Главная страница | Контакты | Случайная страница Автомобили Астрономия Биология География Дом и сад Другие языки Другое Информатика История Культура Литература Логика Математика Медицина Металлургия Механика Образование Охрана труда Педагогика Политика Право Психология Религия Риторика Социология Спорт Строительство Технология Туризм Физика Философия Финансы Химия Черчение Экология Экономика Электроника

ОЦЕНКА СЛОЖНЫХ СИСТЕМ В УСЛОВИЯХ ОПРЕДЕЛЕННОСТИ

Оценивание систем в условиях определенности производится с использованием методов векторной оптимизации с помощью шкал.

Пусть К = (k ₁, k ₂,..., k _I) – векторный критерий, представляю­щий собой отображение К: А ® R ⁱ; К (а) – векторная оценка аль­тернативы а Î А;
Rⁱ – шкала, числовая система при условии, что R¹ – множество всех действительных чисел. Тогда общая задача векторной оптимизации может быть сформулирована следующим образом:

, (1.2.)

где opt – оператор оптимизации, определяющий семантику оптимальности. Решением задачи (1.2) является множество

.

Вследствие того, что, как правило, множество D пусто, оцен­ка сложных систем в условиях определенности на основе мето­дов векторной оптимизации проводится в три этапа.

На первом этапе с использованием системного анализа опре­деляются частные показатели и критерии эффективности. На вто­ром этапе находится множество Парето формулируется задача многокритериальной оптимизации в форме (1.2). На третьем этапе задача (1.2) решается путем скаляризации критериев устране­ния многокритериально.

Принцип Парето. Постановка задачи оптимизации как поиск решения по критерию превосходства хотя и была признана не­корректной, но помогла сформулировать понятие множества Парето как подмножество А^* множества альтернатив А. Множе­ство А^* задается свойством его элементов

(1.3.)

Смысл выражения (1.3) определяет принцип Парето, который состоит в следующем. Множество Парето А^* (переговорное множество, множество компромиссов) включает альтернативы, ко­торые всегда более предпочтительны по сравнению с любой аль­тернативой из множества А \ А^*. При этом любые две альтернати­вы из множества Парето по предпочтению несравнимы.

Несравнимыми называются альтернативы, если альтернати­ва a _i превосходит альтернативу а _j по одним группам критериев, а альтернатива а _j превосходит альтернативу a _i по другим группам. Выражение К(а^*) ³ К(а) означает, что

(1.4)

и хотя бы одно из неравенств (1.4) является строгим.

Понятие множества Парето можно пояснить на примере. Пусть имеем задачу оптимизации по двум критериям k ₁: у ₁ ® min (у ₁), k ₂: у ₂ ® min (у ₂), где у ₁ и у ₂ показатели свойств системы (параметры), значения которых можем выбирать. Целью является выбор оптимальных (в данном случае минимальных) зна­чений параметров.

Нарисуем область параметров и область критериев и опреде­лим между этими областями соответствие G _y ® G _k (рис. 5).

Считаем, что точка у ₍₁₎ является строго предпочтительнее точ­ки у ₍₂₎, если k ₁(у ₍₁₎) £ k ₁(у ₍₂₎) и k ₂(у ₍₁₎) £ k ₂(у ₍₂₎) причем хотя бы одно из неравенств должно быть строгим, то есть переход в предпочтительную точку должен привести к одновременному умень­шению значений параметров по обоим критериям.

Путем переходов из одной предпочтительной точки в другую добиваемся улучшения значений показателей по обоим критери­ям. С выходом на «юго-западную» границу G _y достигаем множе­ства Парето.

Рис. 5. Область параметров G _y(а) и область критериев G _k(б)

Возвращаться назад от границы этого множества нет смысла, поскольку предыдущие значения заведомо хуже. Выход за гра­ницу множества запрещен по условиям ограничений на значе­ния у ₁ и у ₂.

Двигаясь по границе множества, нетрудно видеть, что в опре­деленной области улучшение показателей по k ₁ ведет к одновре­менному ухудшению показателей по k ₂.

Множество точек этой области и есть множество Парето. Одновременная минимизация всех критериев в области Парето невозможна. Поиск решения должен осуществляться на основе какой-либо схемы компромиссного выбора решения.

Методы решения задач векторной оптимизации. Существует несколько методов решения задач многокритериальной оптими­зации:

• метод выделения главного критерия;

• метод лексикографической оптимизации;

• метод последовательных уступок;

• человеко-машинные процедуры векторной оптимизации.

В методе выделения главного критерия ЛПР назначает один главный критерий, остальные выводятся в состав ограничений, то есть указываются границы, в которых эти критерии могут нахо­диться. Н е д о с т а т о к метода очевиден: нет смысла проводить глу­бокое системное исследование, если все критерии, кроме одного, не учитываются.

В методе лексикографической оптимизации предполагается, что критерии, составляющие векторный критерий К, могут быть упорядочены на основе отношения абсолютной предпочтитель­ности. Пусть критерии пронумерованы так, что наиболее важно­му из них соответствует номер 1. Тогда на первом шаге выбира­ется подмножество альтернатив A ₁ Í А, имеющих наилучшие оценки по первому критерию. Если окажется, что ½ А ₁½= 1, то един­ственная альтернатива, входящая в A ₁, и признается наилучшей. Если ½ А ₁½> 1, то на втором шаге выбирается подмножество аль­тернатив А ₂ Í А ₁, имеющих наилучшие оценки по второму критерию, и так далее, до тех пор, пока не будет выявлена лучшая альтернатива.

При поиске решения задачи (1.2) в описанной процедуре, как правило, будут использоваться не все, а лишь наиболее важные критерии, что не всегда может быть оправдано.

Поэтому в методе последовательных уступок для каждого из проранжированных по важности критериев назначается допусти­мое отклонение значения критерия от наилучшего. Затем на пер­вом шаге производится построение подмножества альтернатив A ₁ Í А, для которых отклонение оценки по первому критерию от его экстремального значения не превышает допустимого откло­нения («уступки»). Далее строится подмножество А ₂ Í А ₁ на осно­ве второго критерия и его уступки и т.д. При этом уступки назна­чаются таким образом, чтобы было истинным высказывание

,

поскольку превращение множества A _j на каком-либо шаге j < I в одноэлементное или пустое приводит к невозможности оптими­зации по остальным I-j критериям. Заметим, что если допусти­мое отклонение для всех компонентов векторного критерия по­ложить равным нулю, то метод последовательных уступок пре­вратится в метод лексикографической оптимизации.

Д о с т о и н с т в о м человеко-машинных процедур векторной оптимизации является сочетание возможностей ЭВМ по быстро­му проведению больших расчетов и способностей человека к вос­приятию альтернатив в целом, без длительного изучения и срав­нения их оценок по отдельным критериям. Общая схема этих ме­тодов состоит в следующем. Тем или иным способом ЛПР указывает свои предпочтения на множестве векторных оценок альтернатив. На основе полученной информации ЭВМ автома­тически сужает исходное множество альтернатив, сообщая ЛПР по окончании процесса сужения наилучшие альтернативы. Затем ЛПР указывает допустимые уровни снижения оценок по одним критериям, требуемые более высокие уровни оценок по другим критериям, и ЭВМ вновь выполняет необходимые расчеты. Ите­ративный процесс продолжается до тех пор, пока не будет реше­на задача выбора альтернатив. В процессе решения поиск ведет­ся среди элементов множества Парето.

Методы свертывания векторного критерия в скалярный. В этих методах первоначальная задача заменяется задачей

где k (а) – скалярный критерий, представляющий собой некоторую функцию от значений компонентов векторного критерия:

.

Основной проблемой этого подхода как раз и является пост­роение функции f, называемой сверткой. Данная проблема рас­падается на четыре задачи:

1.Обоснование допустимости свертки.

2.Нормализация критериев для их сопоставления.

3.Учет приоритетов (важности) критериев.

4.Построение функции свертки, позволяющей решить задачу оптимизации.

1. Обоснование допустимости свертки. Требует подтвержде­ния, что рассматриваемые показатели эффективности являются однородными. Известно, что показатели эффективности разде­ляются на три группы: показатели результативности, ресурсоемкости и оперативности. В общем случае разрешается свертка по­казателей, входящих в обобщенный показатель для каждой груп­пы отдельно. Свертка показателей из разных групп может привести к потере физического смысла такого критерия.

2. Нормализация критериев. Проводится подобно нормиров­ке показателей.

3. Учет приоритетов критериев. Осуществляется в большин­стве методов свертывания путем задания вектора коэффициен­тов важности критериев

,

где l_i – коэффициент важности критерия k _i, обычно совпадающий с коэф­фициентом значимости частного показателя качества.

Определение коэффициентов важности критериев, как и в слу­чае с показателями, сталкивается с серьезными трудностями и сводится либо к использованию формальных процедур, либо к применению экспертных оценок.

В результате нормализации и учета приоритетов критериев вместо исходной векторной оценки К (а) альтернативы а образу­ется новая векторная оценка

где k _i (а) – нормированный критерий – находится аналогично нормирован­ному показателю.

Именно эта полученная векторная оценка подлежит преоб­разованию с использованием функции свертки. Способ свертки зависит от характера показателей и целей оценивания системы. Известны несколько видов свертки. Наиболее часто используют­ся аддитивная и мультипликативная свертка компонентов век­торного критерия.

4. Аддитивная свертка компонентов векторного критерия со­стоит в представлении обобщенного скалярного критерия в виде суммы взвешенных нормированных частных критериев:

(1.5)

Такие критерии образуют группу аддитивных критериев. В них свертка основана на использовании принципа справедливой компенсации абсолютных значений нормированных частных кри­териев. Сформулируем суть этого принципа: справедливым сле­дует считать такой компромисс, при котором суммарный уро­вень абсолютного снижения значений одного или нескольких показателей не превышает суммарного уровня абсолютного уве­личения значений других показателей.

Главный недостаток аддитивных критериев состоит в том, что они не вытекают из объективной роли частных критериев в определении качества системы и выступают поэтому как формаль­ный математический прием, придающий задаче удобный вид. Кроме того, низкие оценки по одним критериям могут компен­сироваться высокими оценками по другим критериям. Это зна­чит, что уменьшение одного из критериев вплоть до нулевого значения может быть покрыто возрастанием другого критерия.

Мультипликативная свертка компонентов векторного крите­рия состоит в представлении обобщенного скалярного критерия в виде произведения:

(1.6)

Мультипликативный критерий образуется путем простого перемножения частных критериев k _i, возведенных в степени l_i. Если все частные критерии имеют одинаковую важность, то l_i = 1. При разной важности критериев
l_i ¹ 1.

В мультипликативных критериях схема компромисса предпо­лагает оперирование не с абсолютными, а с относительными изме­нениями частных критериев.

Правомочность мультипликативного критерия основывает­ся на принципе справедливой относительной компенсации: спра­ведливым следует считать такой компромисс, при котором сум­марный уровень относительного снижения значений одного или нескольких критериев не превышает суммарного уровня относи­тельного увеличения значений других критериев.

В математической форме такое условие оптимальности име­ет вид

(1.7)

где D k _i (a) – приращение величины i -го критерия; k _i(a) – первоначальная величина i -го критерия.

Полагая D k _i (a) << k _i(a), можно представить сумму (1.7) как дифференциал натурального логарифма, тогда

(1.8)

Из выражения (1.8) следует, что принцип справедливой отно­сительной компенсации приводит к мультипликативному обоб­щению критерия оптимальности.

Д о с т о и н с т в о м мультипликативного критерия является то, что при его использовании не требуется нормировки частных критериев. Недостатки критерия: критерий компенсирует недо­статочную величину одного частного критерия избыточной ве­личиной другого и имеет тенденцию сглаживать уровни частных критериев за счет неравнозначных первоначальных значений частных критериев.

Выбор между аддитивной и мультипликативной свертками частных критериев определяется степенью важности абсолютных или относительных изменений значений частных критериев со­ответственно.

Кроме свертки векторного критерия в теории векторной оп­тимизации особое место занимает принцип компромисса, осно­ванный на идее равномерности.

Если из существа задачи следует полная недопустимость ком­пенсации значений одних показателей другими, т.е. требуется обеспечить равномерное подтягивание всех показателей к наи­лучшему уровню, то используют агрегирующую функцию следу­ющего вида:

, (1.9)

Такой показатель используется в задачах планирования по «узкому месту».

Общим случаем функции свертки (агрегирования, осреднения) является средняя степенная функция:

(1.10)

где показатель степени p отражает допустимую степень компенсации малых значений одних равноценных показателей большими значениями других показателей (чем больше p), тем больше степень возможной компенсации).

Например, если p ® - ¥ (не допускается никакая компенсация и требуется равномерное подтягивание), то агрегирующая функ­ция (1.10) дает результаты, совпадающие со значениями (1.9); если p ® 0 (то есть требуется обеспечение примерно одинаковых уров­ней частных показателей), то в пределе будет совпадение значе­ний (1.10) и (1.6). При р = 1 будет совпадение значений (1.10) и (1.5). Во всех этих случаях .

Если из существа задачи следует, что одни показатели жела­тельно увеличивать, а другие уменьшать, то иногда используют функцию агрегирования в виде отношения одних показателей к другим, например:

,

где i = 1, 2,..., m _I – номера показателей, значения которых желательно увели­чивать, а i = m _I + l, m _I +2,..., I –уменьшать.

Часто первая группа показателей отождествляется с целевым эффектом, а вторая – с затратами на его достижение. При этом показатели не должны быть однородными.

Рассмотренные группы методов предоставляют широкие воз­можности для анализа многокритериальных оценок в целях вы­бора наилучшей альтернативы, ранжирования альтернатив и т.д. Однако условия применимости тех или иных методов вследствие эвристического характера последних не могут быть четко сфор­мулированы. От этого недостатка свободна группа методов, ос­новывающихся на аксиоматическом подходе к принятию реше­ний - теории полезности.