Материал по ТПР. Наличие хорошего по в соответствующей организации или фирме и хороших аппаратных средств это лишь необходимое, но не достаточное условие

• Название: Наличие хорошего по в соответствующей организации или фирме и хороших аппаратных средств это лишь необходимое, но не достаточное условие
• Дата: 07.10.2020
• Размер: 0.64 Mb.
• Имя файла: Материал по ТПР.doc
• Тип: Документы; #141401
• страница: 5 из 6

Тема 6. Многокритериальные решения при объективных моделях.

1. 
   Модели
   

Для анализа и исследования реальных объектов исследователи создают их копии или упрощенные образы, описанные с помощью формального языка. Целями создания модели являются обычно: использование её в решении задач, которые трудно решать на реальном объекте; лучшее понимание объекта; построение улучшенного объекта путем внесения изменений в модель. Естественным требованием к модели является её идентичность реальному объекту. Мы изучаем внешний мир, создавая модели. Мы улучшаем искусственные системы, используя их модели. В обоих случаях роль моделей чрезвычайно велика.

Необходимо подчеркнуть, что модели, применяемые в естественных науках, отличаются от моделей, используемых в экономике. Экономические модели описывают процессы, в которых важную роль играют люди. Совершаемые ими действия и их результаты находят отражение в модели.

Модели, описывающие поведение людей, активно используются в исследовании операций. Под исследованием операций понимают применение математических количественных методов для обоснования решений во всех областях человеческой деятельности.

Основными этапами решения любой задачи в исследовании операций являются:

1. построение модели

2. выбор критерия оптимальности

3. нахождение оптимального решения

Для подхода исследования операций характерны следующие особенности.

1.Используемые модели носят объективный характер. Модель отражает существующую реальность, т. е. опираясь на одни и те же данные, различные специалисты-аналитики должны получать одинаковые результаты.

2.Руководитель получает научно-обоснованное решение. Аналитик исследует реальную ситуацию и пытается построить адекватную модель. В этой работе сам ЛПР чаще всего не нужен. Он дает заказ и получает готовое решение.

3. Существует объективный критерий успехов в применении методов исследования операций. Если проблема, требующая решения, ясна и критерий определен, то аналитический метод сразу показывает насколько новое решение лучше старого.

2. 
   Многокритериальность
   

При широком применении методов исследования операций аналитики стали сталкиваться с задачами, где имеется не один, а несколько критериев оценки качества решения.

Опыт использования методов математического моделирования и компьютеров в различных областях человеческой деятельности привел к пониманию многих принципиальных трудностей, возникающих при их внедрении в реальную практику. Оказалось, что ЛПР, при принятии решения учитывает огромное число показателей, которые только в редких случаях удаётся представить в виде одного критерия.

Стало очевидно, что методы исследования операций, которые успешно применялись при моделировании различных ситуаций, совершенно недостаточны для решения более сложных проблем, которые по сути своей являются многокритериальными. Многие факторы (социальные, организационные, политические, психологические и т. д.), имеющие существенное влияние на альтернативы не поддаются формализации. Такого рода задачи имеют следующую характерную особенность – модель, описывающая множество допустимых решений объективна, но качество решения оценивается по многим критериям.

Для выбора наилучшего варианта решения необходим компромисс между оценками по разным критериям. В условиях задачи отсутствует информация, позволяющая найти такой компромисс. Следовательно, он не может быть определен на основе объективных расчетов.

Анализ многих реальных практических проблем, с которыми сталкивались специалисты, естественным образом привел к появлению класса многокритериальных задач.

Задачи со многими критериями имеют следующие особенности:

-Задача имеет уникальный, новый характер – нет статистических данных, позволяющих обосновать соотношения между различными критериями

-На момент принятия решения принципиально отсутствует информация, позволяющая объективно оценить возможные последствия выбора того или иного варианта решения. Это может быть сделано лишь людьми на основе их опыта и интуиции.

3. 
   Разные типы проблем
   

Подходы исследования операций и принятия решений существенно различаются, так как они направлены на принципиально разные проблемы принятия решений, существующие в окружающем нас реальном мире.

Так, в одной классификации, предложенной в 1958 году Г. Саймоном и А. Нотоэллом, выделяются так называемые хорошо и слабо структурированные проблемы.

Хорошо структурированные, или количественно сформулированные проблемы – те, в которых существенные зависимости хорошо определены и могут быть выражены в числах или символах, получающих численные оценки.

Неструктурированные проблемы, содержащие лишь описание важнейших ресурсов, признаков и характеристик, количественные зависимости между которыми совершенно неизвестны.

Слабоструктурированные, или смешанные проблемы, которые содержат как качественные, так и количественные элементы.

Можно сказать, что типичные проблемы исследования операций являются хорошо структурированными.

По иному обстоит дело в многокритериальных задачах. Здесь часть информации, необходимой для полного и однозначного определения к решению, принципиально отсутствует. Поэтому такие проблемы являются слабоструктурированными.

Слабоструктурированные и неструктурированные проблемы исследуются в рамках научного направления, называемого принятием решений при многих критериях.

Появление многокритериальности привело к принципиальному изменению характера решаемой задачи.
4.Многокритериальные модели принятия решений в условиях определенности.
Рассмотрим следующую модель задачи ПР:

X- множество альтернатив;

Y- множество исходов;

- множество показателей качества (критериев);

- детерминистская функция, отображающая множество альтернатив во множество исходов. (R – множество вещественных чисел.).

Таким образом, мы здесь предполагаем, что каждому решению

Соответствует единственный элемент , где . «Качество» или «полезность» исхода y , а тем самым и соответствующего решения xоценивается несколькими ( m) числами в соответствии с зависимостями . Для определенности будем полагать, что функции - максимизируются.

С помощью суперпозиции



Мы имеем возможность непосредственно оценивать качество самого решения x т. е. считаем, что задано отображение



В результате мы приходим к очень распространенной в приложениях многокритериальной модели принятия решений, или задаче многокритериальной оптимизации вида



5. Методы многокритериальной оптимизации.
Пусть рассматривается задача многокритериальной оптимизации

(1)

Вначале рассмотрим традиционные «инженерные» методы многокритериальной оптимизации, сводящие задачу (1) к некоторой ее однокритериальной версии.

Рассматривая задачу (1), отметим, что в идеальном случае можно вести поиск такого решения, которое принадлежит пересечению множеств оптимальных решений всех однокритериальных задач. Однако такое пересечение обычно оказывается пустым множеством, поэтому приходится рассматривать так называемое «переговорное» множество эффективных решений (оптимальных по Парето).

Некоторые частные критерии могут противоречить друг другу, другие действуют в одном направлении, третьи – индеферентны, безразличны друг другу.

Поэтому процесс решения многокритериальных задач неизбежно связан с экспертными оценками, как самих критериев, так и взаимоотношений между ними.

Известен ряд методов решения задач многокритериальной оптимизации. Рассмотрим некоторые из них:

Метод главного критерия. В данном методе в качестве целевой функции выбирается один из функционалов , например , наиболее полно с точки зрения исследователя отражающий цель ПР. Остальные требования к результату, описываемые функционалами , учитываются с помошью введения необходимых дополнительных ограничений. Таким образом, вместо задачи (1) решается другая, уже однокритериальная задача вида



Формально получили более простую задачу поиска максимума функционала на новом допустимом множестве . Добавились ограничения вида показывающие что мы согласны не добываться максимальных значений для функционалов , сохраняя требование их ограниченности снизу на приемлемых уровнях.

Метод линейной свертки. Он основан на линейном объединении всех частных целевых функционалов в один:

(2)

Весовые коэффициенты могут при этом рассматриваться как показатели относительной значимости отдельных критериальных функционалов .

Метод максиминной свертки. Обычно применяется в форме



Здесь, в отличие от метода линейной свертки, на целевой функционал оказывает влияние только тот частный критерий оптимальности, которому в данной точке х соответствует наименьшее значение соответствующей функции . Данный критерий определяет гарантированную нижнюю оценку для всех функционалов .

При необходимости нормировки отдельных частных целевых функционалов может быть использована «взвешенная» форма максиминного критерия:



где весовые коэффициенты удовлетворяют требованиям (2).

Метод последовательных уступок. Он применяется в случае, когда частные критерии могут быть упорядочены в порядке убывания их важности.

Предположим, что все частные критерии максимизируются и пронумерованы в порядке убывания их важности. Находим максимальное значение f₁* первого по важности критерия в области допустимых решений путем решения однокритериальной задачи.

f₁ (X) → max,

X Q.

Затем, исходя из практических соображений и принятой точности, назначается величина допустимого отклонения δ₁ > 0 (экономически оправданные уступки) критерия f₁и находится максимальное значение второго критерия f₂* при условии, что значение первого критерия не должно отклоняться от своего максимального значения более чем на величину допустимой уступки, т. е. решается задача:

f₂(X) → max

f₁(X) ≥ f₁* - δ₁

X Q

Снова назначается величина уступки δ₂ > 0 по второму критерию, которая вместе с первой уступкой используется для нахождения условного максимума третьего частного критерия:

f₃(X) → max

f₁(X) ≥ f₁* - δ₁

f₂(X) ≥ f₂* - δ₂

X Q

Аналогичные процедуры повторяются до тех пор, пока не будет выявлено максимальное значение последнего по важности критерия f_m.
Рассмотрим следующий пример: для выпуска 2-х видов продукции используются 3 вида ресурсов. Известна матрица норм расхода А, цены Qна ресурсы, цены реализации Pпродукции и запасы В ресурсов.



1 2 20

А= 1 1 Q = (1, 1, 4), Р = (17, 12), B= 15

3 1 39

На основе исходной информации могут быть определены 2 критерия: прибыли и выручка с двумя переменными Х₁ – выпуск продукции 1-го вида и Х₂ – выпуск продукции 2-го вида. Тогда задача может быть записана следующим образом:
F₁ = 17 Х₁ + 12 Х₂ → max – выручка

F₂ = (17 Х₁ + 12 Х₂) - Х₁ (1∙1 + 1∙1 + 4∙3) - Х₂ (2∙1 + 1∙1 + 1∙4) → max – прибыль.



Х₁ + 2 Х₂ ≤ 20

Х₁ + Х₂ ≤ 15

3 Х₁ + Х₂ ≤ 39

Х₁ ≥ 0, Х₂ ≥ 0

Графически множество допустимых решений может быть изображено следующим образом:
Х₁



А

В

С


D

Х₂
Значения критериев в угловых точках заданы в таблице:

	А(0;10)	В(10;5)	С(12;3)	D(13;0)
F1	120	230	240	221
F2	50	55	51	39

Окончательный выбор останется за ЛПР.

Критерий оптимальности итальянского экономиста В. Парето применяется при решении таких задач, когда оптимизация означает улучшение одних показателей при условии, чтобы другие не ухудшались.

Определение: Решение задачи (1) Х* Q называется эффективным (оптимальным по Парето) решением, если не существует такого другого решения Х Q, что

f_i(X) ≥ f_i (X*), i = 1, m, (3)

Причем хотя бы для одного значения iимеет место строгое неравенство.

Определение: Множество допустимых решений, для которых невозможно одновременно улучшить все частные показатели эффективности (т. е. улучшить хотя бы один из них, не ухудшая остальных), принято называть областью Парето, или областью компромиссов, а принадлежащие ей решения эффективными, или оптимальными по Парето.

В общем случае эффективные решения не эквивалентны друг другу, так что про два оптимальных по Парето решения нельзя сказать, какое из них лучше. Поэтому при решении многокритериальных задач необходимо дополнительное изучение эффективных решений.

В рассмотренном выше примере точки В и С определяют решения оптимальные по Парето. Сказать однозначно какое из этих решений лучше нельзя, поэтому необходимо получить от ЛПР дополнительную информацию для принятия решения.