145758 (Теория принятий решений), страница 2

1.Если m = 1 - однокритериальная задача, то есть задача линейного программирования.

2.Если m > 1, но k(u) P k(v) - тривиальный вариант, так как u всегда лучше v.

3.Если по одним критериям вариант u предпочтительнее варианта v, а по другим - наоборот, то это задача критериального анализа, способы решения которой будут расмотрены в этом курсе.

Введем обозначения: K (u) P K (v) - вариант u предпочтительнее, K (u) I K (v) - одинаковы по предпочтени,K(u) N K(v) - несравнимы.

1.2. Формирование критериальной системы.

Для формулировки задачи критериального анализа необходимо:

1. Четко сформулировать цель, задачу и требуемый результат

2. Классифицировать характеристики вариантов

3. Беспристрастно выбрать критерии

Требования к критериальной системе:

1. Соответствие критериев цели и задаче.

2. Критичность. Критерий должен быть "чувствительным" к изменению варианта выбора.

3. Вычислимость критериев.

4. Полнота и минимальность. С одной стороны, критериальная система должна как можно полнее описывать варианты выбора, но чем векторный критерий меньше, тем проще решается задача. Полнота критериальной системы формально означает, что введение дополнительного частного критерия не изменит вариант выбора, все частные критерии должны быть учтены.

5. Декомпозируемость. Векторный критерий должен допускать упрощение задачи путем перехода к рассмотрению отдельных частных критериев вне зависимости от других. Это требование сводится к вопросу о независимости частных критериев по предпочтению.

В каждом конкретной задаче необходимо проводить проверку критериев на независимость, которая сводится к следующему:

Если есть U = ( u,v,s,t ) - множество альтернатив и варианты u и v такие, что для j i верно k_j (u) = k_j (v), а k_i (u) k_i (v), причем К(u) P К(v); варианты s и t такие, что для j i верно k_j (s) = k_j (t) k_j (u), при k _i (s) = k _i (u) , k_i (t) = k_i (v) . Если отсюда следует, что К (s) Р К(t), то говорят, что i-тый векторный критерий независим по предпочтению от всех частных критериев. В противном случае методически удобнее при решении таких задач перейти к новой постановке, где предпочтительным было бы изменение всех частных критериев, например в сторону увеличения. При этом, если в исходной постановке задачи для части критериев предпочтительнее меньшее значение, то в новой постановке значения таких критериев рассматриваются с противоположным знаком.

Независимость по предпочтению частных критериев дает возможность перейти от задачи сравнения векторных с m частными критериями к решению m однокретериальных задач сравнения частных критериев между собой. В реальных задачах допущение о независимости частных критериев по предпочтению зависит от характера решаемого вопроса. Например, если в качестве частных критериев используют затраты, надежность, прибыль, льготы, то для них всегда наиболее предпочтительным будет экстремальное значение ( min или max ) вне зависимости от других частных критериев.

Если частные критерии определяют структуру сравниваемых обьектов, то например, рост и вес человека, количество наземного и подземного транспорта в городе, количество тепловых, атомных и гидроэлектростанций, то они обычно зависимы по предпочтению.

Необходимо отметить, что переход от независимых частных критериев к зависимым иногда связан с более "тонким" анализом самих предпочтений.

1.3. Аксиома Парето и эффективные варианты.

Сравнение между собой векторных критериев представляет собой достаточно сложную проблему.

Пример. U = (u,v,s,t) - множество альтернатив

k (u) k (v), i =1:3, поэтому K(u)P K(v).

k (u) k (s), i =1:3, поэтому K(u) P K(s), варианты s и v оказались доминируемыми, а остальные векторные оценки сравнить невозможно: k (u) N k (t) Таким образом все множество векторных оценок делится на два подмножества: эффективных { k(u),k(t)} и неэффективных { k(v), k(s)} векторных оценок. Из приведенного примера можно сделать важный вывод: если вариант имеет абсолютный max по какому-либо показателю, то он не может быть доминирован.

Аксиома Парето: Пусть даны две векторные оценки:

K(u)= ( k₁ (u), k₂ (u), ... k_m (u)) и

K(v)= ( k₁ (v), k₂ (v), ... k_m (v))

K(u) P K(v), если существует хотя бы одно j от 1 до m такое что:

i j k_i (u) I k_i(v), или k_i (u) P k_i(v), а k_j (u) P k_j (v).

P - "предпочтительность в смысле Парето".

Все векторные оценки, для которых не существует более предпочтительных в смысле Парето векторных оценок, образуют множество H^о эффективных векторных оценок, а соответствующие варианты - множество v^о - эфективных вариантов.

Для нашего примера: H = { K(u), K(v), K(s), K(t)}, H^о = { K(u), K(t)} - множество эффективных векторных оценок. Определение множеств эффективных векторных оценок обычно не позволяет получить в чистом виде решение задачи, но является важным и обязательным этапом, так как практически всегда происходит сокращение имеющихся вариантов, кроме того, для H^о и v^о могут выполняться допущения не верные для H и v, то есть задача в дальнейшем может упрощаться за счет дополнительных правил или информации после сокращения.

Принадлежность к v полученного решения - некоторая гарантия правильности результата. Полученное множество оптимальных векторных оценок последовательно суживается с использованием дополнительной информации, искусственных методов или с помощью введения новых правил. Рассмотрим некоторые из этих подходов.

1.4. Важность частных критериев и использование дополнительной информации для принятия решения.

Если при выборе того или иного варианта использование принципа Парето не дает единственного решения, необхлдимо найти способы сужения возможного выбора из множества эффективных вариантов. До сих пор предполагалось, что все критрии одинаковы по важности и одинаково влияют на предпочтительность векторного критерия. На самом деле часто превосходство по наиболее важным частным критериям ведет к предпочтительности векторной оценки в целом. Понятие относительной важности частных критериев возможно будет определить только когда они будут сравнимы, ( иначе как определить: что лучше - 200 тонн или 10 км ). Чтобы разшить эту проблему используют процедуру нормализации.

Частные критерии считаются нормализованными, если области их изменения Н i = 1 : m совпадают.

Нормализацию проводят различными способами - от применения более грубых шкал при измерении оценок, до вычисления разного рада статистик. Наибольшее распространение получила статистика вида :

k _i(v) - min k _i (v)

k_i ‘ (v) = --------------------------

max _i k (v) - min _i k (v)

Она удобна тем, что все k _i (v) [0 ; 1], причем min k’_i(v) = 0, max k’_i (v) = 1. Таким образом, нормализованный частный критерий показывает, на какую часть всего диапазона изменений [0 ; 1] данный частный критерий превосходит минимальное значение.

Пример.

После нормализации частных критериев векторные критерии приобретают некоторые полезные свойства. Главное из них - любая перестановка частных критериев приводит к векторной оценке, которая входит в множество значений исходной векторной оценки.

Дополнительная информация задается в виде множества символов: равноценность частных критериев k_r (u) и k_t (u) обозначается r S t. Такая информация называется "словом". Слово r B t - информация о том, что частный критерий k (u) важнее, чем k (u).

Важным качеством дополнительной информации является ее полнота и непротиворечивость. Графицески полнота информации хорошо иллюстрируется с помощью графа отношений по важности на множестве вершин, соответствующих частным критериям, с ориентированными (B) или неориентированными (S) ребрами, в котором ( в случае полноты ) должна быть возможность построить путь между любой парой вершин. Графически противоречивость информации отображается наличием циклов ( замкнутых путей ) с ориентированными ребрами.

1.5. Методы сравнения векторных оценок с использованием дополнительной информации.

С помощью нормализации частных критериев строятся пошаговые математические алгоритмы сужения исходного множества векторных критериев до единственного решения, которое можно оценить с заданной точностью. На каждом новом шаге обычно требуется новая уточняющая информация о важности критериев, что делает эти (многошаговые) методы трудоемкими. Более удобными для использования на практике, но менее точными являются одношаговые методы.

В одношаговых методах вся исходная информация задается сразу при постановке задачи. Как правило одношаговые методы позволяют получить единственное решение, но принимаемые при этом допущения настолько сильны, что использовать их разумно только для первичных оценок, прикидок или при принятии не ответственных решений.

Одношаговые методы делятся на две подгруппы: эвристические (не имеют сторогого обоснования, применяются только для конкретных типов задач) и аксиоматические ( базируются на некоторой системе аксиом).

Среди эвристических одношаговых методов наиболее наглядным является метод главного критерия. Суть этого метода заключается в том, что среди частных критериев выбирается один, который назначается главным. На остальные частные критерии налагаются ограничения с помощью порогов допустимых значений. После этого задача сводится к задаче линейного программирования на отыскание условного экстремума. При этом нормализация исходных данных необязамельна.

Глава 2. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ.

ТЕОРИЯ ИГР.

2.1. Предмет и задачи теории игр.

Подавляющее большинство социально-экономических решений приходится принимать с учетом противоречивых интересов, относящихся либо к различным лицам или организациям, либо к различным аспектам рассматриваемого явления, либо к тому и другому. В таких случаях невозможно применить традиционные методы оптимизации. В обычных экстремальных задачах речь идет о выборе решения одним лицом, и результат решения зависит от этого выбора, то есть определяется действиями только одного лица. В такую схему не укладываются ситуации,где решения, оптимальные для одной стороны, совсем не оптимальны для другой и результат решения зависит от всех конфликтующих сторон.