- •1.Основные понятия и этапы са
- •2. Операция и ее составляющие. Этапы исо
- •Этапы операционного проекта
- •Виды математических моделей ио, примеры.
- •4. Состязательные задачи. Решение игры 2-х лиц
- •7. Примеры задач лп: игра 2-х лиц как задача лп, транспортная задача
- •В общем случае модель задачи лп имеет вид
- •Сбалансированная транспортная задача
- •8 Формы представления задач лп и способы приведения к ним
- •1. Каноническая форма задач лп
- •2. Стандартная форма задачи лп
- •9. Основные понятия лп. Свойства задач лп
- •10. Геометрия задач лп, базисные решения, вырожденность.
- •4.7. Выделение вершин допустимого множества
- •11. Понятие базиса. Переход от одного базисного решения к другому
- •12. Признак оптимальности. Определение начального базисного решения.
- •13. Алгоритм симплекс-метода
- •14. Двойственность задач лп
- •4.11.1. Запись двойственной задачи в симметричном случае
- •4.11.3. Запись двойственной задачи в общем случае
- •15.Экономическая интерпретация двойственной задачи
- •16. Теоремы двойственности
- •17. Двойственный и модифицированный симплекс-метод Модифицированный алгоритм
- •18. Параметрический анализ. Параметрирование вектора ограничениий
- •Параметрирование вектора ограничениий
- •19. Параметрирование коэффициентов линейной формы
- •20. Модели транспортных задач и их характеристика, условия разрешимости.
- •Простейшая транспортная задача (т-задача)
- •Транспортная задача с ограниченными пропускными способностями (Td - задача)
- •Транспортные задачи по критерию времени
- •21. Построение начального плана перевозок т-задачи
- •5.2.1. Построение начального плана перевозок
- •Правило северо-западного угла
- •Правило минимального элемента.
- •22.Обоснование метода потенциалов
- •5.2.3. Признак оптимальности
- •23. Алгоритм метода потенциалов.
- •24. Двойственная пара транспортных задач
- •25. Метод потенциалов для Td-задачи
- •5.5. Решение задачи по критерию времени
- •26. Приведение открытой транспортной задачи к закрытой
- •27. Транспортные задачи в сетевой постановке (транспортные сети)
- •28. Задача о максимальном потоке
- •29. Метод декомпозиции Данцига - Вулфа
- •30. Решение транспортной задачи методом Данцига-Вулфа (метод декомпозиции тз)
- •32. Целочисленное программирование
- •7.1. Проблема целочисленности
- •33. Метод отсечений
- •Пример 7.1. Выведем условие отсечения для задачи
- •34. Метод ветвей и границ
- •35. Аддитивный алгоритм
- •36. Нелинейное программирование
- •Теорема
- •37. Квадратичное программирование
- •38. Сепарабельное программирование (сп) и дробно-линейное программирование
- •8.5. Задачи дробно-линейного программирования
- •39. Метод покоординатного спуска и Хука-Дживса Метод первого порядка
- •8.8. Многомерный поиск безусловного минимума
- •8.8.1. Метод Гаусса-Зейделя (покоординатного спуска)
- •Метод Хука-Дживса (метод конфигураций) Метод первого порядка
- •Метод Хука-Дживса (метод конфигураций)
- •40. Симплексный метод поиска
- •41. Градиентные методы
- •Методы сопряженных направлений
- •43. Методы случайного поиска
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •44. Метод проектирования градиента
- •Метод проектирования градиента
- •45. Генетические алгоритмы
- •46. Метод штрафных функций и барьерных функций
- •Метод барьерных функций
- •47. Динамическое программирование
- •48. Распределение одного вида ресурса
- •49. Дп: задачи о кратчайшем пути и с мультипликативным критерием
- •Задача с мультипликативным критерием.
- •52. Многомерные задачи динамического программирования
- •53. Снижение размерности с помощью множителей Лагранжа
- •56. Многокритериальные задачи: постановка, проблемы, осн. Понятия, методы
- •Многокритериальная задача математического программирования
- •Где искать оптимальное решение
- •Определения
- •Условия оптимальности
- •57. Многокритериальные задачи: функция полезности, лексикографический анализ
- •Методы первой группы
- •Функция полезности
- •Решение на основе лексикографического упорядочения критериев
- •58. Методы главного критерия, свертки, идеальной точки, целевого прогр. Метод главного критерия
- •Линейная свертка
- •Максиминная свертка
- •Метод идеальной точки
- •Целевое программирование (цп)
- •59. Диалоговые методы решения задач по многим критериям
- •Метод уступок
- •Интерактивное компромиссное программирование
- •Построить таблицу
58. Методы главного критерия, свертки, идеальной точки, целевого прогр. Метод главного критерия
Суть метода состоит в том, что ЛПР выделяет главный критерий (далее f1(X)), а на остальные критерии накладывает требования, что они были не меньше задаваемых им минимальных (пороговых) значений ti. Тогда многокритериальная задача сводится к однокритериальной задаче
(10.16)
Если эта задача разрешима, то ее решение всегда является слабо эффективным, а если оно единственно, то и эффективным. Заметим, что этот вывод не зависит от выбора главного критерия. Рис.10.7 иллюстрирует случай единственного решения задачи (10.16), а рис.10.8 – множества оптимальных решений, лежащего на границе ab, из которого только точка а является эффективной.
Практически задачу (10.16) решают для нескольких наборов значений {ti}, и затем на основании анализа полученных (слабо) эффективных решений ЛПР определяет наиболее предпочтительное из них.
Р ассмотренный метод целесообразно применять, когда ЛПР может обоснованно назначить значения ti или указать узкие пределы для них.
Линейная свертка
Если ЛПР может не только ранжировать критерии, но и дать сравнительную количественную оценку значимости (важности) критериев, решение многокритериальной задачи сводится к обычной задаче с одним критерием, в качестве которого берется обобщенный показатель вида
, (10.17)
где Сi- положительные числа, отражающие веса критериев в структуре предпочтений ЛПР. При групповом ЛПР Ci находятся по индивидуальным весам одним из методов обработки экспертных оценок. Обычно значения Сi нормируются так, чтобы =1. Как следует из теоремы 5, точка максимума функции (10.17) при положительных Сi является эффективной.
Данный способ решения многокритериальной задачи имеет существенные недостатки. Во-первых, большие затруднения возникают при определении весов. Одно дело – расположить критерии по важности, и совсем другое - оценить на сколько или во сколько один критерий важнее другого. Во-вторых, неизвестна связь между значениями весов и значениями критериев в точке максимума F(Х). Очень часто эта зависимость оказывается существенно нелинейной (даже в линейных задачах), включая зоны нечувствительности значений fi к изменению Ci. Поэтому для получения решения, удовлетворяющего ЛПР, приходится максимизировать F(X) для нескольких наборов Сi. Наконец, заметим, что в свертке (10.17) целесообразно все критерии приводить к одним единицам измерения. С этой целью лучше представлять критерии в относительных единицах, беря за базовое максимальное или желаемое значение. Достоинство метода – в стандартности задачи, к которой сводится исходная многокритериальная проблема.
Пример 10.1. Рассмотрим задачу линейного программирования с тремя критериями: максимизировать
f1(X)=-3x1+ 2x2,
f2(X) = 4x1+ 3x2,
f3(X)=2x1-5х2
при условиях
2x1+3x2 18,
2x1+x2 10,
x1,x2 0.
Допустимая область и линии равного уровня критериев показаны на рис.10.9. Максимальное значение функции f1(X) равно 12 и достигается в точке А(0,6), при этом =18, =-30; max f2(X)=24 в точке В(3,4), где =-1 и =-14; mах f3(Х)=10 в точке С(5,0), в которой =-15 и =20. Если взять свертку с равными весами, то есть
то результат максимизации F(Х), как легко убедиться, совпадает с максимизацией одной функции f3(Х). Таким образом, при равных весах решение по линейной свертке дает наилучшее значение f3 и наихудшее для f1. Используя параметрическое программирование, можно определить диапазон значений Ci (зону нечувствительности), в котором оптимальное решение по F(Х) будет оставаться в точке С.