Метод решения многокритериальных задач оптимизации с использованием обобщенного критерия

Суть данного метода заключается в том, что частные критерии F_i (X), i = каким-либо образом объединяются в один интегральный критерий F (X) = Ф (F₁ (X), F₂ (X),…, F_n (X)) , а затем находится максимум или минимум данного критерия.

Если объединение частных критериев производится, исходя из объектной взаимосвязи частных критериев и критерия обобщенного, то тогда оптимальное решение будет корректно. Но такое объединение осуществить крайне сложно или невозможно, поэтому, как правило, обобщенный критерий есть результат чисто формального объединения частных критериев.

В зависимости от того, каким образом частные критерии объединяются в обобщенный критерий различают следующие виды обобщенных критериев:

1) аддитивный критерий;

2) мультипликативный критерий;

3) максиминный (минимаксный) критерий.

Аддитивный критерий. В этом случае целевая функция получается путем сложения нормированных значений частных критериев. В общем виде целевая функция имеет следующий вид:

,

где n – количество объединяемых частных критериев; C_i – весовой коэффициент i-го частного критерия; F_i (X) – числовое значение i-го частного критерия; F_i⁽⁰⁾ (X) – i-й нормирующий делитель; f_i (X) – нормированное значение i-го частного критерия.

Частные критерии имеют различную физическую природу и поэтому различную размерность. А значит просто суммировать их некорректно. В связи с этим в предыдущей формуле числовые значения частных критериев делятся на некоторые нормирующие делители, которые назначается следующим образом:

- в качестве нормирующих делителей принимаются директивные значения параметров или критериев, заданные заказчиком. Считается, что значения параметров, заложенные в техническом задании, являются оптимальными или наилучшими;

- в качестве нормирующих делителей принимаются максимальные (минимальные) значения критериев, достигаемые в области допустимых решений.

Размерности самих частных критериев и соответствующих нормирующих делителей одинаковы, поэтому в итоге обобщенный аддитивный критерий получается безразмерной величиной.

Преимущество аддитивного критерия: как правило, всегда удается определить единственный оптимальный вариант решения.

Недостатки:

- трудности (субъективизм) в определении весовых коэффициентов;

- аддитивный критерий не вытекает из объектной роли частных критериев и поэтому выступает как формальный математический прием;

- в аддитивном критерии происходит взаимная компенсация частных критериев, т. е. уменьшение одного из них может быть компенсировано увеличением другого критерия.

Пример. Определить оптимальный вариант машины с использованием обобщенного (интегрального) аддитивного критерия. Частными критериями, с помощью которых оценены варианты машины, являются ее производительность и надежность (наработка на отказ). Оба критерия «работают» на максимум, т. е. наилучшими вариантами машины являются те из них, которые обеспечивают наибольшую ее производительность и надежность. Исходные данные для решения задачи приведены в таблице 3.2.

Таблица 3.2 – Исходные данные для определения
оптимального варианта исполнения машины

Целевая функция на основе аддитивного критерия запишется следующим образом:

.

В качестве нормирующих делителей в данной задаче примем наилучшие (максимальные) значения частных критериев:

F₁⁽⁰⁾ (X) = 4000 шт/ч, F₂⁽⁰⁾ (X) = 1500 шт/ч.

Значения обобщенного аддитивного критерия рассчитываются для каждого варианта машины.

Вариант 1. F (X) = 0,6(1000/4000) + 0,4(1500/1500) = 0,55.

Вариант 2. F (X) = 0,6(2000/4000) + 0,4(1000/1500) = 0,558.

Вариант 3. F (X) = 0,6(4000/4000) + 0,4(500/1500) = 0,732.

Оптимальным является 3 вариант машины, т. к. ему соответствует максимальное значение обобщенного аддитивного критерия.

Один из недостатков этого метода заключается в том, что весовые коэффициенты назначает проектировщик. Разные проектировщики могут назначать разные весовые коэффициенты. Пусть, например, C₁ = 0,4;
C₂ = 0,6. Определим теперь значения аддитивных критериев для вариантов машины.

Вариант 1. F (X) = 0,4 × 0,25 + 0,6 × 1 = 0,7.

Вариант 2. F (X) = 0,4 × 0,5 + 0,6 × 0,67 = 0,602.

Вариант 3. F (X) = 0,4 × 1 + 0,6 × 0,33 = 0,598.

Таким образом, при изменении значений весовых коэффициентов оптимальным уже будет 1 вариант машины.

Мультипликативный критерий. В данном случае целевая функция здесь записывается следующим образом:

,

где П – знак произведения; С_i – весовой коэффициент i-го частного критерия; F_i(X) – числовое значение i-го частного критерия.

Преимущества мультипликативного критерия:

- не требуется нормирование частных критериев;

- практически всегда определяется одно оптимальное решение.

Недостатки:

- трудности (субъективизм) в определении весовых коэффициентов частных критериев;

- перемножение разных размерностей;

- взаимная компенсация значений частных критериев.

Максиминный (минимаксный) критерий. Эти критерии работают по принципу компромисса, который основывается на идее равномерности. Сущность принципа максимина заключается в следующем. При проектировании сложных систем, при наличии большого числа частных критериев установить между ними аналитическую взаимосвязь очень сложно. Поэтому стараются найти такие значения переменных (параметров) X = {x₁, x₂,…, x_m}, при которых нормированные значения всех частных критериев равны между собой:

C_if_i (X) = K,

где C_i – весовой коэффициент i-го частного критерия; f_i (X) – нормированное значение i-го частного критерия; K – константа.

При большом количестве частных критериев из-за сложных взаимосвязей добиться выполнения указанного выше соотношения очень сложно. Поэтому на практике так варьируют значениями переменных проектирования x₁, x₂,…, x_m, при которых последовательно «подтягиваются» те нормированные критерии, численные значения которых в исходном решении оказались наименьшими. Т. к. эта операция производится в области компромисса, подтягивание «отстающего» критерия неизбежно приводит к снижению значений части остальных критериев. Но при проведении
ряда шагов можно добиться определенной степени уравновешивания противоречивых частных критериев, что и является целью принципа максимина.

Формально принцип максимина формулируется следующим образом: выбрать такой набор переменных Х⁽⁰⁾ Î Х, при котором реализуется максимум из минимальных нормированных значений частных критериев,

т. е. F (X⁽⁰⁾) = max min f_i (X).

Такой принцип выбора Х⁽⁰⁾ иногда носит название гарантированного результата. Он заимствован из теории игр, где является основным принципом.

Если частные критерии необходимо минимизировать, то самым отстающим критерием является тот, который принимает максимальное значение. В этом случае применяют принцип минимакса:

F (X⁽⁰⁾) = min max f_i (X)