Мягкая условная оптимизация на дискретном множестве объектов | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2011. № 1(14).

Мягкая условная оптимизация на дискретном множестве объектов

Предлагаемый метод является альтернативой известному методу условной оптимизации. Отсеивание объектов, не удовлетворяющих заданным ограничительным критериям, заменяется нулевой полезностью по этим критериям. Показываются условия, при которых многокритериальная функция полезности объекта-кандидата на отсеивание может оказаться предпочтительнее соответствующих функций сопоставляемых с ним объектов.

Soft constrained optimizationon a discrete set of objects.pdf К задачам оптимизации относят формирование допустимого множества Xsel ипоиск наилучшего решения x* в этом множестве: x*Xsel [1]. Метод оптимизациипо одному критерию, когда для формирования допустимого множества исполь-зуются остальные n-1 критериев, названные в [2] ограничительными, называетсяметодом главного критерия [3]. В более общем случае для поиска наилучшегорешения x* может использоваться m>1 критериев, а остальные n-m критериев иг-рают роль ограничительных. Методы многокритериальной оптимизации, исполь-зующие предварительное отсеивание вариантов по заданным ограничениям, по-лучили название методов условной оптимизации [4].Случаи, когда все n критериев используются либо для формирования допус-тимого множества Xsel, либо для поиска наилучшего решения x* в исходном мно-жестве X, относятся к частным задачам оптимизации. Вероятность полученияпустого допустимого множества Xsel при многих ограничительных критериях вы-сока. Поскольку метод уступок, заключающийся в последовательном ослабленииограничений для получения непустого допустимого множества трудоёмок, в [5]был предложен метод мягких притязаний. Его идея заключается в упорядоченииобъектов относительно обобщённого расстояния от образца, за который принима-ется совокупность заданных ограничений. При этом ни один из объектов не от-брасывается. Аналогичный ему «мягкий» подход может быть применён при ре-шении задачи условной оптимизации. Дело в том, что объекты, бракуемые по не-которому ограничительному критерию, могут оказаться более предпочтительны-ми оставшихся по совокупности целевых критериев. Например, в бытовой задачевыбора квартиры часто ставится требование: «первый и последний этаж не пред-лагать». Однако уютный зелёный двор и достаточные средства безопасности мо-гут сделать квартиру на первом этаже более предпочтительной, чем на промежу-точных этажах, где соседи есть как сверху, так и снизу. В работе рассматриваетсяметод решения такой задачи, названный аналогично методу мягких притязанийметодом мягкой условной оптимизации.1. Функция полезности ограничительного критерияМетод мягкой условной оптимизации основан на применении функций полез-ности не только для целевых, но и ограничительных критериев. Его идея заклю-чается в том, что функция полезности j-го ограничительного критерия принимаетнулевое значение в области запрещённых значений критерия. Таким образом,объекты, не отвечающие ограничению по j-го критерию, не исключаются из ис-ходного множества X, а получают нулевую оценку по этому критерию.В качестве примера будем рассматривать ограничение «снизу» yj ≥ cj, пред-ставляемое двухместным предикатом P ≥ (yj, cj). Область значений j-го показателя[yj,min, cj] является запрещённой, а область [cj, yj,max] - разрешённой. В простейшемслучае за функцию полезности u(yj) j-го показателя принимается предикатP ≥ (yj, cj):, max, min1, если [ , ],( ) ( , )0, если [ , ].j j ij j jj i jy c yu y P y cy y c⎧ = ≥ =⎨⎩ Подчеркнём, что, начиная с граничного значения на всём диапазоне значений[cj, yj,max], функция полезности u(cj)=1. Графически такая функция представляетсяпрямоугольным импульсом с передним фронтом в точке cj. Для фиксированныхдискретных значений j-го показателя, входящих в диапазон [cj, yj,max], значенияфункции полезности(1) выше. Поэтому есть смысл рассматривать конкурентоспособность объектов,нарушающих только одно из ограничений.Пусть объект xi не соответствует l-му ограничительному критерию. Тогдаul(xi) = 0. Отсюда следует условие конкурентоспособности объекта xi по осталь-ным критериям:1 11 1( ) ( ) ( ), , .n nj j i j j k l l kj jw u x w u x w u x k i l j− −= =ƒ ⋅ >ƒ ⋅ + ⋅   (2)Согласно условию (2), объект xi предпочтительнее объекта xk , xi , xk = 1, N,ik, если:1 11 1( ) ( ) ( ), .n nj j i j j k l l kj jw u x w u x w u x l j− −= =ƒ ⋅ −ƒ ⋅ > ⋅  (3)Таким образом, чем меньший вклад в скалярную оценку k-го объекта вноситвеличина wl⋅ul(xk), тем больше шансов у объекта xi опередить остальные объекты.Величина произведения wl⋅ul(xk) определяется величиной его сомножителей. Онауменьшается с уменьшением важности ограничительного критерия и величинойфункции полезности. Поскольку все объекты, кроме xi, выполняют l-е ограниче-ние, следует принимать во внимание только значения ul(xk), определённые на от-резке [cj, yj,max]. На этом отрезке функция полезности ul(xk)>0, а величина ul(xk) за-висит от её формы. Если форма прямоугольная, то величина произведения сво-дится к важности критерия: wl⋅ul(xk)=wl⋅1 = wl. Наименьшее приращение ul(xk) име-ет место для выпуклой функция полезности с наибольшей положительной степе-нью.Итак, общими факторами, которые влияют на скалярные оценки объектов,удовлетворяющих l-му ограничительному критерию, является важность критерияи форма функции полезности. Влияние объекта на величину скалярной оценкипроявляется через значение l-го показателя. Чем оно меньше, тем больше шансовна то, что скалярная оценка xi может оказаться выше остальных. И объект xi, ко-торый мог быть исключён из множества X при применении метода условной оп-тимизации, при использовании мягкой условной оптимизации может оказатьсяпредпочтительнее остальных объектов.3. Пример применения мягкой условной оптимизацииПусть возникла задача выбора квартиры в пятиэтажном доме. Лицо, прини-мающее решение (ЛПР), интересует расположение квартиры в доме. С этой цельюон рассматривает 4 признака: этаж, вид из окон, число соседей (по этажам), подъ-ём на этаж. Для выбора предложено 5 квартир. Их характеристика по выбраннымпризнакам приведена в табл. 1.Т а б л и ц а 1Варианты квартирКвартира Этаж Окна Соседи ПодъёмКв.1 1 5 1 1Кв.2 2 1 2 2Кв.3 3 2 2 3Кв.4 4 3 2 4Кв.5 5 4 1 5Вид из окон закодирован следующими числами: 1 - 3 окна на улицу, 2 - 2 окнана улицу, 3 - 1 окно на улицу, 4 - вид на двор-колодец, 5 - вид на зелёный двор.Промежуточные квартиры имеют двух соседей по этажам, а крайние (1-й и 5-йэтаж) - одних соседей. Трудоёмкость подъёма в квартиру в доме без лифта обрат-но пропорциональна её этажности.Условия выбора представлены в табл. 2.Т а б л и ц а 2Условия выбора квартирПризнак Мин. зн. Макс. зн. Вес Опт. Нижн. гр. Верхн. гр.Этаж 1 5 0,25 Макс 1 5Окна 1 5 0,25 Макс 0 5Соседи 1 2 0,25 Макс 0 2Подъём 1 5 0,25 Мин 1 5Во втором и третьем столбцах представлены границы шкал признаков. В чет-вёртом столбце задан вес признаков (важность критериев), а в пятом столбце -направление оптимизации. Различие шкал и единиц измерения позволяют считатьрассматриваемые признаки неоднородными. При применении скалярной оптими-зации они подлежат нормированию. Результатом нормирования целевых критери-ев являются линейные монотонные функции. Однако их применение без критиче-ского анализа полезности может дать неправильные результаты.Рассмотрим функции полезности признаков, начиная с ограничительного кри-терия «Этаж». Его функция полезности представлена на рис. 1.101,0 5,0Рис. 1. Функция полезности признака «Этаж»Она создана на основе ограничительного критерия «первый и последний этажне предлагать» и имеет нулевые значения для 1-го и 5-го этажей.Функция полезности признака «Окна» представлена на рис. 2.100,0 5,0Рис. 2. Функция полезности признака «Окна»Она монотонно возрастает пропорционально кодам, характеризующим вид изокна. Для того чтобы полезность кода 1 не было нулевой, левая граница шкалысдвинута до нуля.Функция полезности признака «Соседи» представлена на рис. 3. Расширениелевой границы шкалы этого признака не принципиально. Одному соседу по этажуназначена стопроцентная полезность, а двум соседям - 50 %.100,0 2,0Рис. 3. Функция полезности признака «Соседи»Функция полезности признака «Подъём» представлена на рис.4. Полезностьхарактеризует трудоёмкость подъёма и обратно пропорциональна этажностиквартиры. Пятому этажу назначена полезность в 30%.101,0 5,0Рис. 4. Функция полезности признака «Подъём»Если воспользоваться методом условной оптимизации с ограничением поэтажности квартиры («первый и последний этаж не предлагать»), то после исклю-чения вариантов кв.1 и кв.2 для выбора остались бы 3 варианта: кв.2, кв.3, кв.4.Применение метода мягкой условной оптимизации с приведёнными функциямиполезности даёт следующие результаты (см. табл. 3).Т а б л и ц а 3Результаты оптимизации при равной значимости критериевКвартира Этаж Окна Соседи Подъём Оценка РангКв.1 0 1,0 1,0 1,000 0,75 1Кв.2 1 0,2 0,5 0,825 0,63 4Кв.3 1 0,4 0,5 0,650 0,64 3Кв.4 1 0,6 0,5 0,475 0,64 2Кв.5 0 0,8 1,0 0,300 0,53 5Квартира на первом этаже, имеющая нулевую полезность по первому призна-ку, получила наивысшую скалярную оценку за счёт трёх целевых критериев. ЕслиЛПР - пожилой человек или инвалид, для него наиболее важным критерием явля-ется «Подъём». Если ему назначить вес 0,5, а остальным критериям - 0,167, то ва-рианты кв.2 и кв.4 поменяются местами (см. табл. 4).Т а б л и ц а 4Результаты оптимизации при разной значимости критериевКвартира Этаж Окна Соседи Подъём Оценка РангКв. 1 0 1,0 1,0 1,000 0,83 1Кв. 2 1 0,2 0,5 0,825 0,70 2Кв. 3 1 0,4 0,5 0,650 0,64 3Кв. 4 1 0,6 0,5 0,475 0,59 4Кв. 5 0 0,8 1,0 0,300 0,45 5ЗаключениеМетод мягкой условной оптимизации соответствует подходам, применяемым внастоящее время для решения трудно формализуемых («человеческих») проблем.Переход от жёстких оценок «Истина» и «Ложь» породил многозначную, а в пре-деле - нечёткую логику. Частичная истина позволила создать теорию нечёткихмножеств, хорошо моделирующую человеческие оценки явлений и сущностей. Врусле этих подходов находится основная идея метода мягкой условной оптимиза-ции - заменить отсеивание объектов, не удовлетворяющих ограничениям (жёст-кий подход) на оценивание этих объектов по остальным критериям (мягкий под-ход). При этом нередко кандидат на отсеивание может оказаться лучшим средидругих объектов, не подлежавших отсеиванию.Другим, не менее важным, результатом работы является применение обосно-ванных функций полезности. Весьма часто при нормализации неоднородных по-казателей забывают, что для получения скалярных оценок используются линей-ные функции полезности. Однако правомерность их использования требует дока-зательств. В противном случае результаты оптимизации получаются неточными.Создание функций полезности представляет собой достаточно трудоёмкий про-цесс. Однако он окупается получением доказательной базы для обоснования дос-товерности получаемых результатов. В тех случаях, когда результат оптимизациикажется интуитивно правильным («зачем было огород городить?»), вся работа посозданию модели выбора может рассматриваться в качестве обоснования пра-вильности полученных результатов.

Ключевые слова

multicriteria utility function, scalar estimation, Conditional optimization, многокритериальная функция полезности, скалярная оценка, условная оптимизация

Авторы

ФИООрганизацияДополнительноE-mail
Микони Станислав ВитальевичПетербургский государственный университет путей сообщения (г. Санкт-Петербург)профессор, доктор технических наук, профессор кафедры математики и моделированияmikoni@pgups.ru
Всего: 1

Ссылки

Mikoni S. Method of choice by approximation to a pattern // Proc. Conf. NITE'2000. Minsk: Belarus State Edonomic University, 2000. P. 156-159.
Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. 367 с.
Черноруцкий И.Г. Методы принятия решений: учебное пособие. СПб.: БХВ-Петербург, 2005. 408 с.
Микони С.В. Многокритериальный выбор на конечном множестве альтернатив: учебное пособие. СПб.: Лань, 2009. 273 с.
 Мягкая условная оптимизация на дискретном множестве объектов | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2011. № 1(14).

Мягкая условная оптимизация на дискретном множестве объектов | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2011. № 1(14).

Полнотекстовая версия