- •Задачи векторной оптимизации.
- •Основные понятия и определения.
- •Методы решения задач многокритериальной оптимизации.
- •Метод "обобщенного критерия".
- •Основные виды сверток.
- •Линейная свертка и ее свойства.
- •Методы определения весовых коэффициентов.
- •Решение задач векторной оптимизации при наличии дополнительной информации о важности частных критериев оптимальности.
- •Метод выделения главного критерия.
- •Метод последовательной оптимизации с учетом жесткого приоритета.
- •Метод последовательных уступок.
- •Метод равенства частных критериев.
- •Метод квазиравенства частных критериев оптимальности.
- •Метод гарантированного результата или метод минимакса.
- •Поиск оптимально - компромиссного решения в области компромиссов.
Решение задач векторной оптимизации при наличии дополнительной информации о важности частных критериев оптимальности.
Если среди частных критериев оптимальности можно выделить один наиболее предпочтительный из всех остальных , то в этом случае свёртывание векторного критерия может быть осуществлено с помощью метода выделения главного критерия.
Метод выделения главного критерия.
Если среди частных критериев можно выделить один "главный", пусть для определенности это будет, а остальные не столь значимы , то вместо исходной задачи ( 11.1 .0 ) можно рассмотреть следующую задачу:
(11.2.0 )
где - некоторые пороговые значения соответствующих критериев.
( 11.2 .0 ) - задача математического программирования, которая может быть решена одним из существующих методов. Полученное при этом решение будет близко к ожидаемому в том случае, если по существу дела критерий важнее всех остальных и пороговые значения соответствуют реальности. Можно, например, найти как решение соответствующей однокритериальной задачи:
но в этом случае ограничения на будут слабыми и решение задачи ( 11.2 .0 ) будет близко к решению задачи:
то есть критерии слабо влияют на результат.
Довольно распространенным является следующий подход . Выбирается некоторый относительный порог
/ часто он бывает одинаков для различных критериев, так как является безразмерной величиной / отклонения критерия от своего минимума:
где
Как и в предыдущем случае , нахождение , либо их оценок является отдельной задачей.
Вернемся к примеру из раздела 11.1:
Применим метод выделения главного критерия , используя пороговые значения.
Пусть главным критерием будет , а величину порога будем задавать различной:.
.
Решаем геометрически однокритериальную задачу:
Получаем .
Теперь решим задачу при :
Получаем .
И, наконец, положим
Получаем .
Проанализируем полученные результаты и попробуем сделать выводы. Чем большее пороговое значение назначается, тем большее отклонение от своего минимума по неглавному критерию допускается, в результате имеем однокритериальную задачу со слабыми ограничениями на не основные критерии, решение такой задачи будет близко к точке минимума главного критерия на .
В нашем примере, при получили решение, которое совпало с решением однокритериальной задачи / ограничение нане сыграло роли /.
Уменьшением пороговых значений мы ужесточаем требования по близости решения к точкам минимума не основных критериев , что может привести, как в нашем случае при , к приближению полученного решения к точке минимума других критериев , либо может получиться решение, не являющееся эффективным, либо можно получить несовместные условия, не позволяющие получить решения.
Метод выделения главного критерия, как и все последующие методы этой главы, состоит в замене постановки исходной задачи ( 11.1 .0 ) некоторой другой, например ( 11.2 .0 ) , и в решении этой задачи. При этом возможны два подхода:
замена постановки производится затем, чтобы работать с этой новой постановкой , не возвращаясь к старой;
замена постановки производится только для облегчения процедуры получения решения, которое анализируется с позиций исходной постановки.
В первую очередь полученное решение исследуется на эффективность. Наиболее распространенным условием проверки на эффективность служит следующая теорема:
Теорема. Решение является эффективной точкой тогда и только тогда, когда оно минимизируетна множестве.
Вернемся к нашему примеру и проверим, например, решение, соответствующее .
Для этого необходимо решить задачу:
Такую задачу можно решить чисто геометрически и получим , что - решение этой задачи, следовательно, методом выделения главного критерия примы получили эффективную точку.
Пусть каким-то образом мы получили решение / заведомо мы знаем, что это неэффективное решение, так как оно не принадлежит области Парето /.
Итак, снова решаем задачу однокритериальной оптимизации:
Нетрудно видеть, что здесь допустимой областью будет отрезок , на этом отрезке производная, следовательновозрастает на отрезкеи принимает наименьшее значение на левом конце при, отсюда следует, чтоне является эффективной точкой.
В заключение этого раздела необходимо сделать замечание.
Замечание.
Метод выделения главного критерия позволяет в лучшем случае получить одно из нескольких эффективных решений.
Это замечание остается справедливым и для последующих алгоритмов этой главы. Однако для многих реальных задач этого явно недостаточно, поскольку окончательное решение желательно принимать , зная все или почти все эффективные решения.