Турунтаев Л.П. Теория принятия решений
.pdf61
Пример
Пусть A ={< 0,3/ x1 >,< 0,8/ x3 >,< 0,4/ x6 >} и
B ={< 0,9 / x1 >,< 0,2 / x2 >,< 0,4 / x3 >,< 0,5/ x4 >} — расплыв-
чатые множества в x ={x1, x2 , x3, x4 , x5 , x6 , x7}.
A UB ={< 0,9/ x1 >,< 0,2/ x2 >,< 0,8/ x3 >,< 0,5/ x4 >,< 0,4/ x6 >} A IB ={< 0,3/ x1 >,< 0,4 / x3 >}.
¬A ={< 0,7 / x1 >,<1/ x2 >,< 0,2/ x3 >,<1/ x4 >,<1/ x5 >,< 0,6/ x6 >, <1/ x7 >}.
¬B ={< 0,1/ x1 >,< 0,8/ x2 >,< 0,6/ x3 >,< 0,5/ x4 >,<1/ x5 >,<1/ x6 >,
<1/ x7 >}.
3.2.3Субъективные методы определения предпочтений объектов
Для получения оценок субъективных измерений наиболее часто используются методы ранжирования, парного сравнения, непосредственной оценки и последовательного сравнения. Эти методы хорошо описаны в [6].
Напомним основные особенности.
Ранжирование представляет собой процедуру упорядочения объектов, выполняемую ЛПР или экспертом в порядковой шкале. Объектам приписываются, как правило, ранги. Если среди объектов нет объектов с равными рангами, то упорядочение называется строгим, в противном случае — нестрогим.
Парное сравнение представляет собой процедуру установления предпочтения объектов при сравнении всех возможных пар в порядковой шкале (бинарные отношения). Как правило, результаты парных сравнений записываются в виде матрицы предпочтений (отношений), состоящей из нулей и единиц. Если объект xi предпочтительней или эквивалентен (не уступает) объ-
екту x j , то в матрице проставляется 1, а в противном случае — 0.
От матрицы парных сравнений можно перейти к ранжированию объектов.
62
Парное сравнение можно задать и в виде расплывчатых бинарных отношений. Пусть объект xi находится с объектом x j в
отношении R : xi Ry j , где под R будем понимать расплывчатое
отношение. Если в качестве расплывчатого отношения R на множестве X возьмем отношение «намного больше», а множество X ={1,2,3,4} , Тогда отношение R можно задать матрицей
расплывчатых бинарных отношений M (R) , элементами которой будут числа µR (xi , x j ) , определяющие принадлежность объектов к расплывчатому отношению R.
|
1 |
0 |
0 |
0 |
0 |
|
Например, M (R) = |
2 |
0,6 |
0 |
0 |
0 |
. |
|
3 |
0,8 |
0,4 |
0 |
0 |
|
|
4 |
1 |
0,6 |
0,4 |
0 |
|
Непосредственная оценка представляет собой процедуру приписывания объектам числовых (балльных) значений в принятой шкале интервалов.
Последовательное сравнение представляет собой поэтап-
ную процедуру упорядочения объектов с последующим уточнением их предпочтения путем попарного сравнения наиболее предпочтительного объекта с группой наименее предпочтительных. Наибольшую известность процедуры последовательного сравнения получили благодаря методу Черчмена-Акоффа [41].
Контрольные вопросы
1.Какова последовательность оценки альтернативных решений, принимаемых с учетом возможных ситуаций и целевых установок?
2.Что такое измерение?
3.Назовите основные свойства количественных шкал измерения.
4.Назовите основные способы нормализации критериев
5.В чём отличие нормализации критерия с инверсией и без инверсии? Для чего они делаются?
6.Что такое расплывчатое множество?
63
7.Укажите основные операции над расплывчатыми множествами.
8.Назовите основные субъективные методы определения предпочтений объектов.
64
4 МНОГОКРИТЕРИАЛЬНЫЕ ЗАДАЧИ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ ОПРЕДЕЛЕННОСТИ
4.1 Задачи векторной оптимизации
В жизни целенаправленная деятельность человека устроена так, что приходится учитывать не одну, а сразу несколько целей. Так, при транспортировке грузов возникают желания организовать перевозку быстро, дешево, надежно. Три сформулированные целевые установки приводят по отдельности к различным трем решениям, а так как цели сами по себе противоречивы, то возникают определенные трудности сравнения этих решений, выбора наилучшего в определенном смысле или какого-то компромиссного. В данном разделе рассмотрим подходы количественного обоснования решения многокритериальных задач оптимизации.
Вернемся к задаче определения плана выпуска продукции, рассмотренной [46]. Напомним постановку задачи.
Пусть мебельная фабрика изготавливает два вида продуктов: столы и шкафы. Для их производства используется три вида ресурсов (пиломатериал, шурупы, краска). Будем считать, что месячные запасы ресурсов ограничены: пиломатериал — вели-
чиной b1 ( ì 3 ), шурупы — b2 (кг), краска — b3 (кг). Расходы
соответствующих ресурсов на изготовление одной единицы соответствующих продуктов известны и задаются таблицей (матрицей) Α. Прибыль (доход) от выпуска единицы соответствующей продукции задана: для стола она равна C1 (руб./шт.), для
шкафа — C2 (руб./шт.). Требуется определить план выпуска
продукции каждого вида, максимизирующий доход фабрики. Кроме этой цели, добавим еще одну. Допустим, что нам
нужно максимизировать выпуск продукта первого типа — столов, которые идут не на продажу, а для своих нужд. Таким образом, теперь модель задачи будет выглядить так:
2 |
|
max y1 = ∑C j x j — критерий первого вида; |
(4.1) |
j=1
65
max y2 = x1 — критерий второго вида; |
(4.2) |
при ограничениях: |
|
2 |
|
∑aij x j ≤ bi , i =1,2,3 , |
(4.3) |
j=1 |
|
x j ≥ 0, j =1,2, |
(4.4) |
где x j — количество производимых продуктов j-го типа (соот-
ветственно столов и шкафов), j = 1,2;
aij — нормативная матрица затрат i-го вида сырья на 1 еди-
ницу j-го типа продукта;
bi — ограничение на i-й вид сырья (пиломатериал, шуру-
пы, краска), j = 1,2,3.
Вернемся к графическому способу решения задачи в отдельности по каждому из критериев (рис. 4.1).
x2
X ′ |
|
|
x2′ |
y1 |
|
|
y2 |
|
|
|
|
|
|
X ′′ |
x1′ |
x1′′ |
x1 |
Рис. 4.1 — Графическое решение задачи
Если решать задачу только с учетом критерия первого вида y1 , то решение получим в точке X ′ = (x1′, x2′ ) =(517,156), а значе-
ние критерия y1 = 517 500 +156 750 = 375500 рублей. Если ре-
шать задачу без учета критерия первого вида, а только с учетом критерия второго вида, то получим решение в точке X ′′ = (x1′′,0) = (700,0) , а значение критерия y2 = x1′′=700 столов.
66
Одновременный учет двух критериев приведет к решению, которое лежит на отрезке между точками (решениями) X ′ и X ′′. Множество решений на отрезке между X ′ и X ′′ называют множеством решений, оптимальных по Парето (оно же компромиссное множество, недоминируемое, эффективное). Множество компромиссных решений обладает свойством противоречивости: улучшение качества решений по одним критериям вызывает ухудшение качества других (рис. 4.2).
y2 (столы)
x1′′ |
Множество |
|
|
||
|
Парето |
|
x1′ |
∆2 |
|
∆1 |
||
|
y (x′′,0) |
y (x′ |
, x′ |
) y1 (доход) |
||
1 |
1 |
1 |
1 |
2 |
|
Рис. 4.2 — Компромиссное множество решений
Вообще говоря, в многокритериальных задачах принятия решений понятие оптимальности плана теряется, так как не существует такого плана, который доставлял бы одновременно экстремальное значение отдельным критериям. Это обстоятельство и является причиной того, что методы решения многокритериальных задач предусматривают в том или ином виде учет мнения лица, принимающего решение. Чтобы выбрать из области Парето лучшие решения, ЛПР обязан ввести соответствующие принципы выбора компромиссного решения, приводящие к тому или иному методу решения задачи (рис. 1.4). Рассмотрим наиболее часто употребляемые методы решения многокритериальных задач.
Сведениемногокритериальнойзадачикоднокритериальной
Идея метода состоит в том, чтобы два и более критериев представить в виде единого суперкритерия, т.е. скалярной функции, зависящей от локальных критериев:
67
y0 = y0 ( y1, y2 , ..., yn ) .
Вид функции y0 определяется тем, как ЛПР представляет вклад каждого критерия yi в суперкритерий. В силу того, что критерии yi могут измеряться в различных единицах измерения
и иметь различные несоизмеримые масштабы, сравнивать решения в таких условиях зачастую невозможно. Возникает проблема приведения их масштабов к единому, обычно безразмерному масштабу измерения (проблема нормализации). А так как обычно локальные критерии имеют относительно друг друга различную важность, относительный вклад в суперкритерий, то это следует учитывать при выборе лучшего решения (проблема учета приоритета критериев).
Наибольшее распространение получил подход определения глобального критерия (суперкритерия) в виде взвешенной суммы критериев
n
y0 = ∑αi yií ,
i=1
где yií — отнормированное значение i-го критерия;
αi — коэффициент относительной важности i-го критерия (весовой коэффициент);
n
0 ≤ αi ≤1, i =1,n; ∑αi =1.
i=1
Весовой коэффициент определяется экспертными методами. Значение yi для каждого из критериев, как правило, есть безраз-
мерная величина и находится в интервале 0 ≤ yi ≤1(10, 100). Наиболее простым способом нормализации [7] является получение оценок по формуле yií = yi / yiu , где yiu — идеальное (возможно
максимальное) значение i-го критерия.
Для решения нашей двухкритериальной задачи ЛПР должен установить значения весовых коэффициентов α1 и α2 , что-
бы α1 + α2 =1, а также учесть нормализацию критериев y1 и y2 , а затем построить единую целевую функцию и решить зада-
68
2
чу: maxY0 = α1(∑C j x j ) / 375500 + α2 x1 / 700 , при ограничениях
j=1
2
∑aij x j ≤ bi , i =1,2,3 ; x j ≥ 0, j =1,2 .
j=1
Если α1 =1, то получим решение с учетом первого критерия, если α1 = 0 — решение с учетом второго критерия. Глубокое знание реальной проблемы, накопленный опыт могут позволить ЛПР выбрать 0 < αi <1 , чтобы, решив оптимизационную задачу с единственной целевой функцией Y0 , он получил бы
удовлетворяющее его решение исходной задачи с двумя целевыми функциями.
Выделение главного критерия
Допустим, что среди критериев y1 и y2 ЛПР удается выбрать основной. Пусть это будет критерий y2. Допустим, что ЛПР желает получить доход от реализации продукции не ниже определенной им величины C0 (C0 < 375500) . Тогда можно решать задачу вида: max y2 = x1 , при ограничениях:
2 |
|
|
|
∑αij x j ≤ bi , |
i = |
|
; |
1,3 |
|||
j=1 |
|
|
|
2 |
|
|
|
∑C j x j ≥ C0 |
— ограничение по критерию y1 ; |
||
j=1 |
|
|
|
x j ≥ 0, j =1,2 . |
Метод последовательных уступок
Предположим, что частные критерии упорядочены в поряд-
ке убывания их важности |
y1 f y2 f ... f yn . Решая задачу по |
|
|
|
2 |
критерию y1 |
: max y1(X ) = |
∑C j x j = y1 = 375500 , найдем реше- |
|
x |
j=1 |
|
|
ние X ′ . Если ЛПР может сделать некоторую уступку по перво-
69
му критерию y1 в объеме ∆1 (пусть ∆1 =5500), чтобы улучшить решение по следующему критерию y2 (рис. 4.2), то это приводит к задаче поиска решения по второму критерию с уступкой по первому: max y2 = x1;
при ограничениях:
2 |
|
∑aij |
x j ≤ bi , i =1,3 ; |
j=1 |
|
2 |
|
∑C j |
x j ≥ 370000 — уступка по первому критерию; |
j=1 |
|
x j ≥ 0, j =1,2 .
И так далее для других критериев. На последнем шаге решается задача поиска решения по n-му критерию с учетом уступок по (n −1) наиболее важным критериям, и решение этой за-
дачи принимается в качестве решения первоначальной.
Метод целевой точки
Метод целевой точки (опорной, идеальной) базируется на задании по каждому критерию так называемых уровней притязаний [3, 4,7] в виде желаемых значений критериев yˆi . Поскольку
оценки yˆi задаются без точного знания структуры множества до-
пустимых решений, то целевая точка может оказаться как внутри, так и вне области допустимых решений. Наиболее близкая точка решения к целевой будет определять наилучшее решение. В качестве меры близости между решением и целевой точкой, т.е. между векторами y(X ) = ( y1(X ), y2 (X ), ..., yn (X )), yˆ = ( yˆ1, yˆ2 , ..., yˆn )
предлагается использовать различные расстояния [4], в том числе расстояние типа
|
n |
|
|
y |
(X ) − yˆ |
|
|
2 1/ 2 |
|
|
|
|
|
||||||
d ( y, yˆ) = |
|
|
|
i |
i |
|
|
|
, |
∑αi |
|
|
|
yˆ |
|
|
|
||
|
i=1 |
|
|
|
i |
|
|
|
|
|
|
|
|
|
где αi — коэффициент относительной важности критерия i.
70
Тогда модель поиска компромиссного решения для рассматриваемой задачи методом целевой точки будет иметь вид
|
|
|
2 |
|
|
|
|
|
2 |
|
|
|
|
|
|
1/ 2 |
|
|
|
|
|
|
− ˆ |
|
|
|
|
|
|
|
|
|
|||
|
|
C |
|
x |
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
y |
|
|
x |
− yˆ |
|
|
|
|
|||||
|
|
|
∑j=1 |
j |
|
j |
1 |
|
|
|
2 |
|
2 |
|
|||
min d = |
α1 |
|
|
|
|
|
|
|
|
+ α2 |
|
1 |
|
|
|
, |
|
|
|
ˆ |
|
|
|
|
ˆ |
|
|||||||||
|
|
|
|
y1 |
|
|
|
|
|
|
|
y2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
при ограничениях (3.52) и (3.53).
На базе рассмотренных методов поиска решения многокритериальных задач созданы различные человеко-машинные эвристические процедуры [28], суть которых заключается в распределении ролей между ЛПР и ЭВМ. ЛПР готовит информацию, необходимую для моделирования, ЭВМ осуществляет расчет и выдает решение ЛПР для его анализа. При необходимости ЛПР сообщает сведения для корректировки решения в виде оценок относительной важности критериев, уступок по критериям, коэффициентов нормализации и другие.
4.2Аксиоматический подход в задачах принятия решений
4.2.1 Функции полезности
Понятие функции полезности возникло в теории потребительского спроса при сравнении различных наборов товаров [22]. Полезность потребления продукта, например, для потребителя может быть выражена в виде функции, отражающей полезность в зависимости от количества потребления этого продукта. В определенных пределах полезность может увеличиваться, уменьшаться либо оставаться без изменения при увеличении потребления продукта. Функция полезности может быть построена и для определенного набора продуктов. При этом в зависимости от того, являются ли продукты взаимозаменяемыми или нет, интегральная функция полезности набора потребляемых продуктов определяется с учетом независимости или с учетом взаимного их влияния на общую полезность потребления.