Мультипликативные свёртки

Рассмотрим мультипликативную свёртку с нормирующими множителями:

где j - нормирующие множители.

Мультипликативная свёртка основывается на постулате: "низкая оценка хотя бы по одному критерию влечет за собой низкое значение функции полезности". Действительно, если вы выбираете торт, и он - несвежий, то это обстоятельство никак не может быть компенсировано его красотой или ценой.

Посмотрим, какие результаты даст мультипликативная свёртка с весовыми коэффициентами:

где j - нормирующие множители,

вj - весовые коэффициенты.

Итоги отражены в таблице:

Оптимальной стратегией снова является А3.

В конце еще раз напомним непременное правило: перед тем, как применять какую-либо свёртку нужно автоматически всегда выделять множество Парето. И именно для множества Парето применять свёртки. Иначе вы или ваша программа будете выполнять лишнюю ненужную работу.

Многокритериальный выбор на языке бинарных отношений

До этого были рассмотрены случаи, когда все критерии оценивали все альтернативы. Все альтернативы можно было сравнить друг с другом по каждому критерию. А что делать, если не все альтернативы будут оценены всеми критериями? В таком случае появятся альтернативы, не сравнимые между собой по некоторым критериям. Рассмотрим такой случай на нашем примере (уберем из него некоторые оценки):

При таком условии альтернативы можно сравнить между собой лишь попарно. Такие попарные сравнения называются бинарными отношениями . Обозначается бинарное отношение (на примере критерия Байеса из нашей таблицы) А1RА2 - альтернатива А1 лучше альтернативы А2.

Дадим математически точное определение бинарных отношений.

Бинарным отношением на множестве? называется произвольное подмножество R множества? Х? , где? Х? - это множество всех упорядоченных пар (ai ;aj) , где ai , aj ? . #

Бинарные отношения очень удобно изображать наглядно. Представим четыре стратегии из нашего примера в виде точек на плоскости. Если имеем, что какая-то альтернатива лучше другой, то проведем стрелку от лучшей альтернативы к худшей. На примере критерия Байеса из нашей таблицы имеем А1RА2 , поэтому на плоскости проведем стрелку от точки А1 к точке А2. Аналогичным образом поступим со всеми начальными данными из таблицы. Заметим, что бинарные отношения не исключают отношения элемента с самим собой. На рисунке такое бинарное отношение будет задаваться петлёй со стрелкой. В результате получим следующую картину:

Подобные фигуры называются ориентированными графами . Точки - это вершины графа, стрелки между точками - это дуги графа.

Дадим математически точное определение графа.

Графом называется пара (Е, е), где Е - непустое конечное множество элементов (вершин), е - конечное (возможно и пустое) множество пар элементов из Е (множество дуг). #

Две вершины, соединенные дугой, называются смежными вершинами. Дуга, соединяющая две вершины, называется инцидентной этим вершинам. Две вершины, соединенные дугой, называются инцидентными этой дуге.

Как же произвести выбор наилучшего элемента из имеющихся альтернатив (наилучшей вершины графа)? Для этого сначала необходимо определить, что же будет являться наилучшей вершины (наилучшими вершинами) графа. На этот счет имеются две исторически сложившиеся в теории графов точки зрения.

1)Максимальным элементом множества? по бинарному отношению R называется такой элемент х? , что у? выполняется отношение хRy .

Иначе говоря, максимальный элемент множества должен быть "лучше" каждого элемента этого множества. Не исключается и то, что он может быть "лучше" самого себя, кроме этого максимальный элемент может быть одновременно и "хуже" какого-либо элемента этого множества. Слова "лучше" и "хуже" не совсем верно передают смысл бинарных отношений.

Для графов понятие максимальный элемент - это вершина, из которой исходят стрелки во все остальные вершины графа. Например, на рис. 1 максимальным элементом будет вершина А1 - из неё выходят стрелки во все остальные вершины графа.

2)Оптимальным по Парето элементом множества? по бинарному отношению R называется такой элемент х? , что у? для которого выполнялось бы отношение уRх.

Иначе говоря, оптимальный по Парето элемент множества - это такой элемент, "лучше" которого в рассматриваемом множестве нет.

Для графов понятие оптимальный по Парето элемент - это вершина, в которую не входит ни одна стрелка. Например, на рис. 1 оптимальным по Парето элементом будет вершина А1 - в неё не входит ни одна стрелка.

Видим, что два разных подхода к определению наилучшего элемента в нашем примере дали одинаковый результат. Но такое бывает не всегда.

Рассмотрим несколько примеров.

У графа на рис. 2 максимальным элементом будет вершина А1 - из неё выходят стрелки во все остальные вершины графа. Оптимальных по Парето элементов у данного графа нет.

У графа на рис. 3 максимальным элементом будет также вершина А1 - из неё выходят стрелки во все остальные вершины графа. Заметим: то, что в неё входит стрелка из вершины А4 , по определению совершенно не важно. Оптимальных по Парето элементов у данного графа нет.

У графа на рис. 4 максимальными элементами будут вершины А1 и А4 - из них выходят стрелки во все остальные вершины графа. Оптимальных по Парето элементов у данного графа нет.

У графа на рис. 5 максимального элемента нет. Оптимальными по Парето элементами будут вершины А1 и А4 - в них не входит ни одна стрелка.

Отметим очевидные особенности.

У графа либо нет максимальных элементов, либо есть.

Оптимальными по Парето элементами могут быть несколько вершин графа, либо таковых может не быть.

В графе не может один (или одни) элемент быть максимальным, а другой (или другие) элемент быть оптимальным по Парето.

Итак, если имеется задача многокритериального выбора, описанная на языке бинарных отношений, то её удобно представить наглядно в виде графа. Однако такое удобство хорошо для небольшого количества вершин (альтернатив). Если вершин довольно много, то вся наглядность пропадает и легко можно запутаться. В таком случае граф удобно представить в виде матрицы смежности или матрицы инцидентности.

Матрица смежности вершин графа - это квадратная матрица размера m x m (m - это количество вершин) с элементами:

По матрицам смежности искать максимальные элементы и элементы, оптимальные по Парето - одно удовольствие! Максимальные элементы - это те, чьи строки состоят из всех единиц (кроме себя самих - там может быть как нуль, так и единица). А оптимальные по Парето элементы - это те, чьи столбцы состоят из всех нулей.

Матрица инцидентности графа - это матрица, строки которой соответствуют вершинам, а столбцы - дугам. При этом предполагается, что граф не должен иметь петель.

Элементы матрицы инцидентности будут такими:

Видим, что каждый столбец должен содержать одну единицу и одну минус единицу, остальные элементы столбцов - нули. То есть каждая дуга из одной вершины выходит и в другую вершину входит.

Налицо также очевидна закономерность: максимальные элементы - это те, чьи строки содержат единиц на одну меньше, чем количество строк (вершин), а оптимальные по Парето элементы - это те, чьи строки не содержат минус единиц.

Используя замечательные особенности матриц смежности и инцидентности графов, не составит большого труда разрабатывать компьютерные программы по принятию решений для задач выбора, описанных на языке бинарных отношений.

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 (последовательных) уступок заключается в анализе точек на границе Парето и выбора одной из них - компромиссной.

Назначение сервиса . Сервис предназначен для онлайн решения многокритериальных задач оптимизации методом последовательных уступок .

Инструкция . Выберите количество переменных и количество строк (количество ограничений). Полученное решение сохраняется в файле Word и Excel .

При этом ограничения типа x i ≥ 0 не учитывайте. Если в задании для некоторых x i отсутствуют ограничения, то ЗЛП необходимо привести к КЗЛП, или воспользоваться этим сервисом .

Вместе с этим калькулятором также используют следующие:
Графический метод решения ЗЛП

Решение транспортной задачи

Решение матричной игры
С помощью сервиса в онлайн режиме можно определить цену матричной игры (нижнюю и верхнюю границы), проверить наличие седловой точки, найти решение смешанной стратегии методами: минимакс, симплекс-метод, графический (геометрический) метод, методом Брауна.

Экстремум функции двух переменных

Задачи динамического программирования
Распределить 5 однородных партий товара между тремя рынками так, чтобы получить максимальный доход от их продажи. Доход от продажи на каждом рынке G(X) зависит от количества реализованных партий товара Х и представлен в таблице.

Объем товара Х (в партиях)	Доход G(X)
Объем товара Х (в партиях)	1	2	3
0	0	0	0
1	28	30	32
2	41	42	45
3	50	55	48
4	62	64	60
5	76	76	72

Алгоритм метода последовательных уступок (компромиссов)

Вначале производится качественный анализ относительной важности критериев. На основании такого анализа критерии нумеруются в порядке убывания важности.
Ищем максимальное значение f 1 * первого критерия f=f 1 (x) на всем множестве допустимых решений. Затем назначаем величину «допустимого» снижения (уступки ) Δ 1 критерия f 1 (x) и определяем наибольшее значение f 2 * второго критерия f=f 2 (x) при условии, что значение первого критерия должно быть не меньше, чем f 1 (x)-Δ 1 . Затем назначаем величину «допустимого» снижения (уступки ) Δ 2 критерия f 2 (x) и определяем наибольшее значение f 3 * третьего критерия f=f 3 (x) при условии, что значение второго критерия должно быть не меньше, чем f 2 * - Δ 2 и т. д. Таким образом, оптимальным решением многокритериальной задачи считается всякое решение последней из задач последовательности:
1) найти max f 1 (x)=f 1 * в области x ∈ X;
2) найти max f 2 (x)=f 2 * в области, задаваемой условиями x ∈ X; f 1 (x) ≥ f 1 * -Δ 1 (6)
……………………………………………………………….
m) найти max f m (x)=f m * в области, задаваемой условиями
x ∈ X; f i (x) ≥ f i * -Δ i , i=1,...,m-1
Очевидно, что если все Δ i =0, то метод уступок находит только лексикографически оптимальные решения, которые доставляют первому по важности критерию наибольшее на Х значение. В другом крайнем случае, когда величины уступок очень велики, решения, получаемые по этому методу, доставляют последнему по важности критерию наибольшее на Х значение. Поэтому величины уступок можно рассматривать как своеобразную меру отклонения приоритета частных критериев от жесткого лексикографического.
Метод последовательных уступок не всегда приводит к получению только эффективных точек, но среди этих точек всегда существует хотя бы одна эффективная. Это следует из следующих утверждений.
Утверждение 3 . Если X ⊂ R n - множество замкнутое и ограниченное, а функции f i (x) непрерывны, то решением m-й задачи из (6) является, по крайней мере, одна эффективная точка.
Утверждение 4 . Если x * - единственная (с точностью до эквивалентности) точка, являющаяся решением m-й задачи из (6), то она эффективна.

Примеры решения многокритериальной задачи методом последовательных уступок

Пример №1 . Решить методом последовательных уступок многокритериальную задачу.
f 1 (x)=7x 1 +2x 3 -x 4 +x 5 → max ,

при ограничениях
-x 1 +x 2 +x 3 =2 ;
3x 1 -x 2 +x 4 =3 ;
5x 1 +2x 2 +x 3 +x 4 +x 5 =11;
x i ≥ 0 для i=1,2,...,5.
Упорядочим критерии согласно их нумерации, то есть будем в начале работать с критерием f 1 (x), а затем с критерием f 2 (x).
При решении примера методом искусственного базиса была получена симплекс-таблица (табл.). Возьмем ее в качестве начальной, вычислив относительные оценки для функции f=f 1 (x). Получим таблицу 10. Таблица 11 определяет точку, доставляющую функции f1(x) наибольшее значение f 1 * , равное 16.
Таблица 10. Таблица 11.

		7	0
c в		X 1	x 2			x 4	x 2
2	x 3	-1	1	2	x 3	1/3	2/3	3
-1	x 4	3	-1	3	x 1	1/3	-1/3	1
1	x 5	3	2	6	x 5	-1	3	3
	f 1	-9	5	7	f 1	3	2	16

Далее переходим к решению задачи
f 2 (x)=x 1 -5x 2 -4x 3 +x 4 → max
при ограничениях задачи, к которым добавлено новое ограничение f 1 (x)≥f 1 * -Δ:
-x 1 +x 2 +x 3 =2,
3x 1 -x 2 +x 4 =3 , (7)
5x 1 +2x 2 +x 3 +x 4 +x 5 =11,
7x 1 +2x 3 - x 4 +x 5 ³16-Δ,
x i ≥ 0 для i=1,2,...,5.
Новое ограничение преобразуем в равенство и заменим переменные x 1 , x 3, x 5 , используя таблицу 11, выражениями
x 1 =1/3x 2 -1/3x 4 +1, x 3 =-2/3x 2 -1/3x 4 +3, x 5 =-3x 2 +x 4 +3.
В результате этих преобразований дополнительно введенное ограничение примет вид -2x 2 -x 4 +x 6 =-16+Δ. Итак, получили задачу параметрического программирования с параметром в правой части ограничений.
В качестве начальной таблицы для задачи (7) можно использовать таблицу 12, которая получена из таблицы 11 в результате пополнения ее еще одной строкой и пересчета строки относительных оценок. Решим задачу (7) для произвольного параметра Δ≥0. Для этого столбец правых частей ограничений в таблице 12 представим в виде двух столбцов z′, z″: z i 0 =z i ′+z i ″Δ. При выборе главной строки в таблице 12 следует использовать значения из столбца z′. Полученная далее таблица 13 является оптимальной при Δ=0 и при всех значениях Δ, удовлетворяющих условиям
3+(-1/9) Δ ≥ 0, 1+(-1/9) Δ ≥ 0, 3+1/3 Δ ≥ 0, 0+1/3 Δ ≥ 0.
Из этой системы неравенств получаем 0 ≤ Δ ≤ 9. При этих значениях параметра решением задачи является точка x*=(1+(-1/9)Δ, 0, 3+(-1/9)Δ, 0+1/3Δ, 3+1/3Δ).
Таблица 12. Таблица 13.

		1	-5
с в		x 4	x 2	z′	z″		x 6	x 2	z′	z″
-4	x 3	1/3	2/3	3	0	x 3	-1/9	4/9	3	-1/9
1	x 1	1/3	-1/3	1	0	x 1	-1/9	-5/9	1	-1/9
0	x 5	-1	3	3	0	x 5	1/3	11/3	3	1/3
0	x 6	3	2	0	1	x 4	1/3	2/3	0	1/3
	f 2	-2	2	-11	0	f 2	2/3	10/3	-11	2/3

При Δ > 9 таблица 13 не является оптимальной, и нужно выполнить шаг двойственного симплекс-метода с главным элементом, стоящим на пересечение второй строки и первого или второго столбцов. Получим таблицу 14, из которой видно, что при Δ > 9 решениями являются точки, доставляющие функции f 2 (x) значение –5. Таблица 14 определяет опорное решение x ** =(0,0,2,3,6).
Таблица 14.

	x 1	x 2	z′	z″
x 3	-1	1	2	0
x 6	-9	5	-9	1
x 5	3	2	6	0
x 4	3	-1	3	0
f 2	6	0	-5	0

Найдем эти решения. Выберем главным столбец с 0-оценкой. В зависимости от Δ главной строкой будет первая или вторая строка. Если
(-9+Δ)/5 > 2, то главной строкой будет выбрана 1-я. А значит, следующей будет таблица 15. Она определяет опорное решение X=(0,2,0,5,2) , если
–19+Δ≥0. Итак, если D≥19, оптимальными решениями будут все точки выпуклой комбинации
ax ** +(1-a)x * =(0, 2-2a, 2a,5-2a,2+4a), где a∈.
Таблица 15.

	x 1	x 3	z′	z″
x 2	-1	1	2	0
x 6	-4	-5	-19	1
x 5	5	-2	2	0
x 4	2	1	5	0
f 2	6	0	-5	0

Если (-9+Δ)/5 > 2, то главной строкой будет выбрана 2-я. А значит, следующей после таблицы 14 будет таблица 16. Таблица 16 определяет решение X=(0, (-9+Δ)/5, (19-Δ)/5, (6+Δ)/5, (48-2Δ)/5), если –19+Δ≤0. Итак, если Δ≤19, оптимальными решениями будут все точки выпуклой комбинации
ax**+(1-a)x*=(0, (1-a)(-9+Δ)/5, (19-Δ)/5+a(-9+Δ)/5, (6+Δ)/5+a(9-Δ)/5, (48-2Δ)/5+a(-18+2Δ)/5), где a∈.
Таблица 16.

	x 1	x 6	z′	z″
x 3	4/5	-1/5	19/5	-1/5
x 2	-9/5	1/5	-9/5	1/5
x 5	33/5	-2/5	48/5	-2/5
x 4	6/5	1/5	6/5	1/5
f 2	6	0	-5	0

Окончательный результат формулируется следующим образом: решением многокритериальной задачи являются:
точки x*=(1+(-1/9)Δ, 0, 3+(-1/9)Δ, 0+1/3Δ, 3+1/3Δ), если 0 ≤ Δ ≤ 9,
точки x**=(0, (1-a)(-9+Δ)/5, (19-Δ)/5+a(-9+Δ)/5,
(6+Δ)/5+a(9-Δ)/5,(48-2Δ)/5+a(-18+2Δ)/5), если 9 < Δ ≤ 19,
точки x *** =(0, 2-2a, 2a,5-2a,2+4a), если Δ ≥ 19,
где a∈.

Пример №2 . Методом последовательных уступок найти решение задачи, считая, что критерии упорядочены по важности в последовательности {f 2 ,f 1 }, и Δ 2 =1.
f 1 =-x 1 +3x 2 → max,
f 2 (x)=4x 1 -x 2 → max ,
Первая задача из последовательности (6) в данном случае имеет вид:
f 2 (x)=4x 1 -x 2 → max ,
при ограничениях
-x 1 +x 2 ≤1, x 1 +x 2 ≥3, x 1 -2x 2 ≤0 , x 1 ≤4 , x 2 ≤3.
Решение этой задачи можно найти графически. Из рисунка 14 видно, что максимум критерия f 2 (x) на множестве X достигается в вершине x 5 =(4,2) и f 2 * =f 2 (x 5)=14.
Графическое решение примера №2.

Рис.
Добавим к ограничениям задачи условие f 2 ≥f 2 * -Δ и сформулируем вторую задачу последовательности (6):
f 1 =-x 1 +3x 2 → max,
-x 1 +x 2 1 , x 1 +x 2 3, x 1 -2x 2 0 , x 1 4 , x 2 3,
4x 1 -x 2 13
Ее решением (рис.) будет вершина x 4 =(4,3) и f 1 * =f 1 (x 4)=5. Так как, оптимальное решение последней задачи единственно, то в силу утверждения 5, x 4 принадлежит множеству Парето.
Отметим, что при Δ∈ методом последовательных уступок будет найдена одна из точек отрезка , а при Δ>1, одна из точек отрезка . Все эти точки и только они принадлежит множеству Парето.

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.

Другая очень распространенная группа методов скаляризации векторной задачи математического программирования - свертка критериев.

Существует большое количество разных видов сверток . Теоретически все они базируются на подходе, связанном с понятием функции полезности лица, принимающего решение.

При данном подходе предполагается, что лицо, принимающее решение, всегда имеет функцию полезности, независимо от того, может ли лицо, принимающее решение задать ее в явном виде (т.е. дать ее математическое описание). Эта функция отображает векторы критериев на действительную прямую так, что большее значение на этой прямой соответствует более предпочтительному вектору критериев. Смысл разных сверток состоит в том, чтобы из нескольких критериев получить один «коэффициент качества» (сводный критерий), приближенно моделируя таким образом неизвестную (не заданную в явном виде) функцию полезности лица, принимающего решение. Наиболее популярной сверткой является метод взвешенных сумм с точечным оцениванием весов. При этом задается вектор весовых коэффициентов критериев, характеризующий относительную важность того или иного критерия:

A = {ak ,k = 1~K}. (64)

Весовые коэффициенты обычно используются в нормированном виде и удовлетворяют равенству:

X ak = 1, ak > 0, Vk е K , (65)

т.е. предполагается, что весовые коэффициенты неотрицательны. Каждый критерий умножается на свой весовой коэффициент, а затем все взвешенные критерии суммируются и образуют взвешенную целевую функцию, значение которой интерпретируются как «коэффициент качества» полученного решения. Полученная скаляризованная функция максимизируется на допустимой области ограничений.

Получается однокритериальная (скалярная) задача математического программирования:

F0 = max X af (X). (66)

В результате решения данной задачи получается точка оптимума X0.

Основным достоинством данной свертки является то, что с ней связаны классические достаточные и необходимые условия оптимальности по Парето (теоремы Карлина).

Теорема Карлина 1.

В выпуклой задаче многокритериальной оптимизации точка X0 е S оптимальна по Парето, если существует вектор весовых коэффициентов A0 = {a° > 0, k = 1,K}, для которого выполняется соотношение:

X«Оf0(X0) = maxX«0h (X). (67)

Теорема Карлина 2.

Если в выпуклой задаче многокритериальной оптимизации точка X0 е S Парето-оптимальна, то существует вектор весовых коэффициентов A0 = {a° > 0, к = 1,К}, для которого выполняется соотношение:

X«0f^X°) = maxX«0fk (X). (68)

«h (X) =ma„xXakJkк=1 40eS к =1

Согласно данным теоремам, данную свертку можно использовать для получения Парето-оптимальных точек.

Примером данной свертки может служить итоговый рейтинг надежности банка Кромонова, полученный как аддитивная свертка ряда коэффициентов.

Достоинством данного метода является то, что он согласно теореме Карлина генерирует Парето-оптимальные точки. Однако ему присущ целый ряд фундаментальных недостатков. Во-первых, неявная функция полезности лица, принимающего решения, как правило, нелинейна, поэтому «истинные» веса критериев (т.е. такие веса, при которых градиент взвешенное целевой функции совпадает по направлению в градиентом функции полезности) будут меняться от точки к точке, поэтому можно говорить лишь о локально подходящих весах, кроме того, часто лицо, принимающее решение вообще не может задать весовые коэффициенты. Во-вторых, далеко не всегда потеря качества по одному из критериев компенсируется приращением качества по другому. Поэтому полученное решение, оптимальное в смысле единого суммарного критерия, может характеризоваться низким качеством по ряду частных критериев и быть поэтому абсолютно неприемлемым. В-третьих, полученное решение часто бывает неустойчиво, т. е. малым приращениям весовых коэффициентов соответствуют большие приращения целевых функций. В-четвертых, свертка критериев разной физической природы не позволяет интерпретировать значение взвешенной целевой функции. В-пятых, значительные затруднения могут возникнуть в случае сильной корреляции между критериями.

Некоторые из вышеперечисленных недостатков могут быть скорректированы. Так, в случае разной физической (экономической) природы критериев возможна их нормализация и последующая свертка нормализованных критериев. Чтобы исключить неприемлемо низкие значения отдельных критериев, можно наложить дополнительные ограничения на эти критерии.

Другим методом борьбы с данным недостатком - неприемлемо низкими значениями отдельных критериев при хорошем значении суммарного критерия - является применение сверток не аддитивного, а мультипликативного вида:

F0 = max П (af (X))Рк. (69)

Однако данная свертка не получила большого распространения ввиду того, что существуют аналогичные, но более перспективные виды сверток.

Так, существует свертка вида: (70)

minF0 =X| f (X)V

fк Наиболее широкое применение данная свертка получила при p = 2, которая трактуется как минимизация суммы квадратов относительных отклонений функционалов от своих достижимых оптимальных значений. Данная точка в случае равноценности критериев показывает решение, наиболее близкое к недостижимой «идеальной» точке (в которой все критерии принимают свое максимальное значение). Однако данной свертке также свойственен следующий распространенный недостаток: «хорошее» значение сводного критерия достигается ценой низких значений некоторых частных критериев.