Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
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 С i. 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 f 1(X) =- 3 x 1 + 2 x 2, f 2(X) = 4 x 1 + 3 x 2, f 3(X)=2 x 1 - 5 х 2 при условиях 2 x 1 + 3 x 2 18, 2 x 1+ x 2 10, x 1, x 2 0. Допустимая область и линии равного уровня критериев показаны на
то результат максимизации F (Х), как легко убедиться, совпадает с максимизацией одной функции f 3(Х).Таким образом, при равных весах решение по линейной свертке дает наилучшее значение f 3 и наихудшее для f 1. Используя параметрическое программирование, можно определить диапазон значений Ci (зону нечувствительности), в котором оптимальное решение по F (Х) будет оставаться в точке С.
|