парето и Парето-оптимальности рассмотрим случай двух позитивных критериев f1 и f2. Критерий fj называется позитивным, если лицо, принимающее решение, стремится к его увеличению, и негативным, если ЛПР стремится к его уменьшению. Векторные оценки исходов представим точками координатной плоскости Of1f2 (рис. 4.2). На рис. 4.2 изображено множество допустимых исходов для дискретного случая. Здесь Парето-оптимальными являются исходы (4, 5, 7, 8). При этом каждый исход, не являющийся Парето-оптимальным, доминируется по Парето некоторым Парето-оптимальным исходом, не обязательно одним (например, 6 5, 6 7, 10 7, 10 5 (по Парето) и т.д.). В случае когда множество допустимых исходов является непрерывным, их векторные оценки «заполняют» некоторую область Q на плоскости (рис. 4.3). В этом случае множество Парето-оптимальных исходов (полужирная линия γ на рис. 4.3) представляет собой часть границы Q, точнее, ее «северо-восточную» часть, так как целью ЛПР при позитивных критериях f1, f2 является увеличение их значений, что соответствует движению внутри области Q вправо и вверх. Замечания. 1. Область, изображенная на рис. 4.3, является выпуклой, т.е. вместе с любыми двумя своими точками она содержит весь соединяющий их отрезок. В случае невыпуклой области ее Парето-оптимальная граница может иметь более «экзотический» вид (например, состоять из отдельных линий и (или) точек). Пример такой Парето-оптимальной границы представлен на рис. 4.4. 2. Предположим, что в задаче принятия решения имеются критерии разного характера. Пусть, например, f1 — негативный, а f2 — позитивный критерий. Тогда целью ЛПР будет уменьшение критерия f1 и увеличение критерия f2, что соответствует движению на координатной плоскости «влево и вверх». В этом случае Парето-оптимальная граница области Q представляет собой ее «северо-западную» часть (рис. 4.5). Для позитивных критериев f1, f2 некоторую ломаную ABC (рис. 4.6) можно принять за множество, оптимальное по Парето, если для любой точки К этой ломаной построенный в ней «уголок» пересекается с множеством точек ломаной только в точке К. 4.4. Процедуры решения многокритериальных задач Рассмотренные примеры показывают, что в типичных случаях Па-рето-оптимальных (эффективных) исходов может быть несколько, а в непрерывном случае — бесконечное множество. Невозможно дать однозначный ответ на вопрос, какой из эффективных исходов следует считать оптимальным для общего случая. Нужно иметь в виду, что любые два эффективных исхода несравнимы относительно доминирования по Парето. В самом деле, если для двух исходов (a, ) D выполняется условие > а (по Парето), то исход а не может быть Парето-оптимальным. Если нет информации об относительной важности критериев f1 и f2, то рациональный выбор между а1 и а2 сделать невозможно. (Отметим, что нельзя сделать рациональный выбор и в такой ситуации, когда, например, имеется 10 критериев, причем а1 лучше а2 по одному критерию, но хуже по девяти остальным. Понятно, что в некоторых реальных случаях превосходство по одному критерию может «перевесить» превосходство по всем остальным.) Методика исследования задач принятия решений для многокритериального случая может быть связана с различными подходами. Первый вариант. Для заданной многокритериальной задачи нахождения решения (ЗНР) находится множество ее эффективных решений, а выбор конкретного решения из множества Парето-оптимальных решений предоставляется ЛПР. Второй вариант. Производится сужение множества Парето-оптимальных исходов (в идеале — до одного элемента) с помощью некоторых формализованных процедур, что облегчает окончательный выбор исхода для ЛПР. Это сужение может быть произведено при наличии дополнительной информации о критериях или свойствах эффективного решения. Рассмотрим данный подход подробней. Будем считать, что многокритериальная ЗНР задана в виде (D; f1,…,fm), где f1 - позитивные критерии, j = 1, т. При указании нижних границ критериев дополнительная информация имеет вид: fj (a*) ≥ γj, где γj - нижняя граница по j-му критерию; а* — оптимальный исход, а* D. Очевидно, что при увеличении значений уj, j = 1,m, Парето-оптимальное множество «сокращается». Пример, представленный на рис. 4.7, демонстрирует это обстоятельство для случая двухкритериальной задачи с критериями f1 и f2. На рис 4.7 точками отмечены концы М, N Парето-оптимальной границы области Q. Участок АВ, например, соответствует двум требованиям: f1 (а*) > у"1, f 2 (а*) > у"2. Основной недостаток данного метода заключается в том, что эффективное решение здесь субъективно, так как зависит от величины нижних границ критериев, а также предпочтений ЛПР.
Субоптимизация При субоптимизации выделяют один из критериев, а по всем остальным назначают нижние границы. Оптимальным при этом считается исход, максимизирующий выделенный критерий на множестве исходов, оценки которых: по остальным критериям не ниже назначенных. Пусть, например, f1 — выделенный критерий, а γj — нижняя граница для j-гo критерия, где j = 2, т. Тогда оптимальным считается тот исход а* D, на котором достигается максимум функции f1, рассматриваемой на множестве D1 = { а D: f1(a) > γj (j = 2,т)}. Возьмем, например, для ЗНР, представленной на рис. 4.6, в качестве выделенного критерия f1, а в качестве нижней границы по критерию f2 — величину γ'2. Тогда оптимальное решение соответствует точке пересечения горизонтальной прямой, проведенной через γ'2, с Парето-оптимальной границей. Очевидно, что при увеличении нижней границы критерия f2 максимум функции f1 уменьшается (не увеличивается). С помощью метода субоптимизации задача многокритериальной оптимизации превращается в задачу «обычной» оптимизации на суженном допустимом множестве. Окончательное решение здесь также имеет субъективный характер.
Лексикографическая оптимизация Лексикографическая оптимизация основана на упорядочении критериев по их относительной важности. Далее процедура развивается по шагам. На первом шаге отбираются исходы, которые имеют максимальную оценку по важнейшему критерию. Если такой исход единственный, то его и считают оптимальным. Если же таких исходов несколько, то среди них отбирают те, которые имеют максимальную оценку по критерию, следующему за важнейшим, и т.д. К недостаткам данного метода следует отнести следующее: 1) трудности в установлении упорядоченности критериев по их относительной важности; 2) фактически принимается во внимание только первый важнейший критерий (например, следующий за ним по важности критерий учитывается только тогда, когда первый достигает максимума на нескольких исходах); 3) в результате лексикографической процедуры не всегда определяется единственный исход.
Метод обобщенного критерия Весьма важен метод обобщенного критерия — процедура, которая «синтезирует» набор оценок по заданным критериям, называемых частными или локальными, в единую численную оценку, выражающую итоговую полезность для ЛПР данного набора оценок. Таким образом, задание обобщенного критерия сводит задачу многокритериальной оптимизации к задаче однокритериальной оптимизации с целевой функцией f. Наиболее распространенным обобщенным критерием является взвешенная сумма частных критериев, которая превращает векторную оценку у = (у1,…уm) в скалярную оценку φ(y) = a1y1 +... + аmуm, аj ≥ 0, j = 1, т (иногда требуют, чтобы = 1). Числа аj - называют весовыми коэффициентами. Весовой коэффициент аj интерпретируется как «показатель относительной важности» j-го критерия, т.е. чем больше аj, тем больший «вклад» вносит оценка по j-му критерию в итоговую оценку φ(у). Теорема 4.1. Пусть Q Y- произвольное множество векторных оценок. Если векторная оценка у =(у1 ,… уm ) доставляет максимум функции φ(y) = ; где все > 0, то векторная оценка у является Парето-оптимальной на множестве Q. Доказательство. Предположим противное, т.е. то, что существует векторная оценка у' = (у'1,… у'т) Q, которая доминирует по Парето векторную оценку у*. Тогда при всех j = 1, т выполняется неравенство у'j ≥ уj , причем хотя бы для одного индекса j неравенство выполняется как строгое. Умножая эти неравенства на аj, суммируя их по j = 1,т и учитывая, что все аj > 0, получаем: т.е. φ(y) > φ(y.), что противоречит условию теоремы. Замечание. Обратное утверждение справедливо не всегда. Например, в случае выпуклости множества Q можно доказать лишь, что векторная оценка у., Парето-оптимальная на множестве Q, доставляет максимум функции φ(y) = , с некоторым вектором неотрицательных весов aj > 0. Метод перехода от нескольких критериев f1… fm к одному, задаваемому новой функцией φ = , называется также сверткой. Если в качестве выступают объемы выпуска продукции разного вида и ЛПР стремится к увеличению каждого показателя , то в качестве aj могут выступать просто цены продуктов, а свертка будет означать переход от натуральных к одному стоимостному показателю. Нередко выбор весов (аj) является достаточно сложной задачей, для решения которой используют экспертные оценки, а также методы параметрического программирования. Следует отметить, что критерии fj могут быть разнородными, поэтому обычно свертке предшествует нормировка. Один из ее вариантов состоит в том, что для каждого критерия находится максимальное значение + из области допустимых значений и минимальное значение - на множестве Парето-оптимальных решений. После этого каждая функция заменяется на по следующему правилу: Если все являются линейными функциями, то после преобразования и нормировки все будут также линейными функциями. Если веса нормированы, т.е. = 1, аj > 0, j = 1, т, то свертка φ = принимает значения на отрезке [0,1]. Метод параметрического программирования Пример 4.2. Рассмотрим пример оценки весов (аj) с помощью метода параметрического программирования: Z1 (х) = -4х1 + 6х2 → max, Z2(x) = 2х1 + x2 → max, -х1 + х2 ≤ 3, х2 ≤ 5, х1 + х2 ≤ 10, х1 ≤ 8, х1 ≥ 0, х2 ≥ 0. Решение. Пусть используется свертка без нормировки: Z = a1Z1 + a2Z2 → max. Если для весов выполняется нормировка =1, то можно записать: Z = a1Z1 +(l – a1)Z2 = (2 - 6a1)x1 +(l + 3a1)x2 → max. Результаты исследования зависимости решения (х1, х2) от выбора веса аj с помощью метода параметрического программирования представлены в табл. 4.1. Таблица 4.1
Из табл. 4.1 видно, что достаточно лишь грубо оценить, в какой Метод «идеальной точки» Пример 4.3. Рассмотрим задачу производственного планирования и метод «идеальной точки». Для выпуска двух видов продукции Р1 и Р2 используются три вида ресурсов (R1, R2, R3), которые можно приобрести в количестве не более 20, 15 и 39 единиц соответственно. Задана матрица А, элементы которой показывают нормы расхода ресурсов на выпуск единицы продукции каждого вида: 12 А= 11 Известны также цены продуктов: С1 = 17 руб., С2 = 12 руб. за единицу продукции соответствующего вида; цены ресурсов: q1 = 1 руб., q2 = 1 руб., q3 = 4 руб. за единицу ресурса соответствующего вида. При оценке различных вариантов плана используются три показателя: Z1 — общий объем выпускаемой продукции (в денежном выражении); Z2 — общий объем прибыли; Z3 — отношение прибыли к затратам на приобретение ресурсов. Для формализации задачи введем переменные х1 и х2, которые означают планируемые объемы выпуска продукции Р1 и Р2. Соответственно имеем: х1+ 2х2 ≤ 20, х1 + х2 ≤ 15, 3х1 + х2 ≤ 39, х1 ≥ 0, х2 ≥ 0. Область, определяемая этими ограничениями, представляет собой выпуклый многоугольник с вершинами в точках О (0, 0), А(0, 10), B(10,5), С(12,3), D(13,0). Введем три целевые функции: Z1 = 17х1 + 12х2 → max, Z2 = 3х1 + 5x2 → max, Z3 = (3х1 + 5x2) / (14x1+7x2) → max. В табл. 4.2 приведены значения целевых функций в вершинах области допустимых решений. Таблица 4.2
Из табл. 4.2 видно, что если ориентироваться на общий объем продукции (критерий Z1), то оптимальным будет решение x1 = 12, х2 = 3 (точка С). Если в качестве основного критерия использовать показатель прибыли (критерий Z2), то оптимальным решением будет x1 = 10, х2 = 5 (точка В). По критерию Z3 наилучшим является решение x1 = 0, х2 = 10 (точка А). Выбор конкретного плана (точки х = (х1, х2)) на границе (А, В, С) области допустимых значений зависит от значимости показателей Z1, Z2, Z3 для ЛПР. Метод «идеальной точки» состоит в том, что ЛПР указывает общий принцип — найти такое решение х, при котором значения fJ(х) как можно меньше отклоняются от оптимальных соответствующих показателей fj*. При выборе конкретного варианта реализации данного принципа следует соблюдать осторожность. Допустим, что в условиях предыдущего примера ЛПР учитывает только критерии Z1 и Z2. Из табл. 4.2 следует, что Z*1 = 228, Z*2 = 55. Для любого допустимого плана X расстояние от (Z2(x), Z2(x)) до «идеальной точки» (Z*1, Z*2) = (228, 55) можно оценивать несколькими способами, которые с точки зрения ЛПР могут оказаться далеко не эквивалентными. Способ 1. р (| Z1 (х), Z2 (х) |, Z1*, Z2* |) = | Z1 (х) –Z1*| + |Z2 (х) - Z2*|. Имеем Z,(x)<Z*, Z2(x)<Z2, следовательно, возможно следующее преобразование: р(| Z, (х), Z2 (х) |, | Z*, Z2* |) = 228 + 55 — Z, (х) - Z2 (х) = = 283 – Z1(х) – Z2(х) → min. Очевидно, что это эквивалентно L(Z) = Z1(х) + Z2(х) → max. Таким образом, при оценке отклонений от «идеальной точки» с помощью обычных модулей многокритериальная задача сводится к однокритериальной задаче на максимум обычной суммы частных критериев, что может не соответствовать представлениям ЛПР. Способ 2. р (| Z1(х), Z2 (х) |, | Z*1 Z2* |) = → min. При таком выборе расстояния многокритериальная задача с линейными целевыми функциями сводится к однокритериальной задаче с квадратичной целевой функцией и линейными ограничениями, которая может быть решена одним из методов квадратичного программирования. Метод последовательных уступок Метод последовательных уступок решения многокритериальных задач применяется в том случае, когда частные критерии упорядочены в порядке убывания важности. Предположим, что все критерии позитивны и упорядочены. Находим максимальное значение Z*1 первого по важности критерия в области допустимых решений, решив задачу: Z1() → max; х Q. Затем исходя из практических соображений и принятой точности назначается величина допустимого отклонения δ1 > 0 критерия Z1 и находится максимальное значение второго критерия Z2 при условии, что значение первого должно отклоняться от максимального не более чем на величину допустимой уступки, т.е. решается задача вида Z2 () → max, Z1 () ≥ Z*1 – δ1. Снова назначается величина уступки δ2 > 0 по второму критерию, которая вместе с первой используется при нахождении условного экстремума третьего частного критерия, и т.д. Наконец, выявляется экстремальное значение последнего по важности критерия Zm при условии, что значение каждого из первых т - 1 частных критериев отличается от экстремального не более чем на величину допустимой уступки. Полученное на последнем этапе решение считается оптимальным. Заметим, что этот метод не всегда приводит к эффективному решению. Пример 4.4. Решить задачу методом последовательных уступок: Z1 = -х1 + 2х2 → max, Z2 = 2х1 + х, → max, Z3 = х1 - 3х2 → max, х1 + х2 ≤ 6, 1 ≤ х1 ≤ 3, 1 ≤ x2 ≤ 4, х1 ≥ 0. Решение. Будем считать, что допустимые уступки по первым двум критериям равны δ1 = 3, δ2 = 5 /3. Максимизируем функцию Z1 что легко сделать графически (рис. 4.8). Получаем х*1 = 1, х2* = 4, Z*1 = Z1max = Z1(A) = 7. Переходим к максимизации Z2 при условиях х1 + х2 ≤ 6; 1 ≤ х1 ≤ 3; 1 ≤ х2 ≤ 4 и дополнительном ограничении, позволяющем учесть, что по критерию Z нельзя уступить более чем на 3. Так как Z1* - δ1 = 4, то дополнительное ограничение имеет вид: -х1 + 2х2 ≥ 4. Решаем задачу: Z2 = 2х1 + х2 → max, х1 +х2 ≤ 6, 1 ≤ х1 ≤ 3, 1≤ х2 ≤ 4, -х1 + 2х2 ≥ 4. Решая графически эту задачу, получаем оптимальную точку 5(8/3, 10/3), Z2max = Z2* =Z2(B) = 26/3 (рис. 4.9). Теперь уступаем по критерию Z2 на δ2, получаем второе дополнительное ограничение 2х1 + х2 ≥ 7. Максимизируем Z3, решая следующую задачу: Z3 = х1 - 3х2 → max, х1 + х2 ≤ 6, 1≤ х1 ≤ 3, 1 ≤ х2 ≤ 4, -х1 + 2х2 ≥ 4, 2х1 + х2 ≥ 7. Из рис. 4.10 представлено графическое решение данной задачи.
Координаты точки С: х1 = 2, х2 = 3. Эти значения и есть решение трехкритериальной задачи, полученное методом последовательных уступок. Вопросы и задачи Чем отличается задача многокритериальной оптимизации от общей задачи математического программирования? Что является оценкой допустимого решения в задаче многокритериальной оптимизации? Объясните смысл понятия доминирования по Парето. Какие решения задачи многокритериальной оптимизации называются оптимальными по Парето? Инвестор рассматривает четыре инвестиционные операции со случайными эффективностями, которые описываются случайными величинами Е1, Е2, Е3, Е4 с известными рядами распределения: (0, 1/2) (2, 1/4) (4, 1/8) (16, 1/8); (2,1/2) (4,1/4) (6,1/8) (18,1/8); (0, 1/4) (4, 1/4) (6, 1/3) (12, 1/6); (2, 1/4) (6, 1/4) (8, 1/3) (14, 1/6). Определите, какие из этих операций оптимальны по Парето. Объясните, почему независимо от предпочтений лица, принимающего решение, лучшим может быть признано только решение, оптимальное по Парето. Чем отличается оптимальность решений по Парето и по Слейтеру? Найдите эффективные и слабоэффективные решения для задачи (4.2). Что представляет собой множество Парето-оптимальных исходов, если множество допустимых исходов является непрерывным? Как выглядит Парето-оптимальная граница для двух негативных критериев, если допустимая область имеет вид, изображенный на рис. 4.5? Решите задачу (4.3) для свертки всех критериев с равными весовыми коэффициентами. В чем смысл нормировки критериев, проводимой перед их сверткой? Решите задачу (4.2) методом идеальной точки, если в качестве расстояния взять обычное расстояние R2. Решите задачу (4.2) методом последовательных уступок, считая, что критерии упорядочены в порядке убывания важности, причем величина уступки по первому критерию равна 20. Постройте область компромисса в задаче двухкритериальной оптимизации: Z1 = (2х1 + 3х2) → max, Z2 = (х1 - 2х2) → max, х1 - 2х2 ≤ 1, х1 + х2 ≥ 1, -х1 + х2 ≤ 1, 0 ≤ х1 ≤ 3, 0 ≤ х2 ≤ 2. Методом последовательных уступок решите задачу трехкритериальной оптимизации: a) Z1 = (2х1 + 3х2) → max, Z2 = (2х1 – х2) → max, Z3 = х2 → min, δ1 = 9, δ2 = 3, -2x1 + x2 ≤ 2, 2x1 - x2 ≤ 5, 1 ≤ x1 ≤ 4, 1 ≤ x2 ≤ 6; б) Z1 = х1 → max, Z2 = (х1 + x2) → max, Z3 = (x1 + 2x2) → max, δ1 =5, δ2 = 1, x1 + x2 ≤ 6, x2 ≤ 3, x1 ≥ 0, x2 ≥ 0. Библиографический список 1. Вентцель E.C. Исследование операций. Задачи, принципы, методология. М.: Высшая школа, 2001. 2. Гуткин Л.С. Оптимизация радиоэлектронных устройств по совокупности показателей качества. М.: Советское радио, 1975. 3. Кипи Р.Л., Райфа X. Принятие решений при многих критериях: предпочтения и замещения. М.: Радио и связь, 1981. 4. Лазарев Ю.Н. Алгоритм решения многокритериальных задач управления // Известия Самарского научного центра РАН. 2001. Т. 3. № 1. 5. Ларичев О.И. Наука и искусство принятия решений. М.: Наука, 1979. 6. Ларичев О.И. Теория и методы принятия решений: Учебник. М.: Логос, 2002. 7. Лотов А.В., Поспелова И.И. Конспект лекций по теории и методам многокритериальной оптимизации. М.: Изд-во ВМиК МГУ, 2006. 8. Макаров И.М., Виноградская Т.М., Рубчинский А.А., Соколов В.Б. Теория выбора и принятия решений: Учебное пособие. М.: Наука, 1982. 9. Машунин Ю.К. Методы и модели векторной оптимизации. М.: Наука, 1986. 10. Многокритериальные задачи принятия решений / Под ред. Д.М. Гвишиани и СВ. Емельянова. М.: Машиностроение, 1978. 11. Подиновский В.В. Введение в теорию важности критериев в многокритериальных задачах принятия решений: Учебное пособие. М.: Физматлит, 2006. 12. Подиновский В.В., Гаврилов В.М. Оптимизация по последовательно применяемым критериям. М.: Советское радио, 1975. 13. Подиновский В.В. Количественные оценки важности критериев в многокритериальной оптимизации // Научно-техническая информация. 1999. №5. С. 22-25. 14. Подиновский В.В. Математическая теория выработки решений в сложных ситуациях: Учебник. М.: МО СССР, 1981. 15. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.: Наука, 1982. 16. ПолищукЛ.И. Анализ многокритериальных экономико-математических моделей. Новосибирск: Сибирское отделение АН СССР, 1989. 17. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993. 18. Симанков B.C. Автоматизация системных исследований: Монография. Краснодар: Кубанский государственный технологический университет, 2002. 19. Соболь КМ. Выбор оптимальных параметров в задачах со многими критериями. М.: Наука, 1981. 20. Сухарев А.Г., Тимохов А.В., Федоров В.В. Курс методов оптимизации. М.: Наука, 1986. 21. Хоменюк В.В. Элементы теории многоцелевой оптимизации. М.: Наука, 1983. 22. Штойер Р. Многокритериальная оптимизация: теория, вычисления и приложения. М.: Радио и связь, 1992.
Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.062 сек.) |