Лекция 17. Методы многокритериальной оптимизации

Задача принятия решений (ПР) возникает, когда существует несколько вариантов действий (альтернатив) для достижения заданного результата. При этом требуется выбрать наилучшую в определенном смысле альтернативу. Задача выбора состоит в следующем:

-построение формальных моделей ситуации выбора;

-анализ неопределенностей;

-формирование целей принятия решений.

Процесс принятия решений целесообразно рассматривать как систему, состоящую из некоторого набора типовых подсистем (этапов) и их элементов (процедур, действий, операций), взаимодействующих между собой, число и состав которых может варьироваться в зависимости от условий и решаемой задачи. Входным элементом системы принятия решений является информация о проблемной области (исходная информация), выходным – множество допустимых (оптимальных) решений.

Табл. 1 содержит детализированную структуру обобщенного процесса принятия решения.

Основными неформальными элементами принятия решений являются: формирование множества альтернатив, оценивание альтернатив и выбор оптимальных (в определенном смысле) вариантов решения.

В табл.2 дана классификация задач принятия решений по ряду признаков.

В общем случае задача принятия решения представима кортежем следующего вида:

áX, I, S, Fñ, где X – множество альтернатив; I – уровень информации; S – метод поиска (метод) решения; F – множество критериев оценки альтернатив.

Стратегия поиска решения зависит от имеющейся информации о задаче и включает способ выбора альтернатив,

Таблица 1.

Структура процесса принятия решения.

Этап	Действие
Уяснение задачи	Сбор и анализ информации; оценка уровня информации, классификация ситуации (проблемы); поиск прямых аналогов, выявление возможных вариантов действий; формирование идеальной модели (стереотипа решения)
Системный анализ задачи	Структуризация проблемы; учет влияющих факторов и ограничений; формирование модели (решения); построение дерева решений; определение возможных последствий на каждом уровне дерева решений; формирование набора оценочных критериев выделение наиболее существенных признаков (критериев); формирование рабочих вариантов решения, оценка последствий решений по набору критериев
Оптимизация	Выбор метода (модели) оптимизации; агрегирование оценочных критериев; нахождение подмножества оптимальных решений
Выбор и анализ решения	Выбор допустимых решений (решения); оценка качества решения и возможности его улучшения; прогноз последующих действий

определяемый структурой предпочтений лица принимающего решение (ЛПР) и метод (модель) оптимизации, обусловливающий способ агрегирования критериев. Способ выбора альтернатив может предусматривать поиск наилучшего решения, удовлетворительного решения, наиболее предпочтительной альтерна-

Таблица 2

Классификация задач принятия решения

Классификационный признак	Разновидность задачи принятия решения
Новизна задачи (алгоритм решения, наличие аналога)	Задача имеется в базе знаний (есть алгоритм решения); задачи нет в базе знаний, но есть аналоги; задача не имеет аналогов
Тип исхода (информационная среда задачи, уровень информации)	Детерминированный исход (в условиях определенности); случайный исход (в условиях риска, в условиях неопределенности); нечеткий исход (в условиях нечеткости)
Вид проблемной ситуации	Необходимость решения новой задачи; изменение условий функционирования системы; появление новой информации; сбой в работе (отказ) системы или ее элементов
Метод описания и представления информации	Декларативный; процедурный; комбинированный (сочетание нескольких методов)
Метод поиска решений	Полный перебор; имплицитный перебор; эвристический поиск
Число критериев	Однокритериальная; многокритериальная
Тип критериальной оценки решения	Точечная; интервальная; нечеткая; статистическая
Область применения решения	Управление; прогнозирование; измерение; контроль; диагностирование; проектирование; классификация

тивы, недоминируемой альтернативы, возможной альтернативы, и т.п. Метод (модель) оптимизации включает такие подходы, как векторная оптимизация, использование функции полезности, интерактивное программирование. Множество критериев определяется степенью детализации задачи и требуемым качеством ее решения.

В табл.3 приведены меры информации в различных средах.

Таблица 3.

Меры информации в различной информационной среде.

Среда решения	Измеряемая характеристика	Мера информации
Детерминированная	Степень отличия поведения системы от заданного	Точность достижения заданного состояния
Случайная	Вероятность, ожидаемая полезность	Количество, ценность
Нечеткая	Степень удовлетворения рассматриваемому свойству	Степень принадлежности

На практике задачи системного анализа и принятия решений обладают слабой структурированностью. Для существования задачи ПР необходимо иметь хотя бы две альтернативы.

Бинарное отношение позволяет формализовать операции попарного сравнения альтернатив.

Бинарным отношением на множестве X будем называть произвольное подмножество R множества X ², т.е. R Í А ² (R Í X ´ X). Если задано отношение R Í X ² и (x_i,x_j) Î R ((x_i,x_j) Î R x_i R x_j ), x_i Î X, x_j Î X, то задание бинарного отношения интерпретируется как введение некоторой системы предпочтений, т.е. если (x_i,x_j) R, x_i X, x_j X, то подразумевается, что в определенном смысле элемент x_i “лучше” или не “хуже” элемента x_j. Рассмотрим некоторые свойства бинарного отношения.

1. Отношение называется рефлексивным, если (x_i,x_i) R " x_i Î X.

2. Отношение называется антирефлексивным, если из x_i R x_j Þ x_i ¹ x_j.

3. Отношение называется связным, если " x_i, x_j Î X (x_i,x_j) R или(x_j,x_i) R.

4. Отношение называется симметричным, если " x_i, x_j Î X из x_i R x_j Þ x_j R x_i.

5. Отношение называется асимметричным, если из двух соотношений

x_i R x_j и x_j R x_i , по меньшей мере, одно не выполняется. Если отношение ассиметрично, то оно и антирефлексивно.

17. Отношение называется антисимметричным, если " x_i, x_j Î X из x_i R x_j и x_j R x_i Þ x_i = x_j.

7. Отношение называется транзитивным, если " x_i, x_j, x_k Î X таких, что (x_i,x_j) R и (x_j,x_k) R Þ (x_i,x_k) R.

8. Отношение R называется квазипорядком, если R рефлексивно и транзитивно.

9. Отношение R называется линейным квазипорядком, если R рефлексивно, транзитивно и связно.

10. Отношение P называется отношением строгого предпочтения, если оно антисимметрично и связно.

11. Отношение I называется отношением безразличия, если оно симметрично и транзитивно.

Наиболее распространенным подходом к решению задач ПР является построение скалярной функции ценности (полезности) U(x) со следующими свойствами: U(x_i) > U(x_j), если (x_i,x_j) P; U(x_i) = U(x_j), если (x_i,x_j) I. Если функция ценности существует, то она определяет линейный квазипорядок на множестве X. Верно и обратное, если на множестве X построен линейный квазипорядок, то возможно построение функции ценности (например, путем сопоставления альтернативам множества X, расположенных в порядке убывания их предпочтительности натуральных чисел в возрастающем порядке; одинаково предпочтительным альтернативам будут присвоены одинаковые числа).

Если задано X – множество сравниваемых альтернатив (объектов), R – бинарное отношение на множестве X. Пару < X, R >, будем называть моделью выбора.

Под задачей ПР будем понимать задачу выделения множества максимальных элементов из X по некоторому бинарному отношению R: X = MAX X.

Специфика задач ПР заключается в задании соответствующего множества альтернатив X, в формировании бинарного отношения R, характеризующего определенные цели принятия решений.

Матрица парных сравнений А = ||a_ij|| содержащая в качестве элементов а_ij результаты сравнений элементов с номерами i и j множества вариантов Х. отражает возникающее бинарное отношение предпочтения (безразличия на множестве). На элементы матрицы а_ij можно наложить дополнительные калибровочные ограничения, однозначно связывающие попарно альтернативы а_ij и а_ji. Калибровки позволяют придать оценкам различный смысл. Наиболее распространенные калибровочные соотношения приведены в табл.4.

Простейшая ситуация выбора возникает, когда принятие конкретного решения x приводит к однозначному исходу y, оцениваемому с помощью единственного критерия. Предполагается однозначная зависимость y = j(x). "Ценность" ("полезность") исходов можно определить функционалом: F: Y → E, где y = j(x). Каждому x соответствует числовая оценка f(y) = f(j (x)).

Таблица 4.

Калибровочные соотношения между альтернативами

Наименование калибровок	Соотношение между элементами матрицы предпочтений
Простая структура	1, если хi > хj aij = 0, если хi = хj 0,5, если хi ~ хj   Диагональные элементы при этом не фиксируются и могут быть любыми. Нередко договариваются aii = 0,5.
Турнирная калибровка	Для всех i и j, для которых aij ³ 0: аij + аji = const
Степенная калибровка	Для всех i и j, для которых aij > 0: аij x аji = 1
Кососимметричная калибровка	Для всех i и j: аij + аji = 0
Вероятностная калибровка	Для всех i и j: 0 < aij < 1; аij + аji = 1

Формирование критериев оценки вариантов решений

Определение. Сначала напомним формальное определение критерия, поскольку это понятие уже упоминалось и будет широко использоваться в дальнейшем. Пусть задано некоторое конечное множество вариантов (альтернатив) решений А. Из множества А или любого его подмножества X (Х А) необходимо выделить одно или несколько вариантов решений в некотором смысле лучших или более соответствующих каким-либо заранее оговоренным условиям. Для решения этой задачи традиционно используется критериально-экстремизационный подход, который может быть описан следующим образом [7.2].

Множество вариантов А проецируется на числовую ось, так что каждому варианту соответствует конкретная точка числовой оси. Числовая ось, на которую спроецировано множество вариантов А, называется шкалой. Сам процесс проецирования, то есть приписывание элементам из А числовых значений, соответствующих точкам число­вой оси, в которые они проецируются, - шкалированием. Если после такого проецирования упорядочить все варианты из А по величине приписанных им числовых оценок и сохранить за вариантами лишь их порядковый номер, то образованная таким образом шкала называ­ется порядковой или ранговой.

Если вариант считается тем «лучше» или более соответствующим заранее фиксированной цели выбора, чем большая (или меньшая) числовая или ранговая оценка приписывается варианту, то шкала называется критерием для выбора или критериальной шкалой.

Рассмотрим вариант х А и рассмотрим его критериальную оценку, т.е. числовое значение той точки шкалы, в которую вариант спроецирован. Обозначим через f(x) функцию, заданную на множестве всех вариантов х из А и имеющую числовые значения, определяемые критериальной шкалой. Такая функция и называется критерием.

Таким образом, использование критерия есть способ выражения различий в оценке альтернативных вариантов с точки зрения руководителя.

Выбор подмножества Y_A лучших вариантов из А по заданному критерию f(x) называется экстремизационным, если он осуществляется по правилу [7.2]:

или (7.3)

.

То есть в Y_A включаются такие и только такие варианты, для которых в множестве А не существует вариантов, имеющих строго большую критериальную оценку.

В случае, когда имеется несколько критериев, будем говорить, что задан набор или вектор критериев {f(x)} = {f_i (x), i = 1, n}, где i -номер критерия, a n- число критериев. Поскольку ситуация может описываться не одним, а несколькими критериями, возникла необходимость расширения представления об экстремизационном выборе так, чтобы оно приводило к осмысленному выбору некоторого подмножества вариантов, лучших с точки зрения этого набора критериев. Для этого необходимо, чтобы неравенства в (7.3) выполнялись как векторные. То есть формулы (7.3) заменим формулами:

или

где соотношение означает, что f_i(x)>f_i(y), .

Иногда знак > заменяется на ≥ при дополнительном предположении, что хотя бы для одного строгое неравенство сохраняется. Такое видоизмененное правило в литературе называют правилом Парето.

Желательные свойства набора критериев. Можно сформулировать следующие требования к набору критериев, связанному с принятием решений [7.4]. Набор критериев должен быть полным, действенным, разложимым, неизбыточным и минимальным.

Полнота набора сценариев. Набор должен схватывать все важ­ные аспекты проблемы. Набор критериев является полным, если с его помощью можно выразить степень достижения общей цели, то есть набор из п критериев полон, если, зная значение и-мерного кри­терия, связанного с общей целью, руководитель имеет полное пред­ставление о степени достижения общей цели [7.4]. Заметим, что по-следнее определение не является конструктивным, а скорее дает не­которую идеальную меру полноты набора критериев.

Видимо, не существует формального метода определения пол­ноты набора критериев; но каждый на собственном опыте мог убе­диться, что неучет какого-либо фактора или группы факторов приво­дил к неуспеху проводимого мероприятия.

Действенность критериев. Руководитель должен понимать смысл критериев и их соответствие обсуждаемой проблеме. Крите­рии должны быть такими, чтобы их смысл можно было объяснить другим, особенно в тех случаях, когда важнейшей целью работы явля­ется выработка и защита определенной позиции, точки зрения и т. д.

Разложимость. Формальный анализ решения требует, чтобы было найдено количественное выражение, как предпочтений руково­дителя относительных последствий, так и его суждений о неодно­значно оцениваемых событиях. При использовании п критериев это означает, что необходимо построить и-мерную функцию предпочте­ния. Для задач с большим числом критериев полезно произвести де­композицию задачи и разложить ее на подзадачи, каждая из которых содержит меньшее число критериев. То есть желательно, чтобы на­бор критериев был разложимым.

Неизбыточность. Критерии должны быть определены так, что­бы не дублировался учет одних и тех же аспектов решаемой пробле­мы.

Минимальная размерность. Желательно, чтобы набор критериев оставался настолько малым, насколько это возможно. Увеличение числа критериев приводит, с одной стороны, к более глубокому ана­лизу решаемой задачи, с другой стороны, может сильно усложнить и запутать анализ, что приведет к ошибочности результатов.

Хорошо известно желание руководителя - указать как можно больше критериев, пытаясь связать каждый примитивный признак с самостоятельным критерием. Но чем больше число критериев, тем большее число сравниваемых вариантов попадают в категорию не­сравнимых. Поэтому желательно если не уменьшать число критериев (их неучет может привести к серьезным искажениям оценки объек­та), то, во всяком случае, не увеличивать их.

Векторная (многокритериальная) оптимизация - направление в теории оптимизации, в котором критерием оптимальности является вектор с несколькими компонентами (критериями).

Пусть X обозначает множество возможных решений, содержащее по крайней мере два элемента. Через Se1 X обозначим подмножество множества X, которое называют множеством выбираемых (выбранных) решений. Часто это множество состоит из одного элемента, но в некоторых задачах оно может содержать и большее число элементов. Задача принятия решений состоит в осуществлении выбора, т.е. в нахождении множества Se1 X с использованием всей имеющейся в наличии информации.

Процесс выбора невозможен без того, кто осуществляет выбор, преследуя свои собственные цели. Человека (или целый коллектив, подчиненный достижению определенной цели), который производит выбор и несет ответственность за его последствия, называют лицом, принимающим решение (ЛПР).

Обычно выбранным (наилучшим) оказывается такое решение, которое наиболее полно удовлетворяет стремлениям, интересами и целям ЛПР. Желание ЛПР достичь определенной цели нередко удается в математических терминах выразить в виде максимизации (или минимизации) некоторой числовой функции, которую называют целевой функцией или критерием. Однако в более сложных ситуациях ЛПР приходится иметь дело не с одной, а сразу с несколькими функциями подобного типа.

Пусть имеется т (т≥ 2) целевых функций, определенных на множестве X. Они образуют так называемый векторный критерий f = (f₁, f₂,…,f_m), который принимает значения в т -мерном арифметическом пространстве R^m. Это пространство называют критериальным пространством.

Задачу выбора решений, включающую множество возможных решений X и векторный критерий f, называют многокритериальной задачей (или задачей векторной оптимизации).

Ключевую роль в многокритериальной оптимизации играет понятие парето-оптимального решения. Решение х^* X называют парето-оптимальным (оптимальным по Парето, эффективным или неулучшаемым), если не существует другого возможного решения x X, такого, что f_i (х) f_i(х^*) длявсех номеров i = 1, 2,...,т, причем по крайней мере для одного номера j (1, 2,..., т) имеет место строгое неравенство f_j (х)≥ f_j(х *). Другими словами, парето-оптимальное решение не может быть улучшено (в данном случае - увеличено) ни по какому критерию (ни по какой группе критериев) при условии сохранения значений по всем остальным критериям. Множество всех парето-оптимальных решений часто обозначают P_f(X) и называют множеством Парето {множеством Эджворта-Парето) или областью компромиссов.

Заметим, что в частном случае, когда критерий всего один, т.е. т = 1, определение парето-оптимального решения превращается в определение точки максимума функции f, на множестве X. Это означает, что парето-оптимальное решение представляет собой обобщение обычной точки максимума числовой функции.

Если каждый критерий f_i трактовать как функцию полезности i -го участника экономики, то к понятию парето-оптимального решения приводит воплощение идеи социальной справедливости, состоящей в том, что для коллектива всех участников более выгод­ным будет только то решение, которое не ущемляет интересы ни одного из них в отдель­ности. При этом при переходе от одного парето-оптимального решения к другому если и происходит улучшение (увеличение) одного из критериев, то обязательно это улучшение будет сопровождаться ухудшением (уменьшением) какого-то другого критерия (или сразу нескольких критериев). Таким образом, переход от одного парето-оптимального решения к другому невозможен без определенного компромисса. Отсюда и наименование множества Парето - область компромиссов.

При анализе и решении многокритериальных задач обычно считают выполненной так называемую аксиому Парето, согласно которой в случае выполнения неравенств

f_i (x’) ≥ f_i (x’’) для всех номеров i = 1, 2,...,т, где по крайней мере для одного номера

j (1,2,..., т} имеет место строгое неравенство f_i (x’) > f_i (x’’), ЛПР из двух данных возможных решений х ' и х " всегда отдает предпочтение первому из них.

Аксиома Парето фиксирует стремление ЛПР получить максимально возможные значения по всем имеющимся критериям. Кроме того, она показывает, что из пары произвольных решений, то из них, которое не является в этой паре парето-оптимальным, из указанной пары никогда выбирать не следует. Так как решения, которые не выбираются из пары, разумно не выбирать и из всего множества возможных решений, то в итоге приходим к так называемому принципу Парето (принципу Эджворта-Парето), в соответствии с которым выбирать (наилучшие) решения следует только среди парето-оптимальных.

Математическим выражением этого принципа служит включение

Se1 X Р_f(Х),

которое имеет место для любого множества выбираемых решений Se1 X.

Основной проблемой в теории принятии решений при наличии нескольких критериев считается проблема сужения множества Парето, т.е. выбор наилучшего решения (или наилучших решений) в пределах множества Парето. Эта проблема не может быть решена без привлечения какой-то дополнительной информации о многокритериальной задаче. Чаще всего такой информацией являются сведения об относительной важности критериев.

Недавно проведенные исследования показали (см. [5]), что принцип Парето, т.е. указанное выше включение, не является универсальным, пригодным во всех без исключения многокритериальных задачах, и иногда может нарушаться. Принципа Парето следует придерживаться в тех случаях, когда ЛПР в процессе выбора ведет себя достаточно «рационально». Если же ЛПР действует в определенном смысле «нерационально», то для него наилучшим (выбранным) может оказаться и то решение, которое парето-оптимальным не является.

К настоящему времени свойства множества Парето изучены достаточно подробно (см. [3]). В общем случае множество Парето может

• оказаться пустым;

• состоять из одного элемента;

• содержать бесконечное число элементов;

• совпадать с исходным множеством возможных решений.

Легко доказывается, что для конечного множества возможных решений множество Парето всегда не пусто, т.е. имеет место неравенство P_f(X) . Следует также отметить, что в случае непрерывных целевых функций f_1, ,f₂,...,f_m и непустого компактного множества X, X , обязательно существует хотя бы одно парето-оптимальное решение.

Важную роль в многокритериальной оптимизации играют различного рода необходимые и/или достаточные условия парето-оптимальности. Здесь в первую очередь следует отметить следующий легко проверяемый результат.

Если существует такой набор положительных чисел λ₁,λ₂,...,λ_т, для некоторого возможного решения х' X выполняется неравенство

для всех х Х, (14.1)

то х^* - парето-оптимальное решение.

Согласно приведенному достаточному условию парето-оптимальности, максимизация скалярной функции с положительными коэффициентами λ₁,λ₂,...,λ_т на множестве X, которую называют аддитивной сверткой критериев, всегда приводит к парето-оптимальному решению (при условии, что указанная задача максимизации имеет решение).

При определенных дополнительных условиях имеет место и обратный результат, т.е. необходимое условие парето-оптимальности. Сформулируем этот результат.

Пусть множество возможных решений Х, Х Rⁿ, является выпуклым и все целевые функции f,,f₂,...,f_m вогнуты на этом множестве. Для всякого парето-оптимального решения х' существует соответствующий набор неотрицательных чисел λ₁,λ₂,...,λ_т,, при котором имеет место неравенство (14.1).

Нетрудно заметить, что между достаточным (первым) и необходимым (вторым) условием парето-оптимальности имеется определенная «нестыковка». В достаточном условии требуется строгая положительность всех чисел λ₁,λ₂,...,λ_т,,, тогда как в необходимом условии эти числа неотрицательны и в сумме равны единице, а значит, они одновременно в нуль не обращаются, но среди них могут встречаться равные нулю.

Действительно, имеются примеры, когда максимизация аддитивной свертки, среди коэффициентов λ₁,λ₂,...,λ_т, которой могут встречаться нули, на множестве X приводит к решению, лежащему за пределами множества Парето.

Тем не менее, указанные результаты свидетельствуют о том, что задача многокритериальной оптимизации (точнее говоря, задача построения множества парето-оптимальных решений) в принципе может быть сведена к решению определенного семейства скалярных задач (т.е. задач с одним критерием). Такое сведение многокритериальной задачи к семейству скалярных задач называют скаляризацией. Тем самым, приведенные выше два результата служат фундаментом скаляризации на основе аддитивной свертки критериев.

Следует сказать, что к настоящему времени разработан богатый арсенал самых различных типов скаляризации многокритериальных задач.

Существуют определенные модификации понятия парето-оптимального решения. Например, возможное решение х' называют оптимальным по Слейтеру (слабо эффективным), если не существует х X, для которого имеют место строгие неравенства f_i (x) > f_i (x^*), для всех i = 1,2,..., т.

Из приведенных определений следует, что всякое парето-оптимальное решение является оптимальным по Слейтеру. Обратное в общем случае места не имеет, так как существуют оптимальные по Слейтеру решения, не являющиеся парето-оптимальными. Таким образом, множество решений, оптимальных по Слейтеру, в общем случае шире множества Парето.

Имеются и другие разновидности понятия решения многокритериальной задачи. Среди них наиболее важным является понятие собственно эффективного решения. Для него выполняются аналогичные приведенным выше необходимые и достаточные условия, использующие аддитивную свертку, что и для парето-оптимального решения, но с коэффициентами λ₁,λ₂,...,λ_т, которые все строго положительны. Тем самым, для собственно эффективного решения указанная выше «нестыковка» необходимых и достаточных условий отсутствует.

Часто числа λ₁,λ₂,...,λ_т трактуют как коэффициенты относительной важности критериев. Следует отметить, что это чисто эвристический подход, не имеющий под собой математической основы. В настоящее время можно в общих чертах считать построенной математическую теорию относительной важности критериев, в рамках которой разработаны определения относительной важности как для пары критериев, так и в общем случае - для произвольной пары групп критериев. Показано, каким образом информацию об относительной важности критериев можно использовать для сужения множества Парето. Более того, установлено, что только на основе информации подобного типа (т.е. информации об относительной важности критериев) можно получить сколь угодно точное приближение для множества тех решений, которые претендуют на роль выбранных. Это говорит о принципиально важной роли, которую выполняет информация об относительной важности критериев в решении проблемы сужения множества Парето. Иными словами, в процессах принятия решений нужно лишь научиться выявлять такую информацию у ЛПР, а затем с помощью результатов теории относительной важности критериев - умело ее использовать.

Дата добавления: 2017-02-01