- •Оглавление
- •Введение
- •1. Основные понятия теории системного анализа и принятия решений
- •Классификация задач принятия решения
- •Калибровочные соотношения между альтернативами
- •2.1. Однокритериальные задачи в условиях определенности
- •2.2. Многокритериальные задачи в условиях определенности
- •2.3. Принятие решений в условиях неопределенности
- •2.3.1. Принятие решений при наличии неопределенных факторов
- •Системная матрица расчетных случаев риска
- •2.3.2. Принятие решений в условиях отсутствия информации
- •2.3.3. Принятие решений в условиях нечеткой информации
- •2.3.4. Методы построения функций принадлежности
- •Качественные оценки градации альтернатив
- •3. Принятие решений с использованием критерИев
- •3.1. Минимаксный критерий
- •3.2. Расширенный минимаксный критерий
- •3.3. Критерий байеса-лапласа
- •3.4. Критерий сэвиджа
- •3.5. Модели агрегирования критериев
- •Схемы агрегирования локальных критериев
- •3.6. Основные понятия теории игр
- •Игра с нулевой суммой
- •3.7. Многомерные модели принятия решений
- •4. Методы многокритериальной оптимизации
- •4.1. Аксиоматическая теория полезности
- •4.2. Метод electre I
- •4.3. Метод electre II
- •4.4. Метод анализа иерархий (аналитическая иерархия)
- •5. Синтез оптимального управления объектами
- •5.1. Уравнение эйлера
- •5.2. Формализация задаЧи синтеза оптимальНого управления
- •5.3. Критерии оптимальности автоматических систем
- •5.4. Применение вариационного исчисления в оптимальНом управлении
- •5.5. Синтез оптимального управления. Метод бойчука
- •6. Задачи вычисления численных оценок
- •6.1. Процедура построения квазипорядка на множестве объектов (задача об упаковке)
- •6.2. ПроцедурА оптимального назначения объектов (Задача о назначениях)
- •6.2.1. Постановка многокритериальной задачи о назначениях
- •6.2.2. Формальный анализ задачи
- •6.2.3. Графы предпочтения
- •6.2.4. Матрица предпочтения
- •6.3. Задача планирования производства
- •6.4. Задача Принятия решений в условиях риска
- •6.5. Пример использования критериев
- •6.6. Задача постороенИя функций принадлежности
- •6.7. Синтез оптимального управления с использованием метода Бойчука
- •6.8. Объектно-ориентированный подход в системном анализе и управлении
- •6.8.1. Структура построения проекта задачи системного анализа с использованием ооп
- •Библиографический список
3.5. Модели агрегирования критериев
При решении многокритериальных задач выбора одной из основных является проблема неоднозначности оценок оптимальности (неоднозначности выбора наилучшего решения). Для ее решения используются методы, которые основаны на введении дополнительных предположений, относящихся к процедуре сопоставления критериев и построению модели оптимизации. Рассмотрим несколько наиболее часто используемых методов, основанных на уменьшении общего числа критериев.
1. Замена локальных (частных) критериев одним общим. Эта операция называется сверткой, или агрегированием частных критериев. Наиболее часто используется аддитивная, мультипликативная и максминная свертки.
а) аддитивная свертка:
где К(х) — общий критерий для альтернативы ; {— набор частных критериев;n — число частных критериев; — относительный вес частного критерия. Для весов выполняется условие нормировки:. Наилучшее решение имеет вид:
т. е. наилучшим считается решение, которому соответствует максимум общего критерия на множестве альтернатив.
б) мультипликативная свертка:
или
наилучшее решение равно:
в) максминная свертка (выбор по наихудшему критерию):
наилучшее решение:
Использование того или иного типа свертки отражает представление ЛПР о стратегии достижения целей. Некоторые типы сверток, некоторые из которых приведены в таблице 3.2.
2. Выделение главного критерия.
Если исходной информации достаточно, чтобы из множества критериев выделить главный (основной), то наилучшее решение определяется в виде:
при дополнительных условиях для всех остальных критериев.
3. Введение метрики (расстояния) в пространстве критериев.
Пусть исходной информации достаточно, чтобы определить «идеальное» (предельное) решение, соответствующее точке абсолютного максимума в пространстве критериев. Обозначим ее как . Отметим, что идеальное решение на практике
не достижимо. Введем для каждой альтернативы x X расстояние до точки абсолютного максимума:
Таблица 3.2
Схемы агрегирования локальных критериев
Схемы агрегрования. |
Особенности схемы. |
Решение принимается по «наихудшему» критерию. Стратегия пессимизма (наименьшего риска). | |
Решение принимается по «наилучшему» критерию. Стратегия оптимизма (наибольшего риска). | |
Стратегия является промежуточной между 1 и 2. Предпочтение отдается критериям, наибольшим по величине. — вероятность (вес) критерия | |
Стратегия, имеющая промежуточный характер между 1 и 2; p — константа, регулирующая тип стратегии, . | |
5. |
Стратегия, сочетающая особенности схем 1 и 3. С — константа, регулирующая тип стратегии, . |
Стратегия типа 1 с учетом вероятности (веса) «наихудшего» критерия, позволяющая получить более реалистическое решение, но требующая большей исходной информации. | |
Стратегия относительного пессимизма. Предпочтение отдается критериям, наименьшим по модулю. |
Примечание: — набор локальных критериев; i — нумерует варианты; j — критерии.
При р = 2 получаем евклидово расстояние, при р = 1 — расстояние Хемминга и т. д. Выбор параметра р зависит от условий задачи и предпочтений ЛПР. Наилучшее решение определяется как наиболее близкое к идеальному:
Наилучшее решение минимизирует расстояние до точки абсолютного максимума в пространстве критериев.