Линейным методом математической свертки следует рассчитывать показатели. Электронное учебное пособие. Примеры решения многокритериальной задачи методом последовательных уступок
Важность критериев была задана нечеткими числами с функциями принадлежности следующего вида:
ВАЖНЫЙ (В)- m B ={0,4; 1/0,7; 0/1};
ОЧЕНЬ ВАЖНЫЙ (OB) - m OB ={0/0,7; 1/1};
НЕ ОЧЕНЬ ВАЖНЫЙ (НОВ) - m HOB = {0/0,1; 1/0,4; 0/7}.
Для оценки альтернатив использовались лингвистические значения:
Альтернативы получили следующие оценки по критериям:
Взвешенные оценки альтернатив R i имеют следующие функции принадлежности:
Оценки предпочтительности альтернатив равны: m(a 1) = 0,90, m(a 2) = 0,62, m(a 3) = 1,0. Лучшей альтернативой является a 3 , a худшей – а 2 .
Решение задачи методом анализа иерархий
На заданном наборе критериев была построена трехуровневая иерархия, на верхнем уровне которой определена цель выбора (с G). На втором уровне находятся обобщенные критерии: прибыль (с P) к и риск (с R) . На третьем уровне иерархии расположены перечисленные выше критерии с 1 , ..., с 5 . При этом критерии c 1 , с 2 , с 3 , входят в группу критерия c P , а критерии с 4 , с 5 - в группу критерия c R . Экспертные предпочтения и полученные приоритеты приведены в матрицах попарных сравнений:
В результате иерархического синтеза получены векторы приоритетов альтернатив:
Альтернативой с наименьшим риском является а 1 , а наибольшую прибыль обеспечивает а 3 . Эта же альтернативаимеет максимальный приоритет относительно цели выбора.
Сравнение полученных результатов
На рис. 4.9 приведены результаты решения задачи выбора рационального инвестиционного проекта, полученные различными методами.
Несмотря на то, что исходная информация во всех рассмотренных примерах является последовательной и непротиворечивой, полученные результаты заметно отличаются. Кроме описанных выше нечетких методов принятия решений, для сравнения использовался метод анализа иерархий, который обычно дает результаты, хорошо согласующиеся с интуитивными представлениями экспертов при рациональном подходе к принятию решений.
Несовпадение результатов, полученных разными методами, объясняется, с одной стороны, разными способами представления экспертной информации, а с другой стороны - различием подходов к принятию решений. Так, в основу метода анализа иерархий и метода отношений предпочтения заложен рационально-взвешенный подход, основанный на попарных сравнениях объектов и нормированных весовых коэффициентах. Максиминная свертка и лингвистическая векторная оценка являются реализациями пессимистического подхода, игнорирующего хорошие стороны альтернатив, когда лучшей считается альтернатива, имеющая минимальные недостатки по всем критериям. Аддитивная свертка предполагает оптимистический подход, когда низкие оценки по критериям имеют одинаковый статус по сравнению с высокими. Нечеткий вывод на правилах реализует эвристический подход.
Анализ приведенных результатов позволяет сделать следующие выводы:
1. Методы принятия решений на нечетких моделях позволяют удобно и достаточно объективно производить оценку альтернатив по отдельным критериям. В отличие от других методов добавление новых альтернатив не изменяет порядок ранее ранжированных наборов. При оценке альтернатив по критериям возможна как лингвистическая оценка, так и оценка на основе точечных оценок с использованием функций принадлежности критериев.
2. Основной проблемой многокритериального выбора с применением нечетких моделей является представление информации о взаимоотношениях между критериями и способы вычисления интегральных оценок. Методы, базирующиеся на разных подходах, дают различные результаты. Каждый подход имеет свои ограничения и особенности, и пользователь должен получить о них представление, прежде чем применять тот или иной метод принятия решений. Наиболее широкие возможности для представления информации дает эвристический подход.
3. Большинство нечетких методов принятия решений показывает слабую устойчивость результатов относительно исходных данных. Исследование рассмотренных методов показало, что наибольшей устойчивостью обладает метод, основанный на правилах.
Анализ нечетких методов принятия решений позволяет сформулировать требования к дальнейшим разработкам в этой области. Это развитие теоретических подходов к описанию сложных взаимоотношений между критериями, более широкое применение интеллектуальных методов на основе нечеткой логики, а также развитие комбинированных методов принятия решений с использованием нечетких представлений.
Основные понятия
1. Нечеткие множества.
2. Нечеткие числа.
3. Лингвистические переменные.
4. Лингвистический критерий.
5. Лингвистическая оценка.
6. Нечеткие операции и отношения.
7. Нечеткие отношения предпочтения.
8. Максиминная свертка нечетких множеств.
9. Нечеткий логический вывод.
10. Композиционное правило вывода.
11. Методология применения методов теориинечетких множеств.
12. Сравнительный анализ методов.
13. Практические результаты применения методовпринятия решений.
Контрольные вопросы и задания
1. Перечислите и дайте определения основным элементам теории нечетких множеств.
2. Дайте определение нечетким операциям, отношениям и свойствам отношений.
3. Охарактеризуйте постановку задачи многокритериального выбора альтернатив на основе пересечения нечетких множеств.
4. Составьте алгоритмы и программы многокритериального выбора альтернатив методом максиминной свертки.
5. Постановка задачи выбора альтернатив на основе нечеткого отношения предпочтения.
6. Разработайте алгоритмы и программы для решения задачи многокритериального принятия решений на основе нечеткого отношения предпочтения.
7. Постановка задачи выбора альтернатив с аддитивным критерием.
8. Разработайте алгоритмы и программы для решения задачи многокритериального принятия решений на основе аддитивной свертки предпочтений, заданных нечеткими числами.
9. Постановка задачи принятия решений на основе лингвистической векторной оценки.
10. Разработайте алгоритмы и программы для решения задачи многокритериального выбора с использованием метода лингвистического векторного критерия.
11. Постановка задачи многокритериального выбора с использованием правила нечеткого вывода.
12. Разработайте алгоритмы и программы для решения задачи выбора рациональной альтернативы на основе математического аппарата нечеткого логического вывода.
13. Рассмотрите применение принципов пересечения нечетких множеств в экономических и управленческих задачах принятия решений.
14. Разработайте методику применения метода нечеткого отношения предпочтения для проектирования и выбора конкурентоспособных экономических, технических и управленческих решений.
15. Поставьте задачи из области экономики, наилучшим образом формализуемые математическим аппаратом нечеткого логического вывода.
16. Решите одну задачу различными методами принятия решений, основанными на теории нечетких множеств. Проведите сравнительный анализ полученных результатов. Сделайте вывод о том, какой из методов дает наиболее адекватные результаты в сравнении с вашими представлениями.
Литература
1. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. - М.: Мир, 1976. - 165 с.
2. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ. - М.: Радио и связь, 1986. - 408 с.
3. Борисов А. П., Крумберг О. А., Федоров И. П . Принятиерешенийна основе нечетких моделей. - Рига: Зинатне, 1990. - 184 с.
4. Нечеткие множества в моделях управления и искусственного интеллекта/Под ред. Д. А. Поспелова. - М.: Наука, 1986. - 312 с.
Многокритериальная задача выбора формулируется в следующем виде. Дано множество допустимых альтернатив, каждая из которых оценивается множеством критериев.
Требуется определить наилучшую альтернативу. При ее решении основная трудность состоит в неоднозначности выбора наилучшего решения. Для ее устранения используются две группы методов. В методах первой группы стремятся сократить число критериев, для чего вводят дополнительные предположения, относящиеся к процедуре ранжирования критериев и сравнения альтернатив. В методах второй группы стремятся сократить число альтернатив в исходном множестве, исключив заведомо плохие альтернативы.
К методам первой группы относятся метод свертки, метод главного критерия, метод пороговых критериев, метод расстояния. Следует отметить, что строгое обоснование этих методов отсутствует и их применение определяется условиями задачи и предпочтением ЛПР.
Метод свертки состоит в замене исходных критериев (их называют также локальными или частными) Kj одним общим критерием K. Эта операция называется сверткой или агрегированием частных критериев. Метод целесообразно применять, если по условиям задачи частные критерии можно расположить по убыванию важности так, что важность каждой пары соседних критериев различается не сильно, либо, если альтернативы имеют существенно различающиеся оценки по разным критериям. Наиболее часто используются следующие виды сверток: аддитивная, мультипликативная, расстояние до идеала.
Алгоритм метода линейной свертки
- 1. Определяем коэффициенты важности (веса для каждой функции). Для этого используем метод пропорциональных коэффициентов.
- 2. заменяем знаки функций, для того чтобы перейти от задачи минимизации к задаче максимизации.
- 3. Выполнить нормировку критериев по формуле.
4. Строим функцию взвешенной аддитивной свертки и исследуем ее.
Решение
Используя пропорциональный метод, определим коэффициенты важности.
Метод свертывания критериев предполагает преобразование набора имеющихся частных критериев в один суперкритерий.
Т.е. мы получаем новый суперкритерий F, который является функцийот частных критериев. В общем случае, функциюназывают сверткой частных критериев .
К основным этапом свертывания относятся:
1. Обоснование допустимости свертки
При обосновании допустимости свертки, мы в первую очередь должны подтвердить, что критерии, которые мы сворачиваем, должны быть однородными. Выделяют такие группы показателей эффективности;
Показатели результативности;
Показатели ресурсоемкости;
Показатели оперативности.
Критерии, которые мы сворачиваем, должны относиться к одной и той же группе, нельзя сворачивать критерии, которые относятся, например, один из них к показателям оперативности, а другой к показателям результативности. Т.е. для каждой группы свертывание частных критериев следует выполнять отдельно. При нарушении этого принципа теряется смысл критерия .
2. Нормировка критериев
Правила нормализации критериев, мы рассматривали ранее в предыдущем разделе.
3. Учет приоритетов критериев
Учет приоритетов обычно задается некоторым векторам весовых коэффициентов, которые отображают важность того или иного критерия для решаемой задачи.
4. Построение функции свертки
Для свертывания критериев, используют такие основные типы функций:
Аддитивные функции свертки;
Мультипликативные;
Агрегированные, а также могут быть другие варианты сверток.
Аддитивная свертка
Аддитивную свертку критериев можно рассматривать как реализацию принципа справедливой компенсации абсолютных значений нормированных частных критериев . В этом случае, суперкритерий обычно строятся как взвешенная сумма частных критериев
(2.9)
Весовые коэффициенты
выбираются такими, чтобы их сумма была
равна единицы.
В методе равномерной оптимизации,
который является частным случаем
аддитивной свертке, весовые коэффициенты
берутся равными друг другу
.
Иногда оказывается более удобным другой
подход к определению весовых коэффициентов,
их определяет соответствие с такой
таблицей:
таблица 2.1.
Таблица относительной важности критериев
Мультипликативная свертка
Мультипликативная свертка базируется
на принципе справедливой компенсации
относительных изменений частных
критериев. При этом, суперкритерий имеет
вид:
,
произведение частных критериев,
каждый из которых возведен в степень.
При этом сумма весовых коэффициентовдолжна быть равна единицы,
а каждый из весовых коэффициентов должен
быть не отрицательной величиной.
При использовании мультипликативных критериев не требуется нормировка частных критериев, и это является их преимуществом .
Выбор между аддитивными и мультипликативными критериями определяется важностью учета абсолютных или относительных изменений значений частных критериев.
Агрегирование частных критериев используют также различные варианты агрегирование. В частности, если компенсация значений одних показателей эффективности другими недопустима, то используют функции агрегирования вида:
Для каждого частного критерия, находится его нормированное значение и умножается на весовой коэффициент. А потом из всех полученных величин выбирается либо максимальное, либо минимальное значение.
Если первые mпоказателей надо увеличить, а остальные – уменьшить, то используют функцию агрегирования вида:
(2.11)
В числители находятся произведение тех критериев, значение которых нам надо максимизировать, а в знаменателе находятся произведение тех критериев, значение которых нам надо минимизировать. И поэтому мы получаем новый критерий, который нам надо будет максимизировать .
Методы свертывания критериев широко используются в решение задач многокритериальной оптимизации. Однако они имеют также проблемы и недостатки. В частности трудно обосновать выбор метода свертывания критериев, а от выбора метода часто зависит получаемый результат. Другим недостатком является трудность обоснование выбора весовых коэффициентов, часто для этого привлекается эксперты, проводятся опросы, потом обрабатываются полученные результаты, однако это требует много времени и затраты других ресурсов. Еще одна проблема связана с тем, что эти методы, как правила дает возможность компенсировать малые значения одних критериев большими значениями других, что часто бывает неприемлемо для конкретных решений .
Рассмотрим в качестве примера такую задачу:
Перед тем как преобразовывать эти критерии в 1, мы должны привести их в однородном состоянии. Т.е. в данном случае нужно максимизировать f2→ f2" = -f2. И тогда получим: . После этого суммируем частных критериевв один, и можем дальше решить задачу обычным путем.
Также нужно учитывать и весовые коэффициенты, при этом их сумма должна быть = 1, и каждый из весовых коэффициентов должен быть неотрицательной величиной. Весовые коэффициенты распределяется по важности этих самих частных критериев . В данном случае, весовые коэффициенты будут распределяться следующим образом: 0,5; 0,2; 0,3.
После подсчета вместе с весовыми коэффициентами, мы получим целевую функцию такого вида: или.
Открываем электронную книгу Excel и, как и для решения однокритериальной задачи определяем ячейки под переменные . Для этого в ячейку А3 вводим подпись «Переменные», а соседние три ячейки В2, С2 и D2 вводим значения переменных. Это могут быть произвольные числа, например единицы или нули, далее они будут оптимизироваться. В нашем случае это единицы.
рис.2.11. Определение переменных, целевых и ограничений
В четвертой строке задаем целевую функцию. В А4 вводим подпись «Целевая», а в В4, С4, D4 наши значения.
В ячейку F6,F7и F8 вводим формулы «=B6*$B$3+C6*$C$3+D6*$D$3», «=B7*$B$3+C7*$C$3+D7*$D$3»,«=B8*$B$3+C8*$C$3+D8*$D$3» соответственно.
После открытия окна «Поиск решения» в поле «Оптимизировать целевую функцию» ставим курсор и делаем ссылку на ячейку «F4». В окне появится $F$4. В связи с тем, что целевая функция максимизируется, далее нужно проверить, что флажок ниже поля стоит напротив надписи «Максимум».
После ставим курсор в поле «Изменяя ячейки переменных» и обводим ячейки с переменными В3, С3 и D3, выделяя ячейки с переменными. В поле появиться $B$3:$D$3.
В нижней части окна находится поле «Ограничения». Добавляем все необходимые ограничения, «F6» «» «F6», «F7:F8» «≤» и «G7:G8».
Вводим дополнительное ограничение, и получим следующую формулу «B3:D3», «», «0».
рис.2.12. Параметры поиска решения
Далее выбираем метод решения «Поиск решения линейных задач симплекс-методом». Для запуска вычислений нажимаем кнопку «Найти решение». Появляется надпись, что решение найдено. Выбираем «Сохранить найденное решение» и «ОК» видим результат.
рис.2.13. Окончательный результат решения по методу свертывания критериев
Существующие методы предназначены в основном для сравнения заданных альтернатив и выбора лучшей из них. Довольно часто критерии, по которым оцениваются альтернативы, противоречивы, для них используются разные методы и шкалы оценок.
С математической точки зрения не существует идеального способа или метода решения многокритериальных задач оптимизации. Тем не менее, эти методы помогают подготовить всю необходимую для принятия решения информацию таким образом, чтобы помочь лицам принимающее решение максимально точно разобраться в ситуации и принять наиболее обоснованное решение.
Другим направлением решения задачи многокритериального анализа является отказ от множества критериев путем сведения их к одному. Простейший подход, когда один критерий считают главным и упорядочивают лишь по нему, а остальные используют, только если у двух альтернатив значения главного критерия одинаковы (если одинаковы значения и главного, и второго по важности критерия, используют третий и т.д.), оказывается удовлетворительным лишь в редких случаях. Обычно среди критериев невозможно выделить важнейший. Лучше работают методы, учитывающие все значения вектора критериев. Такие составные критерии принято именовать свертками.
Рассмотрим основные способы свертки критериев. Сумма критериев представляет собой аддитивную свертку. Умножение значений критериев на весовые коэффициенты позволит придать им разную степень важности -чем больше вес критерия, тем большее влияние он окажет на окончательный результат отбора.
Произведение критериев является мультипликативной сверткой. В этом случае, подобно введению весов в аддитивной свертке, можно перед перемножением критериев возвести их в степень тем большую, чем больше важность, придаваемая критерию. Очевидно, что мультипликативная свертка оправданна, если критерии неотрицательны–иначе правило «минус на минус дает плюс» сыграет с нами плохую шутку, сделав «хорошее» значение свертки из двух заведомо плохих критериев. Впрочем, если только один из критериев принимает отрицательные значения, подобного рода парадоксы не возникают, и мы можем пользоваться мультипликативной сверткой. Также нужно учитывать, что если один из критериев равен нулю, то и мультипликативная свертка равна нулю, для аддитивной же свертки такое правило не выполняется. Вообще, в мультипликативной свертке по сравнению с аддитивной большее влияние оказывают те критерии, которые для данного объекта имеют низкие значения.
Аддитивная свертка наиболее приемлема для критериев, представляющих собой однородные по смыслу и близкие по масштабу значений величины, каковыми в нашей классификации являются прогнозные критерии. Например, комбинируя «математическое ожидание прибыли по логнормальному распределению» и «математическое ожидание прибыли по эмпирическому распределению», естественно взять в качестве критерия их сумму. С другой стороны, для свертывания таких классов критериев, как «математическое ожидание прибыли» и «вероятность прибыли» (по любому из распределений), лучше применять мультипликативную свертку. В этом случае мы используем полезное свойство произведения – если прогнозируемая вероятность прибыли близка к нулю, то и сводный критерий также будет стремиться нулю. Впрочем, в применении произведения есть дополнительная тонкость – если матожидание прибыли отрицательно, то, умножая его на меньшую вероятность, получаем величину более близкую к нулю и, следовательно, большую. Однако это не создает трудностей, если комбинации с отрицательным матожиданием прибыли просто не принимаются к рассмотрению.
Кроме аддитивной и мультипликативной, существует также селективная свертка, когда для каждого элемента исходного множества принимается в качестве значения свертки наименьшее (или наибольшее) значение из всего набора критериев. В главе 5 мы предложили методику минимаксной свертки для функций полезности. Аналогичные принципы могут использоваться и для свертки критериев.
При расчете свертки не стоит забывать о том, что критерии могут измеряться в разных единицах и иметь различный масштаб величин. Существует несколько способов их приведения к единой мере. Так, можно вычесть из значений критериев их средние значения и разделить на стандартные отклонения (метод нормализации) или же вычесть минимальные (минимальные по данной выборке или минимальные принципиально достижимые) значения, разделив затем на разность между максимальным и минимальным значением (в этом случае значения критерия будут лежать в интервале от нуля до единицы). Первый из предложенных способов более пригоден для построения аддитивной, второй–для мультипликативной свертки.
Еще один подход к построению свертки критериев состоит в нахождении расстояния от данного элемента до некоторого «идеального». Для этого значения критериев приводятся к интервалу (0,1), и предполагается, что идеальный вариант имеет все единичные оценки критериев (т. е. у него достигаются все максимально возможные значения критериев одновременно). Для каждого оцениваемого элемента исходного множества j рассчитываем значение свертки R по формуле
Для проведения описанных ниже исследований мы использовали аддитивную свертку с приведением критериев к единому масштабу методом умножения на поправочные коэффициенты. Это самый простой и грубый способ, но он наиболее приемлем при выполнении разноплановых статистических исследований, поскольку дает легко сопоставимые результаты. Для практической же работы предпочтительно использовать более усовершенствованные методы свертки и нормировки, подобные описанным выше, или другие, здесь не упомянутые.
Метод свёртки критериев
Стандартный приём «борьбы» с многокритериальным выбором это переход к однокритериальной задаче с использованием метода свёртки критериев.
Свёртка критериев означает построение интегрального показателя на основе частных критериев. Интегральный показатель I рассчитывается или как взвешенная сумма частных показателей (выражение (1) - аддитивная форма) или как их произведение (выражение (2) – мультипликативная форма), опять же нормированное на соответствующие веса (важность критериев).
K – частный критерий,
a – вес критерия, причём ,
N – количество критериев,
v - номер критерия.
Использование такого метода как свёртка критериев предполагает, что частные критерии измеряются в абсолютной шкале. Кроме того, критерии должны быть независимы друг от друга. Это означает, что справедливы выражения (3) и (4), то есть отношение предпочтения определяется либо критерием «2» - выражение (3), - либо критерием «1» - выражение (4).
(xi1, xi2) < (xi1,xj2) => (xj1, xi2) < (xj1, xj2) (3)
(xi1, xi2) < (xj1,xi2) => (xi1, xj2) < (xj1, xj2) (4)
Вес критериев, как правило, определяется экспертным методом.
Типичным примером использования метода свёртки критериев является построение интегрального показателя качества продукции.
В литературе встречается утверждение, что мультипликативная и аддитивная формы интегрального показателя эквивалентны. В подтверждение этого ссылаются на взаимную однозначность преобразования интегрального показателя из одной формы в другую, например, с использованием перехода в логарифмическую шкалу и обратно. Следует отметить, что такой переход в общем случае не сохраняет тех же самых отношений предпочтения, то есть может привести к разным выборам. Эквивалентный в смысле сохранения отношения предпочтения переход от мультипликативной формы к аддитивной требует применения весовых коэффициентов, зависящих от значения критерия 2 .
Схемы компромиссов, метод свертывания критериев
Схемы компромиссов смотреть здесь.
Метод свёртывания критериев
Локальные критерии свёртываются в глобальный в соответствии с какой-то функцией.
Линейная аддитивная свёртка: 
Линейная мультипликативная свёртка: , где - вес критерия,
Нелинейная свёртка: 
Эффективность-стоимость:
После операции свёртки, альтернативы упорядочиваются по значению глобального критерия: .
Основные проблемы применения метода свёртывания критерия:
· Сложно обосновать значения «весов» критериев;
· Недостатки по одним критериям могут компенсироваться большими значениями других критериев;
· Сложно обосновать вид функции свёртки критериев.
ВЫВОДЫ
Для оценки достижения цели организации используется целый ряд показателей – критериев, так как цель хозяйственной системы носит многомерный характер. Каждый из критериев должен быть количественно измерим, определён на одной из шкал измерений.
При принятии управленческих решений могут быть использованы все известные виды шкал: номинальная, ранговая, интервальная и абсолютная.
Важной задачей является построение системы показателей, отражающих генеральную цель ЛПР. В литературе сформулирован целый ряд требований, которые необходимо соблюдать, чтобы использование системы показателей было оправданным. Это требования полноты, действенности, разложимости, неизбыточности и минимальной размерности.
Наиболее распространённым методом решения многокритериальных задач является построение интегральных показателей на основе метода свёртки критериев.
Для использования метода свёртки критериев необходимо измерение значений критериев в абсолютной шкале, а также соблюдение требования независимости критериев.
Лексикографический метод решения многокритериальных задач заключается в последовательном применении упорядоченных по важности критериев.
В случае, когда разнокачественность сравниваемых объектов принципиальна, единственным адекватным подходом является выделение множества Парето.
Множество Парето образует набор таких объектов, что переход от одного к другому обязательно повысит значение хотя бы одного критерия и ухудшит значение минимум одного критерия. Выбор одного из объектов требует дополнительных соображений.
Загрузка...
