Вы находитесь на странице: 1из 193

Ю.П.

ЗАЙЧЕНКО

Исследование
операций
Нечеткая
оптимизация

Допущено
Министерством высшего
и среднего специального
образования УССР
в качестве учебного
пособия для студентов
вузов, обучающихся
по специальностям
«Автоматизи рованные
системы обработки
информации и управления»
и «Прикладная математика*

КИЕВ
«ВЫЩА ШКОЛА»
1991
ББК 22.18я73
3-17
УДК 517.93(07)

Р е ц е н з е н т ы *.
д-р техн. наук, проф. Л. А. Ш а р е й к о (Винницкий политехниче­
ский институт) и д-р техн. наук, проф. А. А. В о л к о в (Киевский
институт инженеров гражданской авиации)

Редакция литературы по информатике и автоматике


Редактор Ж • Г . Давыденко

Зайченко Ю. П.
3-17 Исследование операций: Нечеткая оптимизация: Учеб,
пособие.— К.: Выща шк., 1991.— 191 с.: ил.
ISBN 5-11-002276-3
Изложены новые эффективные методы решения задач линейного и вы­
пуклого программирования — декомпозиционный метод агрегирования
для задач большой размерности и метод эллипсоидов, обладающий в от­
личие от классических методов полиномиальной сходимостью. Основное
внимание уделено современным проблемам принятия решений при нечет­
кой и недостоверной информации. Описаны задачи принятия решений на
основе лингвистических переменных, нечеткого математического програм­
мирования и методы их решения. Исследованы наиболее сложные много­
критериальные задачи нечеткого линейного и нелинейного программирова­
ния и интерактивные методы построения компромиссных решений.
Для студентов вузов, обучающихся по специальностям «Автомати­
зированные системы обработки информации и управления» и «Приклад­
ная математика».
2402000000—188 лл
3 -----------------------112—90 ББК 22.18я73
М211(04)—91
ISBN 5-11-002276-3 © Ю. П. Зайченко, 1991
ОГЛАВЛЕНИЕ

Введение ..................................................................................... . . . . . . 5
Глава 1. Декомпозиционный метод агрегирования в задачах большой раз­
мерности ..................................................................................................... 8 •
1.1. Постановка и математическая модель з а д а ч и ............................................. 8
1.2. Метод разложения на основе агреги рован и я............................................. 11
1.3. Общий случай декомпозиции на основе агрегирования в задаче ЛП 24
1.4. Метод декомпозиции на основе агрегирования в задачах нелинейного
п рограм м ирования.............................................................................................. 37
1.5. Декомпозиция в геометрическом программировании............................ 44
Список использованной и рекомендуемой лит ерат уры .................................... 52
Глава 2. Метод эллипсоидов для задач линейного и выпуклого программи­
рования ......................................................................................................... 52
2.1. Задача нахождения эллипсоида минимального о б ъ е м а ......................... 52
2.2. Метод эллипсоидов для решения задачи выпуклого программирования 61
2.3. Метод вписанных эллипсоидов ................................................................. 64
2.4. Применение метода вписанных* эллипсоидов в задачах многокритери­
альной о п ти м и зац и и ..................................................................................... 72
Список использованной и рекомендуемой лит ерат уры .....................................
Глава 3. Общая задача нечеткого математического программирования 73
3.1. Классификация задач нечеткого математического программирования 73
3.2. Обобщение нечеткого отношения на класс нечетких множеств . . . . 75
3.3. Недоминируемые альтернативы в общей задаче Н М П .................... .... . 83
3.4. Общая задача Н М П ...................................................................................... . 86
3.5. Задачи выпуклого и нечеткого магматического программирования 98
Список использованной и рекомендуемой лит ерат уры ..................................... 112
Глава 4. Многокритериальные ЛП-задачи как задачи нечеткого математи­
ческого програм м ирования..................................................................... 112
4.1. ЛП-задачи с нечеткими целевыми функциями ..............................................112
4.2. Определение компромиссного решения ..........................................................114
4.3. Определение компромиссного решения путем последовательной ре­
дукции ...................................................................................................................... 116
4.4. Определение компромиссного решения путем кусочно-линейной редук­
ции .............................................................................................................................. 119
4.5. Модель эквивалентной Л П - з а д а ч и .................................................................
4.6. Многокритериальное нелинейное программирование с нечеткими па­
раметрами ...................................................................................................................125
Список использованной и рекомендуемой литературы ..........................................135
Глава 5 . Принятие решений на основе лингвистической переменной . . . 135
5.1. Понятие лингвистической переменной. Взаимосвязи между нечеткими и
лингвистическими перем енны м и..........................................................................136
5.2. Нечеткие отношения, нечеткие арифметические операции и алгоритмы 137

3
5.3. Лингвистический подход к моделированию принятия решений . . . . 153
5.4. Методы построения функций принадлежности нечетких множеств 161
Список использованной и рекомендуемой лит ерат уры ......................................... 165
Глава 6. Принятие решений на основе нечеткой и ограниченной информации
6.1. Основные формы анализа р е ш е н и й ..................................................................166
6.2. Нечеткое стохастическое доминирование ................................ 170
6.3. Нечеткое доминирование по полезности ......................................................176
6.4. Принятие решений в условиях зависимости оценок альтернатив от па­
раметров .................................................................................................................. 180
6.5. Выбор альтернатив на основе степени достижимости идеальных значе­
ний к ритериев.......................................................................................................... 184
6.6. Модификация методов многокритериального выбора при нечеткой
и н ф о р м ац и и ..............................................................................................................188
Список использованной и рекомендуемой литературы ..................................... 190
ПРИНЯТЫЕ СОКРАЩЕНИЯ

ц. ф. — целевая функция
ф. п. — функция принадлежности
н. о. п. — нечеткое отношение предпочтения
НМП — нечеткое математическое программирование
НМ — нечеткое множество
НЧ — нечеткое число
ЛПР — лицо, принимающее решения
ПР — принятие решений
ч. н. д. — четко недоминируемая, -ый
ЛП — линейное программирование
ЗЛП — задача линейного программирования
ВП — выпуклое программирование
В ВПП — выпукло-вогнутое пол у бесконечное программирование
МДР — множество допустимых решений
МК — многокритериальный, -ая
МКНП — многокритериальное нелинейное программирование
МКО — многокритериальная оптимизация
ТП — теория полезности
ФП — функция полезности
РВ — распределение вероятностей
СД — стохастическое доминирование
ДП — доминирование по полезности
ВВЕДЕНИЕ

Настоящее издание является логическим развитием учебника


«Исследование операций» для специальностей «Автоматизированные
системы обработки информации и управления» и «Прикладная мате­
матика». Пособие включает материалы по новейшим и, по мнению
автора, одним из наиболее перспективных современных направле­
ний исследования операций.
В первой главе описан декомпозиционный метод агрегирования
в задачах большой размерности, получивший весьма широкое рас­
пространение при оптимизации больших систем. Здесь рассматрива­
ется метод декомпозиции на основе агрегирования для частной и
общей задач ЛП и, наконец, его обобщения для задачи нелиней­
ного выпуклого программирования [7].
Во второй главе изложен новый эффективный метод решения
задач линейного и выпуклого программирования — метод эллипсо­
идов, предложенный Л. Г. Хачияном [1—4]. В отличие от класси­
ческих методов типа симплекс-метода этот метод имеет полиномиаль­
ную сложность, т. е. обеспечивает сходимость к искомому решению
задачи линейного и выпуклого программирования за число опера­
ций, являющихся полиномом от (т X /г), где т X п — размерность
ЛП-задач.
Именно данное свойство обусловило большой интерес к этому
методу и стимулировало появление множества работ, посвященных
его исследованиям и обобщениям. В данной главе излагаются тео­
ретические основы метода, алгоритм метода эллипсоидов для реше­
ния задач линейного и выпуклого программирования, метод впи­
санных эллипсоидов, его применение и обобщение для решения за­
дач многокритериальной оптимизации [1].
В третьей главе рассмотрена общая задача нечеткого математи­
ческого программирования (НМП). Излагается достаточно общий
подход к ее решению, предложенный С. А. Орловским и основанный
на построении подмножества недоминируемых альтернатив [3].
Исследованы теоретические свойства этого подмножества сущ­
ность метода раскрывается на примере решения общей задачи ли­
нейного НМП. Теоретический материал иллюстрируется примера­
ми ряда задач НМП, доведенных до числовых результатов. Глава
завершается изложением нового метода решения задачи линейного
НМП, который основан на сведении ее к задаче полубесконечного
выпуклого программирования.
В четвертой главе исследованы многокритериальные задачи
НМП, имеющие весьма широкие приложения в задачах оптималь-
6
ного планирования и проектирования при неполной или недосто­
верной информации.
Вначале рассматривается задача линейного НМЛ с нечеткими
коэффициентами в целевой функции компромиссного решения и по­
казывается, как данная задача сводится к задаче векторной (много­
критериальной) оптимизации. Вводится понятие компромиссного
решения и излагается метод решения эквивалентной ЛП-задачи
многокритериальной оптимизации. Применение метода иллюстри­
руется численными примерами.
В последнем параграфе рассмотрен наиболее общий случай
многокритериальной задачи нелинейного нечеткого математиче­
ского программирования (МКНМП). Введено понятие а-Парето-
оптимальности и изложен метод нахождения Парето-оптимального
решения уровня а; описан интерактивный алгоритм для решения
данного класса задач, основанный на взаимодействии лица, прини­
мающего решения, с ЭВМ.
В пятой главе рассматриваются вопросы принятия решений на
основе так называемых лингвистических переменных, впервые вве­
денных в работах Л. Заде. Использование понятия лингвистической
переменной позволяет формализовать и количественно оценить
суждения ЛПР, носящие расплывчатый, неопределенный характер.
Подобные задачи возникают в процессе обработки информа­
ции специалистами при построении экспертных систем и систем
искусственного интеллекта. Дается определение лингвистической
переменной, указываются взаимосвязи между лингвистическими
и нечеткими переменными. Описаны основные арифметические опе­
рации над нечеткими числами, способы сравнения и ранжирования
нечетких чисел, проблема лингвистической аппроксимации. На
примерах описан способ построения функций принадлежности со­
ставных лингвистических переменных, являющихся комбинациями
исходных переменных.
Рассмотрен лингвистический подход к моделированию приня­
тия решений; введены лингвистические отношения предпочтения
и описан алгоритм шкалирования (построения шкалы измерения)
числовых и нечисловых лингвистических критериев.
В шестой главе освещены проблемы принятия решений на основе
нечеткой информации, приведены основные формы анализа решений
в зависимости от исходной информации, которой располагает ЛПР.
Раскрывается сущность нечеткого стохастического доминирова­
ния, которое применяется для выбора эффективных стратегий (аль­
тернатив), когда не известен точный вид функций полезности, исполь­
зуемых ЛПР, но зато точно известно состояние внешней среды.
Рассмотрен выбор эффективных альтернатив и на основе доми­
нирования по полезности, которое применяется в случае, когда из­
вестны функции полезности оцениваемых альтернатив, но не из­
вестно распределение вероятностей состояний среды.
Рассматривается ряд подходов к решению задач многокрите­
риальной оптимизации при нечеткой информации.
Глава 1
ДЕКОМПОЗИЦИОННЫЙ МЕТОД АГРЕГИРОВАНИЯ
В ЗАДАЧАХ БОЛЬШОЙ РАЗМЕРНОСТИ

1.1. ПОСТАНОВКА И МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ЗАДАЧИ

Одной из задач оптимального планирования с большим числом


переменных и ограничений является модель отраслевого планирова­
ния. Годовой план отрасли формируется на основе народнохозяй­
ственной потребности в ее продукции.
При этом одна часть номенклатуры конечного выпуска (госза­
каз) жестко фиксируется, а другая, так называемая свободная, на­
ходится в распоряжении планирующего органа.
В качестве критерия выбирается максимизация выпуска сво­
бодной номенклатуры в заданном ассортиментном соотношении.
При этом получается задача линейного программирования с блоч­
но-диагональной структурой части ограничений. Связывающие ог­
раничения и критерий имеют специфику, обусловленную конкретной
моделью планирования. Эта специфика приводит к идее агрегирова­
ния переменных при построении декомпозиционного метода реше­
ния блочной задачи. Декомпозиционный метод представляет собой
итеративный процесс, формирующий последовательность допус­
тимых к исходной задаче решений.
Рассмотрим задачу отраслевого планирования. Имеется отрасль,
которая характеризуется множеством заводов отрасли {1, J) =
= У, множеством номеров конечной продукции {1, т) = Af, мно­
жеством номеров номенклатуры изделий, производящихся на за­
водах отрасли {1, /} = /, множеством номеров групп оборудова­
ния, имеющихся на заводе / — /С/, множеством номеров комплек­
тующих изделий, производящихся на заводе / G //, If а /.
Предполагается, что технологическая цепочка изготовления
данного изделия на данном заводе жестко фиксирована. Тогда про­
изводственные мощности (возможности) каждого завода описывают­
ся в рамках модели использования невзаимнозаменяемых групп
оборудования следующими ограничениями:
£ T f j Xil^ Of»; (1.1.1)
i<Uj
t£ //,
где x{j — годовой объем выпуска изделий i на заводе /; Ф(*’ — годо­
вой фонд времени работы оборудования группы k на заводе /;
7 f/ — затраты времени работы оборудования группы k на заводе
/ на производстве единицы изделия и
Ь
Как следует из (1.1.1), величины хц определены на каждом за­
воде / только для I £ //. В дальнейшем удобно определить их для
всех / £ 7, полагая х,-;- = 0 для i % I ,.
Связь между выпуском комплектующих изделий и выпуском
конечной продукции описывается соотношением
J м
£ (Хц + Wij) = £ e (m£ J (1 + 6m), (1.1.2)
/= 1 m=l
где ym — годовой выпуск конечной продукции вида т\ wij — запас
изделий i на заводе / на начало планируемого периода; eim — число
изделий вида I, входящих в конечную продукцию (коэффициент
комплектации); бт — норматив переходящего запаса продукции
вида т на следующий период год) планирования в относительных
единицах.
Предположим, что множество номеров конечной продукции
разбито на два непересекающихся подмножества:
М = М г U M 2, Мг = {1, . . . , М±)9 M2 = {M1 + l t M1 +
+ 2, . . . , М).
Продукция из множества Мх является важнейшей для отрасли
с точки зрения народнохозяйственной потребности, она входит в
госзаказ и ее объемы либо фиксируются, либо задаются ограниче­
ниями снизу, т. е.
Ут Ут,пл > Ш= 1, Mv (1.1.3)
Эта часть номенклатуры конечного выпуска называется обяза­
тельной. Предполагается, что существует вектор {ум^ ь Умх+2 * ...
ум) такой, что область допустимых решений (планов) не являет­
ся пустой. Продукция из множества М2 называется свободной, и
решение об объемах ее выпуска принимает плановый орган самой
отрасли.
Пусть плановый орган (на основе определенных соображений)
определил вектор свободной номенклатуры:
{Умх+ь Умх+2, Ум}. (1.1.4)
Тогда возможны две ситуации.
1. Вектор {у19 у2, ..., ум) является недопустимым планом, т. е.
не существует величин {**•/}, удовлетворяющих условиям (1. 1.1),
( 1. 1. 2).
В этом случае возникает проблема сокращения компонент век­
тора (1.1.4).
2. Вектор {у1у у2У ..., ум) является допустимым планом. В этом
случае существует бесконечное число способов размещения заказов
на изготовление комплектующих изделий по заводам и, кроме того,
определенная доля мощностей отрасли может быть не загружена.
Таким образом, в обоих случаях плановый орган сталкивается
с необходимостью пересмотра вектора (1.1.4), который можно трак­
товать как желательную структуру свободной номенклатуры
9>
конечной продукции отрасли. Тогда окончательный план по свобод­
ной номенклатуре определяется как
УМх+\ =* Ot/Ali+l, Умх+2 = 0Ул<1+2, . . . » Ум = &Ум-
Компоненты вектора (1.1.4) называются пропорциями или ас­
сортиментными соотношениями, а величина 0 — числом ассорти­
ментных наборов (число комплектов).
Далее примем, что компоненты вектора обязательной номенкла­
туры жестко фиксированы.
Запишем (1.1.2) в соответствии с разбиением вектора конечной
продукции:
j мг м
£ ХП £ £{тУт (1 + бт) + 2 е1тУт(1 + 6m). (1.1.5)
/=1 т—1 m==Af,+l
Обозначим суммарный запас изделия i в отрасли на начало планиру-
j
емого периода Wt = 2 wti, а суммарный объем изделия i, необхо-
димого для выпуска конечной продукции обязательной номенклату-
Af,
ры Н{, Н{ = 2 ешУт (1 + S J и, наконец, i-ю компоненту ассор-
т—1
тиментного соотношения выпуска комплектующих изделий через
м _
<к = 2 *1тУт (1 + бт ).
m=sAf,4-l
С использованием этих обозначений (1.1.5) запишется в виде
j ____
£ xij “Ь Wi = я*0 -f- Н(9 i = 1, /.
м 1
Введем также обозначения

Vt = w t - H t, btlk = ^ ~ .
ф/й
Тогда оптимизационная задача запишется окончательно в виде
максимизировать 0 (1.1.6)
при условиях
2 bu kX tj^ i, k^Ki, / = 1~ ; (1.1.7)
ш,
Хц > 0, если i £ / / , xtj = 0, если /{£//, / = 1, У; (1.1.8)
J
fliO — 2 хч = 1€ Л (1.1.9)
j=i
9>0. (1.1.10)
Задача (1.1.6) — (1.1.10) является задачей ЛП и для ее реше­
ния могут быть использованы стандартные методы. Однако на прак­
тике это сопряжено с большими трудностями из-за огромной раз-
10
мерности реальных задач отраслевого планирования. Анализ огра­
ничений этой задачи показывает, что она имеет блочную структуру,
ограничения (1.1.7), (1.1.8) относятся к отдельным заводам / и яв­
ляются блочными, ограничения (1.1.9) суть отраслевые или связы­
вающие относятся ко всем заводам отрасли. Поэтому целесообраз­
но использовать декомпозиционные алгоритмы. Кроме того, дан­
ная блочная задача обладает дополнительно специфическими осо­
бенностями: оптимизируемая переменная 0 не входит в блочные
ограничения, связывающие ограничения имеют специальный вид,
а в критерий входит только одна переменная 0.
Эти особенности учитываются при построении декомпозицион­
ного алгоритма для решения поставленной задачи.

1.2. МЕТОД РАЗЛОЖЕНИЯ НА ОСНОВЕ АГРЕГИРОВАНИЯ

Наличие в равенствах (1.1.9) сумм хц приводит к идее ввести


/=!
новые переменные — полные выпуски по всем заводам:

= (1.2. 1)
М
которые назовем агрегированными переменными. Вводятся также
удельные выпуски изделия i на заводе /:

W’t/ == ^ > / == 1» J » ^ == 1> ^»


которые называют весами агрегирования.
Очевидно, выполняются условия
j
£<*,•/ = 1, а < / > 0, /£ /,, а*/ = 0, / £ / \ /,. (1.2.2)
/= 1
Пусть заданы веса агрегирования, удовлетворяющие (1.2.2).
Тогда, подставляя в (1.1.6) — (1.1.8) переменные Xij — a t/Xt,
/ = 1, J и вводя обозначения —a / = 1, J, k £ К/, при­
ходим к задаче в агрегированных переменных:
максимизировать 0 (1.2.3)
при условиях

S j BijkX-i ^ 1, / — 1, J > К/, (1.2.4)

afi — X t = Vi, (1.2.5)


X t > 0 , / = 177;
0>O . (1.2.6)
Задачу (1.2.3) — (1.2.6) назовем задачей в агрегированных пе­
ременных, или макрозадачей.
И
Запишем двойственную задачу к задаче (1.1.6) (1. 1. 10)!
минимизировать

ф — 2 2 I/» + 2 Ули (1.2.7)


/'=1kdKf i=1
при условиях
2
fee/C/
bi jk P; 0, /' = 1, •/, l’£ 7/j ( 1. 2. 8)

i
2 > 1; (1.2.9)
;=i
b k > о, / = 1, / , (1.2.10)
Двойственная задача для задачи в агрегированных переменных
записывается так:
минимизировать

Ф= 2 2 л/* + Е Vth (1.2.П)


/=1 kdKj i=l
при условиях
J ____
2 2 ^ / * Ш * - ^ > 0, 1, /; (1.2.12)
f-I к€К/
1
2 аЛ >1; (1.2.13)

Л /* > 0 , /=1,У, *€7С/. (1.2.14)


Пусть A.®, i = l , J — единственные оптимальные решения задачи
(1.2.1) — (1.2.4). Для каждого фиксированного индекса формиру­
ются заводские или блочные задачи:
максимизировать
Л* = 2 Ь ?* < / (1.2.15)
1€/,
при условиях
2 ьт х ц > 1, k£Kf , (1.2.16)
1&I
х , / > 0 , / € //. x(l = 0, (1.2.17)
Двойственные задачи для блочных задач (1.2.15) — (1.2.17)
при каждом / £ J записываются в виде:
минимизировать
% /- 2 lik (1-2.18)
¥*/
при условиях
2 bi/kljk — А ? ^ 0, i £/ ; (1.2.19)

6/ * > 0, /=1,7. ( 1.2.20)


12
Итеративный процесс решения строится следующим образом.
При некоторых фиксированных весах aijt удовлетворяющих ус­
ловиям (1.2.2), решается задача в агрегированных переменных
(1.2.14) — (1.2.16). Как будет показано в дальнейшем, эта задача
в некоторых предположениях решается аналитически. Двойствен­
ные оценки X?, i = 1, / формируют функционалы блочных задач
(1.2.15) — (1.2.17).
Пусть Xij, i = 1, /, / = 1, У — оптимальные решения этих
задач.
Введем переменные *?/ = a *,Х<, где X? — оптимальное реше­
ние задачи в агрегированных переменных. Величины xq назы­
ваются дезагрегированными решениями. Новые веса агрегирования
определяются в виде функции a if от переменных р/ согласно
соотношению

где 0 ^ р/ ^ 1, / = 1, У. Заметим, что для весов, выраженных со­


гласно (1.2.21), выполняются условия (1.2.2).
Укажем схему декомпозиционного алгоритма на основе агре­
гирования [7].
Если рассмотреть задачи в агрегированных переменных (1.2.3) —
(1.2.6) с весами, определяемыми (1.2.21), то оптимальное значение
функционала является функцией от параметров р,. Эту функцию
обозначим через 0° (р7). Возникает задача максимизации функции
0° (рf) на единичном кубе 0 ^ р, ^ 1 , / = 1, У. Пусть максимум
достигается при некоторых р/, / = 1, У. Тогда веса для следующего
шага итеративного процесса определяются по формуле (1.2.21) при
р/ = р/. Алгоритм формирует последовательность дезагрегирован­
ных решений {*?/}, которые вместе с 0° являются допустимыми
к исходной задаче (1.1.6) — (1.1.10). Далее проверяется критерий
оптимальности решения {*?,, 0°} для задачи (1.1.6) — (1.1. 10)
(условие окончания итеративного процесса). Доказывается строгая
монотонность значений функционала, соответствующих дезагреги­
рованным решениям Xq и 0°, и таким образом решается вопрос о
сходимости последовательности, составленной из допустимых ре­
шений {x°ij, 0°} к оптимальному решению исходной задачи (1.1.6) —
( 1.1.10).
В дальнейшем предполагается, что указанный процесс начина­
ется с весов агрегирования, дающих строго положительное значе­
ние 0° для задачи в агрегированных переменных. А поскольку это
число на каждой итерации возрастает, то для всех макрозадач
выполняется строгое неравенство 0° > 0. Будем также предпола­
гать, что выпуск каждого изделия ненулевой, т. е. X? > 0, V/ =»
13
= 1, 7. Это условие заведомо выполняется, если V{ ^ 0 , i = 1 ,
что, как правило, имеет место на практике.
Сформулируем критерий оптимальности дезагрегированного ре­
шения {*?/}. Пусть при некоторых весах aih удовлетворяющих
(1.2.2), получено оптимальное решение {X?, 0°) задачи в агреги­
рованных переменных (1.2.3) — (1.2.6), а х% — соответствующее
дезагрегированное решение. Пусть X? — единственное решение
двойственной задачи (1.2.11) — (1.2.14).
Вводятся обозначения:

А, = £ %Тхц, А° = £ kUu- (1-2.22)


ia f ia f
Величины hi и h/ представляют собой значения функционалов
блочных задач (1.2.15) — (1.2.17) на оптимальном и дезагрегирован­
ном решениях соответственно. Положим также
Л J Л J
h = £ A,; А0 = £ A?.
/=1 /=1
Л е м м а . Справедливы следующие утверждения [71:
а) h/ > hj для всех / £ 7;
б) А/ = А/ тогда ы только тогда, когда hj = hj для всех /.
Доказательство. Дезагрегированное решение {хq}
является допустимым к блочным задачам. Оно удовлетворяет ус­
ловиям (1.2.1) в силу (1.2.2) и (1.2.5). Это решение удовлетворяет
также (1.2.16) согласно следующей цепочке неравенств:
£ bt/kX°tj = J) bi/kCitfXt = £ BqkX t 1, / = 1, J , k £ Ki-
miI t£lj tvj
Так как xq — допустимые решения исходных (заводских) за-
А
дач (1. 1.6), а хц — их оптимальные решения, то это утверждение
л

а) леммы доказано. Далее, в силу определений h и h° и утверждения


а) леммы, устанавливаем справедливость утверждения б) леммы.
Лемма доказана.
Следующая теорема дает условие оптимальности дезагрегирован­
ного решения [7].
Теорема 1.1. Пусть для оптимальных решений {X?} и 0° и
i = 1» 7, прямой и двойственной макрозадач и оптимальных
решений xt/, i £ /,, j = 1, J блочных задач выполняются равен­
ства
hj= hl V/ = T7X (1.2.23)
Тогда дезагрегированное решение {xq, 0°}, где xq = aqX°lt
j — 1, J, i £ I j, составляет оптимальный план исходной задачи
(1. 1.6) — (1. 1. 10).
14
Д о к а з а т е л ь с т в о . Поскольку 0° > 0, то в силу тео­
ремы 2.7 двойственности [3] условие (1.2.13) выполняется как стро-
/
гое равенство, т. е. atX°i = 1.
ы
Умножая равенства (1.2.5), выписанные для оптимального ре­
шения, на и суммируя по /, получаем

0° £ оЛ °— S = S
*=1 i=i *=i
Из последних двух соотношений имеем

0 “ 2 *?(*? + V,). (1.2.24)


t= l
Рассмотрим дезагрегированное решение {jc?/, 0°}. Легко убе­
диться, что такой план будет допустим к исходной задаче (1.1.6) —
(1.1.10), причем значение функционала на этом решении есть 0°.
Имеем

А0 = = £ 2 М ?/ = S S V**/*? =
/=1 /-1 /€/у /=1 /=1

= S aij = S
/=1 /=1 /=1
Сравнивая последнее равенство с (1.2.24), получаем

0° = fto + £ jfiVi. (1.2.25)


*=i
л
Далее рассмотрим оптимальные решения £/*,/ = 1 , 7 двойствен­
ных блочных задач (1.2.18) — (1.2.20). Можно легко проверить,
что набор {5/*}, {Л.?}, [ = I, J, k £ К/, i = 1, / является допусти­
мым планом к двойственной задаче (1.2.7) — (1.2.10). Функционал
<р на этом решении принимает значение

ф= 2 S i ik + i : t i v t. (1.2.26)
/=1 k€Kf *«1
По теореме 2.5 двойственности для блочных задач имеют место
равенства [31:
S i/* = S /== Г77. (1.2.27)
*€К, Ю/
Подставляя (1.2.27) в (1.2.26), получаем
Ф = Л + 2 K°{V{. (1.2.28)
1=1
Итак, мы имеем допустимые решения сопряженных задач
(1.1.6) — (1.1.10) и (1.2.7) — (1.2.10), значения целевых функций
которых выражаются соответственно через (1.2.25) и (1.2.28).
15
Равенство

0° = ф, (1.2.29)
согласно основной теореме двойственности, обеспечивает оптималь­
ность решений {*?/, 0°} для задачи (1.1.6) — (1.1.10). Но из (1.2.25)
и (1.2.28) следует, что равенство (1.2.29) эквивалентно h = h°
или, в силу леммы, hf = h°}f j = 1, У. Теорема доказана.
Таким образом, соотношения (1.2.23) являются условием окон­
чания итеративного процесса.
Аналогично доказывается и следующее утверждение [71.
Теорема 1.2. Пусть исходная задача (1.1.6) — (1.1.10) имеет
решение и при некоторых ац получен дезагрегированный план та­
кой, что решение {*?/}, 0° не оптимально для задачи (1.1.6) — (1.1.10).
Тогда существуют такие /, для которых hf > h0h и поэтому
имеет место неравенство:
h> h\ (1.2.30)

Задача в агрегированных переменных


Центральным моментом декомпозиционного метода является
многократное решение задачи в агрегированных переменных
(1.2.3) — (1.2.6). На каждом шаге итеративного процесса при мак­
симизации функции 0° (р/) на единичном кубе 0 <1 р/ ^ 1 макро­
задача решается для некоторых значений параметров р/, / = 1, У.
В связи с этим важным является выяснение свойств решения зада­
чи в агрегированных переменных.
Выразим величины X t через 0 согласно (1.2.5):
X { = a{Q— Vit i = T 7 7 . (1.2.31)
Подставляя (1.2.31) в (1.2.4), получаем
У У _____
в £ Bifka{ — 2 BifkV i ^ 1, / = 1, У, К/.
i=i i=i
Из последних неравенств получаем выражение для оптимального
значения переменной

0° = min 11 + £ Bt ikV() / t £ В ц ко \ . (1.2.32)


</.*> \ i=1 I \i =1 /
Оптимальные величины X { определяются из (1.2.31).
Рассмотрим двойственную задачу (1.2.11) — (1.2.14). В силу
X°i > 0 на основе теоремы 2.7 двойственности [31 соотношения
(1.2. 12) выполняются на оптимальном решении как равенства, т. е.

Ь ° = £ £ B ljky\)k. (1.2.33)
/=1
16
Подставляя (1.2.33) в (1.2.13), приходим к следующей задаче:
минимизировать

♦ “ £ £ П%( l + £ (1.2.34)
/=1*€*/ \ <=1 /
при условии

S = (1.2.35)
/=1 feSK/ i= l
Пусть минимум в (1.2.32) достигается на единственной паре ин­
дексов (/'*, £*). Тогда имеем

0° = ( l + £ S./***^- (1.2.36)
\ i= l J i= 1
В рассматриваемом случае задача (1.2.34), (1.2.35) имеет един­
ственное решение:

Л/*** = —— ------ . Л/А=0. если (/, k) ¥=(/*. ft*)- (1-2.37)


i=\
Величины согласно (1.2.33), (1.2.37), равняются
1 ___
К°{ = Bij*k*a{, i = 1, / (1.2.38)
i= l
и определяются однозначно. Такой случай называют простым [71.
Пусть минимум в (1.2.32) достигается на некотором множестве пар
индексов (/, k), которое обозначим через R. Тогда (1.2.32) можно
записать в виде

0° = ( l + £ ^ /^ i)/(s , (/'. ft) € я .

Для величин r\jk имеем задачу:


минимизировать

£ 4 /* (l + £ (1-2-39)
( j . №R \ i= 1 /
при условии

£ Л /* (£ 5 . / ^ ) = 1- (1-2-40)
(/Л ед \i= i 1
Задача (1.2.39), (1.2.40) имеет не единственное решение, и возни­
кает дополнительный вопрос об определении величин, которые фор­
мируют функционалы блочных задач. Этот случай будем называть
вырожденным. В обоих случаях нахождение оптимального решения
в агрегированных переменных сводится к определению минималь­
ного элемента некоторой матрицы большой размерности. Таким
17
образом, все трудности, связанные с большой размерностью, сводятся
к задаче перебора.
Далее исследуем вырожденный случай в задаче (1.2.39), (1.2.40).
Множество ее решений принадлежит многограннику с вершинами
г]/«*• = —— !------ , где j°k° £ R. (1.2.41)

f=i
Перенумеруем последовательно все элементы множества Я и
полученное множество номеров обозначим 5 = {1, s}. Подставляя
(1.2.4) в (1.2.38), получаем следующее выражение:
I _
Я? = fiftf/ £ B u m , i, k £ R , s£ S. (1.2.42)
Здесь подразумевается взаимно однозначное соответствие между
элементами множеств R и 5. Таким образом, все решения двойствен­
ной макрозадачи можно представить в виде
s
Я ? = £ я 5Я°<( (1-2-43)
s=«l
где величины я 5 удовлетворяют условиям
s
я 5 > 0, £ я 5 = 1.
S = 1

Обозначим через M i при каждом / £ 7 множество допустимых


решений блочных задач или, иными словами, xtt, удовлетворяющих
ограничениям (1.2.16), (1.2.17) при фиксированных / = 1, J. Рассмо­
трим максиминную задачу:
J 1 s
max min (ft — ft0) — max min £ £ £ (*</ — xb)- (1 -2.44)
*4 n Hi {"«l / = I 1=1 s= l

Если Mi, j = 1, / — ограниченные множества, то задача (1.2.44)


имеет седловую точку, которую обозначим (х</, я,.). При этом для
каждого / величины Х(/, i £ Jf, являются оптимальными решения-
ми блочных задач с функционалами, содержащими Я.®== £ я 5Я°,-.
S=1

Обозначим через fi значение величины Л для седловой точки


Ч Тогда критерий оптимальности дезагрегированного решения в
случае вырожденности формулируется так [7].
Теорема 1.3. Достаточным условием оптимальности дезагре­
гированного решения {х°/, 0°} для исходной задачи (1.1.6) —
(1.1.10) в случае вырожденности является выполнение равенства
7 Г = ft0 .
Как видим, критерий оптимальности в случае вырожденности
-совпадает с критерием для невырожденного случая.
Л
Локальная монотонность и сходимость метода
Доказательство сходимости декомпозиционного метода агреги­
рования основано на доказательстве роста функционала от дез­
агрегированных решений на каждом шаге итеративного процесса.
Данный факт выводится на основании исследования дифференци­
альных свойств функции 0 (р7). Рассмотрим невырожденный слу­
чай. Справедливо следующее утверждение.
Теорема 1.4. Пусть при некоторых весах получено оптималь­
ное решение задачи в агрегированных переменных (1.2.3) {X°it 0°)
и двойственная задача имеет единственное решение {Л?}. Пусть дез­
агрегированное решение {*?/, 0°), где х% = а не является
оптимальным для исходной задачи (1.1.6) — (1.1.10). Тогда сущест­
вует допустимое решение для задачи (1.1.6) — (1.1.10) со строго
большим значением функционала, чем 0°.
Доказательство этой теоремы приводится в [7].
Исследуем вопрос о сходимости итеративного метода. Пусть
некоторому фиксированному шагу с номером п рассматриваемого
процесса соответствуют веса агрегирования aif (п). Пусть {X- (я),
0° (я)} — оптимальное решение задачи в агрегированных перемен­
ных (1.2.3) — (1.2.6) для весов а{,- (я), а {х?7 (я)}, где х?/ (я) =
= aif (я) X? (я),— соответствующее дезагрегированное решение.
Наконец, величины г)у* (я), Я? (я) — суть единственное решение
двойственной задачи (1.2.11) — (1.2.14) в простом случае и компо­
ненты седловой точки (1.2.44) в вырожденном случае. Положим
для шага я итеративного процесса

ДА (я) ( — h°{n) в ПР0СТ0М случае;


[А (я )— А0 (я) в вырожденном случае.
Пусть по определению р° (я) = шах р/ (я). Справедливо сле­
дующее утверждение о сходимости.
Пусть для весовых коэффициентов, удовлетворяющих условиям
(1.2.2), оптимальные значения 0° задач в агрегированных перемен­
ных (1.2.3) — (1.2.6) ограничены сверху, оптимальные значения X?
ограничены снизу положительной константой, а множества опти­
мальных решений двойственных макрозадач (1.2.11) — (1.2.14)
ограничены в совокупности. Тогда последовательность дезагреги­
рованных решений {X? (я), 0° (я)} является максимизирующей и из
нее можно выделить подпоследовательность, сходящуюся к опти­
мальному решению исходной задачи (1.1.6) — (1.1.10).
Доказательство теоремы следует из того общеизвестного факта,
что монотонно возрастающая в силу теоремы 1.4 и ограниченная
по предложению последовательность имеет предел.
Описание алгоритма агрегирования
Используя вышеизложенные теоретические положения, дадим
описание итеративного алгоритма агрегирования для задачи
(1. 1.6) - (1. 1. 10).
Предварительный этап.
1. Зададимся начальными весами агрегирования ац (0), i =
= Т77, / = Г77.
2. Записываем задачу в агрегированных переменных (1.2.3) —
(1.2.6) и находим ее решение X? (0), 0°, а также соответствующее
дезагрегированное решение {*?/ (0)}, и двойственные оценки ве­
личины Я?, j = l , /.
3. Для заданного набора оценок {Я.?} сформулируем блочные
Л

задачи вида (1.2.15) — (1.2.17), находим их решения Хц, а также


величину критерия h.
Л

4. Если h = h°, то конец; найденное дезагрегированное решение


{х°,-} — оптимально, иначе переход к первой итерации.
к-я итерация. Пусть уже проведена (k — 1)-я итерация и
Ah ( k — l ) > 0.
5. Записываем новые веса агрегирования a f} (pf) в соответствии
с (1.2.21).
6. Осуществляем поиск максимума функции 0 (ру) в единичном
гиперкубе (т. е. при условиях 0 ^ р/ 1). Если принять р;- =
= р, V/ = 1, J, то задача сводится к одномерному поиску мак­
симума (шах 0 (р)), которую решаем методом Фибоначчи [3].
р
7. Находим оптимальные значения р, (к) и соответствующие
им новые значения весов а°ц (k ), агрегированных {X, (k )} и дез­
агрегированных переменных {*?/ (Л)}.
1+ % Btlkvt
8. Вычисляем матрицу вида — ^ --------- , находим ее ми-
L ВЦка‘
I
нимальный элемент (/*, k*) и определяем оптимальные двойственные
оценки в соответствии с (1.2.38).
9. Решая блочные задачи (1.2.15) — (1.2.17), находим их опти-
л л

мальные решения {л:;/ (k )}, а также h (k ).


/V
10. Проверяем условие h (k) = h° (k ). Если да, то конец, теку­
щее дезагрегированное реш ние {*?,• (k)\ — оптимально, иначе
переходим к (k + 1)-й итерации.
Пример 1.1
Максимизировать 0
при условиях
*u + 2xai < 1;
2*11 + *21 ^ 1*
20
*12 + 3х22< 1 ;
0— *11 — *i2 = i;
0 *22 “ 1>
0» *11» *21» *12»*22^^^*
Выберем начальные веса в виде ап (0) = 0.5; а 12 (0) = 0.5;
«г, (0) = 0.8; а 22 (0) = 0.2. Оптимальное решение макрозадачи для
всех весов 0° (0) = 1.476, X? (0) = 0.476; Х\ (0) = 0.476. Компо­
ненты матрицы правой части (1.2.32) суть [1,476; 1,555; 1,588;
1,909].
Дезагрегированное решение:
хи(0) = 0.238, jcis (0) = 0.238; xgi (0) = 0.381; Л& (0) = 0.095.
Блочные задачи имеют решения: *и (0) — 0> *21 (0) — 0.5;
*12 (0) = 0; *22 (0) = 0.333. Величина Ah (0) = h (0) — h° (0) =
= 0.126.
Первая итерация. В результате ее выполнения получаем
Веса: а п (1) = 0.5; а 12 (1) = 0.5; а 21 (1) = 0.6; а 22 (1) = 0.4.
р° (1) = 0.25; О® (1) = 1.526; X? (1) = 0.526; Х°2 (1) = 0.526.
Компоненты матрицы в (1.2.32) [1,588; 1,625; 1,526; 1,588].
Дезагрегированное решение:
ЛГ?1 (1) = 0.263; ЛГ21 (1) = 0.316; х\2 = 0.263; х&(1) = 0.210.
Оптимальные решения блочных задач:

х и (1) = 0.333;
*21(1) = 0.333; х12(1 )= 0 .2 5 ; х22(1 )= 0 .2 5 ,
Дh = 0.05.
Вторая итерация. В результате ее выполнения получаем точное
оптимальное решение:
р° (2) = 0.9, 0° (2) = 1.583; Х?(2) = 0.583; Х2°(2) = 0.583.
Веса: а и (2) = 0.57; а 12 (2) = 0.43; а 21 (2) = 0.57; а 22 (2) = 0.43.
Дезагрегированное решение:
хи (2) = 0.333; хп (2) = 0.25; x°2i (2) = 0.333; х°2 (2) = 0.25.
Матрица в (1.2.32) имеет вид [1,583, 1,583, 1,583, 1,583], т. е.
минимум в правой части (1.2.32) достигался сразу на четырех эле­
ментах, т. е. наблюдалась вырожденность. Тем не менее оптимальные
двойственные оценки вычисляются по невырожденной двойственной
макрозадаче. Находим оптимальные решения блочных задач:

*и (2) = 0.333, *2i (2) = 0.333; х,2(2 )= 0 .2 5 ; ^22(2 )= 0 .2 5


и так как они совпадают с дезагрегированным решением {*?/ (2)},
то являются оптимальным решением исходной задачи. При этом
Ощах = 1.583.
21
В общем случае при решении задач произвольной размерности
блочные задачи решаются симплекс методом, для нахождения сед­
ловой точки максиминной задачи целесообразно использовать про­
цедуры на основе обобщенного градиентного метода. При поиске
максимума функции 0° (р7) на еди ичном кубе в случае, когда
р7 = р, V/, можно применить метод золотого сечения [31.

Модель планирования с общим критерием оптимальности


Ранее была исследована модель отраслевого планирования с кри­
терием максимума выпуска свободной части конечной продукции
в заданном ассортиментном соотношении. Соответствующий функ­
ционал зависит от единственной переменной 0. Возможны иные по­
становки этой задачи.
Пусть cm, m — M 1 Jr 1, М — стоимость единицы конечной про­
дукции ут. Тогда можно рассмотреть задачу максимизации прибы­
ли от реализации свободной продукции. Этот функционал имеет вид;
максимизировать
м
/= S стУт (1.2.45)
т = Л * ,+ 1
при ограничениях
Е &!/**</<!. * € * /,
i£lj
(1-2.46)

хц > 0 при i £ /у; Xij = 0 при i £ / \ / у;


j м
- Е х„ + S е,т (1 + 6J ут = Vt; (1.2.47)
1=1 т=М,+1
Ут> 0, т = Мх + 1, М,
где все введенные переменные имеют такой же смысл, что и раньше.
Фиксируя веса a i}, рассмотрим макрозадачу для (1.2.45) —
(1.2.47):
максимизировать
м
® — X с тУт (1.2.48)
m = M ,+ 1
при условиях
у

/ = 1, J , k^K r, (1.2.49)
м
— Xi + S e im (1 + 6m ) ym = V{y i = 1 , /; (1.2.50)
Ш = М ,+ 1

ЛГ,>0, i = l , / , ym> 0 , m = M 1 + l , M . (1.2.51)


Выражая через г/т (1.2.50) и подставляя в (1.2.49), получаем:
максимизировать
м
Е (1.2.52)

22
при условиях
м
Е
т=Мх+ 1
]кУт ^ Р }ki 1 = 1, Л

где
I I
Dnijk = f ym (1 ~Ь Sm) B i j k t Р jk — 1 “Ь ^2^ B i j k V i •

Предполагается, как и прежде, что Х ? > 0, i £ 1, У.


Запишем двойственную задачу к (1.2.48) — (1.2.51):
минимизировать

Ч>=Е Е Л / * + Е (1.2.53)
,=1 *€/(, *=1
при условиях

Е Е В//ЛТ|/Л - X, = О, i =Т77; (1.2.54)


М
I ______________
Е e*m(1 + 6m) ^ ^ cm> tfz — i Wx +l , Л4; (1.2.55)
/*1

ri/л. ^ 0, / = 177, Л G/С/. (1.2.56)


Подставляя величины выраженные, согласно (1.2.54) через
т)/ь в соотношения (1.2.53) и (1.2.55), получаем окончательно за­
дачу, двойственную к (1.2.52) в виде:
минимизировать

£ £ Pikr\ik (1.2.57)
f - 1 *€/Су
при условиях
У __________
£ £ Dm/ftT]/ft>cm, m = Л1х + 1,Wf; i\ik > о.
/=1

Таким образом, величины X?, i = 1,7, определяются из (1.2.50)


после решения прямой задачи (1.2.52), а А® вычисляются согласно
(1.2.54) после решения двойственной задачи (1.2.53) — (1.2.56).
Указанные взаимосопряженные задачи (1.2.52) и (1.2.57) многократ­
но решаются итеративным методом. Макрозадача (1.2.52) имеет
небольшое количество переменных ут и большое число ограниче­
ний и может решаться методами, учитывающими это обстоятель­
ство (например, методом релаксации [31). Для изучаемой модели
справедливо следующее условие оптимальности.
Пусть при некоторых весах а ц получен оптимальный план
(X?, у т } макрозадачи (1.2.48) — (1.2.51). Тогда дезагрегированное
решение {x°jt ут], где х°] = а®,Х®, оптимально для исходной задачи
29
Л А

(1.2.45) — (1.2.47), если выполнены равенства hj = hj, V /= 1, /


А л

(смысл hj и Л/ остается тот же).


Действительно, решение {л:?,-, допу тимо к задаче (1.2.45).
Вычислим значение функционала на этом плане. Умножим каждое
равенство (1.2.50) на А? и просуммируем по всем i = 1, /:
1 М I
£ 2 e.vn (1 + 6„) У °Х = £ (Х°А? + К?А,)-
/=1 m=M1+ l i= \
Меняя порядок суммирования в левой части последнего соотно­
шения, имеем
М 1 1
£ £ е,т (1 + у Х =» £ ( X h l + V X ). (1.2.58)
т=М,+\ t= l Ы
Сумма

£ е*т (1 + 6т ) А,? = ст , если ут > 0.


t=i
л*
Поэтому левая часть (1.2.58) равна cmt/m, что являет-
m=M,-f-1
ся оптимальным решением макрозадачи (1.2.48) — (1.2.51). Таким
образом, на плане {хп, ут\ целевая функция исходной задачи
(1.2.45) — (1.2.47) равна
/ /
/° = £ (x X i + У,А°) = h° + £ V(K°{- (1.2.59)
1=1 l=\
Дальнейший ход доказательств полностью аналогичен доказа­
тельству теоремы 1.1. Можно показать, что существуют двойственные
переменные {£/*}, {А*}, где£/* — оптимальные решения двойствен­
ных блочных задач, причем эти переменные допустимы к двой­
ственной задаче для (1.2.45) — (1.2.47) и функционал на них равен
ср = h + ^ Отсюда в силу теоремы 2.5 из [3] и доказанного
м
равенства следует, что {*?/}, {у*т} — оптимальное решение задачи
(1.2.45) — (1.2.47).

1.3. ОБЩИЙ СЛУЧАЙ ДЕКОМПОЗИЦИИ НА ОСНОВЕ


АГРЕГИРОВАНИЯ В ЗАДАЧЕ ЛП

Рассмотрим теперь более общий случай задачи отраслевого пла­


нирования. Пусть при выпуске изделий *-го вида на заводе исполь­
зуются некоторые виды общих ресурсов /, I = 1, L, которые нахо­
дятся в распоряжении отрасли, и их общие количества лимитированы.
Обозначим через Ъщ расход ресурса 1-го вида на выпуск изделия xt
на /-м заводе, а через Pi общий объем этого ресурса в отрасли.
24
Тогда к ограничениям модели (1.2.45) должны быть добавлены
связывающие ограничения вида
j ____
£ £ bifixti < Р{, 1 = 1, L.
1=1 itlj
Общая задача ЛП с блочно-диагональной структурой части мат­
рицы ограничений может быть записана в виде:
максимизировать
j
/ = £ £ « ,* / (1.3.1)
/=1 <’€/,
при условиях
S bijkXij^iPjk', (1.3.2)
i€.l j

x i j > 0 при i^Ify Xij = 0 при iff: If, (1.3.3)


j _____
S S 1 = 1 , L. (1.3.4)

Здесь соотношения (1.3.2) — (1.3.3) — блочные, где номер /, как


и ранее, соответствует фиксированному блоку, а (1.3.4) — связыва­
ющие ограничения.
Для задачи (1.3.1) — (1.3.4) запишем двойственную задачу:
минимизировать
J L
Ф—S S ^ + £ ppi (1.3.5)
М /=1
при условиях
L
£ bik\ik + £ Ьц v t cij, i e //, / =177; (1.3.6)
k€Kj 1=1
£ /* ^ 0 ,i = u J, V/ > 0, l = 1, L,
причем переменные £/* соответствуют (1.3.2), a vt — ограничениям
<1.3.4).
Как и ранее, введем агрегированные переменные
j _____
^ = Xifi i == 1, /,
м
и веса агрегирования = хц!Х{. Фиксируя веса aif и подставляя
Xij = в (1.3.1) — (1.3.6), приходим к задаче в агрегированных
переменных:
максимизировать

I е д (1.з.7)
i= i

25
при условиях
/
Е Вф Х , < р /к, I = 1, j , k е Кг, (1.3.8)
/ ______
£ 1= 1, L; (1.3.9)

Х , > 0, i= T T 7 . (1.3.10)
Здесь введены обозначения:
j j

B ijk == bifk& ijy B il ^ Е b ijl& ijy С( = Е CijCCij. (1.3.11)


/=1 1=1
Двойственная задача для задачи (1.3.7) — (1.3.10) имеет вид:
минимизировать
J L
у =Е Е
,=lfe€K,
+/»1Е ^А (1.3.12)

при условиях
J L _____
S
Л €К .
Bijki\jk + /=1
Е Befit *= 1» /; (1.3.13)

Л/ft > 0, / = 1, Й6 К/; б /> 0 , / = 1, L, (1.3.14)


где переменные r\fk соответствуют (1.3.8), а переменные б/ — (1.3.9).
Пусть 6/ — оптимальные двойственные оценки (переменные) зада­
чи (1.3.12) — (1.3.14). Сформулируем задачи для отдельных блоков:
минимизировать

Л/ = Е ( * / — Е М ? ) * * / (1.3.15)
*€/, \ /=1 /
при условиях
Е bijkXii^Pik, k £ Kfy (1.3.16)
ia i
X i ^ O при /£ / ,; Xij = 0 при i £ l \ 7/. (1.3.17)
Двойственные для блочных задач имеют вид:
минимизировать
= keKf
Е ^/*6/* (1.3.18)

при условиях
L
Е bijk\ik*^Cij — S
/=1
biffin (1.3.19)

ь> о , л е к /, / = 1, 7, (1.3.20)
26
где двойственные переменные £/* соответствуют (1.3.16). Алгоритм
решения задачи строится по общей схеме алгоритма декомпозиции.
При этом сводим задачу (1.3.1) — (1.3.4) к задачам меньших раз-
j
мерностей. Действительно, исходная задача имеет X Ji = N пере-
/=1
менных. Задача в агрегированных переменных (1.3.7) содержит
I переменных, блочные задачи имеют каждая по 7/ переменных,
наконец, задача максимизации функции 0 (р/) на единичном кубе
включает J переменных.
На каждом шаге итеративного процесса неоднократно решается
задача в агрегированных переменных (1.3.7), которая, как правило,
имеет небольшое количество переменных X it 7 = 1 , /, и большое
число ограничений.
Сформулируем признак оптимальности промежуточного дез­
агрегированного решения. Пусть при некоторых весах atj полу­
чено оптимальное решение X? макрозадачи (1.3.7) — (1.3.10),
x°ij — соответствующее дезагрегированное решение. Пусть б? —
единственное оптимальное решение задачи (1.3.12) — (1.3.14), а
Xij — оптимальные решения блочных задач (1.3.15) — (1.3.17).
Теорема 1.5. Достаточным условием оптимальности решения х°/
для задачи (1.3.1) — (1.3.4) является выполнение равенства:

£ £ ( с‘/ — £ ь{рЬ, (1.3.21)


f = l i£Jj \ 1= 1

Если же задача (1.3.1) — (1.3.4) разрешима и х°ц — неоптимально


для нее, то в соотношении (1.3.21) знак равенства заменяется знаком
«больше».
Доказательство. Дезагрегированное решение
является допустимым к исходной задаче (1.3.1) — (1.3.4). Это про­
веряется непосредственной подстановкой *?/ = а ,/Х? в (1.3.2)
и (1.3.4) с учетом (1.3.8), (1.3.9) и обозначений (1.2.1). Соответству­
ющее значение целевой функции исходной задачи будет равно
j
/° = £ £ ctjX u-
/=1 t€/y
/ч л _________

Набор {£/*}, {б,}, где {!,•*} / = 1, J, К/ — оптимальные реше­


ния задач, двойственных к блочным задачам (1.3.18), является до­
пустимым решением к задаче, двойственной для задачи (1.3.1) —
(1.3.4). Это следует из соотношений (1.3.19), (1.3.20), (1.3.6).
Значение функционала <р для указанного решения есть

= £ £ Pikbk + £ р Я
ф
/= 1k£Kf /«1

Согласно теореме 2.5 двойственности [3], равенство q> = /°


обеспечивает оптимальность допустимого решения х°ц для задачи
27
(1.3.1) — (1.3.4). Если xl/ неоптимально для задачи (1.3.1) — л

(1.3.4) при условии ее разрешимости, то <р > /°. Резюмируя, полу-


чаем критерий оптимальности в виде

2 2
/=1 kZKj
Pikbk + 2
/=1
р$ = 22
/=*1 KIj
(1.3.22)
Л ____________

Но поскольку |/ ь / = 1, J, — оптимальные решения задач


(1.3.18) — (1.3.20), то по теореме 2.5 двойственности [3] в примене­
нии к взаимосвязанным блочным задачам (1.3.15) — (1.3.17) и
(1.3.18) — (1.3.20) имеем

2
kdK;
Pikbk = 2 (си -
itlj \ 1= 1
2 М?)
1
х„, I = ТГ7. (1.3.23)

Подстановка (1.3.23) в (1.3.22) и доказывает равенство (1.3.21).


Случай неоптимальных х°ц доказывается аналогично.

Алгоритм декомпозиции для общей задачи ЛП


Дадим описание алгоритма декомпозиции на основе агрегирова­
ния для общей задачи ЛП. Пусть общая задача ЛП с блочно-ди­
агональной частью матрицы ограничений задана в виде (1.3.1) —
(1.3.4) .
Предварительный этап.
1. Задаемся начальными весами агрегирования ац (0), решаем
задачу в агрегированных переменных (1.3.7) — (1.3.10) и находим
Х°, 4 = atJ (0) X?, i = ITT, / = ТГ7.
2. Решаем двойственную задачу (1.3.12) — (1.3.14) и находим
оптимальные двойственные оценки {6?}, I — 1, L.
3. Решаем блочные задачи (1.3.15) — (1.3.17) и определяем
л

оптимальные решения {**/}.


4. Проверяем условие (1.3.21). Если оно строго равно 0, то
конец и {х %} — оптимальные решения, если оно имеет знак
то переходим к первой итерации.
Первая итерация. Пусть в результате k-й итерации получены
Х% (k) И Xij (k).
1. Записываем
/ь +, 1)
ац (k 1ч = —f*?/(*)+ Р/<*+П [*17<*)-*?/(*)!
----------------------------------------- = ац (р, (к + 1)).
2 Aj w + р/ (* + » ) 1*ц (*) - A t (*и
/=1
2. Находим
I j
шах 0 (р/ (k + 1)) = шах £ £ сцац (р/ (k + 1)) Х {
р / м /-1

и определяем р* (k + 1) и a} (k + 1) = сс7(р/ (k + 1)).


28
В случае, если принять Р/ = р для всех /, то можно использо­
вать для поиска эффективный метод одномерного поиска (например,
Фибоначчи или «золотого сечения»).
3. Решаем задачу в агрегированных переменных (1.3.7) —
(1.3.10) при заданных a?/ (k + 1) и находим X? (k + 1) i — 1, /,
{*?/ (k + 1)}.
4. Решаем двойственную задачу (1.3.12) — (1.3.14) к агрегиро­
ванной и находим оптимальные оценки {6?} / = 1, L.
5. Решаем блочные задачи (1.3.15) — (1.3.17) при найденных
{б?} и находим {xij}.
Проверяем признак оптимальности.
6. Если при найденных значениях {*./}, {б?} и {*?/} условие
(1.3.21) выполняется как строгое равенство, то конец {*?/} — опти­
мальные решения, в противном случае переходим к (k + 1)-й
итерации.
Пример 1.2. Решить методом агрегирования следующую ЛП-
задачу:
максимизировать
+ 2 х 12 + З х 13 — 2 х 21 + З х аа + дга з (1 )

при условиях
5*ц + 2*21 < 20;
— *и + Зха1 < 6;
*12 + З х 22 < 1 2 ;

— х 12 + 2 х 22 < 5 ; (2)

3 * 1 3 + * 2 3 ^

2 * 1 3 — *23 < 4 ;
хп + 2 х 12 + З х 13 + З х 21 — *22 ^*23 ^ 12,
— *и + 4дс1а + 2х13 х м ^ 24;
2ха1 + Зх22 +
*11^^ 0 , *12 ^ *13^^ *21 ^ ^ 0, *22
0» ^23 ^
Первая итерация. 1. Выбираем начальные веса агрегирования
а и (0) = 0.4; а 12 (0) = 0.4; а 13 (0) = 0.2;
«21 (0) = «22 (0) = «23 (0) = 0.333.
2. Составляем задачу в агрегированных переменных:
найти
max 1.8Хх + 0.66Ха (3)
при условиях
а) 2 + 0 .66Х а ^ 20; (%)
б ) - 0 . 4 Xj + 1 Ха < 6; (т,а)
в) 0.4 Xi + 1 Ха < 1 2 ; (г]3)
29
Г) -- 0 .4 Х г + 0.66Х2< 5 ; Ы (4)
д) 1 Хг + 0.33Х2< 1 0 ; (%)
е) 0.66*! — 0.33Х2< 4 ; (%)
ж) 1.8 Х г — 0.66Х2< 1 2 ; («х)
з) 1.6 Х г + 2 Х2< 2 4 . (б2)
3. Решаем ее графически (рис. 1.1) и находим Хх (1) = 8.4;
Х 2 (1) = 5, max / = 18.42.

Одновременно находим дезагрегированное решение:


*п = оц (0) • X , (1) = 3.36; = ох, (0) Х2 (1) = 3.36;
х?1 = ox, (O )Xi(l) = 1.68; xfl = х й = ле® = 1-66.
4. Записываем задачу, двойственную к агрегированной (3) — (4),
найти
min (20% + 6т)2 + 12% + 5% + 10% + 4% + 126х + 2482) —
= m ing (% 6) (5)
при условиях
2% — 0.4% + 0.4% — 0.4% + % + 0.66% + 1.86! + 1.662 > 1 .8 ; g.
0.66% + 1% + 1% + 0.66% + 0.33% + 0.33% — 1бА+ 26, >
> 0 .66.
ДО
Для ее нахождения заметим, что в оптимальном решении прямой
задачи как строгие равенства выполняются ограничения а) и з).
Это означает, что в оптимальном решении двойственной задачи
соответствующие им двойственные переменные г)? и 6®не равны ну­
лю. Тогда, решая систему ограничений (6)
2л, + 1-663 = 1.8 |
0.66% + 262 = 0.66 | ’
находим Лх = 0,871 и 8, = 0,045 и rja = Лз = Л4 = Лв = Лв
= 6г = 0.
При этом min g (tj, 6) = 18.42.
5. Записываем подзадачи для отдельных блоков.
П о д з а д а ч а 1. Найти
max = max [cu — -f &U2^)] xu +
-f* t^2i — (8*12161 + 612262)] = (1 —f - 1 • 0.045) Хц -f*
+ (— 2 — 2 • 0.045) xsi = 1.045xu — 2.09xal (7)
при условиях
5x„ + 2xal < 20;
— lx u + 3xa l< 6 , (8)
•Хц ^ 0, xaj ^ 0.
Л Л Л

Решив ее графически, находим хп = 4; ха1 = 0; ft, = 4.180.


П о д з а д а ч а 2. Найти
max h2 = (с12 — 612262) х12 + (с22 — 622262) х 22 =
= (2 — 4 • 0.045) *12 + (3 — 3 • 0.045) *22 = 1.82*12 + 2.865х22
при условиях
•^12 “Ь Зх22 12,
%i2 2х22 5,
^i2^ 0, х22^ 0 .
Л Л Л

Находим ее решение: х13 = 12; л:2а = 0; fta — 34,38.


П о д з а д а ч а 3. Найти
max h3 = (с13 — bi32$) х13 + (с23 — Ь23262) х23 = 2.9113 + 0.95хаз
при условиях
Зхи + дгаз< 10;
2*13 — х23 < 4;
*13> 0 , хаз> 0.
А А

Решая ее графически, найдем х13 = 2.8; х23 = 1.6; h3 = 9.668.


6. Проверяем условие оптимальности
2 2 3
Ah = hx + h2 + h3 + S 6f//6? — S S CijXq =
/=1 i = 1 f—1
= 4.180 + 34.38 + 9.668 + 24.045 — 18.42 = 30.888 > 0.
31
Поскольку знак неравенства > 0, то текущее решение не оптималь­
но и переходим ко второй итерации.
Вторая итерация. 1. Формируем новые значения весов a t/ (р)
согласно формуле (1.2.21):
/ч *И +Р (*11— *п )
« п (Р ) = — з-------------------- -----------------=
£ (XI1 + Р (*i/ — х?,)
/—1
3 .3 6 + р ( 4 — 3.36)
“ 3 .3 6 + р (4 — 3.36) + 3 .3 6 + р (12— 3.36) + 1.68 + р (2 .8 — 1.68) =
3.36 + 0.64р .
— 8.4 + 10.4р ’
3 .3 6 + 8.64р 1 .6 8 + 1.12р
«12 (Р ) 8.4 + 10.4р ’ “ 13 (Р ) 8.4 + 10.4р ’
/лЧ 1.66— 1.66р. _ 1.66 — 1 .6 6 р . 1.66 — О.Обр
« 2 1 (Р ) — 5 _ з 38р I «22 — 5 _ з .з 8 р : «23 — 5 _ 3 38р •

2. Находим выражение для целевой функции 0 (р):


2 3 3 3
0(р) = £ £ СцХц(р) = х г £ С1/02/ (р) + Х 2 £ С2/ 062/ (р) =
;=i /=1 /—1 /=1
_ 8 .4 ( 1 5 .1 2 + 2 1 .28р) 5 (3.34 — 1.74р)
8.4 + 10.4р + 5 — 3.38р •
3. Находим р*, при котором 0 (р*) = шах 0 (р). Для этого вы-
0<р^1
числяем и заполняем таблицу значений (табл. 1.1):
Таблица 1.1

р 0 0,5 0,8 0,9 1

е (р ) 18.46 19.64 20.382 20.736 21.194

Ясно, что оптимальное значение р* = 1.


4. Вычисляем новые значения весовых коэффициентов:
3.36 + 0.64
ail (р* = 1) = 8 .4 + 1 0 .4 18.8
= 0.213;
12
a?2 (р* = 1) = 18.8
= 0.638; а 13 = 0.149;

«21 — 0> « 2 2 — 0» «23 — 1 •


б. Записываем задачу в агрегированных переменных при дан­
ных значениях весов:
максимизировать
№ , Х,) = 1.936Х1+ 1 Х а (9)
при условиях
а) 1.065*! <20;
32
б) — 0.213*! <6;
в) 0.638*! <12;
г) — 0.638*, <5;
д) 0 .4 4 7 * !+ 1 * 2< 10; (10)
е) 0.294*1 — 1* 2 < 4;
ж) 1.936*1 — 4 * 2< 12;
з) 2.637*1 + 1 * 2< 24,
* 1 > 0 , * 2> 0 .
Эта задача легко решается графически, и ее решение (рис. 1.2):
* ! = 6.39;
* 2 = 7.144;
f ( X 1, * 2) = 19.515.
Тогда дезагрегиро­
ванное решение равно:
х°п (2) = а п (2) X
X * ! = 1.36;
х\2 (2) = а12 (2) *1 =
= 4.08; х°1з = 0.952;
Л2°, = 0; х°22 = 0;
л-2з = 7.144.
6. Записываем
двойственную задачу
к агрегированной
( 9 )-(1 0 ).
Минимизировать
S*(Л» б) = 20% -f 6% + 12т]3 + 5% -f- 10% + 4% -)- 12бх + 24б2 (11)
при условиях
1.065т]! — 0.213% 4- 0.638% — 0.638% 4- 0.447% 4~
4- 0.246% 4- 1.9366, 4- 2.63762 > 1.936; (12)
1л.5 — 1Лв — 4бх 4- б2> 1 ;
% > 0 , . . . , % > 0 , 6Х^ 0, 62 ^ 0.
Для ее решения воспользуемся тем, что оптимальное решение пря­
мой задачи достигается в точке В, где ограничения 10, д) и 10, з) вы­
полняются как строгие равенства (см. рис. 1.2). Поэтому, согласно
одной из теорем двойственности, соответствующие им двойственные
переменные к\1 > 0 и 6° > 0, а все остальные переменные равны 0.
2 423 33
Тогда решая систему ограничений (12), при этом условии получим
0.447% + 2.6376а = 1.936;
1% + lSa = 1.
Находим т]5 = 0.32; 8® = 0.68 и, очевидно, б? = 0. Можно прове­
рить, что при этом решении g (т)°, 8°) = 19.52 = шах / (Х\, Х2).
7. Формируем и решаем блочные задачи.
П о д з а д а ч а 1.
Максимизировать
ftj = (Cji 811282) Хц -}- (с2х — 821262) v2i = (1 Ч” 0.68) Хц
+ (— 2 — 2 • 0.68) х 21 = 1,68хи — 3.36х21
при условиях
5хи + 2х21 ^ 20;
— х п + Зх21 < 6,
Хц > 0, х 21 > 0.
Л /V

Ее решение таково: хп = 4; х21 = 0; (2) = 6.72.


П о д з а д а ч а 2.
Максимизировать
К = (ci2 — 812262) х 12 + (с22 — 822282) х 22 = — 0 .72 х 12 + 0 .96х22
при условиях
*12 "Ь 3^22 ^
*22 ^^22 ^
*12 0» *22
/ч /ч Л

Ее решение х12 = 0; х22 = 2.5, h2 = 2.715.


П о д з а д а ч а 3.
Максимизировать
К = (с13 — 613262) * 1 з + (с23 — &23262) * 2 3 = 1. 536*18 + 0 . 268 * 2з
при условиях
^*13 ~Ь ^23 ^ Ю,
2*13 *23 ^

*13 ^ 0j *23^®*
Л А

Легко находим графически ее решение: *13 = 2.8; *23 = 1.6, при


этом 1ц = 4.73.
8. Проверяем признак оптимальности
2 2 3
Д8 = Лх + h2 + h3 + j P f il — t S ct,x0ti = 6.928 + 2.715 +
/=1 t=l /=1
+ 4.73 + 2 4 .0 .7 3 2 — 19.52 = 12.465 > 0 .
34
Так как Ah (2) > 0, то текущее решение неоптимально и пере­
ходим к третьей итерации.
Третья итерация. 1. Формируем новые значения весов соглас­
но (1.2.21):
1.36+ р ( 4 - 1 . 3 6 ) . , v 4.08 — 4.08р
а иФ 1 — 6.39 + 0.408р ’ •12 — 6.39 + 4.08р
0 .9 5 2 + 1.848р
сс13 (Р) = (13)
6.39 + 0.408р
0 + р (2.5 — 0) 2.5р
— 0; otaj — 7.144 — 3.044р
22 — 7.144 — 3.044р
, . 7.144 — 5.544р
а зз(Р ) — 7.144 — 3.044р
( 14)

2. Находим выражение для 0 (р)


6 (р) — X? [сп ссц (р) + с12а 12 (р) + с13а 13 (р)] +
"4"^2 l^21®2l(p) "4"С22®22 С23а23(р)]|
где значения a (f (р) берутся из (13) и (14), а X? = 6.39 и X° = 7.144.
Подставляя эти значения в 0 (р), получаем окончательное выра­
жение
6.39 (12.376+ 0.024р) 7.144 (7 .1 4 4 + 1.956р)
0(р) = 6.39 + 0.408р 7.144 — 3.044р
Найдем р* (0 < р* < 1), при котором 0 (р*) = max.
Для этого составляем табл. 1.2.
Таблица 1.2

р 0 0,1 0,4 0,8 1

в (р) 19.52 20.50 21.55 25.0 27.51

Итак, оптимальное значение р равно р* = 1.


2. Вычисляем новые значения весов при р* = 1.
1.36 + 2.64р* 4
аи 6.39 + 0.408р* ““ 6.798
- = 0.588; а и = 0;
_ 2.798 _
0113 ~ 6.798 —
0.412;

a 2i — 0; а 22 -----7 144_з.о44 0.61; а 23 — 0.39.


3. Составляем задачу в агрегированных переменных при данных
значениях a tj (р*).
Максимизировать
f ( X lt Х2) = 1.824Х1 + 2.2Ха (15)
2* 36
при условиях
а) 2.94Xt <20; %
б) — 0.588Х! < 6; Ла
в) 1,83Х2 < 12; Лз
г) 1.22Х2< 5 ; Л4
д) К г З б Х ^ О .З Э Х ^ Ю ; Ла
е) 0.824 Х х — 0.39 Х2 < 4 ; Лв
ж) 1.824Хх — 2.17Хг < 1 2 ; б,
з) 0.236Xt + 2.22Х, < 24;
Х ,> 0 , Х2> 0 .
Решая ее графически, находим X? = 6.8; Х° = 4.1, max / (Xlt
Х2) = 21.42.
4. Записываем двойственную задачу к (15) — (16),
Минимизировать
20% + 6т)2 + 12% + 5% -|- 10т)5 + 4т)6 + 126г -(- 2462 (17)
при условиях
2.94% --0.588% + 1.236%, + 0.824% + 1.8246г + 0.23662 > 1.824;
(18)
1.83% + 1.22% + 0.39% — 0.39% — 2.176! + 2.262 > 2.2;
% >0, 0, 6Х> 0 , 62 > 0 .
Для ее решения воспользуемся тем же приемом, что и ранее.
Поскольку ограничения а) и г) в условиях (16) выполняются как
строгие равенства, то г]? > 0, г)? > 0. Тогда разрешив условие (18)
относительно переменных %, %, получим г)? = 0.620, г)$ = 1.803 и
6Х = 0. Легко проверить, что при этом решении
mingOn0, 6°) = 20г]? + 5%° = max f (Х°и Х%.
5. Записываем задачи для отдельных блоков.
а) П о д з а д а ч а 1.
Максимизировать
Иц — (хц 2х21)
при условиях
Ъхп + 2л;21 < 20;
— хп 4* Зх21 ^ 6;
*11 ^ 0; *2i ^ 0.
Откуда *ц = 4, *21 = 0, hx (3) = 4.
б) П о д з а д а ч а 2.
Максимизировать
h2 — 2*12 + 3 к22
36
при условиях
*12 Ч” ^*22 ^ 12;
*12 “Ь 2х22 ^ 5;
*12 *22 О»
Ее решение х12 = 0; x22 = 2.5; h2 (3) = 7.5.
в) П о д з а д а ч а 3.
Максимизировать
h3 — Зх13 -(- х 23
при условиях
Зх13 + *23 ^ Ю;
2xi3 х23 4,
*1з ^ 0; *23^ 0.
/Ч Л Л

Ее решение х13 — 2,8; х23 = 1,6, откуда = 10.


6. Проверяем признак оптимальности:

Ah = h1 + h, + ha + Ргб? + Р / - V 2 СпХ°п = 4 + 7.5 +


f=i /=i
+ 10 — 21.5 = 0.
Так как Ah (3) = 0, то текущее дезагрегированное решение
{хц (3)} — оптимально. Оно равно
хп (3) = <хи (3) X? = 4; *?2 (3) = а 12 (3) X? = 0;
х\з (3) = а 13 (3) • X? = 2.8;
хя (3) = 0; (3) = 2.5; х2°з = 1.6.
Для этого решения max / ((л:;,}) = 21,5.

1.4. МЕТОД ДЕКОМПОЗИЦИИ НА ОСНОВЕ АГРЕГИРОВАНИЯ


В ЗАДАЧАХ НЕЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ

Задача квадратичного программирования


Рассмотрим теперь метод декомпозиции на основе агрегирования
для блочных задач квадратичного программирования. Такие зада­
чи получаются из (1.3.1) — (1.3.4) путем введения в целевую функ­
цию квадратичных членов и имеют следующий вид:
максимизировать
j j

f == X X CijXij “Ь X X X ^тп/*т/*я/ (1.4.1)


/=1 i£/f /=1 т€/у л€/у
при условиях
S ЬЧ*Хц < Pjk, k^Kfr (1.4.2)
Wj
37
* * /> 0 при i £ l f\ Xif = 0 при l £ l \ I f; (1.4.3)
j ___
S S bijiXif^Pij, / = 1 , L. (1.4.4)
/=1 *€/,
Матрицы D} = ‘| dmnf | m, /г £ // по предположению симметрич­
ны и им соответствуют отрицательно определенные квадратичные
формы. Для задачи (1.4.1) — (1.4.4) рассмотрим двойственную в
виде:
минимизировать
j j А L
Ф= S S S dmnfXmjXnj S Pik^fk “Ь S Pfll (1.4.5)
/=1 m£/j n£Ij i=l /=1
при условиях
L
2 J] dinjXnj H" S bi jk\jk “b S bijiVi^&Cij, i £ I jl (1.4.6)
пб/у fe€Ky /=1
я * /> 0 при /£ //; xif = 0 при (1.4.7)
g/*>0, / = 177, йеК/, V!>0, /= ГГТ. (1.4.8)
Введем задачу в агрегированных переменных для (1.4.1) —
(1.4.4) . Для этого, как и обычно, подставим хц = а*7Х, в (1.4.1) —
(1.4.4) , считая веса a if фиксированными. Получим задачу:
максимизировать

ВД + £ £ А -а д . (1.4.9)
i=l m=1п=1
при условиях

2 BtfkXt^Pfk, / = 177, Л6 к,; (1.4.10)


/=i
V /-17Т; (1.4.11)
*=i
I =Т77, (1.4.12)
где к обозначениям (1.3.1) добавлено следующее:
1
Ann = 2 dmnjG'mj&nj»
/=1

Нетрудно убедиться, что матрица Ц Dmn || симметрична и ей со­


ответствует отрицательно определенная квадратичная форма. Двой­
ственная к задаче (1.4.9) — (1.4.12) имеет вид:
минимизировать

♦ — 2 + E Е Л*л/* + Е р & О-4-13)


m=l п=1 /=1 /г€/Су /=1
38
при условиях
/ I ь ___
— 2 S DtnXn + % 2 Я;/*т)/* + 2 Ва8,>с{, f gl , /; (1.4.14)
п -1 /=1 *€Ку /=1

Х „>0, л = 1 ,7 ; rj/* > 0 . / =Т77, А£/Су,


в |> 0 , 1 = Т7Ь. (1.4.15)
Пусть б? — оптимальное решение задачи (1.4.13) — (1.4.15),
которое предполагается единственным. Сформулируем задачи для
отдельных блоков, т. е. при фиксированных / = 1, J:
максимизировать

А/= f€/у
2 (ус ц 2 А<//б/\X ij -f*
J
2 2
m£lуп€/у
dmit/XmlXnl (1.4.16)

при условиях

Z b i f k X n ^ P i k , k £Kf , (1.4.17)
*=1
х / / > 0 при / £ / / , Xi j = 0 при i $ I \ I j . (1.4.18)
Двойственные задачи для блочных (1.4.16) — (1.4.18) записы­
ваются в виде:
минимизировать

— 5] S dmnfXmiXnf “Ь ^*/*£/* (1.4.19)


т€/у п€/у &€/Су
при условиях
L
—2 dinjXnf + S b(fk^fk^ Cij — ^//6/, * £ //; (1.4.20)
л€/у fc€/Cy /=1

x „ > 0 при i£ /y , Хц = 0 при i $ I \ I f ,’ (1.4.21)


b > 0 , Ag/Cy.
Сформулируем критерий оптимальности промежуточного реше­
ния. Пусть при некоторых весах щ получено оптимальное решение
Х° макрозадачи (1.4.9) — (1.4.12) и пусть единственным двойствен­
ным оценкам б? соответствуют оптимальные решения для отдельных
блоков (1.4.16) — (1.4.18). Тогда справедлива следующая теорема [71.
Теорема 1.6. Достаточным условием оптимальности дезагреги­
рованного решения х% = a i/Xf для задачи (1.4.1) — (1-4.4) явля­
ется выполнение равенства

2 2
/= 1 /€ /у
еЧ*Ч + 2 2 2
/ ~ 1 т € / у п € /у
dmnjXmiXnl “ /2= 1 2у2/ = 1 b ‘ i‘ $ X‘ i +

. 0 0 (1.4.22)
+ X = S S Cijxlj + s s s U'mnjXmjXrij•
/=1 / - 1 /€/у /=1 m€/y n€/y

30
Если задача (1.4.1) — (14.4) разрешима и х°ц неоптимально
для нее, то в отношении (1.4.22) знак = заменяется на знак > .
Доказательство теоремы 1.6 проводится по схеме доказательства
теоремы 1.L

Задача выпуклого программирования


Обобщим теперь метод декомпозиции на основе агрегирования
переменных для блочных сепарабельных задач выпуклого програм­
мирования (общая задача выпуклого программирования рассмот­
рена в гл. 5 [31).
Пусть имеется задача вида:
максимизировать

/(Х ) = £ fj (X,) (1.4.23)


1= 1
при условиях
gjk ( Х ,)< 0 , .k£Kr, (1.4.24)
Х /> 0 , / = 177; (1.4.25)

V £ /,(X ,)< 0 , / = (1.4.26)


м
где при каждом фиксированном / вектор X/ имеет компоненты
{4, 4 ....... 4 ) , функции /, (X,), gik (X/), gij (X/) предполагаются
непрерывно дифференцируемыми, а их частные производные удов­
летворяют условию Липшица. Кроме того, предполагается, что
/у (X/) — вогнуты, а gjk (X/), gi, (X/) — выпуклы. Тогда двойствен­
ная задача для (1.4.23) — (1.4.26), согласно гл. 5, [3], имеет вид:
минимизировать

Ф = S / / ( X / ) - S S h*gi* (X/) - S S Vtg,i (X,) (1.4.27)


M /= 1 /=1 /=1
при условиях
у У L J

2
<?/ (X/)
2 2 I *
gg/fc (X/)
дхч
V
i-J у_J 9gn (*/> _
0*0 (=i лек, '=1 /=I
= 0, при х ц > 0 ; (1.4.28)
У
V ^ (X/) d8jk <X/> <0
2 2 it*
/=1 КК/
dxit - 2/=1 iS= 1’. dxif

при = 0, j = 1, J, i = l,/; (1.4.29)


I/*> 0 , / = 1 , / ,
40
J
Вводя агрегированные переменные Х ( = V д i£ /, и веса агре-
м
X• •
гирования а ,/ и подставляя в (1.4.23) — (1.4.26) = а г,Х,
при фиксированных а с/, приходим к задаче в агрегированных пере­
менных:
максимизировать
g = F ( X t) (1.4.30)
при условиях
Gik(Xt) ^ 0, / = 1, J, k ^ K f i (1.4.31)
Gi (Х {) < 0 , 1= Г Д ; (1.4.32)
Х <>0, (= Т Д , (1.4.33)
где для удобства обозначено

F (X,) = £ f, (ап Х {); Gik = gik (ач Хс);


/= 1
G,(X,) = £ g , i ( a tlX t).
/= 1
Нетрудно убедиться, что функции F (Х {), G/k (Х() и Gt (Х{) явля­
ются выпуклыми по переменным Х{, i = 1, /. Запишем двойственную
задачу для макрозадачи (1.4.30) — (1.4.33).
Минимизировать

ф = F (Xt) — £ 2 (X,) - £ W , (X,) (1.4.34)


/=1 /=1
при условиях

£ ri/fe - s = о
(=i
при X, > 0 , i £ /,; (1.4.35)

^ (х,) vL . . L
у n cG/ftщ ------- 1V 6/* —5G( (X i)_л
<0
i ftgx /=i
при X ( = 0, i £ l j ,‘ (1.4.36)
X {> 0 , i = Т Д ; r]/ft> 0 , 6 j > 0 ,
где и 6/ — множители Лагранжа.
Пусть при некоторых весах ац получены оптимальные множите­
ли Лагранжа 6?, / = 1, L для задачи (1.4.34) — (1.4.36). Рассмот-
рим блочные задачи при каждом фиксированном j (J *= 1, J )i
максимиз ировать
Л /= / / ( * / ) - £ ® g « (X/) (1.4.37)
/«I
41
при условиях
£/*(Х /)<0, k£K r, (1.4.38)
Х ,> 0 , у =177.
Двойственные задачи для блочных записываются в виде:
минимизировать

X/- и (X/) - 2
/=1
$8ч (X,) - 2
Л€/С/
i lkg lk (X,) (1.4.39)
при условиях
*V/(X/) Vi *0 (Ху) v* г dgjk(Xf) Л ^
-------- 1 6/ — 1 б/*— ------= 0 при * * /> 0 ;
а i*= ■1 дхи *€/С,
ка к, ° х а*/
(1.4.40)
а/ (X/) v *о ^ / / ( х/) v * ^/л(хЛ ^ Л ____
------2j о /— д х----------
,
2j Б/д — к ------- > 0 при х// = 0,
axtf i=\ оха V kaKf оха
Xij^Q, l/*^l, k£Kf. (1.4.41)
Предположим, что задача (1.4.23) — (1.4.26) имеет решение и
для нее выполняется условие регулярности Слейтера (см. гл. 5 [3]).
Тогда это же условие выполняется и для блочных задач
(1.4.37) — (1.4.38) по ограничениям (1.4.38). То же самое предпо­
лагается выполненным и для макрозадачи (1.4.30) для ограничений
(1.4.31) — (1.4.32), если весовые коэффициенты удовлетворяют
условиям
j ____
а * /> 0 ,
£ а*/ = 1, / = 1, /.
/=1
Рассмотрим критерий оптимальности промежуточного решения
для итеративного процесса. Пусть при некоторых весах а у/ полу­
чено решение X? задачи в агрегированных переменных (1.4.30) —
(1.4.33) и — единственные оптимальные множители Лагранжа,
которым соответствуют решения x ih / = 1* J, i £ li блочных задач
(1.4.37) — (1.4.38).
Тогда справедливо следующее утверждение [71.
Теорема 1.7. Достаточным условием оптимальности дезагре­
гированного решения X/ для задачи (1.4.23) — (1.4.26) является
выполнение равенства

S [ // (X/) - g ®~S‘i (X/) - f, (X/)] = 0. (1.4.42)

Если же решение X/ неоптимально для задачи (1.4.23) — (1.4.26),


то в соотношении (1.4.42) знак — заменяется на > .
Доказательство. Дезагрегированное решение Х°/
допустимо к задаче (1.4.23) — (1.4.26), что устанавливается непо­
средственной проверкой. Значение целевой функции (1.4.23) для
42
этого решения есть /° = $] // (X/). Пусть \ jk, } — 1, J, k £ К/ —
/=1
оптимальные решения двойственных задач (1.4.39)— (1.4.41). Тог­
да набор {X/}; {I/ft}, {б®} удовлетворяет условиям (1.4.28), (1.4.29)
двойственной задачи, что следует из (1.4.40), (1.4.41) и (1.4.36).
Иными словами, вектор Х;, / = 1, J является решением задачи о
максимизации функционала (1.4.27) при фиксированных множите-
лях Лагранжа £«, бг, равных | /*, б/. А поскольку между значе­
ниями ц. ф. двойственной и прямой задач выполняется неравенство
вида !>, то

S / / ( x ,) - S/=1 fc€2/Cy i/tf*/(X/)-2


/=»1
2 e?ii/(X/)>2
/=1 /=1 /*■1
//(*?).
(1.4.43)
При этом равенство (1.4.43) обеспечивает оптимальность дезагреги­
рованного решения X® для задачи (1.4.23) — (1.4.26). При усло­
вии разрешимости этой задачи и неоптимальности X® для нее соот­
ношение (1.4.43) выполняется как строгое неравенство.
Второе слагаемое левой части (1.4.43) равняется нулю в силу
теоремы Куна-Таккера в применении к блочным задачам. Отсюда
следует справедливость теоремы 1.7.
Таким образом, общий итеративный метод решения блочных
задач ЛП на основе агрегирования, рассмотренный нами в 1.3,
естественным образом обобщается и на задачи квадратичного и вы­
пуклого программирования.

Описание алгоритма метода декомпозиции на основе


агрегирования
Дадим описание метода декомпозиции на основе агрегирования
переменных для задачи квадратичного программирования.
Пусть задана блочная задача квадратичного программирования
вида (1.4.1) — (1.4.4).
Предварительный этап. 1. Задаемся начальными весами агреги­
рования а ,7 (0), / = 1, /, / = 1, J и записываем задачу квадратич­
ного программирования в агрегированных переменных (1.4.9) —
(1.4.12).
2. Находим решение задачи (1.4.9) — (1.4.12) {.X,} и {х*/}.
3. Записываем двойственную задачу (1.4.13) — (1.4.15) и нахо­
дим ее оптимальное решение {б/}/=|-£.
4. Решаем блочные задачи (1.4.16) — (1.4.18) для всех и нахо-
Л

дим их оптимальные решения {х,,}, а также величину ц. ф. Н.


5. Проверяем условие оптимальности (1.4.22) для найденных
значений {*;/}, {х®/}. Если (1.4.22) выполняется как строгое равен­
ство, то {х®/} i = I, I, j — 1, J — оптимальные решения. Иначе,
если знак в этом соотношении > , то переходим к k-н итерации.
43
k-я итерация. Пусть уже проведены (k — 1)-я итерация, в резуль*
тате чего найдены {хц (k — 1)}, (k — 1)}.
1. Формируем весовые коэффициенты:

/1,ч х°и(k — 1) + Р/ W \х и <k — {) “ *?/ №— 1)1


aij W — ~~j ~ ‘
£ x ij ( * — i) + Р / (* ) I * ц (А — О — * Ь (* — 1)]
/= 1
2. Ищем
j
max 0 (р/) = шах £ £ сцХ&ц (р;) +
(Р у ) iOj / = 1
J
+ /£= 1 т S S dmnXтХ.n(Xmi (р/) 0&л/(р/)
€ / у л € /у

на n-мерном гиперкубе 0 р,- ^ 1, / = 1, У и находим оптимальные


решения р” (к).
3. Вычисляем а°ц = а,-/ (р“ (k )), i = 1, /, / = 1, J.
4. Записываем и решаем задачу в агрегированных переменных
(1.4.9) — (1.4.12) для новых значений весов а?/, находим ее решения
Х° (k), i = l , / и вычисляем х°/ (k) = а^Х® (к).
5. Записываем двойственную задачу к агрегированной (1.4.13) —
(1.4.15) и отыскиваем ее оптимальное решение т)/ь б? (k).
6. Для найденных значений {8/ (k) ) формулируем и решаем за­
дачи для отдельных блоков (1.4.16) — (1.4.18) и находим их реше­
ния {х% (k)\.
7. Проверяем условия оптимальности (1.4.22) для текущего
решения {*?/ (/г)}. Если в (1.4.22) имеется строгое равенство, то ко­
нец, {x°f (/г)} — оптимально, иначе переходим к (k + 1)-й итерации.
Замечание. Для решения агрегированной и блочных задач квад­
ратичного программирования на каждой итерации могут быть при­
менены стандартные методы, рассмотренные, например, в [3].

1.5. ДЕКОМПОЗИЦИЯ В ГЕОМЕТРИЧЕСКОМ ПРОГРАММИРОВАНИИ

Рассмотрим некоторые декомпозиционные методы, применяемые


в геометрическом программировании (ГП). Следует отметить, что
специфика ГП порождает своеобразные схемы декомпозиции, ко­
торые не имеют прямых аналогов с общими схемами декомпозиции
в задачах нелинейного программирования.
Пусть имеется система, состоящая из J подсистем, при этом пе­
ременные делятся на локальные и связывающие.
Каждой подсистеме / отвечает собственный вектор локальных
переменных X/ = [xm{j), xm(j)+i, ..., хп(/)], т (/) = п (J — 1) + 1.
Вектор связывающих переменных Y = [уи у2...... ущ1 является
общим для всех подсистем. Каждая /-я подсистема может иметь соб­
44
ственную целевую функцию и ограничения, куда входят только
Y и X/. Определяется связывающая подсистема с номером / = О,
которая содержит только вектор Y и может иметь целевую функцию
и ограничения.
Целевые функции для локальных подсистем имеют вид
л(0) n{j)
gi>(y,*i)= £ ъП уу п хаг1', yen,/], (1.5.1)
*€/у[ 0] г= 1 г— тЦ)

а ограничения равны
/1(0) /!(/)
ei(Y. X,) = £ п х * ' < 1, (1.5.2)
i O j[k] r= 1 r=m(j)

j = 177, k = 177, y > o, x , > o .


Для связывающей подсистемы целевая функция имеет вид

go (Y) = V]П / Л (1.5.3)


* € /0 г= 1
а ограничения равны
п «(0) ___
s 2(Y) = S с( п y ° tr < 1, ft = 1, р . (1.5.4)
*€/ o \ k ] Г= 1

Исходная задача заключается в определении векторов Y, Хи


Х2, Ху, минимизирующих общий позином
G = <?S(Y) + ^ ( Y ,X 1) + ^ (Y ,X 2) + . . . + go(Y, X/) (1.5.5)
при ограничениях
*®(Y)<1, ft = I77T0); (1.5.6)
ei(Y ,x,K l, / = Т77, k = T7pV);
Y > 0 , X ,> 0 . (1.5.7)
Таким образом, имеется задача ГП со специальной структурой.
Предполагается, что эта задача формализована правильно, т. е.
число всех позиномов (1.5.5) — (1.5.7) превосходит суммарное чис­
ло компонент вектора [Y, Хх, Х2, ...» Ху] не менее, чем на единицу.
Запишем двойственную задачу к (1.5.5) — (1.5.7).
Максимизировать
/ ^ ( f e ) у<
v(6) = П П Ш в' П п (1.5.8)
/=1 <€//10} \ 1 J k=1/€//[*] V б‘ /
где
А /(ft) = £ (1.5.9)
«€// т
при условиях
у
5<>о, £ £ 6 , = l; (1.5.10)
/=1

45
(1.5.11)

т ___ _________
£ £ air6{ = 0, j = l , J , г = [m(/), n{j)]. (1.5.12)
fc=0 ig/д/г]
Предполагается, что для сопряженной пары задач (1.5.5) — (1.5.8)
выполняются условия сильной совместности и разрешимости прямой
задачи (1.5.5) — (1.5.7), благодаря чему справедлива основная тео­
рема геометрического программирования (см. гл. 5 [3]).
Ниже будет показано, что решение задачи (1.5.5) — (1.5.7) по­
лучается из решений локальных задач и некоторой координирующей
задачи. Локальные задачи при каждом / = 1, J записываются в
виде:
минимизировать
^ (Y ) + ^ (Y ,X ,) (1.5.13)
при условиях
g * °(Y )< l, * = ТТЙО); (1.5.14)
g i ( Y ) < l , k = TTp(f). (1.5.15)
При осуществлении декомпозиции предполагается, что каждая из
локальных задач (1.5.13) — (1.5.15) имеет нулевую степень труд­
ности [3].
Сформулируем теперь задачи, двойственные к локальным:
максимизировать

(1.5.16)

где
л0(k) = £ б,, Л/ (k) = £ б, (1.5.17)
*€/.[*] W,W
при условиях
б *> О, £ б ,+ £ 8{ = 1; (1.5.18)
* € /.[ 0 ] W fl 0]
pffl) р(/> ______________
£ £ airbt + £ £ airб, = 0; г = 1, л (0); (1.5.19)
f t = 0 iVJik] f c = 0 i£lj[k]
РФ ________
£ £ atr8{ = 0 , r — m (/), n (j). (1.5.20)
fe=ofe//Lfe|
Поскольку каждая локальная задача (1.5.13) — (1.5.15) имеет
нулевую трудность и сильно совместна, то двойственная задача
46
при любом / = 1, У имеет единственное решение [б/, б,], которое
определяется системой уравнений (1.5.18) — (1.5.20). При этом
двойственные переменные бг, г £ / 0 lk]9 k £ (0, р (0)}, соответству­
ющие связывающей подсистеме, входят во все двойственные задачи.
Обозначим через 8 (j) вектор [б/, 6/1, который представляет со­
бой решение задачи, двойственной к /-й локальной задаче (1.5.13).
Справедливо следующее утверждение, позволяющее осуще­
ствлять декомпозицию.
Теорема 1.8. Предположим, что число компоненте связывающем
векторе равно количеству позиномиальных членов в связывающей
подсистеме. Пусть уравнения (1.5.18) — (1.5.20) линейно незави­
симы, а для некоторой подсистемы j двойственная подзадача имеет
строго положительное решение. Тогда оптимальный вектор б*
двойственной задачи (1.5.8) — (1.5.12) выражается в виде выпуклой
комбинации оптимальных решений 6 (1), б (2), ... 6 (У) двойственных
подзадач (1.5.16) — (1.5.20).
Обозначим через q и qj экстремальные значения функционалов
сопряженных задач (1.5.8) — (1.5.12) и (1.5.16) — (1.5.20) соответ­
ственно. ___
Введем вещественные числа я,-, / = 1, У, удовлетворяющие со­
отношениям
£ я , = 1, i = ~ J-
Я /> 0, 0-5.21)
/=1
Исходя из теоремы 1.8, ставится следующая задача относительно
вектора л:
найти
J ' q ^Л/

q = max v (я) = max f ] I -jr~ | П -A jr X

1 P(0) / t
[j я А (sf/6' (/) П П (X J n,sv (s) Sr (/) X
s= i k=\ r a m \ s = i veiom

X S 2 П А (s)8v { j r ^ in) 1 *. (1.5.22)


S=1 v£lo[k] / J
Задачу (1.5.21) — (1.5.22) естественно назвать координирующей.
Рассмотрим частный случай, когда имеет место равенство
бг (1) = бг (2) = . . . = 6Г(/) = б;, r £ l 0[k], £ = 0, 1, . . . , /7(0).
Тогда выражение (1.5.22) существенно упрощается и принимает
вид

q = max v (л) = max П (9/М/)Я/ (я/)**/, (1.5.23)


я я /=1
где
*= 2 б;.
r € /0[ 0J
47
Решение задачи (1.5.21) — (1.5.23) есть

Jlj —
£ ш 1п~* ’
S=1

и окончательно
Г
1 —УС

Рассмотрим теперь способ декомпозиции для сепарабельных за­


дач геометрического программирования. Пусть имеется задача:
минимизировать
вД
о(Х1) + *2(Х1) + ••• +£о(Ху) (1.5.24)
при условиях
s i (Xi) + gl (Х2) + • • • + gi (Xj) ^ l , k = l , p]
x,>o,
где X/ — /«/-мерный вектор, / = 1, J, а функции gi (X/) явля-
ются позиномами. Обозначим через g; (Ху) вектор-функцию из
/7-мерного эвклидового пространства Rp с компонентами gi (X,),
k = 1, р. Вводим произвольный вектор W = [wx, w2....... wy_|],
где wj £ Rp, j = 1, J — 1 и рассмотрим следующие J подзадач,
зависящих от параметров и обозначаемых через 5,- (W):
Sx(W): {min g i (Хх) | g1 (Хх) < w1( X, > 0);
S2(W)i {mingo(X2) |w 7 + g2(X2) < w 2, X2> 0 } ; (j 5 25)

S /-i (W): {min go ' (Xy_i)| wy_2 + gJ 1(X y _ i)^ w/_i; Xy_i^>0};
Sy (W):{ming^(Xy)|wy_,+gy (X y )< T, Xj> 0, Ху 6
где 1 — р-мерный вектор, состоящий из единиц.
Введение параметров W напоминает метод разложения Корнаи-
Липтака [3, 7]. Поэтому здесь появляется координирующая задача,
которая осуществляет минимизацию сумм функций подзадач отно­
сительно параметров wу. В задачах математического программирова­
ния в общем случае такая процедура представляет собой итератив­
ный процесс, где на каждом шаге решаются подзадачи при фикси­
рованных значениях параметров. Для некоторых частных случаев
в геометрическом программировании имеется возможность найти
явную зависимость целевых функций подзадач от параметров и за­
дача координации сводится к экстремальной задаче определенного
вида. На этой идее и основан рассматриваемый ниже метод.
Рассмотрим такой случай.
48
Определим множество Mw всех векторов W = [wb w2, .... wy_il,
Mw = (W : W £ (ЯРУ~1 и подзадачи 5,- (W) разрешимы для всех
/ = {1, /}. Обозначим через М'х (W) множество всех векторов X/,
допустимых для подзадачи 5/ (W). Для каждого W £ Мш введем
функцию V/ (W) такую, что о,- (W) = inf (go (X,) | Xf £ Ml (W)}.
Наконец, определим функцию V (W) с областью определения

y(W) = £ °/(w)
/=1
и рассмотрим задачу:
найти
inf K(W). (1.5.26)

Следующие утверждения устанавливают связь между исходной за­


дачей (1.5.24) и координирующей (1.5.26) [7].
1. Если Х° — оптимальное решение задачи (1.5.24), то существу­
ет вектор W0, минимизирующий (1.5.26), при этом

V(W°) = £ g'o(*b- 0-5.27)


/=1
2. Если W0 минимизирует (1.5.26) и X/ является минимизиру­
ющим вектором в подзадаче S f- (W), / = 1, У, то Х° = [X?,...,
Ху] — решение задачи (1.5.24).
3. Задача (1.5.24) неразрешима тогда и только тогда, когда не­
разрешима задача (1.5.26).
Рассмотрим более детально подзадачи S f (W) из (1.5.25). Вве­
дем определение.
Сопряженную пару задач ГП будем называть канонической,
если существует строго положительный вектор 6, допустимый к
двойственной задаче. Для некоторого фиксированного параметра
W = [wb w2, ...> wy_il подзадачи S j (W) можно сформулировать
как задачи геометрического программирования при условии, что
W/ — W/—1 > 0 , / = 1, У.
Введем w0 = 0 и wy = 1 — нулевой и единичный векторы со­
ответственно.
Эти подзадачи 5/ (W) перепишем в виде:
минимизировать
«*(*/) (1-5.28)
при условиях
, g i( X /) < 1, k = T 7 p , X ' - t i r i , Х / > о. (1.5.29)
^k ^k
Для фиксированного вектора W, удовлетворяющего условиям
w/ — w/_i > 0 , (1.5.30)
оптимальный вектор Ь] для каждой двойственной подзадачи 5/ (W)
зависит только от показателей степени позиномов, а параметры W
49
появляются только в коэффициентах. Иными словами, оптималь­
ное значение Vj (W) каждой подзадачи вычисляется как функция
от (w/ — w/_ 1), если выписать двойственную целевую функцию
для оптимальных параметров 6j. Используя (1.5.29), получаем

V, (W) = К/ П ы - w t ' r d/, i = Т77, (i .5.31)


fc=l
где положительные постоянные /С/ определяются по коэффициентам
подзадач и компонентам оптимального вектора 8/, а показатели сте­
пени вычисляются только через 8/. Из соотношения (1.5.31) по­
лучим
V (W) = V К, п Ы - w t')-* !. (1.5.32)
/e l k=\
Следующее утверждение устанавливает важные свойства функ­
ции V (W).
Теорема 1.9. Если подзадачи Sf (W), а также двойственные к
ним, являются каноническими со степенями трудности, равными
нулю, то вектор W допустим для координирующей задачи (1.5.26)
тогда и только тогда, когда выполнены условия (1.5.30). Кроме
того, целевая функция V (W) задачи (1.5.26) является строго вы­
пуклой и непрерывно дифференцируемой на Mw, и для любой гранич­
ной точки W в множестве Mw lim V (W) = оо.
W-+W
Пример 1.3. Рассмотрим следующий пример, иллюстрирующий
декомпозиционный метод решения ГП задач.
Минимизировать
40г]Г2 20г2г3 + 2sxS2 + Si $2 + 20tit3 + 2§t1t2t3
при условиях
-g” Т\ V2 + 3s/*s2 + fi”2^2 2^ 1f

- f - r r v r v4 - 2 ( ; ' v < i ;

rt > 0 , S f> 0, /,> 0 .


Эта задача со степенью трудности, равной двум.
Ее подзадачи таковы:
Sj(W): минимизировать
40г хГ2 + 20г 2гз
при условиях

-g- гТ1гГ4' < 0Уь -§" r^ r^ V>^ w2> rl > 0, < = 1, 3


S a (W): минимизировать
2sxS2 + Si *S2
60
при условиях
w\ 4 - 3 si/!s2 ^ wu w\ ^ w\\ S/ > 0;
S 3 (W): минимизировать
20t1ta + 2 0 ^ /3
при условиях

w\ + 2tl/47l < 1, ^ > 0.


Введем допустимое множество:
Mw = {(w\,wl2; w\, wl) Iгг»! > 0, a 4 > 0 , a )? > 0 , w \ > 0 ,
w\ — a»{>0, 1 — о)? > 0 , 1 — 0)2 > 0 } .
Запишем (W) в виде задачи геометрического программирования:
минимизировать
40г гг2 + 20rars
при условиях
1 . К—1 —1 __1/2 ^ -
-g-(o)i) п г2 г< 1 ;

- f (а4)-1 ГГV rv*^ 1, г,>0.


Двойственная задача для рассматриваемой имеет вид:
максимизировать

при условиях
А6 = 0; б1 + б2 = 1 , б, > 0 , ба > 0 , б3> 0 , б4> 0 ,
где А — матрица показателей.
Нетрудно убедиться, что сопряженная пара является канони­
ческой с нулевой степенью трудности, а единственный оптимальный
вектор б* равен б| = '.у ’ т ) ‘ Тогда получим

v1( W ) = K l (wl)-'h (в4Г*Л; Кг = 8 . 10Vs(-§-)8/4.


Аналогичным образом для подзадач S 2 (W) и 5 (W) получим

п2 (W) = К 2 (w\ - tol)-1; К2 = 8V‘ ( 4 - ) % 3;

t)8(W) = Ка (1 - w\)~'u (1 - wl)’ 1, К 3 = 20.


51
Исследование гессианов 1 показывает, что функции vf (W) яв­
ляются выпуклыми. Поэтому дальнейшее решение задачи (1.5.26)
выполняется с использованием одного из известных методов для
задач выпуклого программирования [3]. В результате получим при­
ближенное решение W0 = [0.278; 0.278; 0.471], V (W0) = 270.
Используя W0, путем логарифмирования, далее легко определяют­
ся оптимальные значения переменных исходной задачи:
о о о ,о ,о ,о о о
П , Г 2, Г3 , м , ?2» Ну Si , S2.

СПИСОК ИСПОЛЬЗОВАННОЙ И РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ


1. Вагнер Г . Основы исследования операций: В 3 т. — М. : Мир, 1972.—
Т. 2—3.
2. Вентцель Е. С. Исследование операций.— М. : Сов. радио, 1972.
3. Зайченко Ю. П . Исследование операций.— 3-е изд., перераб. и доп.— К. : Ви-
ща шк. Головное изд-во, 1988.
4. Ермольев Ю. М. Методы стохастического программирования.— М. : Наука,
1976.
5. Ермольев Ю. М ., Ляшко И. И., Михалевич В . С., Тюптя В . И. Математиче­
ские методы исследования операций.— К. :, Вища шк. Головное изд-во,
1979.
6. Лэсдон Л. Оптимизация больших систем.— М. : Наука, 1975.
7. Цирков В. И . Декомпозиционные методы решения задач большой размер­
ности.— М. : Наука*, 1981.
8. Юдин Д. Б. Математические методы управления в условиях неполной инфор­
мации.— М. : Сов. радио, 1974.

Глава 2
МЕТОД ЭЛЛИПСОИДОВ ДЛЯ ЗАДАЧ ЛИНЕЙНОГО
И ВЫПУКЛОГО ПРОГРАММИРОВАНИЯ

2.1. ЗАДАЧА НАХОЖДЕНИЯ ЭЛЛИПСОИДА МИНИМАЛЬНОГО


ОБЪЕМА

Большое применение в практических приложениях находит


следующая задача нахождения эллипсоида минимального объема,
покрывающего заданную систему точек [3].
Пусть М = \а{ £ R k, i = 1, т) — набор из заданных своими
координатами точек в эвклидовом пространстве R k, k 2.
Рассматривается следующая задача: найти в Rk эллипсоид Е*
с центром в начале координат, содержащий в себе М и имеющий
минимальный объем.
В дальнейшем без ограничения общности будем считать, что
среди точек набора М найдутся k линейно независимых, в частнос­
ти k ^ т.
Будем задавать эллипсоид Е с центром в начале координат сим­
метрической положительно-определенной матрицы размерности
1 Матрицы Гессе функций.

62
k x k:
X = {xsi} s, t = 1, 2.......... k, (2 . 1. 1)
так что эллипсоид описывается следующим соотношением:
Е = Ц : 1 Т\ 1 < 1 , !€£*}• (2.1.2)
В этом случае объем эллипсоида вычисляется по формуле
(2.1.3)
V <£ > - K<x > - T s b r
где yk = я*/2Г — h 1j — объем единичного ^-мерного эвклидо-
вого шара.
Таким образом, исходная постановка задачи такова:
минимизировать
V(X) = (2.1.4)
Y det X
при ограничениях:
1) X — положительно определенная k х k симметричная мат­
рица; (2.1.5)
2) a[Xat < 1, i = 1, m. (2.1.6)
Задача (2.1.4)— (2.1.6) допускает следующую двойственную ин­
терпретацию: вписать в многогранник К = {£ : 1, i = l,.m}
эллипсоид Э максимального объема, где Э = {| : ^1}.
Необходимо отметить, что m условий (2.1.6), выражающих при­
надлежность эллипсу Е точек набора Л4, являются линейными по
X, если рассматривать X как точку ^-мерного пространства R k2
с координатами {xst}.
Чтобы превратить задачу (2.1.4) — (2.1.6) в обычную задачу
математического программирования, необходимо выразить в виде
функциональных ограничений условия (2.1.5) для матрицы X.
Условия положительной определенности матрицы X могут быть
в принципе выражены с помощью k строгих неравенств, составляю­
щих известный критерий Сильвестра [3; 7]: «главные диагональные
миноры матрицы X должны быть строго положительны».
Однако в данном случае удобнее выразить условие положитель­
ной определенности в виде формально-континуального набора ли­
нейных ограничений на X.
Предположим, что известен интервал вещественной оси, в ко­
тором лежат все собственные числа к19 Х2, ..., %k положительно
определенной матрицы X, задающей оптимальный эллипсоид, т. е.
известна пара положительных чисел X, Л, локализующих спектр
матрицы X:
0< ••• < А * < Л < о о .
1
Так как полуоси оптимального эллипсоида численно равны -7= - ,
У
■ * ■, . . . , * - , то в качестве К можно взять любое доста-
У%2 V^k
53
1
точно малое положительное число, для которого величина - 7=. пре-
восходит максимальную из полуосей £*, а в качестве Л любое до­
статочно большое число, для которого величина - 7L5- не превосходит

минимальной полуоси Е*. В следующем разделе мы получим оцен­
ки величин X и Л, а ниже, считая эти величины известными, можно
вместо ограничений (2. 1.5) — (2. 1.6) использовать следующие функ­
циональные ограничения:
а) а? Ха* <; 1, I = 1, 2, . . . , т\
б) %st 3=3 xts> ty “ 1> 2, . • •, hf
в) для любого вектора (2.1.7)
г ) |Х |< У 1 Л ,
Г k к
где введено обозначение | X (| = 1/ .
Поясним смысл двух последних ограничений (2.1.7). Линейные
ограничения на фиксированный вектор £ £ R k означают, что ми­
нимальное собственное число матрицы X не может быть меньше из­
вестной величины X. Последнее ограничение г) на норму матрицы
X выполняется для оптимального эллипсоида по определению ве­
личины А, т. е.

iX|| = ||FXFr I = ||d ia g (^ , ..........Я * ) |- ] Л ? + + Я |<

<AVk,
где F — ортогональная матрица, приводящая эллипсоид к главным
осям.
Таким образом, множество G допустимых матриц X, на которых
может производиться минимизация функции V (X), описывается
с помощью четырех групп линейных и выпуклых ограничений
(2.1.7), из которых последняя (2.1.7) является бесконечной.
Далее вместо минимизации V (X) будем минимизировать функ­
цию
/ (X) = 2 In — = — In det X, (2.1.8)

которая является выпуклой на множестве положительно опреде­


ленных матриц X.
Следовательно, исходная задача (2.1.4) — (2.1.6) может быть
сформулирована как задача выпуклого программирования. Чтобы
получить окончательную формулировку задачи! проведем два вспо­
могательных построения.
Во-первых, исключим, воспользовавшись условиями симмет­
ричности, из матрицы X поддиагональные переменные х&, снизив
тем самым число вещественных переменных примерно вдвое. Поло-
54
IT k {k -f- 1) ..
жим N = ■2 —- и сопоставим вещественному yV-мерному вектору
^11 *^12 • • • %\k
X = •^22 • • • X2k

Xkk
с координатами x„t, 1 ^ s ^ t ^ k симметрическую матрицу
Хц %12 • ••
■^21 -^22 • • •

%kl %k2 • • • Xkk __


наддиагональные элементы которой совпадают с координатами век­
тора X. Отображение X X линейное и взаимно однозначно ото-
бражает RN на пространство симметрических k X k матриц.
Далее /г-мерному векюру \ = [^ , | а, | ft] поставим в соответ-
л
ствие JV-мерный вектор § по правилу

6? Ш * 2Ы з ••• 2 U k ~
У 2£2g3 . . . 2g2g*
У • •. 2g3l* ’

У_
л
т. е. отображение | | таково, что для любого Af-мерного векто­
ра X и любого ^-мерного вектора | справедливо тождество

| х = 1 Х | г. (2.1.9)
Таким образом, первое вспомогательное построение позволяет при­
вести формулировку задачи в JV-мерном пространстве, эквивалент­
ную (2.1.4) — (2.1.6):
найти на выпуклом JV-мерном компакте G, задаваемом бесконеч­
ной системой выпуклых неравенств:

£ £ л£<*Л *;
t= 1 S = 1

а,Х <1;
л
|Х > (для любого A-мерного вектора £),
минимум выпуклой на G функции координат

/(X) = 2 1 п - ^ - = — IndetX. (2.1.10)

65
Далее, поместим выпуклый компакт G cz RN в выпуклое огра­
ниченное, замкнутое и телесное множество Ga с RN, описываемое
следующей системой неравенств:

S t (*«)*<* (Л + в)1; (2.1.11)


S = 1 г= 1

а,Х ^ 1 + бр2; (2.1.12)


л
|Х > (X — б) | 2 для любого /г-мерного вектора | (2.1.13)
где б (0<б <Х) —некоторое фиксированное число, которое будет
определено ниже, р = шах || а, ||.
l^i^m
Теперь приведем окончательную формулировку задачи:
минимизировать
/ (X) = — IndetX (2.1.14)
при ограничениях (2.1.11) — (2.1.13).
Далее, на основе применения метода эллипсоидов для решения
задачи (2.1.14) опишем алгоритм нахождения е-приближенного
решения (е £ [0,1]) исходной задачи (2.1.4) — (2.1.6) в виде по­
ложительно-определенной матрицы Х8, удовлетворяющей усло­
вию (2.1.4) и такой, что
К(Х*е) <К (Х *) (1 + е ) . (2.1.15)

2.2. МЕТОД ЭЛЛИПСОИДОВ ДЛЯ РЕШЕНИЯ ЗАДАЧИ


ВЫПУКЛОГО ПРОГРАММИРОВАНИЯ

Как известно, для метода эллипсоидов (МЭ) необходимо описать


алгоритм-сепаратор для выпуклого компакта С?б, а также алгоритм,
вычисляющий выпуклую функцию / (X) и ее градиент [1, 2).
Алгоритм-сепаратор проверяет для заданного вектора X £ RN
его принадлежность к G& и в случае отрицательного ответа находит
вектор отсечения р £ RN такой, что полупространство

Г+ (Z) = (Z 6 R n Iрг (Z - Х ) < 0}


содержит в себе множество Gg.
Приведем описание алгоритма по шагам с оценкой их вычисли­
тельной трудоемкости.
Ш а г 1. За ft2 операций вычисляем норму вектора X. Если
II X i > V k (А + 6), то вектор X не принадлежит Gc. В этом слу­
чае в качестве вектора отсечения можно взять вектор
х
Р - ||Х || *

Ш а г 2. Проверяем, подставляя X в (2.1.12), выполнение ли­


нейных условий. Если находится нарушенное ограничение вида
56
Л

(2.1.12), т. e. для некоторого индекса i0 £ fl, 2, т ) а £лХ >


> 1 + бр2, то в качестве вектора отсечения можно взять Р =
= —а*0/ | а*01|. Если все условия (2.1.12) выполнены, в чем можно
убедиться, проделав mk2 арифметических операций, то произво­
дим переход к шагу 3.
Ш а г 3. Этот последний шаг состоит в проверке выполнения
А Л _

условия (2.1.13). Положим Z = X + (6 — Я.) I, где I — единичная


матрица. Отметим, что Z — симметрическая матрица и проверка
(2.1.13) сводится к выяснению вопроса о положительной определен-
A mЛ

ногти матрицы Z. С этой целью квадратичная форма | Z\ приво-


k
дится к сумме квадратов gr Z | = (L/ (|))2, где Lf (|) — некото-
/—1
рые линейные формы.
Если среди чисел р/ найдется неположительное, например р/0<
< 0, то это означает, что матрица Z не является положительно
определенной и в качестве вектора отсечений можно взять вектор
0 Л IL
р = -----— , где е £ /? — вектор, координаты которого определя-
/|е(|
ются из решения системы линейных уравнений Ljo (|) = 1, L, (|) =
= 0 для всех / Ф
Пусть теперь матрица X, соответствующая некоторому задан­
ному вектору X £ Rn, является положительно-определенной. Вы­
числение значений функции в точке X сводится к вычислению
det X и требует k 3 операций.
Для градиента функции / (X) справедливы формулы:

а/(Х) s = 1, 2 ,
дХ" det X к;
(2 .2. 1)
df (X) о хл 1
d*s( detX *
где через Xs, обозначено алгебраическое дополнение элемента s-й
строки и t -го столбца симметрической матрицы X. Поскольку

X-1 S, t = 1, 2 ............ k ,
det X
то для вычисления нормированного градиента ц. ф. достаточно об­
ратить симметрическую матрицу X, что также выполняется за fe3
операций.
Так как для положительно-определенной матрицы детерминант
отличен от 0, то градиент / (X) не обращается в 0 на множе­
стве (За.
57
Итак, резюмируем вышеизложенное. Так как т ^ k, то для
решения задачи сепарации на выпуклом компакте Ge достаточно
выполнить порядка mk 2 операций.
Опишем теперь реализацию метода эллипсоидов для задачи
(2.1.10). В качестве начального эллипсоида в пространстве RN вы­
бирается шар с радиусом (Л + 6) V~k и центром в начале координат.
Начальное рекордное значение функции / (X) полагаем равным + оо.
На s-й итерации процесса (s = 0, 1,...) имеется текущий эллипсо­
ид Es, заданный центром Xs, X, £ R N и матрицей Qs (Q, € RN‘),
а также рекорд X*, / (X*).
Как обычно, вычисления на s-й итерации начинаются с выясне­
ния с помощью алгоритма-сепаратора вопроса Xs £ Ge? Если
Xs £ Ge, то рекорды остаются без изменения, вычисляется теку­
щий вектор отсечений р Ф 0 и по тройке (Xs, Qs, р) находится но­
вый эллипсоид Е ~ (Xs+i, Qs+i),
где
Х*-(-1 = Xs -f- до_|_ j QST)S,

Qs-H = Л & Т [о . + ( / 4 т г - О Оа ч Г] ; (2-2-2>


Qsr p
II РII
Для этого достаточно порядка N2 ~ k4 арифметических операций.
Если же Xs £ Ge, вычисляем значение функции / (Xs), производим
пересчет рекорда, а в качестве вектора отсечения р, необходимого
для построения нового эллипсоида, берем нормированный антигра­
диент функции / (X) в точке Xs. Таким образом, в силу выпуклости
/ (X) и Ge все эллипсоиды Et, s = 0, 1....... содержат внутри себя
вектор X*, кодирующий оптимальный эллипсоид Е* = { | :
ТЛ
: | Х | ^ 1}, имеющий минимальный объем среди всех эллипсои­
дов, содержащих набор М.
Ниже будет указано значение величин точности б = б (е) и не­
обходимого числа шагов 5 = 5 (е), гарантирующее достижение
относительной точности минимизации объема эллипсоида Е после
проведения в конце процедуры заключительного шага.
Заключительный шаг процедуры состоит в умножении всех
элементов рекордного вектора X* (е) на множитель .
Таким образом, величины б (е) и 5 (е) будут подобраны так,
чтобы:
вектор
V х» ^
Ае — (1 + 6 р 2)

V(XS)<K(X)(1 + в ) . (2.2.3)
58
Оценка числа итераций и трудоемкости алгоритма

Справедлива следующая лемма [2; 3].


Л е м м а 1.2. Для достижения с помощью МЭ точности (2.2.3)
достаточно положить:
6(e) (2.2.4)
Ak
5(e) 4.5А:4 In Яе (2.2.5)
Д о к а з а т е л ь с т в о . Прежде всего заметим, что если век­
тор X принадлежит б-окрестности оптимального вектора X*, то
вектор
X= .х%д - (2.2.6)
(1 + 6 р 4)

принадлежит множеству G и J grad / (X) || < 2 V~k/(X — б), поскольку


из (2.2.1) видно, что норма градиента не превосходит удвоенной
нормы обратной матрицы X и, в частности, -г—у k, где Я, — ми-
л Ai
нимальное собственное число X.
Таким образом, с учетом выбора в (2.2.4) величины е для любой
точки X из б-окрестности X* имеем

в.

Далее, в силу (2.2.6), для вектора X € G справедливо


/ (X) — f (X) < k 1n (1 + бра) < £бра < = 0.4е,

поскольку из определения величины Я имеем:


■j- ^ длина максимальной полуоси Эллипса Е ^ р.
Поэтому
f (X) - f (X) < ( + 0.4) 8 < 1.15е,
ДЛЯ е g [0, 11
1.158
У(Х) ^
V(X*) ^
2 <1+е.

Проводя стандартные для метода эллипсоидов рассуждения,


получаем, что необходимое число итераций 5 (е) может быть найде­
но из того условия, что, уменьшаясь от итерации к итерации в
е 2<л,+1) раз, объем эллипсоидов Е, в пространстве RN не должен к
моменту итерации 5 (е) превосходить объема б-окрестности X*.
Таким образом, с учетом выбора в качестве начального эллипсои­
да — шара с радиусом (Л + б) Y К требуемое условие может быть
59
записано в виде

S ( e ) > 2 ( # + 1)ЛПп ^ * ( д + а) . (2.2.7)

Подставляя значения б = б (е) и 5 = 5 (е) и учитывая, что


N = k + .*)) убеждаемся в справедливости (2.2.5).
Лемма доказана.
На практике определение параметров Я и N, входящих в огра­
ничения, описывающие множество G, и в оценку (2.2.4); (2.2.5),
может оказаться затруднительным.
В этом случае можно воспользоваться следующими их оценками
через величины р = шах || щ || и r-максимальный радиус эвклидо-
i
вого шара с центром в начале координат, который целиком со­
держится в выпуклой оболочке симметризованного набора ± М ,
включающего вместе с каждой точкой и центрально-симметрич­
ную ей точку —at, i = 1, т.
Л е м м а 2.2. Величины X и А могут выбираться из условий:
Л > -тг; (2.2.8)

(2.2.9)

Д о к а з а т е л ь с т в о . Покажем сначала справедливость


(2.2.8). Очевидно, если г (Е *) — минимальная полуось оптималь­
ного эллипсоида, то г (£*) > г. С другой стороны, как указано в
п. 2.1, в качестве Л можно взять любое число, для к о т о р о г о н е

превосходит г (£*).
Справедливость второго соотношения (2.2.9) следует из того,
что объем оптимального эллипсоида не превосходит объема шара
с радиусом р и центром в начале координат:
1
<
ЯЛ*” 1 Я1Я/2 %k < p 2k,
где Ях, Я2, ..., %k — собственные числа матрицы X*. Отсюда, с уче­
том (2.2.8), вытекает (2.2.9). Лемма 2 доказана.
Выбирая параметры Я и А из (2.2.8) и (2.2.9) на основе равенств,
получим после их подстановки в (2.2.5) оценку числа итераций
вида
S = 4.5£4 In ( 2 .2 . 10)

Поскольку на каждой итерации метода производится порядка


№ (т + /г2) арифметических операций, то, с учетом (2.2.10), мы
доказали следующую теорему [1; 2].
Теорема 2.1. Для нахождения эллипсоида с заданной относи­
тельной точностью г £ [0, 1], покрывающего систему из т точек
60
в k-мерном пространстве, достаточно, выполнить порядка k? (т +

+ « '" t (4 F арифметических операций.
Рассмотрим вкратце задачу об описании вокруг многогранника
сот (ах, а2, , ат) эллипсоида минимального объема и вписании в
многогранник К = {I 6 R k | ^ 1, / = 1, т\ эллипсоида мак­
симального объема в том случае, когда центр эллипсоида не фикси­
руется. Вторая из этих задач при задании вписанного эллипсоида
в виде
э = {1 е Я* | (1 - у ) г X -2 (I - у ) < 1}, (2.2.11)
где у £ Rk — центр эллипсоида, может быть сформулирована
в виде следующей задачи ВП:
найти
min — In detX (2.2.12)
при ограничениях:
X — положительно-определенная симметричная матрица по­
рядка k X k\
у — ft-мерный вектор;
|| Ха, f + а,у < 1, i = 1 , 2 , . . . , m.
При решении этой задачи с помощью метода эллипсоидов получает­
ся такой же порядок трудоемкости, что и в теореме 2.1.
Что же касается первой задачи о нахождении минимального эл­
липсоида, покрывающего заданный набор точек (а,(, с нефиксиро­
ванным центром, то решение этой задачи может быть также получе­
но с помощью настоящего метода (МЭ). В работе [3] отмечается, что
задача покрытия совокупности точек а,- = 1а), а ..., a)] i = 1, т,
минимальным эллипсоидом в Rk с нефиксированным центром сво­
дится к задаче о покрытии совокупности точек at = [а\9 а\, ..., af,
1] в Rk+l эллипсоидом с центром в начале координат, для которо­
го минимизируется не (ft -f 1)-объем, а ft-объем сечения эллипсоида
плоскостью = 0, так что на самом деле речь идет об эллипсо­
идах с одной бесконечной полуосью, т. е. о цилиндрах.
Иными словами, вместо функции / (X) = —In det X необходи­
мо рассматривать функцию —In det X, где X — главный минор
ft-го порядка матрицы X размерностью ft + 1, а вместо положитель­
ной определенности X требуется неотрицательная определенность
X и положительная определенность X и т. д. При этом все оценки
трудоемкости метода эллипсоидов остаются прежними.

2.3. МЕТОД ВПИСАННЫХ ЭЛЛИПСОИДОВ

Рассмотрим теперь задачу о вписании в выпуклое тело К эл­


липсоида максимального объема, которая является двойственной
к задаче (2.1.4) — (2.1.10).
61
Пусть К = € R k | af$ 1, i — \, m) — выпуклое много­
гранное множество. Требуется вписать в К эллипсоид максималь­
ного объема Э (Э s К), объем которого обозначим через р, (К ) :
: |х (К) =» max vol Э, где эллипсоид Э £ К- Центр максимального
э
эллипсоида назовем центром К-
Проведем через центр X* тела К произвольную гиперплоскость,
задаваемую своим вектором нормали g £ R N, и пусть Kg —
= {х |х £ К, gr (х — х*) 0} — одно из двух тел, на которые эта
гиперплоскость разбивает К-
Справедлива следующая теорема [2].
Теорема 2.2. Для объемов тел К и справедливо соотношение
p(/Cg)< 0 .889p(/C ). (2.3.1)
Доказательство. Произвольный эллипсоид Э в RN
может быть задан в виде
Э = {х | ( х — а)г А- 2 ( х — а ) ^ 1 } ,
где а — центр эллипсоида и А — симметрическая положительно­
определенная квадратная матрица порядка п.
Задаваемый таким образом эллипсоид Э ~ (а, А) представляет
собой образ единичного эвклидова шара | г | < 1, сдвинутый в точ­
ку а после линейного преобразования А:
Э== {х|х=* а + Az, Кz ||< 1}.
В частности, опорная функция эллипсоида имеет в указанном
представлении вид
Ф, (с) = max сгх = са + |сА(|, с £ Rn,
х€Э
а его объем равен vol Э =* р „det А, где |ЛЛ — объем единичного
n-мерного эвклидова шара.
Пусть Э* и Эо — максимальные для тел К и Kg эллипсоиды. Без
ограничения общности после соответствующего афинного преобра­
зования координат будем считать, что эллипсоиды приведены к
главным осям, их центры противоположны, а величины полуосей
взаимно обратны, т. е.
Э * ~ (а, В), 3g ~ (— а, В-1), В = diag [bt , ba.......... Ьп].
В этом случае тело К содержит начало координат в качестве внутрен­
ней своей точки и потому может быть задано системой линейных
неравенств вида
К = {х|сг х < 1 , с£С}, (2.3.2)
где С — конечная или бесконечная система векторов.
Из принадлежности обоих эллипсоидов телу К вытекает
| сВ|| <; 1 — сга, I сВ-1 К 1 + сга для любого с £ С® (2.3.3).
Кроме того, | аВ | , так как точка а, являясь центром Э*, не
может быть внутренней для Э*.
62
Складывая неравенства (2.3.3), получаем

[ . ?!?.+ в~ ') [ < -j- (ВсВ II + ДсВ -1в < 1,


для любого с £ С, откуда следует, что в тело К можно вписать эл-
-f- bi ^
липсоид Эт с центром в начале координат и полуосями---- ^-----,
i = 1,2, ..., п, каждая из которых не меньше 1. Пусть Ь = шах Ь{,
i
тогда vol Э+ (b + Ь~1)/2. Далее, перемножая неравенства
(2.3.3), имеем
с2 < || сВ 1 • IсВ"11|< 1 - (сга)\ (2.3.4)
т. е. все векторы с (с £ С) находятся внутри эллипсоида с2 +
+ (сга )2 ^ 1, полученного сжатием единичного шара || с2 J ^ 1
по направлению а в V 1 + а2 раз. Следовательно, тело К содержит
поляру эллипсоида Эх : (с2 + (сга)2<; 1, а эллипсоид Эх получен
растяжением единичного шара х2 ^ 1 вдоль оси а в V 1 + а2 раз.
В частности, vol Эх = V I + а2. С учетом определения величины
Ь из (2.3.4) вытекает, что а2Ь2 , и поэтому в тело К можно впи­
сать эллипсоид с центром в начале координат, объем которого не
меньше
vol Э0 ^ max (vol Э+ , vol Эх } ^

min шах { Ь \ Ъ ; V \ + 4 /Й = .
0<6<oo I z tу2 2
Из условия максимальности объема Э* имеем vol Э* ^ vol Э0,
так что справедливо соотношение
у {Kg) _ v°13g = 2 V~2 V
= 0.888 (2.3.5)
ц (К) vol Э* vol2 Э0 <1 3 }
Для дальнейшего потребуется обобщение неравенства (2.3.1),
пригодное для случая, если максимальный эллипсоид, в центре
которого рассекается К, находится приближенно с погрешностью
по объему у£ [0, 1]. Будем говорить, что вписанный в К. эллипсоид
Э7 является у-максимальным для К, если vol 3 V^ ур, (К), и
называть центр х* любого у-максимального эллипсоида у-цент-
ром К-
Пусть
Ке = {х | х £ К, gT(х - x'g) < 0 } (2.3 .6)
— тело, полученное в результате рассечения тела К произвольной
гиперплоскостью, проходящей через его у-центр. В этом случае
неравенство (2.3.1) допускает следующее обобщение:
р. (К«) < у - 20.843р (К). (2.3.7)
Его доказательство аналогично доказательству неравенства (2.3.1).
63
Нахождение ^-максимальных эллипсоидов
Предположим, что исходное тело G является выпуклым много­
гранником, заданным конечной системой линейных неравенств.
Тогда такими же будут и все локализаторы.
Рассмотрим задачу нахождения максимального эллипсоида для
выпуклого многогранника К = {х | с/х ^ db i £ М ) у где М —
конечное множество индексов ограничений. С учетом параметриза­
ции эллипсоидов она может быть записана в виде следующей зада­
чи выпуклого программирования (ЗВП):
максимизировать
IndetA (2.3.8)
при условиях
cfa + ||ctA ||< d b i £ M, (2.3.9)
где А — симметрическая положительно определенная матрица.
Функция In det А на выпуклом теле вогнута.
Для нахождения у-максимального эллипсоида требуется найти
максимум ЗВП (2.3.8) с абсолютной погрешностью по функциона­
лу In . Ее решение может быть получено методом описанных
эллипсоидов (МОЭ) (см. п. 2.1).
Приведем оценки трудоемкости МОЭ для решения задачи (2.3.8).
Пусть р и г — априорно известные радиусы эвклидовых шаров,
первый из которых описан, а второй — вписан в тело К и т =
= | М | — число линейных ограничений, задающих К .
Для нахождения у-максимального эллипсоида тела К с помо­
рп
щью МОЭ достаточно выполнить 0.5 (п + 2)4 In итера­
(1 —у) г
ций трудоемкостью порядка п2 (п 2 + т) арифметических опера­
ций каждая.

2.4. ПРИМЕНЕНИЕ МЕТОДА ВПИСАННЫХ ЭЛЛИПСОИДОВ


В ЗАДАЧАХ МНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИ

Постановка задачи многокритериального МК-выбора


Пусть имеется задача поиска наилучшего или наиболее пред­
почтительного варианта из множества допустимых решений. При
этом с каждым допустимым решением связан целый набор показа­
телей (критериев) /(1), /(2), ..., f iK\ на основании которого ЛПР
(субъект выбора) может оценивать качество этого варианта решения
по отношению к достижению цели.
Предполагается, что критерии i = 1, 2, ..., /С, называемые
частными, носят количественный характер, задаются непрерывны­
ми на Rh числовыми функциями f l) (х) и образуют векторный кри­
терий f = [/(1), /(2), ..., /(К)], значение которого f (х) полностью
64
характ ризует для субъекта выбор соответствующего вектора до­
пустимых решений х £ Ж- ыбор в каком-то смысле наилучшего
решения из множества Ж сводится для ЛПР к поиску наилучшей
оценки из множества допустимых:
у = / ( Х) = { у £ # * |у : = /( х ) , х£Ж}, (2.4.1)
где Rk — ^-мерное пространство, называемое критериальным.
Пара (х, у) — это модель ЛПР. Будем далее предполагать мно­
жество X непустым, а множество допустимых оценок у = f (х) —
непустым и ограниченным. Поскольку на практике человек в со­
стоянии оперативно учитывать не более k = 7 ± 2 показателей,
будем считать, что 2 ^ k ^ 7.

е-оптимальные векторы в задачах выбора


Весьма общим и достаточно хорошо разработанным является
способ описания предпочтений в виде бинарных отношений. Будем
считать, что отношение ЛПР к векторам-оценкам у £ Y и соответ­
ствующим для них вариантам решений может быть описано некото­
рым отношением предпочтения > , которое является рефлексивным,
транзитивным и полным бинарным отношением (полным квазипоряд­
ком), определенном в пространстве критериев Rk. Тогда вектор
у* £ Y называется наиболее редпочтительным (или оптимальным)
по > , если он не менее предпочтителен, чем любой другой вектор
из Y, т. е. если у* > у для всех у £ Y.
Известно [1], что если отношение > непрерывно, т. е. если мно­
жество {(у, z) | у > г\ замкнуто в Rk X Rk> а множество Y —
компакт, то Y содержит, по крайней мере, один наиболее предпо­
чтительный вектор и множество Y* всех наиболее предпочтитель­
ных векторов в Y, где
Y* = {у*£ Y |у* > у, V у £ Y}.
Отношение предпочтения > порождает для любого е > 0 в
критериальном пространстве Rk некоторое бинарное отношение
е-доминирования.
Определение 2.1. Вектор у е-доминирует вектор г, если сущест­
вуют такие векторы у и г, где (у, у) ^ е, р (z, z) ^ е, что у > z.
р

Это отношение е-доминирования будем обозначать как > . Ана-


8
логично определению наиболее предпочтительного вектора по отно­
шению > вводится понятие е-оптимального вектора из Y по отно­
шению >.
Определение 2.2. Вектор у\ называется г-оптимальным во
множестве Y по отношению если у*в •> у для всех у £ Y.
Легко видеть, что в случае, если Y ограничено, для любого е >
> 0 существует е-оптимальный вектор во множестве Y по отноше­
нию к операции
Пусть теперь Ye и Z*e — непустые множества е-оптимальных
векторов по отношению к операции > из соответствующих ограни-
3 423 65
ценных в Rk множеств Y и Z. Предположим, что множества Y и
Z е-близки в смысле расстояния Хаусдорфа h (Y, Z) [1].
Тогда справедливо следующее утверждение [1].
Теорема 2.3. Если множества Y и Z ограничены и
h ( Y ,Z ) < e , то yl с= 0 8(Z*e) и Zg с : 0 е (Y*e), (2.4.2)
где 0 8(Z2е ) и Og (Y2в) — обозначена е-окрестность множества
Z2e и Y2*g соответственно.
Доказательство. Рассмотрим произвольный вектор
yl £ Y*. Из условия h (Y, Z) < е следует существование вектора
z g Z такого, что р (yg, z) < е. Покажем, что z £ Z2e.
Действительно, пусть z £ Z, тогда из условия h (Y, Z) < е
следует существование вектора у £ Y такого, что р (у, z) < е.
Вектор уе е-доминирует у, следовательно, существует пара векто­
ров q и q,_rae р (q, yg) е, р (q, у) < е, такая, что q > q. Посколь­
ку р (q, z )< 2е, р (q, z) < 2е, то вектор z 2е-доминирует произ­
вольный вектор z £ Z, т. е. z £ Z28. Это доказывает первое из со­
отношений включения (2.4.2). Аналогично доказывается второе
соотношение включения. Рассмотрим связь между множеством наи­
более предпочтительных элементов Y* и множеством е-оптималь-
ных векторов Y*e из ограниченного множества Y по отношению >.
Ясно, что множество наиболее предпочтительных элементов Y*
вместе со своей е-окрестностью 0 8 (Y*) в смысле метрики р (•)
принадлежит множеству YI при любом е ^ 0, т. е. 0 8 (Y*) s Yg
при е > 0.
Далее, если множество Y — компакт, а отношение предпочте­
ния > непрерывно, то Y* 0 и справедливо следующее утвер­
ждение [1].
Теорема 2.4. Пусть Y — компакт и отношение > непрерывно.
Тогда множество Y*+o всех предельных точек произвольных после­
довательностей при е ->■ О4* совпадает с множеством наиболее
предпочтительных элементов Y*, т. е. Y+0 = Y* или lim Ye =
8-v0
ss Y*
При задании отношения е-доминирования в пространстве R
вводилась произвольная метрика р (•, k). Для определенности да­
лее рассматривается вполне целесообразная для МК-задач метри­
ка вида
р (у, z) = шах |У* , (2.4.3)
i
где
Д, = sup f (i) (х) — inf f {t) (х), i = 1, 2,
х€ЗЕ х€Х

66
Сепарируемые отношения предпочтения
Существенным требованием для отношения предпочтения субъек­
та выбора в пространстве критериев может служить условие се­
парируемое™ этого отношения.
Определение 2.3. Отношение предпочтения *>, определенное
в пространстве Rk, называется сепарируемым, если для любого
вектора у £ Rk может быть указано открытое полупространство
П~(у) = \ z £ R : p r ( z — у) < 0 } , (2.4.4)
любой вектор которого не лучше у, т. е. если г £ П~1 (у), то спра­
ведливо отношение у > z.
Определение 2.4. Отношение предпочтения определенное в
пространстве Rk, является выпуклым, если множество (z £ Rk ( z £=
> у} является выпуклым при каждом у Р Rk.
Очевидно, что всякое выпуклое отношение предпочтения явля­
ется сепарируемым, однако обратное в общем случае неверно [1].
Иногда в диалоговых процедурах решения задач МК-оптимиза-
ции используется предположение о том, что существует некоторая
априори неизвестная функция полезности (индикатор предпочте­
ния) V (х), обладающая следующим свойством: для любых у, z £
£ Rk справедливо V (у) > V (z) тогда и только тогда, когда у > z.
Однако в рассматриваемой ниже диалоговой процедуре приня­
тия решения используется только более общее предположение о се-
парируемости отношения предпочтения, а функции полезности не
требуются.

Диалоговая процедура решения многокритериальной


задачи ЛП(ЗЛП)
Рассмотрим следующую МК ЗЛП:
найти
шах ^ у (2.4.5)
при ограничениях
У =Сх;
А х^а; (2.4.6)
х>0,
где у £ Rk — вектор критериев; х £ Rn — вектор решений; А,
С, а — известные матрицы и вектор соответствующих размерностей,
задающие модель выбора.
Поскольку единственным неформализованным элементом зада­
чи выбора является отношение предпочтения ЛПР, будем предпо­
лагать, что это отношение — полный сепарируемый квазипорядок.
Иными словами, для любых двухальтернативных векторов критериев
ЛПР может указать, какой из них предпочтительнее, и кроме того,
по заданному вектору у £ Rk можно указать ненулевой вектор р,
задающий в пространстве критериев полупространство П- (у).
67
Пусть X я {х £ /?", где х удовлетворяет ограничениям (2.4.6)} —
множество допустимых решений.
Будем предполагать, что критерии у{ независимы, т. е. матрица
С порядка k X k имеет ранг k. Обозначим через Y = Сх непустое
множество достижимых оценок. Будем считать, что множество Y
ограничено и известен ^-мерный параллелепипед Кь определяемый
условиями
Ь( ^ у ( < Ь ‘ , t — 1, 2.......... k , (2.4.7)
и полностью содержащий в себе множество достижимых оценок
Y s К.
Заметим, что если интервалы [Ь(, Ьг1 возможного изменения кри­
териев у( задачи не могут быть заданы из априорных соображений,
то их всегда можно определить без привлечения ЛПР путем реше­
ния 2k однокритериальных задач ЛП:
у( шах (min)
при ограничениях (2.4.7).
Без ограничения общности можно также считать, что все интер­
валы [Ь{, Ъ(] имеют строго положительную длину. Будем говорить,
что два вектора Ух и уа в пространстве критериев являются е-близ-
кими, если

Р(Ух. Уа) = IУх — Уа I шах 5^8.

Определение 2.5. Пара (у8, х*е) является е-оптимальным реше­


нием задачи (2.4.5) — (2.4.6), если:
1) эта пара удовлетворяет ограничениям задачи (2.4.6);
2) вектор у8 доминирует все векторы из множества достижимых
оценок уе > у, V у £ Y.
Поскольку диаметр параллелепипеда К в рассматриваемой мет­
рике равен 1, то при е > 0,5 любая точка из этого параллелепипеда
доминирует другую, поэтому в дальнейшем е £ [0, 0.51.
Рассмотрим процедуру нахождения с заданной точностью е-
оптимального решения в задаче (2.4.5) — (2.4.6), основанную на
распространении метода вписанных эллипсоидов (МВЭ) на задачи
МК-оптимизации. Данная процедура носит диалоговый характер
и в ней помимо отсечений, которые находятся с помощью аппарата
ЛП по формальной модели (2.4.6), также используются неформаль­
ные отсечения по сепарируемому отношению предпочтения > , при
которых по информации сообщаемой ЛПР находятся и отбрасыва­
ются полупространства П“ (у) [1J.
Данная процедура является итерационной и начинается с пред­
варительного этапа.
Предварительный этап. Решая систему линейных неравенств
(2.4.6), находим допустимый начальный вектор х0 и соответствую­
щий ему вектор критериев у0 £ Y. Прежде чем перейти к рассмот­
68
рению последующих шагов, опишем вспомогательную конструк­
цию. Пусть Ye — е-окрестность множества Y:
Ye = { y € # ft|3 y e Y , | у - у ' Ю } -
Множество Ye представляет собой ограниченное телесное много­
гранное множество. С помощью аппарата ЛП для множества Ye
можно построить алгоритм-сепаратор, т. е. алгоритм, проверяющий
для заданного вектора у £ Rk его принадлежность к Ye и в слу­
чае отрицательного ответа, находящий вектор отсечений р £ Rk
такой, что полупространство
Г+ (у) = (у € /?* I рг (у— у) > 0 }
содержит в себе множество Ye.
Работа алгоритма-сепаратора связана с решением вспомогатель­
ной задачи ЛП-протыкания из внутренней точки у0 множества Ye
границы этого множества в направлении к у [1]:
максимизировать 0 (2.4.8)
при ограничениях
У = Уо (1 — 0) + У • 0> (2-4.9)
т
— е < У‘ ~ С{% <^е, * = 1 , 2 , . . . , л , (2.4.10)
Ь1~ ЪЛ
А х<а; (2.4.11)
0 ^ 0 , х^О ,
где 0 — скаляр; сг — t-я строка матрицы С.
Поскольку точка у0 принадлежит внутренности Ye, то оптималь­
ное значение функционала 0* > 0.
Если оптимальное значение 0* > 1, то алгоритм-сепаратор
заканчивает работу и выдает ответ у £ int Ye, где int Ye — внут­
ренняя область Ye. Если же 0* < 1, то вектор у либо не принад­
лежит Y8, либо является для этого множества граничным, и тогда
существует вектор р, для которого полупространство Г+ (у) це­
ликом содержит в себе Ye.
Можно показать [1], что в качестве вектора р достаточно взять
вектор q* £ Rk, соответствующий ограничениям (2.4.9) в решении
задачи ЛП, двойственной к (2.4.8) — (2.4.11).

Алгоритм нахождения е-оптимального решения


Рассмотрим описание процедуры нахождения е-оптимального
решения задачи (2.4.5) — (2.4.6).
Ш а г 1. В качестве текущего локализатора множества решений
на этом шаге принимается множество Locx = /Се, где /Се = {у €
€ /?ft 1 у' € /С, I у — у' | < е} — параллелепипед, определяемый
69
неравенствами:
— еД ,+ Б ,+ вД„ (2.4.12)
где А { = Ъ{— b j.
Впишем эллипсоид максимального объема Э в параллелепипед
/Се. Будем задавать эллипсоид Э его центром у £ R и некоторой
вещественной, не обязательно симметрической k X k, матрицей
Q так, что

Э = { y € ^* !y = y + Qw, | w l < l } . (2.4.13)


А

Таким образом, Э представляет собой сдвинутый в точку у


образ единичного fc-мерного эвклидового шара || w | ^ 1 при ли­
нейном преобразовании, задаваемом матрицей Q. В частности, ес­
ли матрица Q невырождена, то и эллипсоид Э — невырожден. За­
дание эллипсоида Э его центром и матрицей будем обозначать в виде
А

Э ~ (у, Q). Для задания эллипсоида максимального объема Э ~


~ (Ух. Qx), содержащегося в теле Loct = Kk, очевидно, нужно по­
ложить

Ум = ~y (bt — b{)‘, Qx = (-5- + 8) diaS (bt — h)-


В качестве приближенного решения задачи на этом шаге берет­
ся вектор у! = у0, где у0 определен на предварительном шаге.
На (s + 1)-м шаге процедуры имеются текущий локализатор * —
выпуклое многогранное множество вида

Locs = { y £ R kl y £ K e, (у — у{)тре> 0 , / = 1, 2, . . . , s — 1},


Л

эллипсоид максимального объема Э8 ~ (у9, Qs}, вписанный в этот


локализатор, а также вектор yl, принадлежащий внутренности
множества Ye. При этом вектор у’ предпочтительнее, чем все век­
торы у из множества Y, не лежащие в текущем локализаторе Loc,:
У1>У, V у £ Y \L o c s. (2.4.14)
Работа алгоритма на этом этапе начинается с того, что для центра
ys текущего эллипсоида Э3 проверяется условие принадлежности
к Y8 с помощью описанного выше алгоритма-сепаратора, в кото­
ром в качестве внутренней точки множества Ye берется у*.
Если оказывается, что у9 не принадлежит внутренности Ye, то
алгоритм-сепаратор формирует вектор отсечения ps, при этом ре­
кордный вектор у* остается без изменений y«+i = у*, так что те­
перь вектор у$_ц предпочтительнее, чем все векторы из Y, не при­
* Под текущим локализатором Locs понимается сформированное в ходе пре­
дыдущих б — 1 итераций выпуклое тело, в котором находится искомое опти­
мальное решение х*.

70
надлежащие локализатору LocS4 i = Locs П Г+ (ys). Если же
Л ___

оказывается, что ys £ int Ye, то к процедуре привлекается ЛПР,


который сообщает вектор отсечения р, и, сравнивая векторы у ,
и ys, выбирает из них более предпочтительный, который и запоми­
нается в качестве у’+ь
У.+1 > У « . ys+x > ys-
Отметим, что и в этом случае вектор y*+i предпочтительнее,
чем все векторы из множества достижимых оценок Y, не принадле­
жащие локализатору Locs-|-i, получаемому из Locs, отбрасывани­
ем той части, которая содержится в полупространстве П- (ys).
В любом случае, проводилось ли отсечение с помощью алго­
ритма-сепаратора или же с привлечением ЛПР, соотношение (2.4.14)
будет выполнено на (s + 2)-й итерации.
Далее в новый локализатор Locs+i опять вписывается эллип­
соид максимального объема 3 s+i.
Обозначим через р, (Locs) — максимальный из объемов эллип­
соидов, содержащихся в выпуклом многогранном теле Locs. Как
показано в п. 2.3, справедливо неравенство
HL oCs-h ) ^ 0 889 (2.4.15)
и (Locs) ' '
При этом задача нахождения эллипсоида максимального объема,
вписанного в тело

Locs+i = (у € Я * |у € Я е, (у — у,)г P i > о, / = 1, 2, . . . , s},


представима в виде ЗВП с полиномиальной сложностью по размер­
ности пространства и линейной по числу ограничений, описываю­
щих тело Locs+i, оценкой числа вычислительных операций.
Положим
S = 6.64& In -j- (2.4.16)

Процедура продолжается 5 шагов, после чего производится


заключительный шаг, который состоит в том, что по сформирован­
ному к последней итерации рекордному вектору у* £ int Ye, пу­
тем решения системы линейных неравенств находится точка х ’г
и соответствующий ей вектор уе € Y такой, что J уе — yl | ^ е.
Эта пара [уё, хё1 и принимается в качестве искомого решения
задачи. Следующая теорема устанавливает корректность описанной
процедуры [11.
Теорема 2.5. Если > — сепарируемое отношение предпочтения,
то находимая за S шагов пара (уе, хё) является г-оптимальным
решением многокритериальной задачи ЛП вида (2.4.5) — (2.4.6).
Д о к а з а т е л ь с т в о . Необходимо показать, что вектор уё
е-доминирует любые векторы из Y. Разобьем множество Y на две
71
части; Y, — которая принадлежит локализатору Locs, т. е. Yx = Y f|
П Locs, и оставшуюся часть, т. е. Y2 = Y \ Yx. Назовем Yx и Ya
соответственно непросмотренной и просмотренной частями Y. До­
кажем сначала, что вектор у* е-доминирует любые векторы из Y2.
Вектор у* по соотношению (2.4.14) предпочтительнее, чем любой
вектор из Ya = Y \ Locs, поскольку | у* — уЁ | < е, то уЁ е-
доминирует любой вектор из Ya.
Покажем теперь, что уЁ е-доминирует любой вектор из непро­
смотренной части Yx. Рассмотрим е-окрестность точки у — парал­
лелепипед
Г . = {?€#* II У - У 1 < е } . (2.4.17)
На основании неравенства (2.4.15) и с учетом (2.4.16) нетрудно до­
казать, что
p (7 'e) > p ( L o c s), (2.4.18)
где ц (Те) — максимальный из объемов эллипсоидов, содержащих­
ся в параллелепипеде Те. Очевидно, что е-окрестность точки у £ Y
целиком принадлежит Yf и алгоритм-сепаратор мог проводить отсе­
чения лишь граничных точек множества Те. С другой стороны, в
силу соотношения (2.4.18) и того, что у £ Loc3, внутренность множе­
ства Тв \ Loc, непуста.
Следовательно, в множестве int (Tg \ Locs) существует точка у,
отсеченная на некоторой итерации Sq (sq ^ S), в силу того, что
у £ int Ye. Эта точка могла быть только полупространством П- (ySo).
Поэтому уЁ > у и в силу того, что |у — у | ^ е и | у* — ys | <1 е
справедливо уЁ ^ у для всех у £ Y.
Теорема 2.5 доказана.

СПИСОК ИСПОЛЬЗОВАННОЙ И РЕКОМЕНД УЕМОЙ ЛИТЕРАТУРЫ

1. Алексеев А . В., Хачиян Л . Г., Эрлих И. И. Метод вписанных эллипсоидов в


многокритериальных задачах выбора : Сб. тр. ВНИИ—ПАС.— 1987.—
Вып. 5.
2. Тарасов С. П .а Хачиян Л . Г ., Эрлих И. И . Метод вписанных эллипсоидов//
Докл. АН С С С Р .- 1988.— Т. 298, № 5.
3. Тарасов С. Я ., Хачиян Л . Г., Эрлих И И. Нахождение эллипсоида минималь­
ного объема покрывающего заданную систему точек // Методы и средства авто­
матизации проектирования.— М. : ВНИИ ПАС.— Вып. 2.— 1986.
4. Хачиян Л. Г. Полиномиальный алгоритм в линейном программировании //
Докл. АН СССР.— 244, № 5.— 1979.
5. Черноусько Ф. Л. Гарантированные оценки неопределенностей с помощью эл­
липсоидов // Изв. АН СССР. Техническая кибернетика.— 1980.— № 3.
6. Шор Н. 3 . Метод отсечения с растяжением пространства для решения задач
выпуклого программирования// Кибернетика.— 1977.— № 1.
7. Юдин Д . Б ., Немировский С. А . Информационная сложность и эффективные ме­
тоды решения выпуклых экстремальных задач // Экономика и математиче­
ские методы.— 1976.— Т. XII, Вып. 2.
8. Юдин Д . Б . Обобщенное математическое программирование // Экономика и
математические методы,— 1984.— Т, XX, Вып. U

72
Глава 3
ОБЩАЯ ЗАДАЧА НЕЧЕТКОГО МАТЕМАТИЧЕСКОГО
ПРОГРАММИРОВАНИЯ

Многие современные задачи принятия решений в планировании


производства и проектирования характеризуются наличием не­
достоверных или неопределенных факторов. Такие ситуации отра­
жают объективную недостаточную информированность лица, при­
нимающего решения (ЛПР), о возможных количественных значе­
ниях этих факторов, а сам процесс принятия решений базируется
на некоторых субъективных суждениях ЛПР, отражающих его
собственный опыт как эксперта. Подобные задачи называются зада­
чами принятия решений при нечеткой информации [51, и модели при­
нятия решения в этих условиях базируются на аппарате нечетких
множеств Заде [2, 3].
Рассмотрим классификацию моделей принятия решений при не­
четкой информации [4].
1. По характеру описания предпочтений можно выделить:
модели нечеткого математического программирования (НМП);
модели нечетких отношений предпочтения на множестве допус­
тимых ал ьтер натив;
модели нечеткой ожидаемой полезности;
лингвистические модели принятия решений, основанные на не­
четкой логике с лингвистическими значениями истинности.
2. По числу используемых критериев — однокритериальные
и многокритериальные модели.
3. По числу ЛПР выделяют модели индивидуальных и коллек­
тивных решений.
4. По числу этапов модели принятия решений делятся на одно­
этапные и многоэтапные.
В случае, если модель принятия решений (ПР) задана в виде
целевой функции и ограничений, а нечеткость проявляется в форме
нечеткости параметров этих функций или в виде исходного нечет­
кого множества допустимых альтернатив, то мы приходим к задаче
нечеткого математического программирования (НМП).

3.1. КЛАССИФИКАЦИЯ ЗАДАЧ НЕЧЕТКОГО МАТЕМАТИЧЕСКОГО


ПРОГРАММИРОВАНИЯ

В зависимости от формы задания нечеткости, которая может


проявляться в нечеткости самих ограничений и целевой функции
(ц. ф.), существуют различные типы задач НМП. Перечислим неко­
торые типичные кл ссы задач НМП [1, 3].
Задача I. Максимизация заданной обычной функции / (х) на
заданном нечетком множестве допустимых альтернатив X.
Для решения этой задачи предлагается произвести нормировку
функции / (*) следующим образом:
73
переходим к функции
fix) = _______
1 КХ) s u p / (X) 9

причем f (х) рассматривается как функция принадлежности нечет­


кого множества цели ЛПР. Значение этой функции рассматривается
как степень достижения цели при выборе альтернативы х £ X.
Это позволяет применить к решению указанной задачи подход Велл­
мана— Заде [11, состоящий в следующем.
Требуется найти такую альтернативу х 9для которой достигается
шах min (fxc (x), /(*)}.
X
Можно поверить, что задачу отыскания такой альтернативы можно
сформулировать следующим образом:
найти
шах f( x ) ^ K х$Х. (3.1.1)
Задача II. Нечеткий вариант стандартной задачи математиче­
ского программирования.
Пусть задана следующая задача математического программиро­
вания:
наьти
max /(*), <p(v)<0, х £ Х . (3.1.2)
Нечеткий вариант этой задачи получается, если смягчить огра­
ничения, т. е. допустить возможность их нарушения с той или
иной степенью. Кроме того, вместо максимизации функции f(x)
можно стремиться к достижению некоторого заданного значения z0
этой функции причем различным отклонением значений / (х) от
г0 следует приписывать различные степени допустимости. Задачу
при этом можно записать так:
о> ‘P M . S 0’ х £ Х ’ (3.1.3)
где знак ~~ свидетельствует о нечеткости соответствующих нера­
венств. Один из возможных подходов к формализации подобных
нечетко сформулированных задач состоит в следующем. Пусть
Zo — заданная величина ц. ф. / (х), достижение которой считается
достаточным для выполнения цели принятия решений, и пусть
ЛПР задает два порога а и Ъ такие, что неравенства f (х) •< г0 —
— а и ср (х) > Ъ означают сильное нарушение соответствующих
неравенств / (х) > z0 и ф (х) 0. Можно тогда ввести следующие
нечеткие, множества цели и ограничений:
а) цели
0, если f (х) ^ г0 — а;
рс (*) = р (х, а), если г0 — а < / (х) < г0; (3.1.4)
1, если / ( х ) > г 0;
б) ограничений
0, если ф (x)^sb;
рс (х) = V (х, V), если 0 < ф (х) < Ь; (3.1.5)
1, если ф ( х) ^ 0 ,
где ц и v — некоторые функции: X [0, 1], описывающие степень
выполнения соответствующих неравенств с точки зрения ЛПР.
В результате исходная задача оказывается сформулированной в
форме задачи выполнения нечетко определенной цели и к ней при­
меним подход Веллмана — Заде.
Задача III. Нечетко описана максимизируемая функция, т. е.
задано отображение р./: X х R1 [0, 1], где X — универсальное
множество альтернатив; R1 — числовая ось.
В этом случае функция рф (х0, г) при каждом фиксированном х
представляет собой нечеткое описание оценки результата выбора
альтернативы х0 — нечеткую оценку альтернативы х0. Задано так-
же нечеткое множество допустимых альтернатив ре : X —•- [0, 1].
К такой постановке сводится весьма широкий класс задач НМП.
1 Задача IV. Заданы обычная максимизируемая функция f (х)
и система ограничений ф,- (х) ^ bh i — 1, m, причем параметры
в описаниях функций ф,- (х) заданы в форме нечетких множеств.
Например, в линейном случае функции ф* (х) имеют вид

ф< (х) = £ а ц х,<-bh i= l,m , ( 3 . 1. 6)


/=1
а каждый параметр Щ} и Ь{ описан соответствующими множествами
с функциями принадлежности \iif (at/), v{ (bi).
Указанный класс задач может быть сведен к задачам типа I
или И.
Задача V. Функции f (х), ср,- (х) определены с точностью до не­
четко определенных параметров этих функций, которые являются
элементами нечетких множеств. Этот класс задач может быть све­
ден к задачам типа III.
Таким образом, класс задач V является наиболее общим классом
задач НМП. При этом теоретические результаты базируются на
аппарате нечетких множеств и отношений, в частности нечетких
отношений предпочтения и нечетких множеств недоминируемых
альтернатив, которые рассмотрены в [1, 3].
3.2. ОБОБЩЕНИЕ НЕЧЕТКОГО ОТНОШЕНИЯ НА КЛАСС
НЕЧЕТКИХ МНОЖЕСТВ

Построение обобщенного отношения


Пусть на универсальном множестве Y задано нечеткое отноше­
ние предпочтения (н. о. п.) R с функцией принадлежности
Y X Y [0, 1]. Пусть У — класс всех нечетких подмножеств
множества Y , т. е. класс всех функций вида v i Y [0, 1].
75
Сформулируем следующую задачу: определить, какое нечеткое
отношение предпочтения индуцирует на класс У исходное н. о. п. R.
Для решения этой задачи воспользуемся принципом обобщения,
который был предложен Л. Заде. В его основе лежит определение
образа нечеткого множества при обычном (т. е. четком) отображении.
Пусть ф: X -*• Y — заданное отображение и пусть А — негвторое
нечеткое подмножество множества X с функцией принадлежности
ца (х). В соответствии с принципом обобщения образ А при отобра­
жении ф определяется как нечеткое подмножество множества X ,
представляющее собой совокупность пар вида
(У, Ив (У)) = (ф (*); М х ) ) , х £ Х , (3.2.1)
где рв (у) : Y [0, 1] — функция принадлежности образа. Легко
понять, что функцию принадлежности рв можно записать в виде
р в ( у ) = sup на (х), y £ Y , (3.2.2)
*€ф~1(у)
где множество qr-1 (у) для любого фиксированного у £ У имеет
вид
ф-1 ( у ) = (лгI ф (лг) = у, х £ Х } ,
т. е. представляет собой множество всех элементов х £ X, обра­
зом каждого из которых при отображении ср является элемент у .
Применим теперь принцип обобщения в форме (3.2.1) для расши­
рения области определения нечеткого отображения [3].
Нечеткое отображение можно описать как отображение, при ко­
тором каждому элементу х £ X ставится в соответствие не кон­
кретный элемент множества Y , а в общем случае нечеткое подмно­
жество множества Y . Нечеткое отображение описывается функцией
вида рф: X X Y [О, 11, так что функция рф (х0, у) (т. е. при фик­
сированном х = х0) есть функция принадлежности нечеткого мно­
жества в Y, представляющего собой нечеткий образ элемента х0
при данном отображении. Например, в случае управляемой систе­
мы нечеткое множество рф (х0, у) можно трактовать как нечеткое
описание реакции этой системы на управление х0.
Итак, пусть рф : X X Y [0, 11 — заданное нечеткое отобра­
жение и \iA (х) — заданное нечеткое множество в X. Если приме­
нить принцип обобщения в форме (3.2.1) для нахождения образа
этого нечеткого множества при отображении рф, то получим совокуп­
ность пар вида: {рф (х, у ), \лА (х)}, х £ X, где рф (х, у) при каждом
фиксированном х £ X представляет собой нечеткое подмножество
множества Y. В результате получаем, что образ нечеткого множе­
ства А в данном случае представляет весьма сложный объект — не­
четкий подкласс класса всех нечетких подмножеств множества Y.
Использование подобных объектов при анализе реальных систем
весьма затруднительно.
Поэтому С. А. Орловским предложен принцип обобщения в иной
форме — в его основе лежит следующее определение образа не­
четкого множества при нечетком отображении [31.
76
Определение 3.1. Образом В нечеткого множества А в X при
нечетком отображении рф : X X У ->■ [О, 1] называется нечеткое
множество (В ) с функцией принадлежности вида
Рв(*/) = sup min {рл (х), Р ф (х, У)}. (3.2.3)
ЛГ€Х
Легко заметить, что в основе этого определения образа лежит
максиминное произведение (композиция) нечетких отношений рл
и рф [1].
Можно легко проверить, что в частном случае, когда рф— обыч­
ное (четкое) отображение вида cp: X ->■ У , т. е. рф (х, у) = 1 при
у = ср (х) и рф (х9 у) = 0 для остальных пар (х, у)> определе­
ние 3.1 дает
IМ * /) = SUP 1м (х ), (3.2.4)
*€Ф

что соответствует приведенному определению образа при обычном


отображении, лежащему в основе принципа обобщения Заде.
Во многих случаях заданное нечеткое отображение рф может
зависеть от п переменных, т. е. иметь вид
рф: X х Y -> [0, 1],
где X = Х х X Х 2 X . . . X Хп — декартово произведение.
Пусть во множестве X задано нечеткое подмножество р а - В об­
щем случае его функция принадлежности задается так:
Рa (Xj_, • • • > xn) = min {pj (Xj), Р2 (Х2)> • • • * Рл(Хл)>
v(x1? x2, . . . , x„)}, (3.2.5)
где p, (xt) i = 1, /г и v — заданные нечеткие подмножества соот­
ветствующих множеств Х {9 i = 1 ,2 , ..., п и X. Применив в этом
случае принцип обобщения в форме (3.2.3), получим следующее вы­
ражение для функции принадлежности образа нечеткого множества:
Рв ( у ) = sup min {рх(хх), р2(х2), , рл (хл), v(xv х2, , хл),
* ... *я
Р ф ( х 1? х2, . . . , хп), У }• (3.2.6)

Обобщенное нечеткое отношение предпочтения


Используем введенный принцип обобщения для решения зада­
чи, сформулированной в п. 3.2.
Нетрудно понять, что заданное на множестве У н. о. п. R мож­
но рассматривать как нечеткое отображение Y У . Образ любого
элемента у0 £ Y при этом отображении есть нечеткое подмноже­
ство множества Y с функцией принадлежности ря (у0, у). Иными сло­
вами, функция ря (у0, у) описывает нечеткое множество R (у0)
элементов у £ У, связанных с у0 отношением R , т. е. таких у £ Y f
что y°Ry.
Пусть v: Y -*• [0, 1] — некоторое нечеткое подмножество мно­
жества Y. Тогда согласно принципу обобщения образ v при нечет­
77
ком отображении р* есть нечеткое подмножество Y с функцией
принадлежности вида [31:
ЛО*. у) = supmin (v(z), p«(z, у)}. (3.2.7)

Нетрудно понять, что эта функция л описывает обобщение ис­


ходного н. о. п. R на множество y x Y . Иными словами, для фиксиро-
ванного v0 <:2/ функция т) (v0, у)
описывает нечеткое множество
элементов Y, связанных с v0 обоб­
щенным отношением R', т. е. та­
ких у £ У, что v0R'y. Следова­
тельно, величина rj (v0, у) есть
степень, с которой нечеткое мно­
жество v0 предпочтительнее эле­
мента у. Рассуждая аналогичным
образом, получаем, что
Л (У, v0) = sup min {v (г), рл (у, г)} (3.2.8)
z£Y

есть степень обратного предпочтения у > v0. Продолжим процесс


обобщения исходного н. о. п.
Рассмотрим полученную функцию г) в (3.2.7) как нечеткое отоб­
ражение У -*■ У , где У — класс всех нечетких подклассов класса
У. И пусть v0 — произвольный элемент?/. Согласно принципу обоб­
щения образом v0 при нечетком отображении т] является нечеткий
подкласс класса У с функцией принадлежности

t) ( v , v0) = sup min [v0(p), tj(v , y)}, (3.2.9)


причем его можно понимать как подкласс нечетких подмножеств
в Y таких, что v v0.
Из (3.2.7) и (3.2.9) получаем следующее выражение для функции
принадлежности обобщенного отношения предпочтения [3]:
Л К , va) = supmin {vx(f/), sup[v2(z), p*(y, z)]} =
v€Y z€Y
= supmin {vx (y), v2(z), р*(«/. г)}. (3.2.10)
z.y€Y

Аналогичным образом можно прийти к выводу о том, что обрат­


ное предпочтение (v2 ^ vx) выполняется со степенью, равной вели­
чине
Л К , vx) = sup {vx (у), v2(z); pR(2, у)). (3.2.11)
z.yZY

Пример 3.1. Пусть Y — числовая ось и н. о. п. — есте­


ственный порядок ( » на Y. Тогда равенства (3.2.7), (3.2.8) запишутся
78
в виде
Л (v, t/)= su p v (2); (3.2.12)
z,y€ Y t
z^ y .
r)(t/, г) = sup v(z). (3.2.13)
z .y S Y ,
y>z.
Пусть нечеткое множество v имеет вид, показанный на рис. 3.1.
Пользуясь (3.2.12) и (3.2.13), получаем
11(V, г/i) = л ( у 2. V) и ti(v, г/2) = v) — 0.7.
Заметим, что из определений эк- Таблица 3.1
вивалентности и строгого порядка,
приведенных в гл. 6 [11, получаем: X *1 *2 хз
v эквивалентно уг со степенью
0.7; 0.3 0.7 1
v строго лучше уг со степенью Ил (*)
0.3;
v эквивалентно у2 со степенью 0.7;
у2 строго лучше v со степенью 0.3.
Пример 3.2. Пусть X = {х19 х 2, х3} — нечеткое множество А
в X имеет функцию принадлежности \ia (х), задаваемую в табл. 3.1,
а нечеткое отношение R имеет функцию принадлежности р^ (х ,
У): X X Y [0, 11 (табл. 3.2).
Таблица 3.2

Уг У2 Уя УА Уь

И* (*> У) =
*1 0.8 1 0 0.3 0.7
*2 0.8 0.3 0.8 0.4 0.7
*3 0.2 0.3 0 0.2 1

Найти образ В нечеткого множества А в Y, индуцируемый отоб­


ражением R.
Р е ш е н и е . Согласно (3.2.3) найдем функцию принадлежнос­
ти нечеткого множества
Рв (у) = sup min {рл (*), ря (х, у)}.
хех
Проведем операцию взятия min для всех элементов строки
рл (х) табл. 3.1 и столбца ух табл. 3.2. Это дает:
Г*
' 0 .8 ' 0.3 А 0.8
[0.3 0.7 1]Д 0.8 = 0.7 А 0.8
0.2 1 А 0.2
После выполнения операции максимизации на элементах получен­
ного столбца имеем
max {0.3; 0.7; 0.2} = 0.7.
79
Таким образом;
M </i) = 0.7.
Проделав то же самое со строкой рл (х) и остальными столбца­
ми (у2, уа, yit уъ) табл. 3.2, получим
Рв (у 2) = 0.3; рв (г/3) = 0.7; рв (г/4) = 0-4; рв (уъ) = 1.
Пример 3.3. Рассмотрим случай, когда универсальное множе­
ство X — непрерывно. Пусть X = R+, нечеткое множество А в X

6
задано в виде А = {х\ рл (*) = е~к'х, > 0}. Нечеткое отношение
R: X X Y -*■ [0, 1] имеет функцию принадлежности ря (х , у) =
= e -k‘ix-y \ k2 > 0 при/г2 > (функции рл (х) и pR (х, у) приведе­
ны на рис. 3.2, а, б).
Требуется найти образ В в Y, индуцируемый нечетким отноше­
нием R.
Р е ш е н и е . Согласно (3.2.7) рв (у) = sup min (рл (х), ря (х,
х£Х
У)}-
Определим минимум по х для. рл (х) (рис. 3.2, а, б). Эти кривые
пересекаются в двух точках:
а) условие e-ft>* = е~;к^у~х> при 0 ^ х дает точку х =
_ ki
- kx + kt У'
б) условие е- *** = е~к^ ~ х), при х ^ у, дает точку х = ^ У'
На рис. 3.2, в выделена кривая
р (х, у) = рл (*) П Рл (х , у),
80
максимум которой достигается при X =
^1 + *1 У•
Таким образом,

Рв (у) = е
Пример 3.4. Пусть нечеткое множество v на У = задано
функцией принадлежности v (z) = е—**i2_5i, где z £ У, kx > 0,
и введено на У X У четкое отношение порядка ф (г, у) = z > у ,
где z, у £ Y.
Найти образ В множества v в У,
индуцируемый отношением ф (г, у):
Л (v, (/) = sup{v(z)}.
z,y€Y
Z^y
Рассмотрим два интервала: 0^
< У < 5, у > 5.
а) для 0 < у < 5:
sup {е—*1,z—5|} = 1 при г = 5;
z,y
г>у
б) для у > 5:
sup {e” *1,z” 51} = е” *1<у“ б), т. е. достигается при z = у.
г,у
z^y
Итак, получим
1, при 0 ^ у ^ 5;
T](v, у) = е —fe,|y—51
при у > 5 .
Пример 3.5. Пусть заданы два нечетких множества vx и v2 на
Y = R+ с функциями принадлежности vx (у) = e~ft^, ftx >• 0,
и v2 (z) = e- **1*-5', где k2 > 0 и fe2 > &х. Пусть R £ У x У —
четкое отношение нестрогого порядка z > г/, т. е.
, . [1, если г > г /;
P«(z, у) = .
[О в противном случае.
Найти функцию принадлежности обобщенного н. о. п. rj (vx, v2),
индуцируемого исходным отношением R и vx, v2.
В соответствии с соотношением (3.2.10)
Л К , v2) = sup min (vx (у), v2 (z), p«(z, y)} =*
z.yZY

= sup min (vx(i/), v2(z)}.


z .y iY
z^y
Рассмотрим кривые vx (у) и v2 (z) (рис. 3.3) и найдем точку их
пересечения.
Имеем кгу — k2 \ z — 51. Найдем левую точку пересечения
(* < 5 ):
kxy = k2 (5 — z), kxy = bk2 — k2z
81
или
— Ь\У -f~ .
k2
точка пересечения кривых определяется при у = г1 = 5А?2
^2
6k
Итак, на интервале 0 < у < обобщенное н. о. п.
*"Р«2
bktkt
Л К , v2) = е~М5- г) = е
на интервале -г-^ т - <. у <. z2 = , где z2 — вторая (правая)
«1 “Г «2 «1

точка пересечения кривых vx(y) и v2(z):


ЛК , V2) = е к,у;
на интервале у ^ г2:
Л К , v2) = е_М5_й.

Некоторые свойства индуцированного отношения


предпочтения

Рассмотрим некоторые свойства введенного отношения н. о. п.,


которые определяются свойствами исходного н. о. п. \iR и классом
нечетких множеств, на котором оно рассматривается.
Теорема 3.1. Если н. о. п. \iR на Y рефлексивно, то и индуци­
рованное им н. о. п. г] рефлексивно на классе всех нормальных нечет­
ких подмножеств множества Y.
Доказательство. Если v £ Y нормально, т. е.
sup v (у) = 1, то из (3.2.10) получим

r](v, v) = sup min {v(у), v(z), \iR(y, z)} >
z.y€Y

> s u p m in {v(г/), v(t/)} = supv(«/) = 1. (3.2.14)


y<=Y y£Y

Но поскольку г] (v, v) ^ 1 при любом v £ У, то отсюда заключаем,


что г] (v, v) = 1. Теорема доказана.
В следующих теоремах исследуется вопрос о линейности н. о. п.
[31.
Теорема 3.2. Если н . о. /г. р* на Y сильно линейно, то и индуци­
рованное им н. о. п. г] также сильно линейно на классе всех нормаль­
ных нечетких подмножеств множества Y.
Теорема 3.3. Если н. о. /г. р# на Y Х-линейно (X ^ 0), то и инду­
цированное им н. о. п. к) также Х-линейно на классе всех нечетких
подмножеств множества Y, обладающих свойством sup v (у) > X.
y£Y
Доказательство этих теорем приводится в [31.
Таким образом, свойство линейности исходного н. о. п. перено­
сится на индуцированное им н. о. п. г] на классе соответствующих
нечетких подмножеств множества Y .
82
Напомним, что нечеткое отношение ря на X называется ^-ли­
нейным, если его функция принадлежности удовлетворяет условию
[ 1; 3 ]
max (р я (*> У)> №(У> *)} > ^ (3.2.15)
при любых х, у £ X.
Нечеткое отношение называется сильно линейным, если его функ­
ция принадлежности удовлетворяет условию
шах {ря (*> у ), ря(*Л *)} = 1 (3.2.16)
при любых x t у £ X.
Заметим, что из транзитивности н. о. п. ря, вообще говоря, не вы­
текает транзитивность индуцированного н. о. п. г) [31.

3.3. НЕДОМИНИРУЕМЫЕ АЛЬТЕРНАТИВЫ В ОБЩЕЙ ЗАДАЧЕ НМП

Рассмотрим теперь в общем виде задачу нечеткого математиче­


ского программирования (НМП) и сведем ее к задаче принятия ре­
шений при нечетком отношении предпочтения [31.
Формально общая задача НМП формулируется следующим об­
разом.
Пусть X — универсальное множество альтернатив и рл :
:X [0, 1 ]— заданное нечеткое подмножество допустимых аль­
тернатив. Пусть Y — универсальное множество оценок результа­
тов альтернатив из множества X и ря * У X Y -*■ [О, 11 — заданное
на множестве Y н. о. п. Выборы альтернатив оцениваются нечетки­
ми значениями заданной нечеткой функции цели q> : X X Y -►
— [0,1].
Задача заключается в рациональном выборе альтернатив на
основе информации, заданной в вышеописанной форме.
При анализе этой задачи будем считать для простоты, что мно­
жество допустимых альтернатив описано четко, и обозначим его
символом X.
Для решения поставленной задачи построим на множестве X
н. о. п. индуцированное исходным н. о. п. ря и нечеткой функцией
цели ф, а затем выделим в нем нечеткое подмножество недоминиру­
емых альтернатив.
Любой альтернативе х° заданная функция ф ставит в соответст­
вие нечеткую оценку этой альтернативы в форме нечеткого под­
множества ф (х°, у) оценок Y. Пусть г] — н. о. п., индуцированное
исходным отношением н. о. п. на классе У всех нечетких под­
множеств множества Y .
Пользуясь этим отношением, можно сравнивать по предпочте­
нию нечеткие оценки альтернатив, а следовательно, и сами альтер­
нативы.
Иными словами, степенью предпочтения альтернативы хг £
£ X альтернативе х2 £ X мы будем считать степень предпочтения
нечеткой оценки ф (х19 у) нечеткой оценке ф (х2, у ), т. е. положим
T)(*i> *2) = 11(ф(*1> у), ф(х2, у)),
83
где ф (xj, у) и ф (х2, у) — соответствующие хг и х2 нечеткие под­
множества (оценки) множества Y.
Используя определение н. о. п. г) (см. п. 3.2), получаем н. о. п.
г] на множестве альтернатив следующего вида:
т)(*1. *2) = sUPmin {ф (atj, г), ф ( х 2 , г ), р*(г, у)}. (3.3.1)
z,y£Y

Заметим, что в аналогичной задаче с четко описанной ц. ф. f : X ^ Y


определение (3.3.1) сведется к обычному отношению предпочтения:
*1 > (*2)-
Действительно, в этом случае
|1 при f{x) = y\
ф(*> и) =
[О в противном случае;
П при z > y ;
Цл(2, У) =
[О в остальных случаях,
а равенство (3.3.1) принимает вид
(1 при f (хх) > f (х2);
Л(Х1, х2) =
О в остальных случаях.
Нетрудно убедиться в том, что если функция ср обладает свой­
ством нормальности sup Ф (*, у) = 1, то н. о. п. г) — рефлексивно,
т. е. г\ (х, х ) = 1 при у любом х £ X. Выделим теперь в множестве
(X, г]) нечеткое подмножество недоминируемых альтернатив [31.
Согласно определению, приведенному в [31, оно задается так:
Лн'д(*) = 1 — sup[r|(x', х) — т|(х, х % (3.3.2)
Откуда из (3.3.1) получаем
ЛН'ДМ = 1 — sup [supm in {ф ( * ' , г), ф(х, у), jx*(z, у ) } —
х'(=Х г , у е г

— s u p m in ^ ( x ', г); ф(дг, у ); \iR(y, *)}]. (3.3.3)


z,y$Y
Рассмотрим более простую (но практически весьма важную)
задачу, когда множество оценок Y — числовая ось. В этом случае
выражение (3.3.1) принимает вид
Т](*1, х2) —• sup min {ф (xv г), ф(х2, у)}, (3.3.4)
z,y£Y
z^y
а решением соответствующей задачи НМП является нечеткое под­
множество недоминируемых альтернатив вида
Г1НД(дг) = min{ri4 A(x), ri(x, *)},
где
Ян,д(*) = 1 — sup [sup min {ф(х', z), ф (.х , у)) —
х'£ Х z^ y

— supmin {ф(х, г), ф (х \ у)}]. (3.3.5)


г^ у

84
Величина t]h« (х) есть степень недоминируемости альтернативы
х [3]. Если Tf я (х) ^ а , то в множестве X нет ни одной альтерна­
тивы, которая бы доминировала альтернативу х со степенью боль­
шей, чем 1 — а.
Покажем, что для нахождения альтернативы, не доминируемой
со степенью, не меньшей, чем а , достаточно решить следующую
задачу НМП:
у-*-max, <р(х , # ) > а, х £ Х , у £Y. (3.3.6)
Теорема 3.4. Пусть нечеткая функция цели <р : X X X —у [0, 1]
такова, что sup <р (х, у) а при любом х £ X, и пусть г) — н.о. п.
на X, индуцированное естественным порядком ( ! » на числовой оси
оценок Y и функцией ср. Если (х°, у0) — решение задачи (3.3.6),
то г]нд (х°) > а , где т]нд (х) — нечеткое множество недоминиру­
емых альтернатив во множестве (X, л).
Доказательство. Пусть пара (х°, у0) £ X X Y —
решение задачи (3.3.6). Тогда, как следует из (3.3.5), для доказа­
тельства теоремы 3.4 достаточно показать, что
sup [sup min {ф (х'у z), ф(х°, у)} — sup min {cp(x°, z), ф(х', i/)}] <
x'£ X z ^ y z^ y

^ 1 — a.
Допустим противное, т. e., найдутся такие х £ X и в > 0 , для ко­
торых
sup min {ф(х, z), ф(х°, у)} — sup min {ф(х°, z), <p(,t, y)) >
z^ y z^y

> 1 —a + e . (3.3.7)
Выберем у £ Y так, что Ф (х, у) a — е (существование такого
у следует из предположений о функции ф в условиях теоремы).
Поскольку пара (х°, у0) — решение задачи (3.3.6), то у у и,
кроме того, ф (х°, у0) ^ а.
Отсюда получаем
sup min {ф(х°, z), ф(х, y ) } > a — е,
z> y

но тогда неравенство (3.3.7) невозможно, так как левое слагаемое


в его левой части не может превышать 1. Теорема доказана.
Из доказанной теоремы вытекает, что любые условия, достаточ­
ные для решения задачи (3.3.6), достаточны и для существования
соответствующих недоминируемых альтернатив в множестве.
В ча тности, справедлива следующая теорема [3].
Теорема 3.5. Если множества X и Y компактны, причем Y —
подмножество числовой оси, функция ф : X X F -> [0, 1] — полу­
непрерывна на произведении X X Y, sup ф (х, у) ^ а при любом
х £ X и г] — н. о. п. на Ху индуцированное естественным порядком
на Y и функцией ф, то во множестве (Ху г\) имеется, по крайней
мере, одна альтернатива х, для которой т)нд (х) ^ а.
85
8.4. ОБЩАЯ ЗАДАЧА НМП

Введение
Рассмотрим задачи НМП, которые описываются моделями IV
и V согласно классификации, приведенной в п. 3.1.
С этой целью рассмотрим в качестве примера следующую прак­
тическую задачу распределения воды для полива [31.
Допустим, что на землях общей площадью X требуется размес­
тить посевы п культур. Урожайность /-й культуры обозначим через
Cj, так что если под культуру / отведена площадь посевов ху, то
полный урожай этой культуры будет равен с/х/. Для обеспечения
урожайности земли, отведенные под культуру /, необходимо оро­
шать. Пусть для орошения единицы площади земли, занятой под
культуру /, требуется Wj единиц объема воды (за весь период роста
культуры).
Таким образом, для орошения земель площадью X/ требуется
WjXj единиц объема воды. Величину w, называют нормой полива.
Полное количество воды, которое можно использовать для ороше­
ния всех культур, обозначим W. Наконец, пусть р, — доход от
реализации на рынке единицы урожая культуры /, / = 1, п. Задача
заключается в том, чтобы определить распределение земель общей
площадью V под п культур, обеспечивающее по возможности боль­
ший доход от реализации урожая на рынке при ограничении
общего количества воды для орошения.
Математически эта задача записывается так.
Задача I. Максимизировать

£ Picix<
/= 1
при ограничениях

£ w ,xi^W 9
/-1 м
х /^ 0 .
Рассмотрим более подробно параметры этой задачи cf и wf.
Ясно, что величины этих параметров зависят от многих факторов
реального процесса. Например, урожайность зависит от таких
факторов, как наличие в почве тех или иных питательных веществ,
технологии ее обработки и сроков внесения удобрений и т. д. Как
правило, соответствующие функциональные зависимости, связы­
вающие эти случайные факторы с параметрами задачи, не известны
и не могут быть в явном виде введены в модель.
С другой стороны, модель с фиксированными значениями пара­
метров может оказаться слишком «грубой», так как часто эти зна­
чения выбираются весьма произвольно. На самом деле необходимо
учитывать, по крайней мере, тот факт, что известными бывают не
фиксированные значения параметров, а множества их возможных
86
значений (т. е. интервалы). В результате мы от задачи 1 переходим
к следующему ее варианту.
Задача II. Требуется определить рациональное распределение
земель общей площадью V под посевы л культур, при котором до­
ход от распределения X = {xlt х2, .... хп) вида

S Picixl
/=1
должен быть максимизирован при следующих ограничениях:

£ хр > ,№

2 X, < V, х, > 0, / = Т7п,


/=1
где с/ — множество возможных значений урожайности культуры
/; wj, / = 1, п — множество возможных значений норм полива;
W — множество значений имеющегося полного количества воды
для полива.
Задачу такого типа можно назвать задачей ЛП с множественно­
значными коэффициентами. Ясно, что в рамках этой задачи не имеет
смысла говорить о максимизации ц. ф., поскольку значения этой
функции — не числа, а множества чисел. В этом случае необходи­
мо выяснить, какое отношение предпочтения во множестве альтер­
натив порождает эта функция, а затем определить, какие выборы
считать рациональными в смысле этого отношения предпочтения.
Следующим этапом на пути уточнения рассматриваемой здесь
модели является описание параметров задачи в форме нечетких
множеств. С этой целью, кроме задания множеств возможных па­
раметров, в модель вводится дополнительная информация в виде
функций принадлежности этих нечетких множеств. Эти функции
можно рассматривать как способ приближенного отражения экспер­
том имеющегося у него неформализованного представления о реаль­
ной величине .данного параметра. Значения функций принадлеж­
ности (ф. п.) суть весовые коэффициенты, которые эксперты при*
писывают различным возможным значениям этого параметра.
После такого уточнения мы приходим к следующей постановке
задачи НМП [3].
Задана максимизируемая линейная форма вида
2г=1с!х1> (3.4.1)
в которой значения коэффициентов с/ описаны нечетко в форме
нечетких подмножеств соответствующих универсальных множеств,
т. е. заданы ф. п. р/ (с/), j = 1, п. Кроме того, заданы ограничения

2 ач*1 < 1= m> (3.4.2)


/= i
причем значения коэффициентов а*/ и bt описаны также в форме
87
нечетких подмножеств (а*/) и г\{ (Ьс). Требуется осуществить
рациональный выбор вектора X £ Rn, который в некотором смысле
максимизирует заданную нечетко линейную форму.

Формулировка задачи и сведение ее


к общей задаче НМП

Пусть X — универсальное множество альтернатив. Подмножест­


во допустимых альтернатив описывается неравенствами, вытекаю­
щими из (3.4.2):
^ (х, С1ц , CLi2, • • • , Q>im) ^ 0 , i = 1, 171, (3 .4 .3)
гдеф, — заданные функции х X Rm ->■ Z?1, aih i = 1, m, / = 1, n —
числовые параметры, значения которых описаны в форме нечетких
подмножеств числовой оси.
Пусть Vfj (aij) — заданные ф. п. этих нечетких множеств со­
ответственно.
Выборы альтернатив оцениваются значениями заданной функции
f : х X Rn R1 вида f (х, clt c2t ..., с„), в которой cl9 c2t ..., сп —
числовые параметры, значения которых описаны также нечетко в
форме нечетких подмножеств числовой оси. Пусть р/ (с,) — задан­
ные функции принадлежности этих нечетких множеств.
Для завершения формулировки задачи необходимо отыскать
отношение предпочтения в универсальном множестве оценок аль­
тернатив. В данном случае это универсальное множество представ­
ляет собой числовую ось R1 и будем считать, что исходное отношение
предпочтения представляет естественный порядок ^ на R1.
Сформулируем эту задачу в форме общей задачи НМП.
Рассмотрим сначала нечеткие ограничения (3.4.2) и построим
соответствующее им нечеткое подмножество допустимых альтер­
натив, функцию принадлежности которого будем обозначать \ic (х).
Пусть aify i = 1у т, j = 1, п — некоторые конкретные числовые
значения соответствующих параметров в ограничениях (3.4.2),
степени их принадлежности заданным нечетким множествам рав­
ны соответственно vif (a?/), i = 1, m, / = 1, /г.
Обозначим |i° минимальное из этих чисел, т. е.
И1" = min v,, (а?,).
ч
Если некоторая альтернатива х £ X удовлетворяет неравенствам
ф* (х, а°цу а%у ..., а?п) < 0, i = 1, m, то естественно считать, что
эта альтернатива принадлежит множеству допустимых альтернатив
со степенью, не меньшей р°, т. е. считать, что \хс (х) р°. Этим
и определяется множество допустимых альтернатив. Для удобства
записи его функции принадлежности введем следующие обозначе­
ния:
v (А) = min vn (ац)9 А = \\ац\\ i = 1, m, j = 1, л;
88
Я(х) = (A = * ||a < /|f= 1, m \tyt (х, ап, а{2, . . . , а ^ ) < 0 ,1 = 1,т)).
/ = 1, п
Получим
ре (х) = sup v (А). (3.4.4)
А€Р(х)
Каждой альтернативе функция ре (х) ставит в соответствие степень
ее допустимости с учетом исходной нечеткой информации.
Рассмотрим теперь нечетко заданную максимизируемую функ­
цию (3.4.3) и представим ее в виде нечеткой ц. ф. аналогично тому,
как это было выполнено для ограничений.
Пусть с°/, ) — 1,2, .... п — некоторые конкретные числовые зна­
чения параметров функции (3.4.3), степени их принадлежности за­
данным нечетким множествам равны соответственно X/ (су), / =** 1, га.
Пусть <р° — минимальное из них:
<р° = min X/ (су).

Пусть, наконец, х £ X — некоторая альтернатива, и число г° =


= / (х, си с®, ..., с”) представляет собой соответствующее альтерна­
тиве х и значениям параметров <С/}, / = 1, га, значение функции
(3.4.1).
Естественно считать, что это значение (число г°) принадлежит
нечеткой оценке альтернативы х со степенью, не меньшей <р°.
Отсюда получаем, что искомая нечеткая ц. ф. имеет вид
<р (х, г) = sup ф (с)
с € 0(х, г),

где X (с) = min X, (с,), с = [с1г с2, .... сп], Q (х, г) = {с | с £ Я",
/ (х, с) = г } .'
Окончательно получаем, что исходная задача с нечетко описанными
параметрами формулируется в виде следующей общей задачи
НМП [31:
максимизировать нечеткую функцию цели
Ф (х, г) = sup X (с) (3.4.5)
сеО(х./-
на нечетком множестве допустимых альтернатив вида
(х) = sup v (А). (3.4.6)
А€Р(х>
Следующий этап — это нахождение недоминируемых альтернатив
для сформулированной общей задачи НМЛ.

Недоминируемые альтернативы в общей задаче НМП


1. Рассмотрим сначала более простую задачу с нечеткой функ­
цией цели (3.4.5) и обычным (т. е. четко описанным) множеством
допустимых альтернатив, заданных неравенствами с точно извест­
ными значениями параметров а{/.

Функция ф (х, г) и естественный порядок Q^) на числовой оси
множества значений функции f индуцируют на множестве X н. о. п.
г] вида (см. п. 3.2):
Л(*1. хг) = sup min {ф (лгх, г), ф (х2, у)} =
z,y€R

= sup min { sup X(c); sup X(c)}. (3.4.7)


г>У c€Q(xt.r) c€Q(x,,r)

Пусть Т1НД (x) — соответствующее множество недоминируемых


альтернатив на множестве (X, г]). Выберем некоторое число а из
интервала 0 ^ а ^ 1 и рассмотрим задачу нахождения альтерна­
тивы, степень доминируемости которой не меньше а, т. е.
т)нд (х) > а.
Будем предполагать, что все исходные нечеткие множества
X/ (q) таковы, что sup X/ (cf) ^ а , / = 1, п.
ci
Покажем, что в этом случае функция (3.4.5) обладает свойством
sup ср(х, г) ^ а
r£Rt

при любом х £ Х . Допустим, что найдется х £ Х 9 для которого


sup ф (х, г) = d < а. (3.4.8)
г

Это означает (см. (3.4.5)), что при любом г £ R1 и любом с £ Q (х,


г) выполняется неравенство
X ( c ) < d < c t. (3.4.9)
Выберем произвольное число е из интервала 0 ^ е ^ а — d
и пусть С], } — 1, п, таковы, что

X, (cj) > 1 — е.
В результате получим
X(с) = minX, (с/) > 1 — е.
IsS/sSn

Вместе с тем для г = / (х, сх, ..., сп) выполнено условие с £ Q (х,
г). Однако в силу выбора в неравенство (3.4.9) не выполняется для
г £ Я1 и с £ Q (х, г), и, следовательно, не выполняется неравенство
(3.4.8).
Итак, если все заданные нечеткие множества X/ имеют уровень,
не меньший а , то выполнены все условия теоремы 3.5 и поэтому для
нахождения альтернатив, степень недоминируемости которых не
меньше а , в рассматриваемом случае достаточно решить следующую
задачу:
максимизировать г (3.4.10)
при условиях
Ф(х, г ) > а;
90
^ (Х , , @£2> • • • * flf/i) ^ 0, t 1, /Н,
r£R\ х£ X.
Предположим для простоты, что множество X — компактно, все
X/ (с/), / = 1, га — непрерывны на /?*, а функция / (х, clt с2, ..., с„)
также непрерывна на произведении X X R1. Нетрудно показать,
что в этих условиях задача (3.4.10) эквивалентна следующей зада­
че [31:
максимизировать
/(х , Ci, са, «•« , с,,) (3.4.11)
при ограничениях
X/ (с/) > а;
W{(x, Ьа, ап .......... а ; „ ) < 0, t = 1, /га.
Действительно, пусть пара (х°, г°) — решение задачи (3.4.10).
В принятых выше предположениях функция X (с) непрерывна на
Я", а множество Q (х, г) — замкнуто в R1. Пусть вектор с° £ Q (х,
г) такой, что X (с°) ^ а . Тогда по определению множества Q (х,
г) получаем / (х°, с?, Сг, .... с£) = г°. Допустим, что (х°, г°) не явля­
ется решением задачи (3.4.11), т. е. найдутся (х \ г1), удовлетворя­
ющие (3.4.11), такие, что f (х1, с}, с\, ..., с„) — г1 > г°. Это означает,
что а1 £ Q (х1, г1) и <р (х1, г1) > а , т. е. пара (х1, г1) удовлетворяет
ограничениям задачи (3.4.10). Но тогда не может быть г1 >• г°,
так как (х°, г°) — тоже решение задачи (3.4.10).
Аналогично можно показать, что любое решение задачи (3.4.11)
есть решение задачи (3.4.10).
2. Рассмотрим теперь задачу, в которой четко описаны парамет­
ры с/, / — 1, га максимизируемой функции и нечетко параметры
я</, i = 1, /га, / = 1, га ограничений (3.4.2). В этом случае нечеткое
множество альтернатив описывается функцией принадлежности ви­
да (3.4.4)
(х) = sup v (А),
А6Я(х)
где
А = | ац\ i = 1, т , / = ГТ- ^; v (А) = min v{j (а{/); 4 , 9\
<е./) (о.4.12)
Р ( х ) = {А = \ a t i b , i \ ^<(х, ап, . . . . а «п Х 0 , г = 1, т }.
Таким образом, данная задача представляет собой задачу мак­
симизации обычной функции / : X R} на нечетком множестве
\ic (х) (задача типа 1 согласно классификации приведенной в п. 3.1).
Выборы альтернативы в такой задаче оцениваются значениями
двух функций: эффективностью альтернативы в смысле значения
функции f и степенью ее допустимости (х). Иными словами, дан­
ная задача свелась к задаче принятия решений по двум критериям:
f (Х), |А, (X).
91
Нетрудно проверить, что четко. недоминируемыми (ч. н. д.)
альтернативами в рассматриваемом случае являются Парето-оп-
тимальные альтернативы для пары функций f (х) и рс (х).
Для нахождения таких альтернатив достаточно, например, най­
ти максимум свертки этих функций [3]
L (х) = / (х, сх, с2, • .. , Сд) (3.4.13)
где > О, А,2> 0 , X.j Я2 = 1.
Пользуясь выражением (3.4.4) для функции (х) с учетом сделан­
ных выше предположений, запишем функцию L (х) в виде

L (х) = max min {XJ (х, сх.......... с„) + %2vtl (ац), \ = L m


А€Р(х) ( ] = 1, П

где А и Р (х) задаются (3.4.12).


В результате задачу максимизации функций L (х) можно запи­
сать следующим образом:
найти
тахй (3.4.14)
при условиях
^<(х, аа , а{2, . . . . а < я )< 0, а ц ^ К 1, 1 = 1 , т, / = 1, п,
KJ (х, Ci, ся, . . . , с„) + Кя\{/ (ац) > k.
Любое решение х° £ X этой задачи ч. н. д. альтернатива * в ис­
ходной задаче.
Любая допустимая альтернатива, доставляющая максимум функ­
ции L (х) на множестве X, является Парето-оптимальной для функ­
ций / (х) и рс (х), а потому и ч. н. д.— альтернативой для исходной
задачи. Выбирая различные коэффициенты и Х2, можно получить
достаточное разнообразие ч. н. д. альтернатив.
3. Рассмотрим теперь общую задачу, в которой нечетко описа­
ны как параметры с/ функции /, так и параметры ац ограничений
(3.4.2).
Как показано выше, эту задачу можно записать в виде (3.4.5) —
(3.4.6).
Прежде всего заметим, что в данной задаче выбор альтернатив
должен осуществляться с учетом двух отношений: нечеткого, инду­
цированного функцией <р (х, г) (3.4.5), и четкого, индуцированного
функцией цс и естественным порядком на R 1.
Как было показано в. п. 3.2, функция q> (х, г) и естественный по­
рядок ( ! » на R 1 индуцируют на X нечеткое отношение предпочте­
ния (н. о. п.) вида
Л (хх, х2) = sup min {ф (хх, у), <р2(х2, г)}. (3.4.15)
у,г€Н'
Второе отношение предпочтения на X определяется тем, что бо­
лее предпочтительными являются альтернативы, имеющие боль­
* Альтернатива х° £ X является четко недоминируемой на множестве X, если
для нее степень недоминируемости т)н,д (х°) = 1 [3].

92
шую степень допустимости, т. е. которым соответствуют большие
значения функции \ic. Таким образом,
(1 при р* (хх) > (х2);
(3.4.16)
|о при (хх) < (х2).
Задачи такого типа рассматривались в [3], где была предложена
процедура построения нечеткого подмножества недоминируемых аль­
тернатив. В соответствии с ней требуется построить две свертки ис­
ходных н. о. п. %, г]2: их пересечение и взвешенную сумму.
Пересечение г\г и т)2 имеет вид:
л

% (хх, x2) = min{ri, (хх, х2); т]2(хх, х2)}, (3.4.17)


а взвешенная сумма при условии равенства коэффициентов важнос­
ти отношений г) и г)2
Ла (*1, х2) = [% (хх, х2) + г)2 (хх, х2)]. (3.4.18)

Пусть г|"'д (х) и т]"‘д (х) — нечеткие подмножества недоминиру­


емых альтернатив множеств (X, т]х) и (X, %) соответственно.
Тогда результирующее подмножество недоминируемых альтер­
натив имеет вид
Лнд(х) = min (л?-д (х); Л2НД(х)}. (3.4.19)
Функция принадлежности т]нд (х) служит основой для выбора
конкретных альтернатив в исходной общей задаче НМП.
В данной задаче, как и прежде, представляет интерес вопрос о
нахождении альтернатив х £ X, для которых пнд (х) > а , где
а £ [0, 1]. Однако для упрощения ниже мы рассмотрим сначала
задачу нахождения ч. н. д. альтернатив, т. е. таких х £ X, что
Т)н-Д (х) = 1 (т. е. случай а = 1).
Рассуждения для общего случая а < 1 во многом аналогичны
приведенным ниже.
Итак, рассмотрим задачу определения ч. н. д. альтернативы,
для которой
Т1НД(Х)= 1.
Из (3.4.19) получаем, что для этого необходимо и достаточно вы­
полнения условий

Л"Д (X) = 1 И Т)2 д (х) = 1.


Выясним сначала условия, при которых х есть ч. н. д. альтер­
натива во множестве (X, т^), т. е. г)У’д (х) = 1. ___
Если исходные нечеткие множества Xf (Cj), j = 1, п нормальные,
т. е. sup X, (cf) = 1, то, как показано выше (при а = 1), функция
<р (х, г) в (3.4.5) обладает свойством sup ф (х, г) = 1 при любом
r£R'
xgX.
93
Отсюда из теоремы 3.2 следует, что н. о. п. — сильно линейное
отношение.
Нетрудно видеть, что г)2 — тоже сильно линейное отношение.
✓ч
Однако их пересечение % этим свойством в общем случае не обла­
дает.
Пусть Хг'"'®' — подмножество всех ч. н. д. альтернатив множест­
ва (X, т]2), т. е. множество всех х° £ X, для которых равенство
т]2 (х°, х) = 1 выполняется при любом х £ X.
Л

Можно показать, что ч. н. д. множества (X, %) достаточно ис­


кать среди элементов множества Х2'нд‘.
Пусть г]* — нечеткое отношение строгого предпочтения, соответ-
Л Л

ствующее н. о. п. %, и пусть х0 £ Х2 НД\ Покажем, что rjf (х, х0) =


= 0 при любом х £ Х2'н'д’, где т]{ — отношение строгого пред­
почтения.
Допустим противное, т. е. что найдется альтернатива хх £
£ Х2’нд', для которой rii (хх, х0) > 0, т. е.
min{ri1(x1, х0), n ,(x lt х0)} — min {т]х(х0, хх), ti2(x0, хх) } > 0 .
(3.4.20)
Но поскольку хх g Х г"*', а х0 £ Х2'нд' и т]х (хх, х2) > 0 при
любых хХ) х2 £ X, то т]2 (хх, х0) = 0 и неравенство (3.4.20) невоз­
можно, т. е. выполняется rif (х,, х0) = 0.
Таким образом, ни одна альтернатива х £ Хг'"'*' не доминиру­
ет со строго положительной степенью альтернативы из множества
Х2ЧЛ-Д\
Покажем теперь, что если х' — ч. н. д. альтернатива во множест­
ве (Х2ИД', %), то она является таковой и во множестве (X, т]х)

[3]. Действительно, как показано выше, при этом rjf (х, х') = 0
для любого х Хч нд‘ £ X .
Пусть х £ Х2НД, тогда из того, что х' — ч. н. д. альтернатива
в множестве (Х2 нд', %) и % — сильно линейное н. о. п., получаем
согласно теореме 3.4, что % (х \ х) = 1. Кроме того, т)а (х \ х) =
= 1, поскольку х' £ Х2, н д-.
Отсюда заключаем, что неравенство rjs (х, х') = min {% (х,
х'), Ла (х> х')} — min {’ll (х'> х). Ла (х'> х)} > 0 невозможно.
Итак, если х' выбрано описанным выше способом, то равенство

У)! (хх, х') = 0 выполняется при любом х £ X, т. е. х' — ч. н. д.


альтернатива в множестве (X, rii).
Таким образом, для нахождения ч. н. д. альтернативы во мно-
л
жестве (X, достаточно найти четко недоминируемую альтернати­
ву в множества (Х2*н‘д*, %)•
94
Пусть исходные нечеткие множества vif (а{/) I = 1, т , / = 1, п
таковы, что существуют {а?/}, для которых vif (а?/) = 1. Как не­
трудно видеть, при этом множество Х2*нд’ составляют альтернативы
х £ X, которые удовлетворяют условиям
^ ^/1 > • • • » din) ^ i = 1 , /71,
0, ^ 4 21)

(а//) = 1, аи€ R1, i = 1, m, / = 1, п.


Задача нахождения ч. н. д. альтернативы аналогична задаче, рас­
смотренной в п. 1 данного параграфа (задача I).
Если выполнены введенные в этой задаче предположения (ком­
пактность множества X, непрерывность функции /), то приходим
к следующей задаче для нахождения ч. н. д. альтернативы в мно­
жестве (X, rji):
найти
ш а х /(х , сх, с2, . . . Сп) (3.4.22)
при ограничениях
^ (Х , ^il, Д^/2, *• • , Щт) ^ 0, «//€ Я;
Х/(с/) = 1, / = 1. п\ (3.4.23)
Vi/ (ац) = 1, i = 1, т, /' = 1, п, х £ Х .
Любое решение х° £ X задачи (3.4.22) (3.4.23) есть ч. н. д.-
альтернатива в множестве X, % и в то же время ч. н. д.-альтерна-
тива в множествах (X, т^) и (X, г]2).
Покажем теперь, что любое решение этой задачи есть ч. н. д.-
л

альтернатива и в множестве (X, rj2) [3].


Действительно, нечеткое подмножество недоминируемых аль­
тернатив множества (X , Ла) имеет вид (3.4.18):
Ч2НД(х) = 1 ---- ^ sup [(% (у, х) — т)х(х, у)) + (т]2 (у, х) — Ла (х, у))].
(3.4.24)
Пусть х° — решение задачи (3.4.22) — (3.4.23). Тогда, поскольку
х° — ч. н. д. альтернатива в (X, r)i), то при любом у £ X выпол­
няется условие л? (У. х0) = 0 или rji (у. х0) — % (х0, у) < 0.
Кроме того, х° — ч. н. д. альтернатива в множестве ( X, л2),
и, следовательно, при любом у £ X выполнено
Л?(У, х°) = 0 или Ла(У> х0) — Л2(х°, У )< 0 .
Из двух последних неравенств следует, что в (3.4.24)
sup [(Лх (У. х0) — Лх (х0, у)) + (ла (У. х0) — л2 (х0, У))] = 0, (3.4.25)
т. е. л"'д (х°) == 1.
Итак, любое решение задачи (3.4.22) — (3.4.23) удовлетворяет
условиям
лГ(х») = 1, л"'д (х°) = 1,
т. е. х° — ч. н. д. альтернатива для исходной общей задачи.
95
Наличие в полученной выше задаче математического програм­
мирования (3.4.22) — (3.4.23) ограничений вида (ац) = 1,
%f (cf) = 1 свидетельствует о том, что для нахождения ч. н. д.
альт рнатив в исходной задаче достаточно учитывать лишь те зна­
чения параметров, которые заведомо, т. е. со степенью 1, принад­
лежат соответствующим нечетким множествам. Поэтому если искать
лишь ч. н. д. альтернативы, то при формулировке исходной задачи
можно не требовать полного описания нечетких множеств значений
параметров, а-ограннчиться лишь указанием интервалов их зна­
чений со степенью 1, принадлежащих этим множествам.
Аналогичными рассуждениями можно прийти к выводу о том,
что для нахождения альтернативы, имеющей степень недоминируемо-
сти, не меньшую, чем заданное число а (т. е. т)нд (х0) а), достаточно
решить следующую задачу математического программирования [3].
Максимизировать
/(х , с19 с2, , сп) (3.4.26)
при ограничениях
% (х, an, at2. 0, i = 1, т\ (3.4.27)
v*/(ац) > а, / = Т 7 т , у = ТГп; (3.4.28)
%i (С/) > а, Cj £ /г1, у = ТГп.
Решение задачи типа (3.4.26) — (3.4.28) позволяет определить
лишь некоторые из недоминируемых альтернатив (с соответствую­
щей степенью а) для исходной общей задачи.
Можно показать [3], что еще один способ нахождения недоми­
нируемых альтернатив со степенью а заключается в решении сле­
дующей задачи:
найти _
max m in /(х , cv с2, . . . » сп) (3.4.29)
*....Ъ
при ограничениях (3.4.27) — (3.4.28).
Получаемое в этой задаче значение функции f представляет со­
бой наиболее осторожную (гарантированную) оценку альтернатив,
не доминируемых со степенью, не м ньшей, чем а , а соответству­
ющее значение / в задаче (3.4.26) — (3.4.28) — наименее осторож­
ную (оптическую) оценку. Заключенный между этими оценками
интервал позволяет судить о возможных значениях функции / (х)
при выборе альтернатив, не доминируемых со степенью а.
Пример 3.6.
Максимизировать

s c<xi (1)
/=1
при условиях
/ = 1, т , (2)
/= 1

/ — 1, /2, (3)
96
причем переменные <?/ — нечеткие параметры с функцией принад­
лежности и (а ) = -------!— =— , / = 1, п.
' 1+ (4 - 4 )*’ 1
Требуется решить соответствующую задачу НМП и найти ч. н. д.
альтернативы со степенью недоминируемости а = 0.80.
Запишем соответствующую задачу НМП, пользуясь соотноше­
ниями (3.4.11):
найти
п

max /(х , с) = £ с/х/ (4)


f=1
при условиях
п _____
V dijXi < bt, 1 = 1, т; (5)
/=1
I* (с/) = , ' > 0.80, j = Т~п. (6)
I -f- [Cj — Cj)

Ограничения (6) записываются в следующем эквивалентном виде!


(cj — С/)а^ 0 .2 5 или Cj — 0.5 ^ С/< С/+ 0.5. (7)
В результате данная задача приводится к задачам параметрического
ЛП и может быть решена известными методами.
Пример 3.7. Решить следующую задачу НМП:
найти
П
min £ CfXj (8)
/=i
при условиях
п _____
£ ацХ, < b{, / = 1, т ; (9)
/=1
Х ,> о, / = Т 7 ^, (10)
где переменные С/ и а,-,-— нечеткие параметры с функциями принад­
лежности р/ (cj) и v{/- {dij), причем
/ (с, — с , ) 2 \ 1
М *,) = е х р ^ ------ v,/( a„) - , + .

При этом требуется найти множество ч. н. д. альтернатив, не доми­


нируемых со степенью a = 0.75.
Соответствующая задача НМП записывается в виде (8) — (10)
при дополнительных ограничениях вида

р / ( C j ) = exp {С' 2J i} j > 0.75, / = ТГп-, (11)

^н(ац) = , , . 1— = - ^ > 0 .7 5 , l = T7m, j = iC~n- (12)


1 "Г \aij — aij)
4 423 97
После несложных преобразований ограничения (11) и (12) приво­
дятся к следующему виду:
<с>~ с/)а ^ In 0.75 = In -j- ■
2Ь2.

— b, V 2 In 1.33 + c, < c, < bt У 2 In 1.33 + c,\ (13)


1
Oij — У Ш ^ Q(j ^ citj -j-У 0.33, i ~ , fit, j = , n. (H ) 1
Таким образом, данная задача аналогично предыдущей приводится
к задачам параметрического ЛП.

3.5. ЗАДАЧИ ВЫПУКЛОГО И НЕЧЕТКОГО МАТЕМАТИЧЕСКОГО


ПРОГРАММИРОВАНИЯ

Формулировка задачи полубесконечного программирования


Рассмотрим специальный класс задач ЛП, называемых полубес-
конечным выпукло-вогнутым программированием. Она записыва­
ется следующим образом [7]:
Р: найти
ш ахсгу (3.5.1)
при ограничениях
п
£ и, (х) уг < «„+1 (х) для всех x g S , (3.5.2)
Г=1
где S — компактное выпуклое множество в эвклидовом т-мерном
пространстве и щ i S ->■ R для i = 1, 2, п + 1.
Соответствующая двойственная задача D к задаче Р имеет вид:
найти такое целое q, подмножество {sj, s2, sq] £ S и вещест­
венные числа {tl9 t29 ..., tq)9 которые обращают в минимум

D: t{un+1(Sf) ->■ min (3.5.3)


t=\
при ограничениях
t tiur (s d > c r. (3.5.4)
i=i
Пусть V (Р) и V (D) — оптимальные значения ц. ф. для задачи
P h D соответственно. Известно, что V (Р) ^ V (D).
Чарльз, Купер и Кортанек [7] доказали одну из первых теорем
двойственности, в которой устанавливаются условия, обеспечива­
ющие V (Р) = V (D) в полубесконечном программировании.
В [7] показано, что если q, [slt s2, ..., sQ] и [tl9 /2, ..., iq\ — опти­
мальное решение двойственной задачи D и у* — оптимальное ре­
шение прямой задачи Р , то выполняется следующее условие допол­
няющей нежесткости:

«r(st) t/r — un+1(s{) j = 0, i = 1, 2, . . . , q.

08
Далее предположим, что ur (х), г = 1, 2, п — вогнуты и
ип+1 (х) — выпукла и, по крайней мере, одна из множества функ­
ций будет строго вогнута или строго выпукла. Такой класс задач
называют выпукло-вогнутым полубесконечным программированием
(ВВПП) [7]. Этот класс задач представляет интерес, по крайней
мере, по следующим двум причинам.
Во-первых, решение задач ВВПП намного легче, чем решение
произвольных задач полубесконечного программирования. Это
вытекает из свойств оптимального решения для данного класса за­
дач, которые будут рассмотрены ниже. Во-вторых, важный класс
задач выпуклого нечеткого программирования может быть записан
именно в виде задачи выпукло-вогнутого полубесконечного програм­
мирования. Это позволяет применить для их решения методы, раз­
работанные для задач ВВПП.
Выпукло-вогнутое полубесконечное линеЗное
программирование
Для класса полубесконечного выпукло-вогнутого программи­
рования справедливы следующие теоремы, которые порождают
эффективные методы решения [7].
Теорема 3.6. Если иг (х), и2 (х), ..., ип (х) — строго вогнутые
функции и ип+1 (х) — выпукла, то существует не более одной точ­
ки х* £ S такой, что ограничение-неравенство строго выполняется
как равенство при ненулевом оптимальном решении проблемы Р.
Д о к а з а т е л ь с т в о . Предположим, что у* — есть нену­
левое оптимальное решение, и предположим, что имеется две точки
хх и х2, в которых ограничения жестко выполняются. Тогда для
любого %£ (0, 1) следует, что
У %иг (хх) у* + £ (1 — Я) иг (х2) у г = %ип+1(Xj) + (1 — Я) «„+1 (х2).
п= 1 г = 1

Поскольку каждая функция иг (х) строго вогнута для х £ 5,


то
£ и, [Яхх + (1 — Я) х2] у* > Я £ иг (хх) уг +
Г = 1 Г = 1

+ (1 — Я )£ иг (хй) Уг. (3.5.5)


г= \

Более того, так как ип+\ (х) — выпукла, уравнения (3.5.4) и (3.5.5)
влекут неравенство
£ иг [Яхх + (1 — Я) х2] у г > ы„+1 [Ях! + (1 — ^) х2], (3.5.6)
г = 1

что противоречит условию допустимости у*.


Пусть Т = х0, хх, ..., хт — дискретизация (дискретная решетка)
множества 5 и обозначим через conv Т выпуклую оболочку 5. Ко­
нечная аппроксимация проблемы Р, заданная на решетке Т, опре­
деляется как решение следующей задачи ЛП:
4* 99
Р Т : найти
max cry (3.5.7)
при ограничениях
П
£ « г (X/) уг < ип+1 (Ху), / = 0, 1 ......................
Г—1
л
Теорема 3.7. Пусть Т = Т — узлы решетки, для которых со­
ответствующие ограничения жестко выполняются как равенства
при некотором ненулевом оптимальном решении у* проблемы Р .
Предположим, что щ (х), «2 (х), ... и ип (х) — строго вогнутые
функции и м„+1 (х) — выпукла.
Тогда если х £ Т \ Т, то х ^ conv Т.
__ Л

Д о к а з а т е л ь с т в о . Пусть х £ Т \ Т и предположим,
_ л
что х £ conv Т. Тогда существуют неотрицательные скаляры
X, такие, что
х = £ xtxt, £ xt = i .
£
х,€Г
t
Поскольку функция g (х, у1), определенная в виде g (х, у') —
П ,

= £ и, (х) уг — и„+1 (х),


/~1
вогнута по х для любого фиксированного у' ^ 0, то отсюда следу­
ет, что
£(х. У *)> £ Kg{xu у*) = 0
xt€T
для всех точек х £ conv Т. Однако поскольку у* — допустимое
_ л _
решение задачи (РТ) и х £ Т \ Т, то отсюда следует, что g (х,
у*) < 0. Имеем противоречие и, следовательно, х g conv Т .
Теорема 3.7 доказана.
Из теоремы 3.7 следует, что если у* — ненулевое оптимальное
решение проблемы (РТ), то тогда для всех х во внутренности вы-
Л

пуклой оболочки Т получим

£ иг (х) у*г — ип+, (х) > О, (3.5.8)


г=1
поскольку g (х, у*) строго вогнута на х, если, по крайней мере,
один у* > 0, г = 1 ,2 , ..., л. Из этого следует, что для того чтобы
получить лучшую аппроксимацию проблемы Р, должна быть вы­
брана новая решетка Т, которая включает точки из внутренности
Л

выпуклой оболочки Г.
Несколько интересных результатов может быть получено в ка­
честве следствий (лемм) приведенных теорем, если 5 — подмножест­
во вещественной оси R.
100
С л е д с т в и е 1. Пусть S с / ? , Г - дискретные точки S и предпо­
ложим, что иг (х), и2 (х), ип (х) — строго вогнутые функции, а
ип+1 (х) — выпукла. Тогда максимально два ограничения жестко
выполняются в ненулевом оптимальном решении проблемы (РТ).
Д о к а з а т е л ь с т в о . Согласно теореме 3.7 нет иных точек
решетки Т в conv (Т ), за исключением тех, в которых ограничения
жестко выполняются. Если имеется больше, чем две точки в Т,
то поскольку conv Т подмножество R, существует точка х £ Т
__ Л __

такая, что х внутренняя точка conv Т. Для такого х справедливо


уравнение (3.5.8), которое противоречит тому факту, что х £ Т.
Если S — подмножество вещественной оси и х £ S* — един­
ственная точка, где ограничение-неравенство жестко выполняется
(как равенство) при ненулевом оптимальном решении проблемы
Ру то другое полезное следствие вытекает из теорем 3.6, 3.7 и след­
ствия 1.
С л е д с т в и е 2. Пусть S ^ R и предположим, что иг (х), и2 (х), ...
..., ип (х) — строго вогнутые функции и ип+\ (х) — строго выпукла
Пусть х* £ S — точка, в которой ограничение-неравенство стро­
го выполняется в ненулевом оптимальном решении проблемы Р.
Если х* находится в выпуклой оболочке решетки Т и Xj х2 — две
точки, в которых ограничения строго выполняются как равенства
в конечной аппроксимации задачи Р, то хх ^ х* ^ х2.
Д о к а з а т е л ь с т в о . Справедливость утверждения сле­
дует немедленно из того факта, что функция g (х, у*), определен­
ная в доказательстве теоремы 3.7, вогнута с g (xlf у*) = g (х2,
у*) = 0 и g (х*, у*) ^ 0.
Если условия теоремы 3.6 выполняются для задачи Р, то тогда
существует не более, чем одна точка, где соответствующее ограниче­
ние представляет собой (жестко связывающее) строгое равенство.
Если выполняются соответствующие условия регулярности теоре­
мы двойственности и условия дополняющей нежесткости, то тогда
следует, что (проблема) задача D может быть упрощена следующим
образом [7]:
D1: найти
inf tun+1(х) (3.5.9)
при ограничениях
tur ( x ) ^ c r, г = 1, 2, . . . , п\
x£Sy t > 0. (3.5.10)
Как нетрудно заметить, формулировка D1 значительно проще,
чем D. Это упрощение двойственной задачи к задаче выпукло-во­
гнутого программирования используется как обоснование для спе­
циализированного метода решения задачи.

101
Задача НМП и ее связь с полУбесконечным выпукло-
вогнутым программированием
Рассмотрим задачу НМП в следующей форме:
найти
шахс^у (3.5.11)
при ограничениях
У\К\ + У2 К 2 “Ь ••• Н~ Уп^п £= К*
vw \ чллл \л л л чллл
(3.5.12)
где Ki и /С — нечеткие множества с функциями принадлежности
ЧЛЛЛ чллл

и ( K i ) и ы (/С) соответственно.
Чтобы определить, является ли некоторый вектор 1уъ .... уп\ £
£ /?" допустимым для задачи (3.5.11), (3.5.12), потребуем, чтобы не­
которая функция принадлежности, например Vy (г), удовлетворяла
следующему условно такому, что
Vy (г) ^ Vk (2) для всех г £ R,
где
Vу (г) = шах min {«^/ti), и2(Кг), . . . . ы„(Кл)}
72 ЧЛЛЛ ЧЛЛЛ ЧЛЛЛ

i= \
— функция принадлежности суммы нечетких множеств:
z= * / ЧЛЛЛ
l^l + У2К2 +
ЧЛЛЛ
••• “Ь Ут^щ'
ЧЛЛЛ

Однако действительное построение Vy (г) — не простая операция,


так как она включает свертку из п функций принадлежности слага­
емых и (К()- Поэтому даже проверка того, является ли некоторый
ЧЛЛЛ

вектор у допустимым решением, достаточно сложна. И как следствие,


нахождение оптимального решения задачи (3.5.11) — чрезвычайно
сложная проблема.
Присущая общей задаче НМП сложность побудила определить
класс задач НМП с более подходящей структурой. Это — класс
выпуклых задач НМП [7].
Определение 3.2. Пусть А — нечеткое множество и пусть
S a (А) — нечеткое подмножество уровня а, определенное как обыч­
но: S a (А) = {* е X, иА (х) > а}.
Множество А г X выпукло тогда и только тогда, когда все его
подмножества уровня а (Sa) выпуклы для всех а £ [0, 1].
Заде в [81 показал, что нечеткое множество A s X выпукло
тогда и только тогда, когда для любых хг £ X, х2 £ X и X £ [0, 1]
выполняется следующее условие:
ил [А.*1 + (1 — Я,) х2] > min [иА (лгх), иА (х2)].
Это означает, что функция принадлежности для выпуклого не­
четкого множества является квазивогнутой (см. определение ква­
зивогнутости в [11).
Используя свойства множества уровня S a , покажем, что вы­
пуклое НМП может быть записано в виде
102
Е: найти
шах сту (3.5.13)
при ограничениях
У1$а (^Ci)
VW4 ~Ь (^Са)
VW4 "Ь
+ y n S a (K n )^ S a (l0 (3.5.14)
ЧЛЛЛ V/W4
для всех а £ [0, 1],
где знак s означает включение для
обычных множеств.
Покажем теперь, что важный
специальный класс выпуклых задач
НМП эквивалентен задачам выпук­
ло-вогнутого полубесконечного
программирования, и поэтому ис­
следования и анализ выпукловогну­
того полубесконечного программи­
рования имеют прямое отношение
к выпуклому НМП. Этот специаль­
ный класс выпуклых нечетких мно­
жеств является таким, где выпук­
лые множества заданы на Rt (чис­
ловой оси).
Далее, рассматривая задачу
(3.5.13), предположим, что для каж­
дого i = 1, 2....... п следующее
условие, например С /, выполняется
для каждой функции принадлеж­
ности:
а) ик( (г) непрерывна на R lt РИС. 3.4

Cl: b) uKl (z) = 0 для z g (— oo, су) U (bt, оо); (3.5.15)


с) ик . (z) строго вогнута на [at, bt).
Рассматривая далее нечеткое множество К задачи (3.5.13), пред-
WVA
положим, что «к (z) удовлетворяет либо условиям С2, либо усло­
виям СЗ:
a) иц (z) — непрерывная функция;
b) ик (г) = 1 для z £ (— оо, а\,
С2: (3.5.16)
c) ик (г) = 0 для г £ [с, оо]:
d) «х(г) — выпукла на [а, с].
a) «к (г) — непрерывная функция;
b) и*(г) = 0 для z £ (— оо, a] U \с, оо);
СЗ: (3.5.17)
c) и* (г)— выпукла и возрастающая функция
для a s ^ z ^ lb ;
d) u/с (г) — выпуклая и строго убывающая
функция для
юз
Типичные функции принадлежности, которые удовлетворяют
С /, С2 и СЗ, приводятся на рис. 3.4.
Заметим, что любое нечеткое множество, которое удовлетворяет
C l, С 2 или СЗ, будет выпуклым, так как каждое его подмножество
уровня а выпукло. Кроме того, так как каждая функция принадлеж­
ности непрерывна, то каждое подмножество уровня а — замкнуто.

Три класса нечетких множеств на R

Определим для каждого а £(0,1) 2h вещественные функции


вида
Ur (а) = sup {z 12 £ S a (/(,.)};
ХАЛЛ

Ur (а) = inf { z |z e S a (/0)},


VW\
где верхние индексы R и L указывают на правую и левую границы
множества уровня а. Если для некоторого a £ (0, 1) множество
уровня а пусто, то припишем sup г = —оо. Для a = 0 припишем
следующие значения:
Ur (0) = а/, и? (0) = Ьг.
Аналогичным образом для a £ (0, 1) определим
uR (а) = sup {z| z £ S a (/С)};
VW\
uL (a) = in f{ z |z 6 S a (/C)}.
\ЛЛЛ

При a = 0 определим uR (z) и uL (z) в соответствии с условиями


С2 и СЗ, согласно выражениям
С2: uL (0) = a; uR (0) = с\
СЗ: uL (0) = — оо; uR (0) = с.
Далее рассмотрим задачу полубесконечного МП вида:
найти
шахс^у (3.5.18)
при ограничениях

S и-r (а) у г < UR (а);


г=1
п
— £ U r (а) < — uL (а) (3.5.19)
Г=1
для всех а ^ [0, 1].
Следующая теорема устанавливает эквивалентность между за­
дачей полубесконечного программирования и выпуклого НМЛ.
Теорема 3.8. Предположим, что выпуклые множества Kr = 1,
2, ..., п и К задачи (3.5.13) удовлетворяют условиям С1 и С2 или
СЗ. Тогда вектор у допустим в задаче (3.5.18) тогда и только тогда,
когда он допустим в задаче (3.5.13).
104
Доказательство. Следует непосредственно из того
факта, что для каждого а система неравенств (3.5.19)

S (а) Уг < uR (а);


Г=1
П
— Ц Ur (a) - ~yr ^ — uL (а)
Г=1
эквивалентна
У1*5/с,(а) + */2^ к 2(а ) + • • • + Уп$кп (а) <! S K(а); (3.5.20)
так как каждое S K. (а) и S K (а) — замкнутый интервал. Обратим­
ся теперь к специфической структуре задачи (3.5.18). Покажем те­
перь, что эта задача относится к классу задач выпуклого полубес-
конечного программирования [51.
Теорема 3.9. Предположим, что нечеткие множества Kf r =
= 1, 2, ..., п и К задачи Е удовлетворяют условиям С1 и С2 или
VWV

СЗ. Тогда
a) Ur (а)— строго вогнута при а.£ (0,1);
b) Ur (а )— строго выпукла при а £(0,1);
с) uR ( а ) — выпукла при а £(0,1);
d) uL (а) — вогнута при а £(0,1).
Д о к а з а т е л ь с т в о . Справедливость теоремы следует из
того факта, что если некоторая / (х) — выпуклая, строго возраста­
ющая функция, определенная на выпуклом подмножестве А в R,
то ее инверсия — / (х) — строго вогнута. Обратно, если f (х) —
вогнутая, строго возрастающая функция, то противоположная
ей — строго выпуклая [1].
Пример 3.8. Рассмотрим следующий пример выпуклой задачи
НМП:
найти
шах (уг + у2)
при условиях
У1^1 + У2^2 ^ К\
(3.5.21)
У г> 0, у2>0>
где /Ci, /С2 и К — нечеткие множества, функции принадлежности
которых определяются так:
<2+ - т е с л и ---- ^ х 4 -;
(3.5.22)
0 в противном случае;
- х 2+ 1 если — 1 х 1;
(3.5.23)
0 в противном случае;
1, если х < 0 ;
— х + ] если 0 < * < 1 ; (3.5.24)
0, если х ^ 1.
105
Множества уровня а нечеткого множества К заданы в виде (— оо,
/), где t — число между нулем и единицей (при а = О множество
уровня а представляет собой вещественную ось для множеств Кл,
К 2 и К).
Из этого следует, что функция uL (а ) равна — оо для всех
а £ [0, 1], и поскольку каждая функция uL r (а) конечна для всех
а £ [0, 1], второе ограничение-неравенство в задаче (3.5.18) всег­
да удовлетворяется. Следовательно, эквивалентная задача выпукло-
вогнутого полубесконечного ЛП имеет вид:
найти
шах (t/i -f- у2) (3.5.25)
при ограничениях
и\ (а) + U2 (а) < uR (а) для всех а £ [0, 1], (3.5.26)
* /i> 0 , у2> О,
где

1
(а) = (1— а ) 2 , 0 ^ а ^ 1 ;
uR (а) = (1 — а), 0<а<1.
Отметим, что uR (а) и и§ (а) — строго вогнутые функции и
ип (а) — выпуклая.
Найдем оптимальное решение данного примера.

Методы решения задач полубесконечного выпуклого


программирования
Рассмотрим два подхода к решению задач полубесконечного вы­
пуклого ЛП. Первый алгоритм использует специальные свойства
ВВПП, когда S — подмножество вещественной оси. Второй алго­
ритм более общего вида и применим к множествам более высокой
размерности. Оба решения отыскивают точку х* в множестве S,
в которой ограничение выполняется как строгое равенство при не­
нулевом оптимальном решении проблемы Р. Предположим также,
что проблема имеет конечное оптимальное значение ц. ф. V (Р)
и у (Р) = V (D).
1. Рассмотрим случай, когда компактное выпуклое множество
S задачи Р есть подмножество вещественной оси. По следствию 1,
максимально два ограничения выполняются строго при любом не­
нулевом оптимальном решении задачи Р Т , определяемом при неко­
торой дискретизации Т s S. Далее, если х* есть точка в 5, где
ограничение-неравенство выполняется строго при ненулевом оп­
тимальном решении задачи Р , то, согласно следствию 2, х* лежит

между двумя точками, в которых ограничения выполняются строго.
Эти два результата позволяют предложить следующую модифика­
цию алгоритма, описанного в [71.
Этот алгоритм основан на добавлении точки к предыдущей ре­
шетке, при этом добавляемая точка соответствует наиболее сильно
нарушенному ограничению.
Отыскание этого ограничения требует явного решения выпук­
лой подзадачи; однако для значений между двумя ограничениями-
равенствами в задаче (РТ) функция g (х, у') > 0. Отсюда ограниче­
ние, связанное с любой точкой решетки строго между этими двумя
значениями, нарушается текущим решением. В частности, средняя
точка между двумя значениями х есть логически разумный выбор
для определения следующего ограничения, присоединяемого к за­
даче (РТ). Отсюда для случая, когда S-одномерное множество, мож­
но определить последовательность точек решетки путем простой
дихотомии интервала.
2.Для случая, когда 5 имеет размерность более, чем 1, пред­
шествующая стратегия неприменима. В этом, более общем случае
мы продвигаемся, сначала отыскивая оптимальное решение (/*,
х*) двойственной задачи D1. Затем выбирается соответствующая
решетка Т, в которой х* £ Г, и все другие точки х £ Г, которые
близки к х*. Точка х* определяет единственное связывающее
ограничение-равенство дляненулевого оптимального решения зада­
чи Р. -
Особый интерес представляет ситуация, в которой S определя­
ется обычными множествами уровня, т. е.
gi (х) > 0 , i = 1, ..., q, rjxegi (х) — вещественные вогнутые функции.
Допустим, что в этом случае задача (3.5.9) имеет оптимальное реше­
ние / > 0. Тогда, определив s = - р эту задачу можно переписать
в виде:
найти
inf | -j- и„+1 (x)j (3.5.27)

при ограничениях
ur (х) scr, г = 1,2, . . . , tv, (3.5.28)
g i(* )> 0, f = l,2 , (3.5.29)
Предположим, что переменная s рассматривается как фиксиро­
ванный параметр. В частности, пусть W ( ) означает оптимальное
значение задачи (3.5.27) для фиксированного s > 0. Ясно, что
если (s*. х*) — оптимальное решение (3.5.27), то тогда &* — гло­
бальный минимум W (s) по s > 0. Далее, чтобы охарактеризовать
свойства функции W (s), рассмотрим следующую задачу, тесно свя­
занную с задачей (3.5.27):
найти
V (s) = inf ип+1(х) (3.5.30)
107
при ограничениях
ur ( x ) ^ s c r, г = 1, 2, . . . , п; (3.5.31)
gt (x) > 0 * = 1,2, . . . , <7. (3.5.32)
Известно, что V (s) — выпуклая функция.
Более того, отношение выпуклой функции к линейной функции
квазивыпукло. Поэтому W (s) = ---- квазивыпукла.
Приведенные рассуждения позволяют предложить прямой под­
ход к решению двойственной задачи (3.5.27). Так как W (s) квази­
выпукла, можно применить простой линейный поиск для нахожде­
ния минимизирующего решения х* > 0. Минимизирующее зна­
чение t* в задаче (3.5.27) равно ~ . Тогда, как и прежде, выбираем
соответствующую решетку Г, в которой х* £ Т> а все остальные
точки х £ Т будут соседними с х*. Используя эту решетку, решаем
соответствующую аппроксимирующую ЛП-задачу РТ.
Пример 3.9. Рассмотрим следующую задачу выпуклого НПМ:
максимизировать
(Ух + У2) (1)
при условиях
У1К1
VW\
+ У2К2
VW\
s К,
WV\
(2)
где К\, К 2, К — нечеткие множества, функции принадлежности ко-
"X/X/Xy "Х/Х/Жу 'Ж/Х/Жу

торых:

---- (х — I)2 + 1, если 1 — + К 2,


«к, (х) = (3)
0 в противном случае;
— х2 + 1, если — 1 ^ х ^ 1,
иКг (х) = (4)
0 в противном случае;
3 у,
есл и ---- х

ик (х) = если ~y <Z х ^ 1, (5)


2 — х, если 1 < х < 2,
0 в противном случае.
Нетрудно заметить, что функции ик, (х), иКг (х) — вогнуты,
а ик (х) — выпукла.
Будем решать ее на основе вышеизложенного подхода. Опре­
делим левые и правые границы нечетких подмножеств а — уровня

1) Находим «к, (а). Согласно определению


ur, (а) = max {и*, (х) > а} = max | -----(jc — I)2 -Ь 1 а) - (6)

108
Решая квадратное неравенство (6), получим:
I — / 2 ( 1 — а ) < х < 1 + 1/2(1 — а ) ,
откуда хв = «я, (а) = 1 + У~2 (1 — а), 0 ^ а <1 1.
Очевидно, что левая граница множества 5 Х(а) равна
«l, (а ) = х„ = 1 —V 2 (1—ос), 0<а<1.
2) Аналогичным образом находим левую и правую границы под­
множества S 2 (а) для НМ К.2-
а) «яг (а) = К 1 — а , б) uLt (а) = — К 1 — а .
3) Находим аналогично левую и правую границы подмножеств не­
четкого множества К-
ur (ос) = max (х: ыд (х) !>ос) = max {лг: 2 — х^> а} -»-«я(ос) = 2— а»
0 < а < 1.
«l (а) = min {х : ик (х) > а} = min | х : — ^х 4- - |- j ^ a j -»■
з
->* Ul (а) = 2 а ----2“ , где 0 ^ а ^ 1.
Используя соотношение (3.5.18) — (3.5.19), составим соответ­
ствующую задачу полубесконечного программирования (ВВПП),
эквивалентную исходной задаче (1) — (3):
максимизировать
У1+ У2 (7)
при условиях
Ы 1 + ^ 2 (1 — ос) + у2 V 2 (1 — ос)< 2 + а; (8)
- y l ( \ - V 2 ( \ - а) — У2 У 2 0 — “ X ( 2« ---- §-) > (9)
У1>0, у2 ^ 0, где 0 ^ а <11.
Для решения задачи (7) — (9) воспользуемся методом последо­
вательных приближений, изложенным выше.
1. Полагаем a = 0. Тогда система (7) — (9) запишется в виде
max (г/х + у2) = max / (г/,, г/а) (10)
при условиях
Уг(1 + \ ^ + у ,К 2 ; (11)
уЛ \ - У ~ 2 ) - у 2^ - \ \
Ух> У2>0
Решая ее, находим у\ — ~ ; у* = 1.4, max f — 1.65.
2. Рассмотрим вторую граничную точку интервала [0, 1] и по­
лагая ос = 1 в (8), (9) находим к задаче
max (t/x + у 2}
109
при условиях
у 1< 1;
У\ g* * 0^)
0Х> О , г/2> 0.
Как видим, ограничения (12) выполняются при предыдущем реше­
нии у(1> = —; 1.4j, поэтому оно не изменяется.
3. Выбираем среднюю точку интервала [0, 1] а = 0.5 и подстав­
ляя его в (8) — (9) приходим к задаче
шах (ух + у2)
при условиях
2y1 + - ^ - y 2< - Y , (13)

- У~ШУг > -----


Ух > 0, у2> 0.
Поскольку предыдущее решение г/*1» = _L; y f = 1.4 Не удов­
летворяет условиям (13), то находим новое решение задачи (10)
при условиях (13):

у? = 0.5; yf = = 0.707, max f = / 2 = 1.207.


4. Выбираем а = 0.7 и подставляем в (8) — (9), получим
max (t/i + у2)
У1(1 + V 2 Ж З) + y2V 0 j < 1.3; (14)
у1( 1 - К 2 Ж З - г / 2] / 0 ^ ' > - 0 . 1 , (15)
l / i > 0, г/2> 0.
Поскольку условия (4), (15) не выполняются при предыдущем ре­
шении yf> = 0.5; y f) = 0.707, то находим новое решение у(3>
задачи при ограничениях (14), (15):
y f = 0.6; y f = 0.429, max / = / 3 = 1.029.
Подставляя его в (13), убеждаемся, что эти ограничения удов­
летворяются.
5. Полагая а = 0.8 в (8), (9) приходим к задаче
шах (уг + у2)
при условиях
1.632*/, + 0.447г/2< 1 .2 ; (16)
0 .3 6 8 ^ — 0.447у2> 0 .1 ,
Ух> 0, у2> 0. (17)
110
Поскольку предыдущее решение у® = [0.6; 0.4291 уравнениям
<16), (17) не удовлетворяет, то решаем задачу при (16), (17) и полу­
чим # f = 0.65; #® - 0.3114, max / = /4 = 0.9614.
6. Полагая а = 0.85 и подставляя его в (8), (9) получим за­
дачу
max (ух + f/a)
при условиях
1.548#! + 0.387#а < 1.15; (18)
0.452#! — 0.387#а > 0.2; (19)
г/г. г/2> 0 .
Поскольку предыдущее решение у4 = [0.65; 0.3114] не удовлетво­
ряет условию (19), то решаем задачу при условиях (18), (19), и
находим у® = [0.675; 0.2715].
7. Полагая а = 0.90, приходим к задаче
шах (#i -(- #-)
при условиях
1.447#! + 0.316#а < 1.1; (20)
0.552#! — 0.316#а > 0.3; (21)
# 1 > 0 , #а > 0 .
Поскольку предыдущее решение у(5) не удовлетворяет условию
(21), решаем задачу при условиях (20), (21) и получим
у® = [0.7; 0.2756].
Проверяем это решение по условиям (18), (19). Так как при этом
условие (18) не удовлетворяется, то решаем эту задачу при усло­
виях (18), (20), (21) и получаем у® = [0.682; 0.226].
8. При а = 0,95 получаем задачу
max (#i + #2)
при условиях
1 .3 1 6 # !+ 0.224#а < 1.05; (22)
0.684#! — 0.224#а > 0.4; (23)
01 > 0, #2> 0 .
Подставляя у® в (22), (23) убеждаемся, что эти ограничения вы­
полняются.
9. Проверяем новое решение у*7*по ограничениям (14), (15) (при
а = 0.7) и убеждаемся, что условия (14) не выполняются. Поэтому
добавляем условие (14) к системе уравнений (18), (20), (21) и вновь
решая задачу получаем
#<8>= 0.666; #<8> = 0.216; / 8 = 0.882.
Проверяем это решение при а — 0.6
1.894#f>+ 0.632#® = 1.3979 < 1 .4 ; (24)
0.106#® — 0.632#® = — 0.07 > — 0.3. (25)
111
Как видим, оно удовлетворяет условиям (24), (25). Подставляя
его в ограничения (8), (9) при а = 0,5; 0,4; 0,3 и а = 1 непосред­
ственной проверкой убеждаемся, что все они выполняются при ре­
шении у(8>.
Таким образом, нами найдено искомое решение
У ? = tfiopt = ° - 6 6 6 ; № = «2ор* = ° - 2 16: m ax f = fa = 0 .8 8 2 .
Замечание 1. Как видно из решения, ограничения (8), (9) выпол­
няются как строгие равенства в оптимальном решении [у\ opt, У2opt!
в одной точке при а = 0,85.
Замечание 2. С целью сокращения вычислительных затрат нет
необходимости решать задачу (7) — (9) при каждом новом значении
а заново. Достаточно проверить выполнение новых ограничений
при текущем оптимальном решении, и если они (оно) не удовлетво­
ряются, добавив их в симплекс — таблицу, соответствующую те­
кущему оптимальному решению, продолжить процесс решения
двойственным симплекс — методом (этот подход аналогичен алго­
ритму отсекающих плоскостей Гомори).

СПИСОК ИСПОЛЬЗОВАННОЙ И РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ

1. Зайченко Ю. П . Исследование операций.— 3-е изд., перераб. и доп.— К. : Вы-


ща шк. Головное изд-во, 1988.
2. Кофман А . Введение в теорию нечетких множеств: Пер. с фр.— М. : Радио и
связь, 1982.
3. Орловский С. А . Проблемы принятия решений при нечеткой исходной инфор­
мации / Предисл. Н. Н. Моисеева.— М. : Наука, 1981.
4. Нечеткие множества в моделях управления и искусственного интеллекта / Под
ред. Д. А. Поспелова.— М. : Наука, 1986.
5. Обработка нечеткой информации в системах принятия решений / А. Н. Бори­
сов, А. В. Алексеев, Г. В. Меркурьев и др.— М. : Радио и связь, 1989.
6. Подиновский В . B .t Ногин В. Д . Парето-оптимальные решения многокритери­
альных задач.— М. : Наука, 1982.
7. Parks М. L ., Soyster А . L. Semi-infinite and fuzzy set programming.— Econ,
and Math. Syst., 1983.

Глава 4
МНОГОКРИТЕРИАЛЬНЫЕ ЛП-ЗАДАЧИ КАК ЗАДАЧИ
НЕЧЕТКОГО МАТЕМАТИЧЕСКОГО ПРОГРАММИРОВАНИЯ

4.1. ЛП-ЗАДАЧИ С НЕЧЕТКИМИ ЦЕЛЕВЫМИ ФУНКЦИЯМИ

Весьма распространена задача математического программирова­


ния с нечеткими целевыми функциями вида [2; 3; 4; 7]:
I: максимизировать
z(x) = сгх (4.1.1)
при ограничениях
А х ^ Ь , х ^ 0, (4.1.2)
112
где х т— [дс1( х2, ... , хп], b7- = [frx.......... bm] — вещественные век­
торы; А = ! а,-/! i = 1, пг, / = 1, п — вещественная матрица; сг =
= [clt с2.......... сп] — вектор коэффициентов целевой функции.
Предположим, что ЛПР может только указать интервалы [cf,
с?] и что только 1 элемент из пространства let, с“] X ...X let,, Cml
является истинным вектором коэффициентов ц. ф.
Тогда ЛП-задача имеет единственную ц. ф., а мы сталкиваемся
с проблемой, которая содержит бесконечно много ц. ф. вида (4.1.1),
которые должны быть минимизированы одновременно для
х£Ж = {х£ Rn\ А х ^ Ь , х]>0}.
Все векторы с £ Rn из ограниченного интервала
С° = {с| cL< с < си}, с[ = [cf-, с£, , с£], cl = [с“, . . . , с“]
должны рассматриваться как параметры.
По аналогии с теорией ЛП с несколькими целевыми функциями
полное решение задачи ЛП с интервальными коэффициентами вида:
найти
max (г(х) = сГх | А х ^ Ь , х!>0}, с £ С° (4.1.3)
определяется как
Ег = {х£ЭЕ)Зх£Ж, сгх > с 7'х}
для всех с £ С° и cfx > cfx, по крайней мере, для одного вектора
ci £ С°.
Пример 4.1. Рассмотрим ЛП-задачу с множеством допустимых
решений [7]:
1Х\ 4 ^ ^ 100;
l*! + Зх2^ 76;
1хх + 2 * 2 ^5 3 ;
3xj 5х2^ 138;
Зхг -f- 4лг2^ 120;
7хх + 8х2^ 260;
lx t + 1х2 36;
Зхх + 2х2^ 103;
2*1 + 1х2< 6 8
и ц. ф. с интервально заданными коэффициентами:
г (Xj, х2) = с1х1 + с2х2 max
при £ [0.5; 10]; с2 £[1.4; 11].
Полное решение Ei в этой оптимизационной задаче соответствует
ломаной линии многоугольника от точки Р0 через точки Рь Р2,
Рз. Р*, Ре, Рт> Р8 к Р» (Рис. 4.1).
Поскольку нахождение полного решения очень трудно и требу­
ет больших вычислительных затрат, в проблемах оптимизации с
нескольки и ц. ф. в большинстве случаев отказываются от опреде-
х2

ления множества эффективных решений, а ищут так называемое


.«компромиссное» решение непосредственно.
Введем следующее определение.
Если функция Н : х Ц — функция предпочтения для зада-
•чи (4.1.1) — (4.1.2), то тогда элемент х* £ Ж называется компро­
миссным решением задачи 1, если х* £ Е и Н ( х * ) ^ Н ( х ) ,
У х £ Ж*.
4.2. ОПРЕДЕЛЕНИЕ КОМПРОМИССНОГО РЕШЕНИЯ

Для определения компромиссного решения линейной оптимиза­


ционной задачи 1 были предложены различные функции предпочте­
ния, которые преобразуют бесконечное множество ц. ф. в единствен­
ную компромиссную ц. ф. [1, 2, 4, 5].
Самый простой способ такого подхода — это выбрать единствен-
4Z г
ного представителя с{ для каждого интервала [сг, с“] и вместо ре­
шения задачи 1 перейти к решению ЛП-задачи вида:
найти
шах {z (х)} = V | Ах ^ Ь , х ^ О ) , (4.2.1)
* 1
«спользуя стандартные алгоритмы.
Л 4
При рассмотрении вопроса выбора подходящих компромиссных:
ц. ф. должны быть исключены два крайних случая:
Zmin(х) = с [ х И Zmax (х) = СТиХ,
так как они отражают суждение ЛПР, которое является либо слиш­
ком пессимистическим, либо, наоборот, слишком оптимистическим.
Для достижения компромиссного решения было бы разумным
выбрать в качестве представителя для каждого интервала значение
с с наибольшими шансами появления. Однако обычно ЛПР не имеет
достаточной информации и, следовательно, он в основном выбирает
середину интервала [cf, с“] и таким образом выбирает ц. ф. вида
II: Zcp = [zmln(X) + Zmax (х)] = 4 “ [с£ + с£] X. (4.2.2)
В качестве развития этого варианта была предложена ц. ф., ос­
нованная на решающем правиле Гурвица [7]:
гниг (х) = (1 — т) zmin (X) + TZmax (х) = [(1 — т ) с[ + тСт
и] X, (4.2.3)
где т — параметр оптимизма (0 ^ т ^ 1), который отражает отно­
шение к риску со стороны ЛПР. Однако все эти редукции (сокра­
щения) имеют тот недостаток, что они не учитывают весь интер­
вал С°.
Если ЛПР не может непосредственно выбрать единственного'
представителя с £ С° из интервала С°, то можно использовать кос­
венный путь построения компромиссной ц. ф. Он заключается в том,
что фиксируется множество состояний природы Zj / = 1, ..., s как
состояний неопределенности. Выбор состояний природы должен
осуществляться так, чтобы ЛПР мог:
s
1) указать вероятности состояний р (zj), £ р (zj) = 1,
/=1
2) определить для каждого состояния природы параметры на­
столько точно, насколько возможно.
В общем случае эти параметры состояния Cj не могут быть ука­
заны однозначно, а просто указывается их порядок, т. е. они явля­
ются элементами интервала [cfjf dtj] s [cf, dj\ j = 1,2, ..., s, i =
= 1, 2, ..., n.
Однако можно надеяться, что при умелом выборе состояний при­
роды эти интервалы станут малыми, и тогда ошибка от сведения
интервала к единственному значению не будет слишком велика.
гр Л

Если выбранный представляющий вектор обозначить как с =


А А А

= 1си , Сг/. •••. cnj\, то, согласно Бернулли, ожидаемая величина


гож(х) = £ с[х • р (z/) = £ сjp (z/) х (4.2.4)
/=i /=1
должна быть выбрана в качестве функции компромисса.
А

Поскольку С/ р (z/) б С° справедливо для любого вектора состо­


яний природы и для каждого распределения вероятностей [р (z7)},
Vlb
любая компромиссная ц. ф. гож (х) ведет к эффективному решению
проблемы оптимизации. Однако остается вопрос, сможет ли ЛПР
получить необходимую информацию о величинах р {zj) и С/.
Пример 4.2. Для задачи оптимизации, приведенной в примере
4.1, мы получаем следующие компромиссные решения, которые при­
ведены в табл. 4.1.
Для г'н мы полагаем т = 0,2, а для Zh = 0,875. Для вычисле­
ния zMиспользуем значения сг = 4 и с2 = 7.
Таблица 4.1

г2 гм гож
z min г шах 2А г Ниг гНиг

г* 3 5 .7 368 198 9 8 .1 6 3 2 5 .1 6 191 168.5

х\ 7 28 20 16 28 11 20
23 8 15 18 8 21 15
*1

При вычислении ожидаемого значения ц. ф. гож предполагаем,


•что имеется три состояния природы гх, г2, г3 с вероятностями р (гх) =
= 0.4; р (г2) = 0.3; р (г3) = 0.3, а соответствующие параметры
состояния были заданы так: си — 1, с12 = 4, с13 — 9, с21 = 2,5,
/■22 = 5, С23 = 10.

4.3. ОПРЕДЕЛЕНИЕ КОМПРОМИССНОГО РЕШЕНИЯ ПУТЕМ


ПОСЛЕДОВАТЕЛЬНОЙ РЕДУКЦИИ

В качестве другого подхода для определения компромиссного


•решения оптимизационной задачи 1 предлагается редукция (сокра­
щение) бесконечного множества ц. ф. [7]:
найти max z (х) = стх при с £ С° посредством обращения к
двум крайним ц. ф.:
найти max zmin (х) и max zma!t (х) и поиска решения следующей
задачи векторной оптимизации
Г2min (х) c[x->
III: max = max (4.3.1)
LZmax (X)
Эта редукция ц. ф. связана с уменьшением множества допустимых
компромиссных решений, поскольку полное решение задачи III,
.обозначаемое Е ш ,— есть собственное подмножество множества Ег.
Множество компромиссных решений, однако, не ограничивается
угловыми точками симплекса.
Пример 4.3. В качестве задачи оптимизации вновь используем
задачу из примера 4.1. Для нее система III, полученная путем ре­
дукции ц. ф., дает векторную ц. ф. вида: найти
ГZmin (*1, Ха)] .1 Г0.&,1
Г0-5хх + 1.4*,1
1-4х2
щахч -
j_Zmax (Х х , Х 2 ) + J- (4'3,2)
На рис. 4.1. полное решение Е ш этой задачи векторной оптимизации
соответствует ломаной линии от Р2 к Р„ через Р3, Р4 и Р6. Таким
образом, максимизация крайних ц. ф. приводит к тому, что незави­
симо оттого, какая ц. ф. z(x) = сгх будет истинной, используя ком­
промиссное решение хш, мы всегда получим значение ц. ф,
z(xln) = сгхТп, которое лежит между zmin (хш) и zmax (хш). Чтобы
определить компромиссное решение проблемы III, предлагается
использовать следующую процедуру, предложенную Циммерма­
ном [16], которая не только имеет преимущества простоты вычисле­
ний, но позволяет рассматривать нечеткие ограничения.
По этой процедуре сначала определяется максимум ц. ф. zmt„
и zinaxкак решения обычных ЛП-задач:
Zmin = Шах Zmin (х) — Zmjn (Xmin) (4.3.3)
х
И
Zmax = max Zmax (x) — zmax (xmax). (4.3.4)
X

Если оптимальные решения Xmin и Xmax не определяются одно­


значно, то выбираются векторы решений, которые отличаются на­
иболее сильно.
Обозначив
Zmin — Zmin (Хщах) И Zmax — Zmax (Xmin)>
разумно предположить, что ЛПР желает принять такое решение,
которое имеет свойства:
Zmin (х) ^ Zmin И Zmax (х) ^ Zmax*

Это предположение сокращает множество допустимых решений


до следующего подмножества:
X = {X £ Ж| Zmin (х) ^ Zmin! Zmax (х) ^ Zmax}•
С такой добавочной информацией ЛПР способен выразить свои
цели более точно, введя функции принадлежности (ф. п.), которые
отражают его степень удовлетворения достигнутыми значениями
ц. ф. Для удобства примем, что эти функции линейны и имеют вид

h (х) “ zk при zk ^ z k ( x ) ^ z l k = min, шах;


Ы х) = (4.3.5)
в противном случае.
При выборе такого типа функций ЛПР не обладает дополнитель­
ной информацией. Если, однако, дополнительная (объективная или
субъективная) информация имеется в наличии, то ее можно вклю­
чить в модель. Здесь также можно использовать кусочно-линейные
вогнутые ф. п. и получать решение проблемы векторной оптимиза­
ции путем интерактивного процесса [7].
117
В результате приходим к задаче векторной оптимизации
/min (х)‘
IV: шах
. /max (х)
при условиях
Ах ^ Ь , Х ^ 0.
Очевидно, она имеет то же самое полное решение, что и задача век­
торной оптимизации III, так как преобразование от четкой ц. ф.
zk (х) к нечеткой fk (х) является линейной и строго возрастающей
функцией на соответствующем интервале.
Поскольку необходимо принимать во внимание только те эле­
менты, которые имеют положительную степень принадлежности, то
множество допустимых решений (МДР) задачи IV определяется так:
Xiv = {х£ Ж| /min (х) > 0 И / т а х (х) > 0}. (4.3.6)
Для вычисления компромиссного решения проблемы IV необходи­
мо использовать оператор минимума Заде в качестве функции пред­
почтения.
. Величину А,(х) = min {/min (х); / тах (*)} можно интерпретиро­
вать как выражение степени уд влетворения ЛПР.
Согласно [7], компромиссное решение может быть получено пу­
тем решения следующей ЛП-задачи:
найти max А
при условиях
(^min 2min) A Z (х) ^ Zmin>
(Zmax 2max) A Z (х) ?тах>
А х ^Ь ; А ^О , х ^ О .
Пример 4.4. Для оптимизационной задачи в примере 4.3 ис­
пользование нечетких ц. ф. типа (4.3.5) приводит к ограничению
МДР множеством Xiv (рис. 4.1).
Крайние точки на ломаной линии Р2— Р3 — Р4 — Р8 — Рв,
которые отображают полное решение этой проблемы, принадлежат
множеству Xiv-
Находим
Xmin = [7; 23] и Zmin = 35.7; zmln = 25.2;
Хщах = [28; 8], ? т а х — 368, Zrnax = 223.
Соответствующая модель задачи V принимает вид:
найти
шах А
при условиях
10.5А — 0.5*! — 1.4*2 < 25.2;
145А— 10хх— 11х2< — 223;
А ^ О , Х х , х 2£ Х .

Оптимальное решение этой ЛП-задачи таково [7]:


А* - 0.86, х\ = 12.97, х* = 19.82.
118
4.4. ОПРЕДЕЛЕНИЕ КОМПРОМИССНОГО РЕШЕНИЯ ПУТЕМ
КУСОЧНО-ЛИНЕЙНОЙ РЕДУКЦИИ

На практике ЛПР помимо определения интервалов [cf, с“]


может дать дополнительную информацию по шансам появления зна­
чений параметров с{. Эту информацию следует использовать для
выбора компромиссного решения проблемы так, чтобы векторы ко­
эффициентов ц. ф. с большими шансами использовались более ин­
тенсивно. Если предположить, что ЛПР способен выразить имею­
щуюся информацию в форме
нечетких множеств
С{= {Ci,f(Ct) \ \ ct £ let, Cl),
то возникает проблема, как
учесть информацию, которая
содержится в f (с,).
Для проблемы с линейны­
ми ограничениями, содержа­
щими нечеткие параметры, ряд
авторов [5, 6] предложил зафиксировать конечное множество степе­
ней принадлежности М = (alt а 2, ... аг) £ [0, 1] и заменить каждое
ограничение с нечеткими параметрами на г ограничений с соответст­
вующими интервальными параметрами, имеющими уровень а.
Предположим, что нечеткие множества выпуклые, тогда каждое
а-сечение есть интервал Cf.
Теперь мы должны решить ЛП-задачу с нечеткими параметра­
ми в ц. ф., которая записывается в виде
VI: шах (z(x) = сгх | А х ^ Ь , х^>0}, (4.4.1)
где с £ С° определяется своими ф. п. Д (с(), i = 1, п.
Пример 4.5. Рассмотрим снова задачу примера 4.1 и предпо­
ложим, что ф. п. Д (сх) и Д (с2), приведенные на рис. 4.2 и 4.3, отоб­
ражают идеи ЛПР. Интер­
ес*) • валы, указанные на рис. 4.2
Рис- 4-3 и 4.3, являются а-сечения-
ми для М = {0; 0.25; 0.5;
0.75}.
Что касается реальных
проблем принятия решений,
то ЛПР на практике не ука­
зывает непрерывную функ­
цию принадлежности, а ча­
ще всего задает число степе­
ней принадлежности а и прямо указывает а-сечения (интервалы
для них).
Чтобы найти компромиссное решение, задача линейной оптими­
зации VI с нечеткими параметрами в ц. ф. может быть редуцирована
в линейную оптимизационную задачу с интервальными параметрами
119
вида I путем ограничения базового интервала теми значениями, ко­
торые имеют указанные ЛПР шансы появления.
Для данного примера
с\ = [0.5; 10]; с°™ = [1; 7]; с?-5 = [2; 5]; с»-™ = [3.2; 4,5];
с\ = [1.4; 11]; с»25 = [5; 10]; с»-5 = [6; 9]; с®-75 = [6.5; 7.5].
Независимо от того, какие минимальные шансы появления вы­
браны ЛПР, всегда приходится решать следующую систему ЛП-
задач С интервально заданными параметрами вида

Пример 4.6. Для оптимизационной задачи с нечеткими парамет­


рами в ц. ф. описанной в примерах 4.1 и 4.5 модели, соответству­
ющие а-сечениям с уровнями а = 0; 0,25; 0,50 и 0,75, имеют следу­
ющие полные решения:
Ею = Ег соответствует ломаной линии от Р0 через Р1? Р2, Р3, ...»
Р8 до Р9 на рис. 4.1;
£/о.25 соответствует ломаной ‘линии от Р0 через Р1э Р2, Р2, Р4,
Р5, Р6 к Р7;
£/о.5о соответствует ломаной линии от Р0 через Р1э Р2, Р3, Р4
к Р5;
£/о.75 соответствует ломаной линии от Р2 через Р3 к Р4.
Для каждой из этих г оптимизационных задач с интервально
оцениваемыми параметрами компромиссное решение может быть
вычислено посредством решающей процедуры, которая представ­
лена в п. 4.3.
Ниже рассматривается (процедура) алгоритм определения пары
задач a -уровня, которая учитывает следующие положения [71:
а) коэффициенты ц. ф. с более высокой степенью реализации
имеют более важное значение;
б) насколько возможно, полная кривая ф. п., т. е. все множества
a -уровня, должны рассматриваться одновременно при определении
компромиссного решения.

Алгоритм формирования пары целевых функций


а-уровня
1. Размещение по крайним точкам. Каждая оптимизационная
модель I с интервальными оцениваемыми параметрами сокращает­
ся (редуцируется) до модели векторной оптимизации вида

а$М,

которая содержит параметры c fL = min cf, cf = max cf.


* i * i
2. Вычисление оптимального значения Максимальные зна­
чения ц. ф. Zm“n и Zmax вычисляются в результате решения соответ­
120
ствующих ЛП-задач:
z*“ = z“ (x*“) = max 2%, k = min, max.

Если оптимальные решения Xm“n, Xm“x определяются неодно­


значно для некоторого а, то предлагается выбирать те векторы
Xm“n, Xmax, которые максимально удалены друг от друга.
3. Вычисление минимума ц. ф. z®. Для каждого а вычисляем
минимальные значения ц. ф.
2а- — Zmin ( Xma x )e* Zmax “ Zmax ( Xm in )’
которые должны быть превышены в любом случае.
4. Выбор подходящей функции принадлежности. При рассмот­
рении каждой оптимизационной модели Ш а а ^ М ц. ф. заменя­
ется на функцию принадлежности /* k = min, max, которая отра­
жает степень удовлетворения ЛПР значением (х). Если исполь­
зуются линейные ф. п., то они имеют вид [71:
_____ „ос ОС „*ос.
При Zk ^ ^ ,
/?(х) = гь ~ гъ (4.4.2)
О при z“ (x)<z® .
Чтобы учесть информацию обо всех множествах a -уровня, необхо­
димо найти решение следующей задачи векторной оптимизации:
" /m in (X ) "
rOCi
1 max (X)
fa*
/m in (X)
fa*
шах / max (X)

f -min
1 r (X)
fr
— ' max (X)_

4.5. МОДЕЛЬ ЭКВИВАЛЕНТНОМ ЛП-ЗАДАЧИ

При использовании линейных ф. п. компромиссное решение


VII может быть получено как решение следующей ЛП-задачи:
найти
max А,
при условиях
(г*®— z“)A.— г“ (х )< ;— z“ , k = min, max (4.5.1)
Ах b; х ^ 0.
Пример 4.7. Для оптимизационных задач уровня а с интерваль-
но заданными параметрами в примере 4.5 множества допустимых
121
решений Xfn отмечены на рис. 4.4. Множество допустимых решений
векторной оптимизации VII представляет собой пересечение МДР
Xfv задач векторной оптимизации вида:
найти
/min (х)
шах (4.5.2)

при условиях А х ^ Ь , х > О,


т. е.
Хуп = «ем X“v • (4-5-3)

Замечание 2. Если ограничения аналогично содержат нечеткие


коэффициенты, то нечеткие ограничения следует заменить на систе­
му ограничений с интервальными коэффициентами. Поэтому ос-
сечения (а £ М) должны быть сформированы для каждого значе­
ния нечеткого параметра а таким образом, чтобы получить различ­
ные системы ограничений вида
А“ Х < Ь , Х > 0 . (4.5.4).
Если обозначить МДР задачи (4.5.4) через ха, то тогда множество X
допустимых решений соответствующих моделей VII есть подмно­
жество множества
п
X = а£М Ха.

122
Тогда МДР соответствующей модели VIII получается путем доба­
вочного рассмотрения ограничений
VIII: X = {х£ X |z “ ( x ) ^ z “ , V £ = min, шах}.
Чтобы учесть влияние всех a -задач на компромиссное решение,
существенно важно, чтобы ни для одного уровня а соответствующее
полное решение не состояло только из одного элемента, ибо в про­
тивном случае полное решение Дуц содержит или только 1 элемент,
или пустое множество.
Пример 4.8. Для оптимизационной задачи в примере 4.5 множест­
во допустимых решений (МДР) Хуц представляет симплекс с угло­
выми точками Р*, Р2, Р3 на рис. 4.4 и полное решение Дуц соответ­
ствует ломаной линии от Р2 к Р3. Соответствующее компромиссное
решение соответствующей задачи VII имеет вид [7]:
максимизировать А
при условиях
10.5А— 0.5хг — 1.4х2^ — 25.2;
145Л, — 10.0*! — 11х2 < —223.0;
19А.— 1лгх— 5л:2< 106;
42А — 7хг — 10х2 < — 250;
4А — 2хх— 6х2 ^ — 148;
3.7А — 3.2хх — 0.5ха < — 168.2;
ЗА. — 4.5xx — 7.5л:2 ^ — 204;
А > 0 , (дг1( х 2) £ Х .

Решив эту задачу, получим А* = 0.501, х} = [9; 22]. Это опти­


мальное решение дает следующее среднее значение ц. ф.:

4 = 4- £ <*2i„ 4
( ) + ( 4 -» 192.45.

Устойчивость решений, относящихся к разным


а -уровням
Чтобы оценить более строго качество получаемого решения х£,
предлагается определять значения функций принадлежности f* (х£)
для этого решения для всех целевых функций, соответствующих
крайним точкам. Разумеется, эти значения отражают степень удов­
летворенности ЛПР достигнутыми значениями ц. ф. Zk (х£).
В частности, используя линейные ф. п., вычисляем

= г* ^
fk ( x f ) У , k = min, max. (4.5.5)
Ч ~ г“
Это значение характеризует относительный диапазон между мини­
мальным значением ц. ф. г“ и максимально возможным г*а.
123
Таблица 4.2
0.75 0.7 5 0.2 5 0.25
min max г 05
mm г05
max min max *».
min г°max

fk (*f) 0.97 0.50 0,50 0.87 0.68 0.79 0.96 0.75

Пример 4.9. В табл. 4.2 приведены значения ф. п. для примера


4.8 [7]. Их анализ показывает, что соответствующий диапазон воз­
можного улучшения цели был использован не менее чем на 50 %
для целевых функций всех крайних точек.
Сравним результаты примера 4.4, где принимался во внимание
только уровень а = 0. Вычисленное компромиссное решение xj =
= [12.97, 19.82] дает очень высокую степень удовлетворения (при­
надлежности) для обоих ц. ф.:
/m in — /ш а х = 0 .8 6 .

Игнорирование a -уровней при а = 0.25, 0.50 и 0.75, т. е. отказ


от использования информации о шансах появления коэффициентов
ц. ф. для этих значений а, имеет тот недостаток, что получаются
более худшие результаты для ряда ц. ф., соответствующих неко­
торым а (табл. 4.3).
Таблица 4.3

0.7 5 0 75 г 0 .5 ,0 . 2 5 ,0 .2 6
г 0 *5
z m in m ax m in m ax z m in z m ax

fU<) 0.58 1.0 0.91 0.9 0.32 0.93

Так, для ц. ф. Zmfn (х) решение xj ведет к недопустимому зна­


чению Zmin (хо) = 144.86 < = 148. Следовательно, при ис­
пользовании дополнительной информации по a -уровням получается
более качественное решение.
Как следует из табл. 4.2, решение х£ из примера 4.8 определя­
ется двумя ц.
ф.: z^fn
(х) и Zmax
(х). Поэтому модель, в которой не
учитываются уровни а = 0.0 и а = 0.25, дает то же решение х£.
С другой стороны, следует ожидать другого решения, если ЛПР
базируется на ц. ф. со значениями функций принадлежности, боль­
шими или равными 0.75. Соответствующая оптимизационная модель
(IV, а = 0.75) дает решение
X*0-75 = [10.8; 21.10], %= п(х*0'75) = /max (X*075) = 0.95.
Решение х*0'75, следовательно, оказывается весьма хорошим,
если ЛПР желает учесть этот малый интервал вариации с/. Однако
это решение ведет к заметно худшим результатам, если истинными
оказываются значения коэффициентов вне этого узкого диапазона
(табл. 4.4).
И24
Таблица 4.4

г0.5 г 0.5 0.25 0.25


zmin m ax m in m ax 2°.
mm

m ax

/ ? (X*0 75) 0.05 0.99 0.54 0.87 0.93 0.81

В примере 4.5 ф. п. fx (сх) и /2 (с2) были сконструированы так,


что для каждого а множество допустимых решений Хш системы
Ш а не являлось подмножеством другого множества Хш (при дру­
гом а), как это могло бы быть.
Если функцию Д (сх) изменить так, что крутизна справа от пика
несколько уменьшится (рис. 4.5), в то время, как другая функция
/2 (с2) ос ается неизменной, то
МДР системы будут обладать
свойством:
v 0.75 v 0.5 жг 0.25
ЛЦ| сZ А ш с I Х ш .
В этом случае оптимизаци­
онная задача VIII имеет ре­
шение:
%* = 0.406, хр = П2.95;
19.83].
Если этот результат проанализировать с точки зрения степеней
удовлетворения, достигаемой для пар ц. ф., соответствующих раз­
личным а , то, как следует из табл. 4.5, компромиссное решение
определяют ц. ф. Z^n и Z^ax, для которых значения ц. ф. наимень­
шие.
Таблица 4.5

0.75 -0.75 г °.5 г 0.5 -0.25 0.25


z m in m ax mm m ax z min z m ax *m in z m ax

fk ( * /) 0.71 0.81 0.406 0.90 0.57 0.865 0.89 0.406

Если игнорировать уровень а = 0, то оптимизационная модель


VIII ведет к решению %* — 0.75, хр = [10.0; 21.50].
Так как это решение определяется целевыми функциям»
Zmax и 2min. то, естественно, что оно не изменится, если дополни­
тельно не учитывать также и уровень а — 0.25.

4.6. МНОГОКРИТЕРИАЛЬНОЕ НЕЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ


С НЕЧЕТКИМИ ПАРАМЕТРАМИ

Рассмотрим теперь более общий случай задач многокритериаль­


ного нелинейного программирования (МК НП) с нечеткими пара­
метрами. Предлагаемый подход к их решению использует понятие
Парето-оптимальности а-уровня.
126
Парето-оптимальность уровня а
В общем случае задача МКНП представляется как задача век­
торной оптимизации:
найти
m in/(x) = [/,(*). / 2 (х).......... /* (х)] (4.6.1)
при условиях
X€ Ж= {х е Еп, gj ( х ) < 0, / = 1, т, (4.6.2)
где х — /г-мерный вектор переменных решения; [Д (х), fk (х)] —
различных целевых функций (ц. ф.); [gi (х) ^ О, gm (х) ^ 0] —
множество допустимых решений (МДР).
Фундаментальным понятием для задач многокритериальной оп­
тимизации является понятие Парето-оптимальности [1], которое
известно также, как неулучшаемое решение. Качественно Парето-
оптимальное решение МКНП — это такое решение, в котором лю­
бое улучшение одной целевой функции может быть достигнуто толь­
ко за счет других ц. ф. Формальное определение Парето-оптималь­
ности задач МКНП дается ниже.
Определение 4.1. Решение х* £ Ж называется Парето-опти-
мальным решением МКНП тогда и только тогда, когда не сущест­
вует другого вектора х £ Ж* такого, что f{ (х) ^ f { (х*) для i =
= 1, &, причем хотя бы для одного i это ограничение выполняется
строго.
Во многих случаях на практике можно полагать, что в значе­
ниях параметров, входящих в ц. ф., имеются неоднозначности, ко­
торые отражают понимание экспертами реальной среды. В этом слу­
чае целесообразно рассмотреть МКНП-задачи с нечеткими парамет­
рами в описании целевых функций и ограничений:
найти

min f (х, а) = [Д (х, a x), . . . , f k (x, aft)] (4.6.3)


лри условиях
х£Ж = { x £ £ n |gy(x, b ) < 0 , / = 1, т],

где а, = [ац, а(2, . . . , aip], b ] = [blt, Ьр .......... biqj\ означают соот­


ветственно вектор нечетких параметров, включенных в ц. ф. Д (х,
а,), и ограничения g,- (х, Ь/).
Эти нечеткие параметры предполагаются нечеткими числами,
которые введены Дюбуа и Прэйдом [2, 3].
Вещественное нечеткое число р — это выпуклое непрерывное
нечеткое подмножество числовой оси, функция принадлежности
jx (р) которого определяется следующим образом:
1) р (р) : Ех [0, 1];
2) р (р) = 0 для всех р £ (— оо, />,);
3) р (р) — строго возрастающая функция на интервале lplt р2];
126
4) р (р) = 1 для всех р £ [р2, р3]; ju.(p)
5) р (р) — строго убывает на ин­ Рис. 4.6
тервале [р3, р4]; 1
6) р (р) = 0 для всех р £ [р4, оо].
Возможный вид ф. п. для нечеткого
числа приведен на рис. 4.6.
Предположим далее, что air и Ьр в / \ .
нечетком МКНП суть нечеткие числа ®
с функциями принадлежности соот­ А Рг Рз Рл Р
ветственно р (а,>)и р (bis). Для простоты обозначений определим
следующие векторы: 'V
= [ап, а{2, . . . , afp<], by = [bp, bp, . . . , bjS]‘,

A = [a1( aa, . . . , aft], A = [ax, a2.......... a*];

В = [b1( b2, . . . bm], В = [bx, b2, . . . , b j .


Тогда мы можем ввести следующее множество уровня а или а-
сечение нечетких чисел а,> и Ьр.
Определение 4.2. Множеством уровня а нечетких чисел air
(i = 1, k, г = 1, р{) и bp (j = 1, m, s = 1, 9/) называется множест­
во La (a, b), для которого степень их функций принадлежности пре­
вышает величину а , т. е.
La (a,b) = {(a, b )|p (a fr) > a , i = T7^, г = ~ р { j ^ б 4)
р (bis) > а, / = 1, т, s = 1, <7/ J
Ясно, что множества уровня а обладают следующим свойством:
оц ^ а а тогда и только тогда, когда La, (а, Ь) о Lat (а, Ь). Для не­
которого заданного ср задача нечеткого МКНП может трактоваться
как следующая а-МКНП-задача [10].
Найти
m in/ (х, а) = min [fx (х, аг), , fk (x, ak)\ (4.6.5)
при условии

xgX(b) = {х£ £ " |g y (x , b ,) < 0 , j = 1, m, (a, b)£ La (a, b). (4.6.6)


Следует подчеркнуть, что в а-МКНП-задаче параметры (а,
Ь) рассматриваются как переменные решения, а не константы. Ис­
пользуя множества уровня а нечетких чисел, введем понятие Паре-
то-оптимальных решений для нечетких а-МКНП-задач [10, 11].
Определение 4.3. Вектор х* £ Ж(Ь) называют а-Парето оп­
тимальным решением задачи (4.6.5) — (4.6.6) тогда и только
тогда, когда не существует другого х £ Ж (b), (a, b) £ La (а, Ь)
такого, что f{ (х, at) ^ f{ (х*, а{), i = 1, k, и строгое неравенство
127
выполняется, по крайней мере, для одного i, где соответствующие
величины параметров (а*, Ь*) называются оптимальными парамет­
рами уровня а.
Важно отметить, что из свойства множества а уровня вытекает
следующее утверждение ПО].
Утверждение 4.1. Пусть х1 и х2 — Парето-оптимальные реше­
ния уровня ol1 и а 2 соответственно и (а1, Ь1) и (а2, Ь2) — соответ­
ствующие оптимальные параметры уровня а и и а 2 МКНП-задачи.
Если ^ а 2,лю тогда существуют х2н - ( а 2, й2) такие, что /^х ,
а 1) ^ / (х, а2) для любого х1 и (а1, Ь1). Как следует из данного опре­
деления, обычно а-Парето-оптимальные решения состоят из бес­
численного множества точек и ЛПР должен выбрать свой компро­
мисс или удовлетворительное решение среди а-Парето-оптималь-
яых решений, основанных на его субъективных суждениях.
Чтобы сгенерировать кандидата на удовлетворительное реше­
ние, которое является также и Парето-оптимальным, ЛПР просят
определить степень а множества a -уровня и эталонные уровни дос­
тижения значений ц. ф., которые называют эталонными уровнями.
Для указанных ЛПР степени а и эталонных уровней Д, i =
— \, k соответствующее а-Парето-оптимальное решение, которое
близко к его требованиям или лучше их (если эталонные уровни
достижимы), получается путем решения следующей минимаксной
задачи (в предположении, что разности (Д (х, а{ )— Д) имеют оди­
наковую важность для ЛПР):
найти
min шах [/ (х, а() — Д] (4.6.7)
*€ЭС(Ь) (
(a, b) g La (а, Ь)
или эквивалентно:
найти
min v (4.6.8)
при условии
М х, — i = T7k, (4.6.9)
(a, b) £ La (a, b),
(4.6.10)
x £ Ж(b).
Следует подчеркнуть, что минимаксная задача используется как
средство генерации а-Парето-оптимальных решений, и если ЛПР
не удовлетворен текущим а-Парето-оптимальным решением, то
возможно улучшить это решение путем корректировки его эталон­
ных уровней.
Взаимосвязи между оптимальными решениями минимаксной
проблемы и понятием а-Парето-оптимальности МКНП-задачи опи­
сываются следующими теоремами [10].
Теорема 4.1. Если (х*, v*, а*, Ь*) — единственное оптимальное
решение минимаксной задачи для некоторого } =[Д , /2, ... Д], то
тогда х* — а-Парето-оптимальное решение для а-МКНП-задачи.
128
Д о к а з а т е л ь с т в о . Предположим, что х* не является
а-Парето-оптимальным решением задачи МКНП. Тогда существует
х £ Ж (Ь) и (a, b) £ L a (а, b) такие, что / (х, а) ^ / (х*, а*).
Отсюда следует, что
шах [/, (х, а() — /,] < шах [ft (х*, а{) — }{],
t i
что противоречит тому факту, что (х*, v*, а*, Ь*) — единственное
оптимальное решение минимаксной задачи. Отсюда х* — а-Парето-
оптимальное решение а-МКНП-задачи.
Теорема 4.2. Если х* — а-Парето-оптимальное решение и
(а*, Ь*) — оптимальные параметры a-уровня в а-МКНП-задаче,
то существует f = [/„ /2, ..., ]k\ такой, что (х*, v*f а*, Ь*) —
оптимальное решение минимаксной задачи.
Д о к а з а т е л ь с т в о . Предположим, что (х*, о*, а*, Ь*) —
не оптимальное решение минимаксной задачи для любого f, удов­
летворяющего условию: h (х*, а*) — = ...= fk (х*, a'k) — fk =
= v*. Тогда существуют х £ Ж (Ь) и (a, b) £ La (а, Ь) такие, что
шах (/, (х, at) — /д < max (f, (x*, a*) — ft) = v*.
i i
Отсюда следует, что
max (fi (х, at) — fi(x*, a'( )) < 0 .

Теперь если любая разность f t (х, а() — / (х*, а*) — положитель­


на или равна 0, то это неравенство будет нарушено. Отсюда должно
выполняться / (х, а) — / (х*, а*) < 0, что противоречит допущению,
что х* — a -Парето-оптимальное решение и (а*, Ь*) — оптимальные
параметры a -уровня. Теорема доказана.
Если же оптимальное решение минимаксной задачи (х*, и*,
а*, Ь*) не однозначно, то мы можем проверить а-Парето-оптималь-
ность для х*, решив следующую задачу: найти
k
шах £ *i (4.6.11)
i=i
при условиях
A (X, а{) + е, = / (х*, а*у, е, > 0, г = 17* (4.6.12)

x € * (b ), (a ,b ) € L a (a,b).
Пусть (х, а, Ь) — оптимальное решение (4.6.11) — (4.6.12). Если
все е( = 0, то тогда х* — а-Парето-оптимальное решение. Если
же хотя бы одно е, > 0, то тогда можно легко показать, что х
является а-Парето-оптимальным.

g 423
129
Уровни компромисса (зам ещ ения)

Определив а-Парето-оптимальное решение для заданных вели­


чин « и эталонных уровней путем решения соответствующей мини­
максной задачи, ЛПР может быть либо удовлетворен текущим
а-Парето-оптимальным решением и степенью а либо подкорректиро­
вать их. Чтобы помочь ЛПР выразить степень его предпочтения, ис­
пользуется информация о компромиссах между текущей целевой функ­
цией fi и любой другой ц. ф. /у, а также между степенью а и ц. ф. Д.
Такая информация о компромиссах может быть легко получена,
так как она тесно связана со строго положительными множителя­
ми Лагранжа минимаксной задачи.
Чтобы получить информацию о компромиссах (замещении),
определим сначала функцию Лагранжа для минимаксной задачи
(4.6.7) — (4.6.10) в следующем виде:
L (х, v, a, b), к,, ке, 'f, а) = v + £ kft [f{ (х, а() — Jt — v] +
i

+ 21 (x) + i2 2 ^ °ir (a—^


—l r = 1
+22
/ Л
^/s(a—M
-(M)-
В дальнейшем для удобства обозначений будем указывать перемен­
ные решения в минимаксной задаче (4.6.7) — (4.6.10) как (х, и,
а, Ь) и предположим, что минимаксная задача имеет одно един­
ственное локально оптимальное решение, которое удовлетворяет
следующим 3 допущениям [10].
Допущение 1. Y* — регулярная точка ограничений минимакс­
ной задачи.
Допущение 2. Достаточные условия второго порядка удовлетво­
ряются в точке Y*.
Допущение 3 . В точке Y* нет вырожденных ограничений. Тог­
да справедлива следующая теорема существования, основанная на
теореме о неявной функции [10].
Теорема 4.3. Пусть Y* = (х*, v *, а*, Ь*) — единственное
локальное решение минимаксной задачи (4.6.8) — (4.6.10), удов­
летворяющее допущениям 1, 2, 3 . Пусть А* = [fy*, Va,
обозначает множители Лагранжа, соответствующие ограниче­
ниям (4.6.9) — (4.6.10). Тогда существуют непрерывно дифферен­
цируемые вектор-функции Y (•) и Л (•), определенные в некоторой
окрестности N (а*), такие, что
Y(a*)=Y*, Л (а*) = А*,
где Y (а*) — единственное локально оптимальное решение мини­
максной задачи (4.6.8) — (4.6.10) для любого а £ N (а*), удов­
летворяющего ограничениям 1, 2, 3, и А (а) — вектор множителей
Лагранжа, удовлетворяющий ограничениям (4.6.9) — (4.6.10).
В теореме 4.3 величина

min /<(х > t = 1 ,2 , . • • , (з> Ь) £ L a (a, b)


х £ Ж(Ь)
130
может рассматриваться как оптимальное значение целевой функции
в минимаксной задаче (4.6.8) — (4.6.10) для любого а £ N (а).
Поэтому следующая теорема выполняется при тех же самых огра­
ничениях, что и теорема 4.3 [10].
Теорема 4.4. Если все допущения в теореме 4.3 удовлетворяются,
то выполняется следующее соотношение в некоторой окрестности
N (а*):
л Г| дг k Pi т Qf
•Иг—S— i= 1 r = 1
+ / = 1 S = 1
(4-в'З)
Если все ограничения (4.6.9) минимаксной задачи активные, а имен­
но, если v (а*) = Д (х (а*), щ (а*)) — Д для всех i, то справедли­
ва следующая теорема [10].
Теорема 4.5. Пусть все допущения теоремы 4.3 удовлетворяют­
ся. Предположим также, что все ограничения (4.6.9) минимаксной
задачи активны. Тогда выполняется соотношение
dft (х, а.) k Pi Л т ши
да [а=а* = S 2 + S S V * 1 = 1.......k• (4-6-14)
i = l Г= 1 /= 1 s = l

Рассматривая уровень замещения между Д (х) и Д (х) для всех


t = 2, 3, ..., k, можно доказать справедливость следующей теоре­
мы [10].
Теорема 4.6. Пусть все допущения теоремы 4.3 выполняются.
Предположим также, что ограничения (4.6.9) — активны. Тогда
справедливо соотношение
дД (х, а{)
i = 2, k. (4.6.15)
dfi (х, «0 Y =Y*
Необходимо отметить, что для того чтобы получить информацию
о величинах замещений из (4.6.14) и (4.6.15), все ограничения (4.6.9)
минимаксной задачи должны быть активными. Поэтому, если есть
неактивные ограничения, то необходимо заменить Д для неактив­
ного ограничения на Д (х*, а*) и решить соответствующую мини­
максную проблему для нахождения множителей Лагранжа.

Интерактивный алгоритм
Следуя вышеприведенным рассуждениям, мы можем теперь по­
строить интерактивный алгоритм, чтобы получить решение, удов­
летворяющее ЛПР, из множества а-Парето-оптимальных решений.
Шаги, отмеченные звездочкой, включают взаимодействия ЭВМ с
ЛПР [10].
Ш а г 1. Вычислить индивидуальный минимум и максимум для
каждой ц. ф. при заданных ограничениях для а = 0 и а = 1.
Ш а г 2. Попросить ЛПР выбрать начальное значение а (0 <
< а < 1) и начальные эталонные уровни Д, i = 1 ,2 , ..., k.
Ш а г 3. Для выбранных значений а и {Д} решить минимак­
сную задачу и выполнить тест на проверку а-Парето-оптимальности.
6* 131
Ш а г 4. ЛПР сообщаются соответствующее а-Парето-оптималь-
ное решение и уровни замещения (обмена) между ц. ф. и степенью а.
Если ЛПР удовлетворен текущими значениями ц. ф. и а , то ко­
нец. Иначе ЛПР может скорректировать эталонные уровни и/или
степень а, рассмотрев текущие значения ц. ф. и а вместе с уровнями
(величинами) замещения между ц. ф. и а, и возвратиться к шагу 3.
Здесь следует подчеркнуть для ЛПР, что
1) любое улучшение одной ц. ф. может быть достигнуто только
за счет ухудшения, по крайней мере, одной из ц. ф. для некоторого
фиксированного а;
2) увеличение уровня а приводит к ухудшению зйачений ц. ф-
при некоторых фиксированных значениях эталонных уровней Д.

Программа определения оь-Парето- оптимальных


решений многокритериальных НП-задач
Согласно методу М. Сакава и Г. Ено [11] разработанная про­
грамма реализована на языке FORTRAN. Программа состоит из
7000 строк утверждений. Текущая версия программы позволяет
решать задачи с 100 переменными, 50 ограничениями и 10 ц. ф.
Программа состоит из головной подпрограммы МАШ и нескольких
подпрограмм типа Subroutine. Дадим описание основных процедур
программы.
1. MINIMAX: Определяет и выводит на экран локальный ми­
нимум и максимум для каждой из ц. ф. при заданных ограничениях
для а = 0 и а = 1.
2. MF: Выводит функцию принадлежности (ф. п.), полученную
от ЛПР для каждой из ц. ф.
3. GRAPH: В графическом виде отображает форму ф. п. для
каждой из ц. ф.
4. GO: Производит поиск удовлетворительного (локального)
решения для ЛПР из множества локальных а-Парето-оптимальных
решений путем коррекции уровней соответствия ф. п.
и/или величины а.
5. STOP: Выход из программы.
6. SAVE: Хранение всей необходимой информации в файле.
7. READ: Восстанавливает информацию, которая хранилась
в файле.
В этой программе ЛПР может выбрать свою ф. п. субъективным
образом из следующих 5 типов функций: линейной, экспоненциаль­
ной, гиперболической, обратно-гиперболической и кусочно-линей­
ной. Далее значения параметров определяются путем взаимодей­
ствия ЭВМ с ЛПР.
Предполагается, что р,^ (х) = 0, если ft (х) > jf*9 и р,^ (х) =
= 1, если f{ (х) = где j f — неприемлемый уровень значений
для ц. ф. U (х), fP — максимально желательный.
С целью простоты задания и обозначений в программе использу­
ются следующие виды нечетких ф. п. для задач минимизации.
132
1. Л и н е й н а я ф. п .

(*) =
f\-n *
2. Экспоненциальная ф. п.
Ptf w = «1 (1 - exp ( - pt (A- (x) - /?)//{- /?))).
Экспоненциальная форма может быть определена путем опроса ЛПР
с целью установления трех значений /?, /®'5 и в пределах /” |П
и /™ах, где Р — параметр формы экспоненты.
3. Гиперболическая ф. п.

Pit (*) = 4 " ten h (Pi (/i (*) — Yi)) + Si-


Здесь ЭВМ просит ЛПР указать 4 точки /?, /?'5, /г и у* в пределах
/ Г х и /Г’", где Р — параметр формы, а у связан с точкой перегиба.
4. Обратная гиперболическая ф. п.
\if( (х) = а( tan ft-1(Р; (А- (х) — yt)) + 6,.
5. Кусочно-линейная ф. п.
Ni
P l t ( х ) = £ а«/1f t (*) — g i t I + Рift ( х ) + Yi-
/= i
В данном случае предполагается, что pf. (х) = tirf{ (дс) + sir
для каждого сегмента gir-\ ^ /,• (х) ^ g ir, где tir — угловой
коэффициент наклона для отрезка кривой, который начинается в
т. gir~\ и заканчивается в gtr. Кусочно-линейная ф. п. может
быть определена путем просьбы к ЛПР определить значение ф. п.
для каждого из нескольких значений п. ф. в пределах /™ах и /™п.
Пример 4.10. В качестве иллюстративного примера рассмотрим
следующую задачу.
Рассматривается задача МКНП с тремя ц. ф. и нечеткими пара­
метрами:
найти
min А (х, а х) = (хх + 5)2 + а и х2 + 2 (х3 — а 12)2;

min f2 (х, а.г) = а21 (хг — 45)2 + (х2 + 15>2 + 3 (х3 + а22)2;

equal* / 3 (х, а3) = a3V (хх + 20)2+ о32 (х2 — 45)2 + (х3 + 15)2
ЧЛЛЛЛЛЛЛ1 W\ \ЛЛ

при ограничении
gi (х, bj) = Ьц х2 + Ь12х| + Ьп х23< 100,
\ЛЛ W W»

где 0 < х,- < 100, i — 1 ,2 ,3 .


♦Оператор equal / 3 (х, а3) означает, что значение ц. ф. должно быть примерно
равным (в нечетком смысле) некоторому нечеткому числу, функция принадлеж­
ности которого задается ниже.

13?
Таблица 4.6

Тк[П
Pi Pt р* Pi

левый правый

« ii 3.8 4.0 4.0 4.3 L E


«12 48.5 l 50.0 50.0 52.0 E E
«21 1.85; 2.0 2.0 2.2 E L
«22 18.2 20.0 20.0 22.5 L E
«31 2.9 3.0 3.0 3.15 E L
«82 4.7 5.0 5.0 5.35 L L
в 11 0.9 1.0 1.0 1.1 E E
«12 0.8 1.0 1.0 1.2 E E
«13 0.85: 1,0 1.0 1.15 E L

Таблица 4.7

И тераци и

l l ^ | з1 4 1 5

Pi 1 0,5 0,55 0,55 0.65


\h 1 0,6 0,50 0,50 0,55
Из 1 0.8 0.75 0.75 0.75
a 0.9 0.9 0.9 0.7 0.7
Pi 0.5678 0.4558 0.5543 0.5979 0.6392
p2 0.5678 0.5558 0.5043 0.5479 0.5392
Рз 0.5678 0.7558 0.7543 0.7979 0.7392
h 4917.7 5048 4934.9 4877.16 4816.81
h 4475.2 4496.28 4591.57 4510.35 4526.11
fs 10828.78 10 422.53 10425 10342.49 10455.0
4 8.4567 8.0461 7.9090 8.1024 8.1775
X2 5.2592 6.0275 6.0594 6.0905 5.8785
X3 1.8210 1.2689 1.8437 1.9837 2.2585
— dfi2/dpi 0,6433 0.4845 0.5757 0.6824 0.7638
— ф з /^pj 1.5303 1.2998 1.6415 1.9187 2.1046
— дщ/д a 0.2143 0.2390 0.2164 0.2193 0.2074

Вид и параметры ф. п. для нечетких чисел ап , а12, а21, а22, а31,


^32> ^12» ^1з приведены в табл. 4.6, где L и Е обозначают линей­
ную и экспоненциальную ф. п. соответственно.
Предположим, что в данном примере ЛПР установил следующие
ф. п. и соответственно оценочные значения для трех ц. ф.
1) fx Экспоненциальная: [/?, /?’5, /{] = [5400, 5000, 3300],
2) f2 Гиперболическая: [/?, /г 5, /г, Ь2] = [6900, 4600, 3900, 4400].
134
левая ветвь — экспоненциальная: [/§, /з'5, /з! = [7800,8200,
3) fa = 10 000]; правая ветвь — обратная гиперболическая: [/з,
/з-5, /з, 6,1 = ПЗ 300, 11 000, 10 000, 12 000].
Итерационный процесс поиска решения МК-задачи нечеткого
программирования, удовлетворяющего ЛПР, приведен в табл. 4.7.
СПИСОК ИСПОЛЬЗОВАННОЙ И РЕКОМ ЕНДУЕМ ОЙ Л И ТЕ РА Т У РЫ
1. Подиновский В. В ., Ногин В. Д . Парето-оптимальные решения многокрите­
риальных задач.— М. : Наука, 1982.
2. D. Dubois. Н . Prade. Fuzzy Sets and Systems. Theory and applicasions. Acad.
Press. N. York, 1980.
3. D. Dubois, H . Prade. Systems of linear fuzzy constraints. Fuzzy sets and Sys­
tems. Vol. 20, N 3.— 1980.
4. Я. Leberling. On binding comromise solutoins in m ulticriteria problems using
fuzzy minimum opetrator Fuzzy Sets and Systems,— 1981.— N 6.
6. K. Nakamura. Some extensions of fuzzy linear programming. Fuzzy Sets and
Systems.— 1984.— N 14.
6. С. V. Negoita, S . Minon, E . Stan. On considering imprecision in dynamic line­
ar programming. Economic Computations and Economic Cybernetics. Stuches
and Research.— 1976.— N 3.
7. H. Rommelfarger, R . Hanuschek, J . Wolf. Linear programming w ith fuzzy obje­
ctives. Fuzzy Sets and Systems.— 1989.— Vol 29, N 1.
8. S . A . Orlovsky. Multiobjective programming problems w ith fuzzy parameters.
Control and Cybernetics, 1984.— 13 (3).
10. M . Sakawa, H. Jano. Interactive fuzzy decision — making for multiobjective
non-linear programming with fuzzy parameters. Fuzzy Sets and Systems, 1989.—
Vol. 29, N 3.
11. M . Sakava, H. Jano. An interactive fuzzy satisficing method for m ultiobjecti­
ve non—linear programming problems with fuzzy parameters. Fuzzy Sets and
Systems, 1989.— Vol. 30, № 3.
12. Я. Tanaka, K. Asui. Fuzzy linear programming with guzzy numbers. Fuzzy Sets
and Systems, 1984.— Vol. 13, N 1.
13. Я . Tanaka, H. Ichibashi, К . Asai. Fuzzy decision in linear programming prob­
lems with trapezoid parameters, in J . Kacpzyk, R. R. Jager. Eds, Management
Decision Support Systems using Fuzzy Sets and Possibility Theory. Verlag Koln,
1985.
14. L. A . Zadeh. The Concept of a linguistic variable and its application to
approxomat reasoning, Inf. Sci., 1975.— N 8.
15. L. A . Zaden, R. Bellman. Decision — making in a fuzzy environm ent/ / Man.
Sci.— 1970.— Vol. 17.
16. H. J. Zimmermann. Fuzzy programming and linear programming with several
objective functions. Fuzzy Sets and Systems.— 1978.— N К

Глава 5
ПРИНЯТИЕ РЕШЕНИЙ НА ОСНОВЕ ЛИНГВИСТИЧЕСКОЙ
ПЕРЕМЕННОЙ

5.1. ПОНЯТИЕ ЛИНГВИСТИЧЕСКОЙ ПЕРЕМ ЕННОЙ.


ВЗАИМ О СВЯЗИ М ЕЖ ДУ НЕЧЕТКИ М И И ЛИНГВИСТИЧЕСКИМ И
ПЕРЕМ ЕН НЫ М И

В гл. 3.4 мы познакомились с нечеткими переменными (множест­


вами), а также методами принятия решений при нечеткой исходной
информации, использующими аппарат нечеткого математического
программирования.
135
Напомним, что нечеткой переменной называется кортеж (а, X,
С>, где а — наименование нечеткой переменной, X = {х\ —
область ее определения, С = (J ра (х) — нечеткое множество на
х£Х
Х у описывающее ограничения на возможные значения нечеткой
переменной а [3].
На практике мы часто высказываем суждения, в которых оцен­
ки носят приближенный характер. Например, этот человек выше
среднего роста, или «он мне
показался очень высоким».
В данном контексте перемен­
ная «рост человека» является
нечетко определенной, тесно
связанной с субъективными
оценками ЛПР. Здесь мы встре­
чаемся с так называемыми
«лингвистическими перемен-
х ными», которые впервые были
введены Заде [3].
Определение 5.1. Лингви­
стической переменной называется кортеж (Р, Т> X, G, М), где р —
наименование лингвистической переменной, Т — множество ее значе­
ний (или термов), представляющих собой наименования нечетких
переменных, областью определения каждой из которых является
множество X (рис. 5.1).
Множество Т будем называть базовым терм-множеством лин­
гвистической переменной, G — синтаксическая процедура (в част­
ности, формальная грамматика), описывающая процесс образова­
ния новых, осмысленных для дан- ttnnnn nmnnunnmk. тпйиап
ной задачи управления значении р ------Высокая стоим ость сто и м о сть;
лингвистической переменной, исхо- wr
дя из ее терм-множества. Множество
Т° = Т (J G (Т) назовем расширен- а5'
ным терм-множеством лингвистиче­
ской переменной, М — семантиче­ 5000
ской процедурой, позволяющей 2500
тыс.руо
превратить каждое новое значение Ри с. 5.2
лингвистической переменной, обра­
зуемое процедурой G, в нечеткую переменную, т. е. приписать ему
некоторую семантику, путем формирования соответствующего нечет­
кого множества.
Пример 5.1. Пусть ЛПР оценивает стоимость выпуска продукции
с помощью понятий «малая», «небольшая», «средняя» и «высокая».
Пусть максимальная стоимость продукции равна 5 тыс. руб.
Формализация такого описания может быть проведена с помощью
следующей лингвистической переменной:
(СТОИМОСТЬ, Ту [0,50000], Gy М),
Тг т2 т3
где Т = {МАЛАЯ, СРЕДНЯЯ, ВЫСОКАЯ}; G — процедура пе­
136
ребора элементов множества Т\ М — процедура экспертного опро­
са. На рис. 5.2 показаны функции принадлежности (ф. п.) соответ­
ствующих нечетких переменных Тъ Т 2, Т3.
В зависимости от характера множества X лингвистические пере­
менные могут быть разделены на числовые и нечисловые.
Числовой называется лингвистическая переменная, для которой
область определения X есть подмножество числовой оси Rlt X с : Rx.
Нечеткие переменные, соответствующие значениям числовой лингви­
стической переменной, будем называть нечеткими числами (НЧ).

Примером нечисловой лингвистической переменной является


переменная «сложность проекта», формализующая понятия слож­
ность проекта со значениями: НИЗКАЯ, СРЕДНЯЯ, ВЫСОКАЯ.
Описанные ранее операции над нечеткими множествами могут
быть использованы при определении семантики (смысла) составных
термов лингвистической переменной, построенных путем комбини­
рования базовых термов и термов, принадлежащих ее расширенно­
му терм-множеству.
Пусть р — некоторая лингвистическая переменная, Т = (ТД —
ее базовое терм-множество и каждому терму соответствует нечеткая
переменная ( Tt, X, Ct). Очевидно, что р (Т() = С{, где нечеткое
множество С{ с ф. п. р, (х) \ х £ X получено на основе опроса ЛПР.
Тогда по смыслу операций (J, П и дополнения
М ( 7 7 и Tj) = Ctn c h M (Tt или 77) = C , U Ch M П Tt) = Ct.
Например, имея нечеткие множества (НМ) Сг и С2, описывающие
семантику значений МАЛАЯ и БОЛЬШАЯ лингвистической пе­
ременной «стоимость», можно построить НМ для ее значения МАЛАЯ
или БОЛЬШАЯ, НЕ МАЛАЯ и НЕ БОЛЬШАЯ (см. рис. 5.3, а, б).

5.2. НЕЧЕТКИЕ ОТНОШЕНИЯ, НЕЧЕТКИЕ АРИФМЕТИЧЕСКИЕ


ОПЕРАЦИИ И АЛГОРИТМЫ

Важную роль в задании нечетких функций вида f i X Y


играет принцип обобщения Заде, позволяющий расширить опре­
деление обычных четких функций на случай нечетких аргументов
(он был рассмотрен в п. 3.2).
Пусть / : X Y, g : X X Y Z — обычные функции, А —
нечеткое множество в X с ф, п. р а (*)> В — нечеткое множество
в У с ф. п. рв (у), У € У- Согласно принципу обобщения f (Л)
имеет ф. п. рл (х) | / (х); g {А, В) — функцию принадлежности
М *> у) = т т { р л (х), рв(р)} |g (* , у). (5.2.1)
Определение 5.2. Любой оператор, содержащий в своей форму­
лировке, по крайней мере, одну нечеткую или лингвистическую пере­
менную, нечеткую функцию или нечеткое отношение, будем называть
нечетким оператором [3, 7J.
Последовательность нечетких операторов, приводящую к приб­
лизительному нечеткому решению поставленной задачи, назовем
нечетким алгоритмом.
Впервые понятие нечеткого алгоритма было введено в работе
Л. Заде [12], а затем проанализировано в [3, 7].

Арифметические операции над нечеткими числами


Пусть А я В — два НЧ на X с функциями принадлежности
рл (а), а £ 5л, 5л с: X и рв (b), b £ S B с= X соответственно,
где 5л, 5в — область определения (или носитель) нечеткого мно­
жества А или В соответственно.
Обозначим через ® одну из четырех арифметических операций
( + , —, *, /). Воспользовавшись принципом обобщения, получим
следующее определение бинарной арифметической операции
над НЧ:
С = А ® В = (J min (рл (а), рв (&)}, (5.2.2)
a£SA
bZSB

знак (J объединения в (5.2.2) следует понимать буквально.


Пусть А я В — два непрерывных НЧ, носители которых пред­
ставляют собой отрезки числовой оси5л = [аи аг\, 5 в = [Ь1( 62].
Пусть также 5с = {с : с — а ® Ь, а £ 5л, b £ S B} — нечет­
кое число, представляющее собой результат операции а ® Ь.
В принятых обозначениях выражение (5.2.2) можно конкрети-
- зировать следующим образом:
C = A < g > £ = U рс(с) = (J max min [рл (а), рв (&)].
c£Sc c£.Sc (a,b):a® b=c

Алгоритм выполнения операций


Опишем численный алгоритм формирования ф. п. нечеткого мно­
жества С — результата операции над нечеткими числами.
Задачу построения НМ С будем выполнять по следующей
схеме [7].
Ш а г 1. Определить множество Sc и дискретизировать его,
исходя из требуемой точности табличного представления графика
функции р, (с).
Ш а г 2. Для каждого из полученных с £ Sc решить задачу
с = а ® b, a£[alt а2], b£ [blt b2J. (6.2.3)
138
Решением- задачи (5.2.3) для заданного с £ Sc назовем мно­
жество 5л s 5л такое, что
( V a ^ ° ) g & e S B)(c = a<8> Ь), ( V a £ S A \ S ° A) (V b £ S B) (с ф а®Ь).
Ш а г 3. Дискретизировать множество 5л, результатом дис­
кретизации явится конечный ряд значений а{ £ 5л. Найти Ъ £
£ S B такое, что с = а{ <g> b. Для а* и b определить р (а() и р (bt).
Вычислить
р = min [р (а,); р (&)];
р* = max [р*_ь р].
Для i — 1 положить р0 = 0. Пусть после дискретизации | 5л | =
= п. Тогда рс (с) = р п-
Утверждение 5.1. При данном определении операций над НЧ
справедливы следующие свойства операций [7].
1. Коммутативность сложения и умножения
(V А, В) ( А + В - В + А); (V А, В)(А* В = В *Л).
2. Ассоциативность арифметических операций
(V А, В, С) [А <g> (В <g> С) = ( A <g> В) ® С].
3. Отсутствие дистрибутивности умножения относительно сло­
жения в общем случае
(У А, В, D)[A х (В + D) = А х В + А х D].
Рассмотрим реализацию вышеизложенного алгоритма для раз­
личных арифметических операций.
Сложение. Будем считать, что а1 ^ Ьх. Пусть а £ 5л, b £ S b *
с — а + b.
Утверждение 5.2. Обозначим аг + Ьх — с+, а2 + Ъ2 — с+.
Тогда (V а, Ь) (с > с+); (V а, Ь) (с ^ с+). Полагаем с+ = сх; с+ =
= с2. Результат операции с.
Утверждение 5.3. Пусть с £ 5 С, а' = max [аъ с — 62], =
= min (а2, с — bt). Тогда отрезок 5 л = [а а "] — решение задачи
(5.2.3) при замене операции <g> на + .
При этом ф. п. для суммы с — а + Ъ р (с) определяется соотно­
шением
рс(с) = max min {рл (а), рв(5)}. (5.2.4)
(а,Ь):а-\-Ь=с
Вычитание. Учитывая, что (V a, b £ R 1) (а — Ь = а + (—Ь)\,
можно заменить нечеткое число — вычитаемое В на противопо­
ложное В* по следующим правилам:
U Рв(— Ь)\Ь, где 5 В = [— 62; — &J.
В* =
b€SB
При этом НЧ С = А — В становится равносильным А + В
Умножение. Будем считать, что ах ^ Ьх. В противном случае
этого можно добиться перестановкой операндов. Введем обозна­
чения - -
139
d = ax•bi, 02 = d •b2, a 3 = a2bu a* = аф%.Пусть c+ = min a t.
о
Тогда ( V a f 5л) (V b € 5 b) (a • b ^ c+). Пусть c+ = max a f. Тогда
(V a £ 5л) (V 6 £ 5 B) (а • & < c+).
Отсюда вытекает, что cx = c+ и c2 = c+ и 5c = (clt c2). Решение
задачи (5.2.3) для операции * заключается в следующем утверж­
дении.
Утверждение 5.4. Допустим, что 6 ^ 0 и Ь3 ^ 0 или Ьг <С О
и &2 ^ 0.
Пусть а' = max (%, min [ ~ , а* — min (а2, max (c/b2;
c/6j)). Тогда 5л = W , а"] — решение задачи 5.2.3 при операции *.
Утверждение 5.5. Допустим, что <С 0 < Ь2 и 0 g (alt а2).
Разобьем отрезок S B на 2 отрезка: 5 В = [Ьи 0] и 5 в = (О, Ь2]. Оче­
видно, что 5 В = 5в U 5д.
Пусть 5л — решение задачи (5.2.3) при 5 В = 5 В и 5л — реше­
ние задачи (5.2.3) при 5 В = 5 | . Здесь предполагается, что 5л в
обоих случаях взят из исходной задачи, а сами решения 5л и 5л
найдены в соответствии с утверждениями 5.4. Тогда 5л = 5л U
(J 5л — решение задачи (5.2.3) при замене операции ® на *.
Деление. Будем считать, что результат операции A /В не опре­
делен, если 0 £ 5 В. Если 0 £ 5 В, то учитывая, что
(V a, b £ R) (а/b = а • (1 /&)), (5.2.5)
заменим делитель В на обратное В * по следующему правилу:

<5-2-6»
И далее воспользуемся результатами, полученными для умноже­
ния. Важно подчеркнуть, что для любых НЧ А и В, ф. п. которых
140
с4=а *в удовлетворяют стандартным условиям,
имеет место неравенство

Я* Ф 1, где Ь — -j- .

В частности, для прямого и обрат­


ного НЧ это следует из рассмотрения
носителя результата их умножения.
Пример 5.2. Рассмотрим пример
выполнения арифметических операций
над дискретными нечеткими числами
А и В. Пусть функции принадлежно­
сти НЧ А цА ( х ) и В ц в (*) приведены
в табл. 5.1 и 5.2.
Тогда
Сл+в = Сг =* U ц с |с = {0.1/9; 0.2/10; 0.8/11; 0.4/12; 0.3/13};
с£С
С а х в = С2 = {0.1/20; 0.2/24; 0.1/25; 0.2/28; 0.8/30; 0.4/35;
0.3/42};
С а - в — С3 = (0.1/— 1; 0.3/0; 0.8/1; 0.4/2; 0.2/3};
С а/ в = С4 = {0.1/0.83; 0.3/1.0; 0.3/1.17; 0.8/122; 0.1/1.25;
0.4/1.4; 0.2/1.5; 0.2/1.75}.
Таблица 5.1 Таблица 5.2

А 5 6 7 В 4 5 6 ,

Ра 0.1 0.8 0.4 н 0.2 0.9 - 0.3

Примеры выполнения операций над непрерывными нечеткими чис­


лами приведены на рис. 5.4.
При построении вышеприведенных алгоритмов никаких огра­
ничений на вид функций принадлежности операндов А и В не на­
кладывалось. Это позволило построить универсальный алгоритм,
требующий, однако, большего числа
операций для выполнения одного
арифметического действия с двумя
НЧ.
В настоящее время разработан
ряд алгоритмов, в том числе и при­
ближенного вычисления результа­
та арифметической операции над
НЧ [71.
Рассмотрим алгоритм приближенного вычисления результатов
арифметических операций, предложенный Дюбуа и Прадом
в [131. Его идея заключается в том, что левые ветви ф. п. операндов
141
А и В аппроксимируются возрастающей функцией, зависящей от
двух параметров, подбираемых для каждого оператора отдельно:
L (тА, ул) и L (тв , ув) (рис. 5.5). Аналогично для правых ветвей
и монотонно убывающей функции R имеем R-(mAt 6л), R (mBi 8В).
Полученные аппроксимации называются L — ^-нечеткими числами
и обозначаются через (тл, Ул, 6л) и (тв , ув , 8В). В [13] доказано,
что тогда результат сложения и вычитания L — /?-нечетких чисел
есть НЧ вида: (тА ± mBt уА ± ув \ 6л + 6Б).
Результат умножения приближенно является НЧ числом с
параметрами [тА - тв \ тАуА + твув \ тА • 8В + тв • 6Л].
Выполнение условных операторов
Рассмотрим условный нечеткий оператор общего вида:
если Y , то Ф, иначе Е , (5.2.7)
где Y — нечеткое логическое условие (выражение), Ф и Е —
группы нечетких операторов, в частности в эти группы могут
входить и обычные (четкие) операторы. Результат выполнения
условного нечеткого оператора общего вида (5.2.7) определяется
выражением:
V (если Y, то Ф, иначе Е{\ху \У(Ф), 1 — ру |К ( £ } ) , (5.2.8)
где V (|) — результат выполнения оператора \лу — степень
истинности условия Y.
Таким образом, результатом выполнения нечеткого оператора
является нечеткое множество результатов выполнения соответству­
ющих групп нечетких операторов. Содержательно, определение
(5.2.8) означает, что начинают выполняться обе группы нечетких
операторов — Ф и Е> но каждая группа помечается своей меткой
истинности.
При необходимости однозначно определить группу операторов
А. Н. Борисовым в [7] предлагаются следующие два способа:
1. Задать порог истинности у0, у0 £ [0, 1]. Вычислить \iy.
( V (Ф), если |1 » > у 0;
Тогда V (если Y , то Ф, иначе £> = { 1//ЕЧ ^
1 V (Е)у если (х „< у 0.
(5.2.9)
2. Вычислить \лу. Разыграть равномерно распределенную на
интервале [0, 1] случайную величину Пусть полученное значение
есть у0. Тогда искомый результат определяется из (5.2.9).
Вычисление истинности нечетких условий
Определение 5.3. Нечетким логическим выражением назовем
формулу, в состав которой входят нечеткие предикаты [7].
Нечетким предикатом назовем отображение Р : X h [0, 1],
где X = {*}, п — любое натуральное число. Принадлежащее от­
резку [О, 1] число, которое предикат ставит в соответствие конкрет­
ному набору (Xku *k2 , Xkn)$ где £ Nm будем называть сте­
142
пенью принадлежности описываемого данным набором высказыва­
ния к множеству истинных высказываний.
Итак, нечеткие логические выражения отличаются от обычных
наличием лингвистических и нечетких переменных и нечетких от­
ношений (предикатов). Приведем некоторые примеры.
1. Нечеткий предикат примерного равенства АЕ (х, у) : х ж у.
2. Нечеткий предикат порядка GT (х, у) : х > у.
Степенью истинности нечеткого логического высказывания будем
называть значение функции принадлежности этого высказывания
к множеству истинных высказываний.
Пусть jij и р,2 — степени истинности высказываний PF \ и Рр,
в которые превращаются нечеткие предикаты Рр и Рр2 после под­
становки вместо переменных х19 х2, хп элементов множества X.
Тогда степень истинности сложного высказывания определится из
V (Р\ U Р$) = шах {р!, р2}; (5.2.10)
П ^ 2) = min ( f ix , щ };

цПРГ) = 1 - щ .
Лингвистическая аппроксимация
Пусть (Р, Ту X t Gy М) — лингвистическая переменная, Т =
= {Ti) — ее базовое терм-множество, \ Т \ = п. По определению
лингвистической переменной каждое ее значение Т{ является наи­
менованием нечеткой переменной ( Tiy X, Q ), где Ct = (J-X
хех^
li{ (х)|х. Обозначим носитель НМ Q через S t. В работах Л. Заде
[3] предложено рассматривать элементы множества Г* как состав­
ные строки символов т = тх, т2...т,..., где элементы строк т( могут
принадлежать к одному из четырех множеств: базовому терм-
множеству Т; множеству соединений (И, ИЛИ), терм-множеству
разделителей {^j, (,)}, где ^ — символ пробела, множеству моди­
фикаторов.
Анализ проблем применения составных термов для описания
элементов задач управления организационными системами показы­
вает [71, что, во-первых, набор модификаторов, позволяющих с
помощью процедуры G описывать имеющие смысл в задачах управ­
ления расширения множества Т до T*t не должен быть слишком боль­
шим. В частности, в качестве модификаторов используются термины
типа «очень», «более или менее», «чрезвычайно» и т. п.
Во-вторых, длина цепочек т (т. е. количество элементов в них)
также не должна быть слишком большой. Наконец, мощность мно­
жества Т 9 согласно известной гипотезе о емкости памяти ЛПР,
должна удовлетворять неравенству: п ^ 7 ± 2. Достаточным яв­
ляется представление процедуры G в виде бесконтекстной грамма­
тики [7h
G = <Vn , V t , Ну П>,
VN = {AyB9CyDyEyFyHyU) (5.2.11)
143
VT = (1, lj иа , а или не очень c j ) U ^
П:
U ->■АВЕНСД F U = АВЕ\
Н— *■t_I и [_, или
А-*- не Я;
В -коч ен ь В -> Я;
С-> А D-+B;
Е->-Е Е ^Т у,
Е->Та Е -*-Т3]

Е~*~Тп
При описании грамматики G вида (5.2.11) используются следу­
ющие обозначения: Vt — множество терминальных символов; Vn —
множество нетерминальных символов; U — начальный символ;
Я — пустой символ; П — множество правил подстановки.
Тогда
Т* = L(G),
где L (G) — язык, порождаемый грамматикой (5.2.11). Язык L (G)
состоит из цепочек двух типов: л, и т)2. Цепочки типа % имеют вид
m1miT, а цепочки типа ц2 имеют вид (_, и i_, тц , тц или тц.
Здесь т , £ {не Я}; т 2 £ {очень Я}.
Семантика каждого из термов Tt £ Т* задается процедурой М,
которую в соответствии с [3] можно описать следующими правила­
ми (5.2.12), обозначив через Тс элемент множества:
М (Tt) = С{, М (не Т () = Сс, (5.2.12)
М (очень t_, Т() = Cf,
М (не очень 7\) = (С()2; (5.2.13)
М ( Т { и Т /) = М (Т{) П М(Т,)\
М (Т, или Tj) = М (Т() {J М (Г,).
Пример 5.3. Рассмотрим лингвистическую переменную
ВОЗРАСТ и пусть она задана на множестве X = (0,100). Рассмот­
рим лингвистические значения этой переменной Tj = МОЛОДОЙ,
Т( = СТАРЫЙ.
Допустим, что ограничение, обусловленное нечеткой перемен­
ной СТАРЫЙ, представляет собой нечеткое подмножество С, вида
100 —2 —1
Ct = M (Т{) = М (СТАРЫЙ) = j (l 4- ( Х~ ™ ) ) /X, (5.2.14)
50 ' ' '

где (l + ** j j — есть функция принадлежности НМС{.


Аналогично терм лингвистической переменной 7/ = МОЛОДОЙ
144
описывается нечетким подмножеством С/ на X с ф. п. вида
25 100

С, = М (Tj) = М (МОЛОДОЙ) = f l/x + j (1 + JL^25_)2)_r/Jc.


0 25 Х 4 11
Графики ф. п. соответствующих лингвистических переменных при­
ведены на рис. 5.6, а.
Используя соотношения (5.2.12), (5.2.13), определим смысл
ряда типичных значений лингвистической переменной ВОЗРАСТ,

д
Рис. 6.6

образуемых путем комбинирования базовых термов Tt,TjVi модифи­


каторов и соединителей. Например:

М (не ш Т i) = М (не молодой) = С, = | 1 — (l + ( ^ Т 25) ) /х;


25 ' ' ' '
50 100

М (не Т {) = М (не старый) = Ct = J 1/дг + j 1 —


0 50

М (очень молодой) = С) = [ l/x + j (l + ] /х;


о 25 Х \ 0 / /

145
М (очень Т () = М (очень старый) = С? =

-Г ('+ т Т " -
50
М (не очень Т{ и не очень Tt) = M (не очень молодой и

не очень старый) = П С/ = min К ^1 — (l + ^ ~ 25 jj /лг;


125
50 100 , л 1

25 50
Функции принадлежности указанных составных термов приведе­
ны на рис. 5.6, б.
Пример 5.4. Легко проверить, что терм-множество в приме­
ре 5.3 порождается контекстно свободной грамматикой G = {Vt,
Vs, Т, П}, в которой VN — нетерминальные символы (синтаксиче­
ские категории), обозначаемые через Т, А, В, С, Д, Е, т. е. VN =
= {Т, А, В, С, Д, Е), тогда как множество терминальных символов
Vt выражается в виде:
Vt = (молодой, старый, очень,_,, н е и и л и ,_а систе­
ма перестановок П имеет вид:
Т^А C^D
Т -*■ Т или Т С- * Е
А^В D-*- очень D
А -* А и В Е-> очень Е
В ^С D -*■ МОЛОДОЙ
В->-не С Е -► СТАРЫЙ
Систему П можно представить и алгебраически
Т = А + Т или А;
А — В + А или В;
Я = С + не С; (5.2.16)
D = очень D + молодой;
Е = очень Е + старый.
Решение этой системы уравнений можно получить итеративно, ис­
пользуя следующее рекуррентное соотношение:
(Т, А, В, С, D, E)i+i = f ( T, А, В, С, D, Е)1, I = 0 , 1, . . . ,
(5.2.17)
где Т, А, В, С, D, Е — набор нетерминальных символов системы
5.2.16; f — отображение, определяемое системой уравнений (5;2.16);
i — номер итерации.
146
Можно показать, что любой терм в Тг например «НЕ ОЧЕНЬ
МОЛОДОЙ И НЕ ОЧЕНЬ СТАРЫЙ», порождается грамматикой
G путем последовательных замен (подстановок) с использованием
системы П, причем каждая цепочка подстановок начинается и
заканчивается термом, порожденным грамматикой G.
Например, цепочка подстановок для терма «НЕ ОЧЕНЬ МОЛО­
ДОЙ И НЕ ОЧЕНЬ СТАРЫЙ» порождается грамматикой G путем
последовательных замен (подстановок) с использованием системы 17,
причем каждая цепочка подстановок начинается и заканчивается
термом, порожденным грамматикой G.
Цепочка подстановок для терма «НЕ ОЧЕНЬ МОЛОДОЙ И НЕ
ОЧЕНЬ СТАРЫЙ» имеет вид [3]:
Т -*■ А ->■ А и 5 - > - В и Б - » - н е С и В - > - н е Д и В - » - н е очень Д
и В —*■ не очень молодой и В -v не очень молодой и не С -► не очень
молодой и не Е — не очень молодой и не очень Е —►не очень мо­
лодой и не очень старый, т. е. получим искомый терм.
Пусть Tt и Т/ — два терма лингвистической переменной р,
С{, Cj £ С — соответствующие им нечеткие множества (НМ), S i t Sj —
носители НМ С* и С;-. Введем нечеткое отношение сходства R меж­
ду НМ описываемыми значениями термов лингвистической пере­
менной с ф. п. : С X С -> [0, 1]. Отношение R должно удовлетво­
рять следующим свойствам:
1) рефлексивности: ця (С,-, С,) = 1;
2) симметричности: ця (С{, Cj) = p# (С/, С,);
3) отсутствию сходства между пустым и непустым множества­
ми: рд (С,; 0 ) = 0;
4) S { Г) 5/ = 0 — ря (Ci, С/) = 1.
Вид функции ря (С,-, Cj) определяется смыслом, который вкла­
дывает ЛПР в понятие сходства. В частности, возможно использо­
вание следующей формулы [7]
j min [рг (х), рj(x)\dx
Ря' (С„ С/) = ------------------------- , (5.2.18)
J тах[ц. (*), \if (x)]dx
SiVsi
Пусть (р, X , С0) — нечеткая переменная, семантика которой опре­
деляет НМ С0, вычисляемое в результате выполнения некоторого
нечеткого алгоритма. Пусть также известно, что данная нечеткая
переменная является значением лингвистической переменной р,
а наименование нечеткой переменной неизвестно. Задача поиска
наименования нечеткой переменной р в расширенном терм-множест­
ве Т* лингвистической переменной р называется задачей лингвис­
тической аппроксимации. Она впервые была сформулирована Заде
в [3]. Лингвистическая аппроксимация позволяет осуществить вер­
бальное (или словесное) представление результатов работы лингвис­
тических моделей; в частности решений по управлению организа­
ционными системами. Поскольку множество всех возможных ре­
шений рассматриваемой задачи определяется множеством Т и про­
147
цедурой G, то решением задачи А назовем элемент Тк £ Т*, удов­
летворяющий соотношению
Ск — argm ax pft(Cf, Cj), (5.2.19)
С(.€С»
где С* — система НМ, соответствующая термам Г,- £ Т*. Следо­
вательно, процедура лингвистической аппроксимации включает
следующие шаги [7].
Ш а г 1. Образование расширенного терм-множества той линг­
вистической переменной, значением которой является аппрокси­
мируемое НМ с помощью процедуры G.
Ш а г 2. Определение семантики термов из расширенного терм-
множества с помощью процедуры М (5.2.18).
Ш а г 3. Решение задачи (5.2.19).

Сравнение нечетких чисел

Отношение порядка на множестве нечетких чисел (НЧ). Рас­


смотрим 2 нечетких числа (A, R', Сл) и (В, R', Св), у которых
пересечение носителей не пусто S a ?\ S B ф 0 (рис. 5.7).
Пусть в первой реализации четкие значения НЧ А я В оказа­
лись равными соответственно % и bv а во второй — а2 и Ь2. Из
рис. 5.7 ясно, что в первой ситуа­
ции А < В, а во второй ситуа­
ции А > В (так как а2> Ь2). Сле­
довательно, в общем случае отно­
шение строгого порядка >• на
множестве НЧ является нечет­
ким. Лишь в том случае, если
пересечение носителей НЧ А и
В — пусто, отношение между НЧ
будет четким.
Индексы ранжирования НЧ. Поскольку в процессе принятия
решений нам необходимо производить выбор между различными
НЧ, то следует определить процедуру сравнения НЧ. Пусть А и
В — два непрерывных НЧ: (J ца (а)/а; (J Рв (Ь)!Ь. Все предложен-
a£sA b£sB
ные процедуры сравнения основаны на вычислении некоторой чет-
кой функции Н (А, В) от нечетких аргументов, которая называется
индексом ранжирования [7]. Значение индекса для конкретной пары
чисел дает основание решить вопрос, какое из двух чисел (А, В)
больше и с какой степенью.
Рассмотрим ряд индексов ранжирования.
1. Нг (А, В) = sup min (рл(а), Рв(Ь), р*(а, Ь)}, (5.2.20)
b€SB

где р* (а, Ь) — ф. п. нечеткого отношения предпочтения между


четкими числами а и b 114]. В частности, в качестве Сможет быть
148
выбрано четкое отношение ^ с ф. п. вида
( 1, если а ^ Ь ,
Ия(а> ^ {о, если а<.Ь.
Тогда Hi совпадает с индексом, предложенным в [14]. В общем
случае
Я 1( Л , В ) > Я 1(В, Л)-»- Л > £ , (5.2.21)
где Нх (Л, В) — степень принадлежности пары НЧ Л и В к н . о . п. > ,
ваданному на R 1 X R 1.
2. Индекс ранжирования, предложенный в [17], имеет вид:
1
J
Я 2(Л, В) =* Н+(А) — Н+(В), где Я + (Л) = Ма (А) da, (5.2.22)
О
где А а — а — уровневое множество НЧ,
а_ + а ,
М (Ла) = ----- о—~ ; в - =* inf я, а+ = sup а.
а€Ла а£Аа
Имеется более общее выражение для индекса Н 2 (Л, В), когда вмес­
то # 4. (Л) берется величина
я+И )
Я*(Л) = s u p а
а

В этом случае Я 2 (А, В) ^ 0 А В.


3. Индекс ранжирования, предложенный в [7], определяется
как вероятность того, что четкое значение, обозначаемое pv (Л)
нечеткого числа А, будет больше или равно четкому значению pv (В)
нечеткого числа В:
Я 8(Л, В) = Р { р у ( Л ) > р У(В)}. (5.2.23)
Он базируется на следующем тезисе о выборе [6]. Пусть дана не­
четкая переменная е <е, X, Се>. Вероятность выбора ЛПР элемен­
та х £ X пропорциональна значению ф. п. це (*) нечеткого мно­
жества Се. Выбор в каждом конкретном случае определяется разы­
грыванием соответствующей случайной величины. Пусть S e —
носитель НЧ Се и | S e | = | Ri |. Обозначим хх = inf х; х2 = sup х.
x£Se x£S8
Построим две функции: v8 (х) — плотность вероятности и (о8 (х) — ве­
роятности того, что в качестве точного значения НЧ ЛПР выберет
величину у <С х. По определению
*2
j v8 (x)dx = 1;
Xi
%
©8 (*) = \ v8 (y) dy. (5.2.24)

149
Исходя из тезиса о выборе, определим функцию плотности ве­
роятности
v8 (х) = &ре (х) f (х, Се), (5.2.25)
где k — нормирующий множитель, обеспечивающий выполнение
условия (5.2.24); / (х, Сг) — функция, описывающая ограничения
выбора. В частности, в качестве / (х, Сг) может быть выбрана функ­
ция плотности вероятности предъявления элемента х ЛПР. При от­
сутствии данных принимается, что / (х , СЕ) = const.
В общем случае
—1
(5.2.26)

Если принять, что f (х, Се) = const, V х, то тогда из (5.2.24) и


(5.2.25) получим

(5.2.27)

Используем эти результаты для получения выражения для индек­


са Я 3.

где (ах, а2) € S A; (bt, b2) g S B.


Тогда в частном случае при независимых вероятностных распре­
делениях для НЧ А а В получим

(5.2.28)
а>&
a€Sj[,b€SB

где vA (a), vB (b) вычисляются согласно (5.2.27). Если Я 3 {А, В) ^


^ Н3 (В, А), то А ^ В или Н3 (А, В) > 0.5 ->• А ^ В.
4. Предложенный индекс [7]:
0.5

Я 4 ( А, В) = Jо (1 - рс (г)) dz + J pD(г) dz,


0.5
(5.2.29)

где D = А/(А + В).


При этом Я 4 {А, В) ^ 0.5 -► А В.
5. Индексы, предложенные в [15], определяются как:
Нь(А, В) = sup min (рл(я), Рв(Ь)}; (5.2.30)

Н\ (А, В) = sup inf min {рл (а), 1 — рв (Ь)}', (5.2.31)


а Ь>а

150
Н\ (А, В) = inf sup max {1 — рл (а); рв (&)}; (5.2.32)
а Ь^.а

Н\ (А, В) = 1 — sup min {рл (а); рв (&)}. (5.2.33)


а^Ь

Здесь Hi (А, В ) > Hi (В, Л)-> А > В (/ = Г~4).


Процедуры ранжирования п НЧ рассматривались в [7, 15].
Здесь в качестве степени предпочтительности числа Ai над всеми
остальными числами выбрана величина
p, = min [H(At, А,)), (5.2.34)

где Н (Aif Aj) — степень принадлежности пары НЧ (А(, Л/) к не­


четкому отношению > , вычисленному по одной из формул (5.2.20) —
(5.2.23).
Анализ индексов ранжирования. В [15] показано, что
H l ( A , B ) ^ max [Н1(А,ВУ, Н\(А, В)};
min {Н1(А,В); H l ( A , B ) } > H i ( A , B ) .
Рассмотрим индексы Н3 и Н\. Физический смысл величины Н\ (А,
В) — возможность того, что pv (Л) ^ pv (В); смысл величины
Н3 (Л, В) — вероятность того, что pv (Л) ^ pv (В). Пусть К =
= {(а, Ь) : а > Ь, а £ 5л, b £ S B}.
С учетом определений рассматриваемых индексов и того, что зна­
чения ф. п. находятся на отрезке [0,1], получаем

#3 (А, В) = j j рл (а) рв (b) dadb/C < min {рл U ) Рв (b) х


к к
Х -^-^Н [(А ,В )^^-. (5.2.35)
к
Величину С можно представить в виде
atbt
С = § § ца (а) р в (b) dadb = j j рл (а) рв (Ь) dadb.
atbt SASB

Следовательно, С J J рл (а) рв (b) dadb , откуда

Я 3(А , В ) < Н\ ( А , В) [ j J dadb/l f рл (а) Рв Ф) dadb . (5.2.36)

Так как выражение в квадратных скобках (5.2.36) не меньше 1,


то поэтому
H3( A , B ) ^ H l ( A , B ) t , / > 1 .
В [14] показано, что индекс Н\ выделяет в качестве наибольшего
НЧ А, у которого величина sup arg sup рл (*) является наибольшей
*е$л
151
Таблица 5.3

Веса (ранги) НЧ Ai по индексам ранж ирования

И сходны е данные ф. п. Н Ч

1 Н„ н1в Я. я, я4

1 1 1 0,53 0,887
2 0,75 2 0,21 0,815
3 0,6 3 0,06 0,733

1 1 0,5 0,5
1 1 0,5 0,5

1 1 0,44 0,461
1 2 0,23 0,749
1 3 0,10 0,702

1 1 1 0,43 0,861
2 1 2 0,24 0,835
3 1 3 0,10 0,79

1 1 0,52 0,816
0,8 2 0,47 0,787

152
(т. е. то НЧ, у которого конец пика ф. п. расположен правее). При
этом форма ф. п. не учитывается.
Из перечисленных индексов ранжирования форму ф. п. учиты­
вают индексы # 2, Нз и #4 [71.
Некоторые примеры вычисления индексов ранжирования,
выполненные для исходных данных из [14], приводятся в
табл. 5.3 [71.

5.3. ЛИНГВИСТИЧЕСКИЙ ПОДХОД К МОДЕЛИРОВАНИЮ


ПРИНЯТИЯ РЕШЕНИЙ

Введение
Лингвистический подход обеспечивает количественное описание
отдельных элементов моделей ПР при нечеткой информации о це­
лях, критериях, альтернативных действиях и их последствиях, а
также о предпочтениях ЛПР. В соответствии с ним в качестве зна­
чений переменных и характеристики отношений между ними допус­
каются не только числа, но и предложения на естественном языке.
В рамках данного подхода формализация словесных оценок
вероятностей исходов их наступления и предпочтений ЛПР обес­
печивается введением таких понятий, как лингвистическая вероят­
ность, лингвистическое отношение предпочтения и т. д.
Рассмотрим основные понятия лингвистического подхода.

Лингвистический критерий
Лингвистическим назовем критерий, оценки по шкале которо­
го являются значениями одноименной лингвистической перемен­
ной. Формальное описание лингвистического критерия имеет
вид [6]
<■K , T ( K ) , U K, GKiM K), (5.3.1)
где К — наименование лингвистического критерия; Т (К) — терм-
множество К, т. е. совокупность лингвистических значений, каж­
дое из которых является нечеткой переменной со значением из уни­
версального множества критерия U k с базовой переменной и к \
Gk — синтаксическое правило, порождающее названия лингвисти­
ческих значений критерия /С, М к — семантическое правило, ко­
торое каждому лингвистическому значению Tt в конкретном кон­
тексте ставит в соответствие его смысл М (T t). Причем М ( Т {)
является нечетким подмножеством универсального множества Uk,
т. е.
М 7\) = U \1т.(ик)/ик, (5.3.2)
ик^ик
тем самым обеспечивается переход от словесного к количественному
описанию. В выражении (5.3.2) р* (ик) представляет собой степень
принадлежности значения ик к нечеткому ограничению R (Ti%
ик) на значение базовой переменной Т.
153
Пример 5.5. Рассмотрим в качестве примера лингвистический
критерий роста прибыли, измеряемой в тыс. руб. (К = ПРИРОСТ
ПРИБЫЛИ). Пусть ик = {60, 1500}. Лингвистическими значени­
ями критерия ПРИРОСТ ПРИБЫЛИ могут быть, например,
МАЛЫЙ ПРИРОСТ (ПРИБЫЛИ), СРАВНИТЕЛЬНО МАЛЫЙ,
СРЕДНИЙ и т. д. Тогда терм-множество Т лингвистического крите­
рия ПРИРОСТ ПРИБЫЛИ можно записать следующим образом:
(ПРИРОСТ ПРИБЫЛИ) = ОЧЕНЬ МАЛЫЙ, МАЛЫЙ, СРЕДНИЙ,
НЕБОЛЬШОЙ, БОЛЬШОЙ, СРАВНИТЕЛЬНО БОЛЬШОЙ,
ОЧЕНЬ БОЛЬШОЙ.

Рис. 5.8

Каждый терм является наименованием нечеткой переменной в


универсальном множестве ик = {60; 1500}.
Например, ограничение, обусловленное термом МАЛЫЙ, R
(МАЛЫЙ, ик ), описывает смысл лингвистического значения
критерия МАЛЫЙ ПРИРОСТ ПРИБЫЛИ.
При этом R (•) описывается функцией принадлежности, кото­
рая каждому значению базовой переменной ставит в соответствие
некоторое число из отрезка [0, 1], которое характеризует совмес­
тимость этого значения с нечетким ограничением.
Графики функций принадлежности лингвистических значений
МАЛЫЙ, СРЕДНИЙ, БОЛЬШОЙ относительно базовой пере­
менной (прирост прибыли) для конкретного ЛПР могут быть пред­
ставлены в следующем виде (рис. 5.8).
Будем различать два типа лингвистических критериев [7].
1) Лингвистическим критерием (ЛК) с измеримой базой (или
числовым ЛК) назовем ЛК со структурой (5.3.1), базовая перемен­
ная которого по природе является числовой.
2) Нечисловым ЛК (или ЛК с неизмеримой базой) будем назы­
вать ЛК, не имеющий физически определенной базовой пере­
менной.
Так, критерий прироста прибыли является числовым ЛК. Не-,
числовым ЛК является лингвистический критерий компетентно­
сти со следующими лингвистическими значениями: КОМПЕТЕНТ­
НЫЙ, ВЫСОКОКОМПЕТЕНТНЫЙ, НЕДОСТАТОЧНО КОМПЕ­
ТЕНТНЫЙ.
154
В данном случае понятия - компетентный
«компетентность некоторого ин­ ■ недостаточно компетентный
дивидуума», ф. п. для указанных
■ высококомпетентный
выше лингвистических значений
могут быть построены на мно­
жестве, обозначенном некоторы­
ми символами впечатлений, так
называемом «психологическом
континууме» [7]. Тогда получаем 0.25 0.5 0.75 1.0 U
представление смысла термов Рис. 5.9
лингвистического критерия с
неизмеримой базовой переменной, аналогичное их представлению
в случае числового ЛК (рис. 5.9).
Лингвистическим векторным критерием (ЛВК) назовем вектор­
ный критерий, компонентами которого являются ЛК.
Лингвистические отношения предпочтения
С целью формализации словесной нечеткой информации об от­
ношениях предпочтения ЛПР в рамках лингвистического подхода
вводится понятие лингвистического отношения предпочтения [7].
Перед его определением дадим формальное описание и содер­
жательную интерпретацию нечеткого отношения предпочтения
(н. о. п.). Н. о. п. R на множестве X определим как бинарное от­
ношение XiRxj ря (xit Xj)
или R = U Xj)/{Xh xf). (5.3.3)
(х.,х-)€.ХхХ
Выражение (5.3.3) означает следующее: степень принадлежности
пары (Xu Xj) н. о. п. R интерпретируется как степень уверенности
ЛПР в том, что х{ предпочтительнее X/.
Пример 5.6. Пусть X = {xlf х2> х3} — множество возможных
маршрутов от центра города до аэропорта. Тогда н. о. п. R на мно­
жестве X в соответствии с (5.3.3) можно представить в виде сле­
дующей матрицы (табл. 5.4).
Матрица лингвистического отношения предпочтений на мно­
жестве возможных маршрутов X может быть представлена следую­
щим образом (табл. 5.5).
Таблица 5.4

*1 *2 *3

*1 1 0.9 0.7

*2 0.2 1 0.5

*3 0.5 0.4 1

155
Таблица 5.5

*1 *2 *3

1 Низкая Высокая
*1 степень степень

Высокая Очень высокая


*2 степень 1
степень

Низкая Очень низкая


*3 степень степень 1

В данном случае степень уверенности ЛПР в предпочтениях


может рассматриваться как лингвистическая переменная вида
(S, Т (S), Us, Gsf M s>, каждое из значений которой представляет
собой нечеткое множество (НМ) единичного отрезка [0,1], образую­
щего универсальное множество Us. Причем область определения
Us совпадает со множеством возможных значений ф. п. ря в (5.3.3).
Возможен и другой тип лингвистических отношений предпочте­
ния. Полагаем, что предпочтения ЛПР являются четкими в том
смысле, что ЛПР может однозначно
Таблица 5.6 определить х,- предпочтительнее X/
или нет. При этом для выражения
*1 *2 *3 степени предпочтения х{ над х/ ЛПР
использует следующие описания: х*
0 Не очень
Сильно
значительно предпочтительнее х/, х{
сильно не очень сильно предпочтительнее
X/. Тогда на множестве маршрутов
Очень X может быть задано следующее
*2 0 0 сильно
н. о. п. в виде следующей матрицы
(табл. 5.6).
*3 0 0 0 В таком случае лингвистическое
значение степени принадлежности
пары (х{, х/) лингвистическому отношению может интерпретировать­
ся как «сила предпочтительности» xt над X/. Последняя является
лингвистической переменной вида (F , T( F ), (7f, Cf , M f). Отношение
данного типа называется лингвистическим отношением чсилы пред­
почтения» [6]. Оно является транзитивным и асимметричным.

Лингвистическая структура предпочтений


В каждом конкретном случае проблемы выбора альтернатив ЛПР
должен иметь некоторую структуру предпочтений.
Лингвистической назовем структуру предпочтений PS, элемен­
тами которой являются лингвистические отношения предпочтения
или отношения предпочтения произвольного вида на лингвистиче­
ских оценках объектов
P S = ( 0 , { / ? / } , I £ N j }9 (5.3.4)
156
где О является множеством объектов различной природы, а именно:
эмпирических объектов (исходов, альтернатив), действительных
чисел, отображающих непосредственно измеренные или субъектив­
ные оценки исходов, а также слов естественного языка (ЕЯ), пред­
ставляющих собой субъективные нечеткие оценки ЛПР;
{/?/} — множество различных видов отношений предпочтения
на множестве О: четких отношений, нечетких отношений и лин­
гвистических отношений.

Лингвистические вероятности и математическое ожидание


Рассмотрим проблему выбора альтернатив с недетерминирован­
ными исходами в нечеткой среде. Пусть S = {S*} — множество
возможных исходов данной альтернативы такое, что | S | = л <
<С оо, pi £ Р — нечеткое число, характеризующее вероятность
наступления исхода S t или лингвистическую вероятность исхода.
Здесь Р — множество НЧ, носителем которых является подмно­
жество отрезка [0,1], [3, 6].
Тогда лингвистическим законом распределения недетерминиро­
ванного исхода (исходов) будем называть отображение
L:S^P.
Важное свойство лингвистического закона распределения, отража­
ющее нечеткий приближенный характер выводов в нечеткой среде,
состоит в том, что для любого множества исходов S и его лингвисти­
ческого закона распределения L имеет место неравенство

S M S |) = i=l
S p< # 1 , (5-3.5)
1=1
т. е. не выполняется фундаментальное «соотношение теории вероят­
ностей. Заметим, что впервые вероятности событий,описываемых
не числом, а отрезком, являющимся подмножеством отрезка [0,1],
введены не в рамках теории НМ, а при изучении субъективных ве­
роятностей* событий [9].
Пусть {S*}, i = 1, п — множество четких или лингвистических
значений /-го признака недетерминированного исхода S { и задан
лишь закон распределения L исхода S* р{ = L (Si).
Используя определение арифметической операции над НЧ,
введем понятие нечеткого «лингвистического математического ожи­
дания» /-го признака.
Определение 5.4. Нечетким математическим ожиданием j -го
признака недетерминированного исхода S называется нечеткое
число (НЧ) вида

M f = £ S i j p {. (5.3.6)
Определение 5.5. Лингвистическим математическим ожиданием
j-го признака называется результат применения операции лине-
157
вистической аппроксимации к сумме выражений:
M l = LA = LA (Mf ), (5.3.7)

где LA — оператор лингвистической аппроксимации.

Шкалирование лингвистических критериев


Важной задачей количественной оценки ЛК является шкали­
рование, т. е. определение шкалы измерений. Непосредственное
шкалирование ЛК с помощью одномерных и многомерных шкал
теории измерений невозможно. Для этих целей используется линг­
вистическая шкала.
Основные принципы шкалирования ЛК сформулируем в виде
следующих тезисов [6].
Тезис 1. Шкалирование ЛК сводится к алгоритму, согласно ко­
торому каждому лингвистическому значению T t критерия К
ставится в соответствие НМ М (Т{) универсального множества Uk
вида (5.3.2). Таким образом, шкалирование ЛК непосредственно
связано с проблемой построения ф. п. НМ, решение которой рас­
сматривается в п. 5.4.
Тезис 2 . Алгоритм шкалирования ЛК с неизмеримой базой дол­
жен включать построение новой числовой шкалы базовой перемен­
ной, обеспечивающей возможность физической интерпретации ее
значений. Процедура численного оценивания некоторого объекта
по ЛК с неизмеримой базовой переменной сводится к решению сле­
дующих трех задач:
1) построение числовой шкалы новой базовой переменной на ос­
нове сформулированной выборки эталонных объектов;
2) построение ф. п., раскрывающих смысл отдельных лингвис­
тических значений критерии;
3) интерполяция полученных ф. п. относительно оцениваемого
объекта.
Приведем пример оценивания объекта по ЛК с неизмеримой
базовой переменной [6].
Пример 5.7. При научно обоснованном формировании плана
обеспечения ВЦ новой техникой возникает задача количественного
оценивания ЭВМ по критерию удобства обслуживания на дан­
ном ВЦ.
ЛПР (например, гл. инж. ВЦ) может назначить следующие сло­
весные оценки из терм-множества (ОЧЕНЬ УДОБНАЯ, ДОСТА­
ТОЧНО УДОБНАЯ, МАЛОУДОБНАЯ, НЕДОСТАТОЧНО
УДОБНАЯ, ОЧЕНЬ НЕУДОБНАЯ).
Например, ЭВМ л: достаточно удобна в обслуживании.
ЛПР согласен предоставить в распоряжение аналитика инфор­
мацию для формирования количественных оценок своих субъектив­
ных суждений и с учетом собственного опыта эксплуатации ЭВМ,
которые имеются на данном ВЦ.
Эти ЭВМ и образуют далее выборку эталонных объектов {О*}.
158
Рассматриваемый критерий носит качественный характер и форма­
лизуется как нечисловой ЛК.
Для построения числовой шкалы базовой переменной на этапе
сбора данных использовалась процедура парных сравнений для
выборки эталонных объектов ЭВМ. Предполагается, что сравнения
объектов производятся по степени выраженности исследуемого кри­
терия — удобства эксплуатации ЭВМ.
При многократном предъявлении ЛПР для сравнения пар объек­
тов через определенные промежутки времени получаем данные,
которые после агрегирования представляем в виде матрицы относи­
тельных частот выбора, в которых объект О* признан лучше О/
по данному критерию [61:
— 0.46 0.38 0.86 0.70 0.76 0.80“
0.54 — 0.42 0.88 0.73 0.79 0.83
0.62 0.58 — 0.92 0.79 0.85 0.87
0.14 0.12 0.08 — 0.27 0.35 0.40
0.30 0.27 0.21 0.73 — 0.59 0.64
0.24 0.21 0.15 0.65 0.41 — 0.55
0.20 0.17 0.13 0.60 0.36 0.45 —

Задачу многократного предъявления пар объектов одному экс­


перту можно отождествить при определенных условиях с задачей
однократного предъявления группе экспертов.
Такой информации вполне достаточно для получения оценок
объектов по шкале порядка. Для задания интервальной шкалы
необходимо ввести дополнительные предположения, которые воз­
местят недостающие отношения в данной эмпирической системе.
Рассматривая оценки объектов и расстояний между ними как слу­
чайные величины и вводя предположения о нормальном законе их
распределения, получаем
N (;zih 0, 1) = рп, 2ц = di — dh (5.3.8)
где N (Z(f9 0, 1) — функция нормального распределения со средним
О и дисперсией 1, для которого имеются вычисленные табличные
значения; dh dj — искомые шкальные оценки соответственно *-го
и /-го объектов. На основе матрицы относительных частот с учетом
равенств (5.3.8) находим матрицу относительных расстояний [61:
0 — 0.1 — 0.3 1.1 0.5 0.72 0.85
0.1 0 — 0.2 1.2 0.6 0.82 0.95
0.3 0.2 0 1.4 0.8 1.02 1.15
— 1.1 — 1.2 — 1.4 0 — 0.6 — 0.38 — 0.25
— 0.5 — 0.6 — 0.8 0.6 0 0.22 0.35
— 0.72 — 0.82 — 1.02 0.38 — 0.22 0 0.13
— 0.85 — 0.95 — 1.15 0.25 — 0.35 — 0.13 0
159
07 о, Os Of ®2 ^5 Фиксируя в качестве нулевой
__________ точки интервальной шкалы объект
0.25 Ю8 0.6 1.1 12 /4 X ^ 4» получаем численные шкальные
значения базовой переменной
Рис. 5.10
(рис. 5.10). В процессе построения
ф. п. аналитик выявляет некоторую информацию о лингвистическом
значении «ДОСТАТОЧНО УДОБНАЯ», которую представим в виде
матрицы парных сравнений М = J пцу |] /, \ = 1, /г, где т ц — пока­
зывает, во сколько раз по мнению ЛПР рл (xt) больше рл (х/) (т. е.
во сколько раз по показателю УДОБНАЯ 0 { превосходит О/):
“ 1 1/3 1/5 9 7 5 6 “
3 1 1/3 9 7 7 6
5 3 1 9 8 7 6
М= 1/9 1/9 1/9 1 1/7 1/6 1/5
1/7 1/7 1/8 7 1 3 2
1/5 1/7 1/7 6 1/3 1 2
_ 1/6 1/6 1/6 5 1/2 1/2 1
Смысл шкальных оценок 3, 5, 7, 9 и промежуточных значений 2,
4, 6, 8 приведен в п. 5.4.
Далее применяя итерационную процедуру для нахождения мак­
симального собственного числа Хтах и связанного с ним собствен­
ного вектора р*, находим Ктах = 7.003;
pfe = [0.430; 0.682; 1.000; 0.046; 0.153; 0.133; 0.102].
Таким образом, для данного лингвистического терма УДОБНАЯ
(в эксплуатации) получаем значения дискретизированной ф. п.
перечисленных ранее шкальных значений базовой переменной.
Для определения меры сходства между исходным объектом ЭВМ
х и эталонным объектом выборки в процессе интерполяции ф. п.
применяется метод, использованный выше для построения числовой
шкалы базовой переменной. Отличие состоит в том, что объектами
рассмотрения в данном случае являются пары (х, О*-), а результа­
ты вычислений нормируются. Пусть мера сходства между исходным
объектом х и эталонными {О*} задается вектором (согласно [6]):
S (х, Ot) = [1; 0.9, 0.8; 0.2; 0.6; 0.6; 0.7].
Тогда искомая лингвистическая оценка ЭВМ х определяется в со­
ответствии со следующим выражением:
Цг. (d{) = Mr т S (х, 0 (),
где pro (di) — степень принадлежности dt к терму Т — «достаточ­
но удобная» — назначенная для исходного объекта х, рт (0{) —
степень принадлежности к терму Т для эталонного объекта Ot-;
S (х, Ot) — степень сходства между эталонным объектом 0 { и х.
ДОСТАТОЧНО УДОБНАЯ = (0.009/0; 0,008/0.25;
0.067/0.38; 0.093/0.6; 0.430/1.1; 0.614/1.2; 0.800/1.4}.
160
Как видим, максимального значения 0.800ф. п. для данноготерма
(УДОБНАЯ) достигает в конце шкалы при d == 1.4. Это свидетель­
ствует о высоком значении данного ЛК у рассматриваемой ЭВМ я.

5.4. МЕТОДЫ ПОСТРОЕНИЯ ФУНКЦИИ ПРИНАДЛЕЖНОСТИ


НЕЧЕТКИХ МНОЖЕСТВ

Применение теории нечетких множеств для решения практических


задач предполагает в качестве первого шага формализацию нечетких
понятий и отношений и построение ф. п. для нечетких множеств.
В [10] предложена следующая схема определения значений ф. п.
рл (х) элементов х £ X к нечеткому множеству А. Имеется кол­
лективное ЛПР, часть экспертов которого на вопрос о принадлеж­
ности элемента х к множеству А отвечает положительно (обозна­
чим их число через я х), а другая часть — отрицательно, пусть чис­
ло этих экспертов равно л2. Тогда примем, что на (х) = —Ф— , т.е.
fll -f- П2
данная схема соответствует вероятностной интерпретации ф. п.
В [10] получены формулы для вычисления значений ф. п. по
данным опроса экспертов — коллективного ЛПР методом парных
сравнений. При выводе формул предполагалось, что каждому из
возможных ответов эксперта
Рл (хх) > рл (дса), НА (Хх) = рл (х2), На (хх) < рл (х2)
соответствует вероятность такого ответа, линейно зависящая от
разности степеней принадлежности.
В [4] предлагается процедура построения ф. п. рл (х) на основе
количественного парного сравнения степеней принадлежности ин­
дивидуальным ЛПР. Результатом опроса ЛПР является матрица
М = || тц I г, / = 1, п размерностью' п X п, где п — число точек,
в которых сравниваются значения функции. Число тц показывает,
во сколько раз по мнению ЛПР рл (х,) больше рл (х/). При этом
число вопросов к ЛПР составляет не я 2, а лишь п *л2~ так как
по определению т(1 = 1 и, кроме того, тц = mtl .
Значения ф. п. рл (хх), рл (х2), ..., рл (х„) в точках хъ х2,.
...,х п определяются на основе решения задачи
МФГ = vmax<l>, (5.4.1)
где Ф = [0!, ф 2, фп] — вектор размерности л; vmax — мак­
симальное собственное число матрицы М; Т — символ транспони­
рования. Поскольку матрица М положительная по построению,
то решение задачи (5.4.1) существует и является единственным [61.
Окончательно получаем
рл (X,) = —р — , (5.4.2)

п
откуда следует, что Ф *=1.
f=i
6 423 161
Вычисление степеней принадлежности по формуле' (5.4.2) на основе
решения .задачи (5.4.1) вытекает из следующих соотношений [10К
Пусть М0 — матрица, составленная из отношений степеней принад­
лежности
Рл (*l) РЛ (*i) Рл (*1>
Рл (*1) Рл (**) Рл (*п)
Рл (**) Рл (**) Рл (**)
Рл (*l) Рл (*2> ' “ Рл (х п)

Рл (*п) Рл (*») Рл (х п)
1*л(*1) Рл (**) Р (х п) а

Тогда очевидно, что М0Фо = /гФо. А поскольку М0 — неотрица­


тельная матрица ранга 1, то ее максимальное число vmax = /г, а вектор
Ф0, составленный из рл (**)> ее собственный вектор. Матрица М
является аппроксимацией матрицы М0, образующейся на основе
ответов ЛПР. Поэтому вектор степеней принадлежности Ф и вы­
числяется из выражения (5.4.1), а величины тц принимают значе­
ния в соответствии с табл. 5.7 [10].
Таблица 5.7

Значения т ц Смысл оценок т ц

, ц А (х.) примерно равна На (xfl


3 Н а немного больше
(х {) На ( х / )
5 НА (х {) больше на (*/)
7 На (x t) заметно больше На (х \)
9 Ра ( x i ) намного больше Ра (x f )
2, 4, 6, 8 Значения, промежуточные по степени между перечислен­
ными

. Сформулируем ряд дополнительных требований, которым в силу


своей семантики должна удовлетворять ф. п. НМ [6] лингвистичес­
кой переменной.
Пусть Т = {Г/} — базовое терминальное множество лингви­
стической переменной <р, 7\ X, G, М), ( Ти X , С{> — нечеткая пере­
менная, соответствующая терму Tt £ 7\ С* = U (*)/*, S* —
носитель С(, Т0 — любое другое базовое терм-множество лингви­
стической переменной, Т0 ф Т. Будем считать, что х £ R. Обозна­
чим | Т | через л, inf х = хъ sup х = х2. Упорядочим множество
* X
Т в соответствии с выражением
(V Т {€ Т) (V Т , € Г) u > / ~ G х е S,) (V у 6 $«) (* > */)], (5.4.4)
означающим, что терм, который имеет носитель, расположенный
левее, получает меньший номер. Тогда любая лингвистическая
162
переменная должна удовлетворять следующим условиям:
(*i) = 1........(*а) = 1; (54.5)
(V T t € Г \ { Тп}) (О < max pcfnc,+I< 1); (5.4.6)
( V 7 \e r ) ( 3 * e A ') ( M * ) = i); (5.4.7)
(Vp)(|X|<oo Д (3*i €#i)@*2€#i)(Vx € X)(*i < * < . k2);
(5.4.8)
(Vx€{X:|X|<oo}^V Tt \ %x щ ( * ) > l) ; (5.4.9)

(V x € {X : |X |= |# x |}) (V Tt) ^0 < f p, (x) dx < oo j ; (5.4.10)

(V Т<£ T )(V Г,€ П 0 * € X )(lii (x )^ ii,(x )). (5.4.11)

Поясним смысл этих выражений на примере п = 5. Условие


(5.4.5) запрещает, чтобы ф. п. для крайних термов (в данном случае
7 \ и Ть) имели вид колоколообразных кривых, что обусловлено
расположением этих термов в упорядоченном множестве Т.
Условие (5.4.6) запрещает существование в базовом множестве
Т пар термов типа 7\ — Та и Т2 — Та, так как в первом случае
отсутствует естественная разграниченность понятий, аппроксимиру­
емых термами, а во втором участку области определения не соответ­
ствует никакое понятие. Поскольку каждое понятие имеет хотя бы
один типичный объект, обозначаемый этим понятием, то введено
условие (5.4.7), запрещающее наличие термов вида Tt (рис. 5.11).
Условие (5.4.8) ограничивает область определения либо конечным
множеством точек при дискретном характере области определения,
либо некоторым интервалом. Следствиями (5.4.7) являются условия
(5.4.9) и (5.4.10), подчеркивающие отличия ф. п. термов дискретной
лингвистической переменной от закона распределения вероятнос­
тей, и ф. п. непрерывной переменной ( | X | = J Ri |) от плотности ве­
роятности.
Наконец, условие (5.4.11) указывает на то, что при изменении
множества термов меняются и ф. п. нечетких множеств, описыва­
ющих семантику термов (рис. 5.11).
В заключение опишем диалоговую процедуру построения ф. п.
нечетких множеств. Эта процедура разработана в [6] и реализована
б* 1бЗ
в виде комплекса программ на ФОРТРАНе в ОС ЕС ЭВМ с исполь­
зованием диалоговой системы КОДИАЛ.
Этап 1. Определение множества термов и его упорядочение в со­
ответствии с выражением (5.4.4).
Этап 2. Построение носителя (области определения) НМ для
каждого из термов. Корректировка носителей.
Этап 3. Выяснение схемы опроса, удовлетворяющей ЛПР.
Организация диалога и отображение результатов на этапах 4—7
(в зависимости от выбранной схемы опроса и вида области опреде­
ления).
Для построения ф. п. термов лингвистических переменных
используется алгоритм, составляющий содержание этапов 4—6,
для термов дискретных числовых лингвистических переменных —
алгоритм этапа 5, для нечисловых лингвистических переменных —
алгоритм этапа 7.
Этап 4. Построение ф. п. для каждого терма по методике, осно­
ванной на использовании стандартного набора графиков ф. п.
ЛПР выбирает наиболее подходящий ему график из стандартного
набора, а затем в диалоге с ЭВМ выясняет и корректирует парамет­
ры выбранного графика. В качестве элементов стандартного набора
целесообразно взять следующие функции:
у г (х, а, Ь), если х ^ Ъ \
Ух (х , а, Ь, с) — 1, если Ь < С х^с; (5.4.12)
— у 2 (х, с, с + b — а), если х > с;
I О, если х ^ о ;
о ( * — а)2 .. а —
f—Ь
(Ь — а )2 ’
если а < х ^ — !— ;
у%(х, а, Ь) = (5.4.13)
(Ь - х )3 а+ Ь _и
1 — 2 (Ь —а)2 если — ^— < х < Ь\
у 1, если х ^ Ь .
У.З (*> &) 1 У2 (^» ^0»
1, если
Уа (:X, а, Ь, с) (5.4.14)
[1 + (а {х — с)6]-1 , если х ^ с .
Уь (х, a ,b ,c ) = 1 — у х (х, а, Ь, с);
(х —■0.)^
[
— ~w ~ •
Примерный вид графиков этих функций приведен на рис. 5.12,
а — е.
Этап 5. Построение ф. п. для каждого терма на основе решения
описанной выше задачи о собственном векторе Ф. Значения ф. п.
после решения задачи МФТ = vmaxФ вычисляются по формуле
В выражении (5.4.15) предполагалось,что при определении степеней
принадлежности наряду с прочими используются объекты, пол­
ностью принадлежащие к НЧ, т. е. для которых \ха (х*) = 1. При

При X = 0 имеем полную транзитивность суждений. Чем боль­


ше Я, тем больше нетранзитивность суждений ЛПР.
Этап 6. Построение ф. п. для каждого терма по методу равноотделе-
ния [5, 8]. При каждом предъявлении ЛПР должен назвать точку, для

которой степень принадлежности находится посередине ме&ду сте­


пенями принадлежности точек, входящих в предъявленную пару.
Этап 7. Построение ф. п. термов нечисловой лингвистической
переменной. Соответствующий алгоритм сводится к решению трех
задач [61:
1) Построение новой (числовой) области определения лингвисти­
ческой переменной на основе сформулированной выборки эталонных
объектов О = {0Ь 0 2, ...» Оп\•
2) Построение ф. п. отдельных термов на полученной области
определения.
3) Вычисление значений ф. п. для лингвистических оценок за­
данных неэталонных объектов X .
СПИСОК ИСПОЛЬЗОВАННОЙ И РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ
1. Борисов А . Н ., Корнеева Г . В. Лингвистический подход к построению моде­
лей принятия решений в условиях неопределенности // Методы принятия ре­
шений в условиях неопределенности.— Рига : Риж. политехи, ин-т, 1980.

165
2. Б ори сов А . /7., П опов В . Л. Один класс задач векторной оптимизации при
лингвистическом задании критериев // Методы и модели управления и кон­
троля.— Рига : Риж. политехи, ин-т, 1979.
3. Л* Заде. Понятие лингвистической переменной и ее применение к принятию
приближенных решений.— М.: Мир, 1976.
4. К у р га н о в В . Д ., Овсянникова А . А Т и м а ш е в А . Н . Преобразование качествен­
ной информации в количественную в задачах распознавания образов// Вопр.
кибернетики.— Ташкент : Ин-т кибернетики АН УзССР, 1973.
5. М и р к и н Б. Г. Проблема группового выбора.— М. : Наука, 1974.
6. М о д ел и принятия решений на основе лингвистической переменной / А. Н . Бо­
рисов, В . А. Алексеев, О. А. Крумберг и др.— Рига : Зинатне, 1982.
7. Р а й ф а Г . Анализ решений : Пер. с анг.— М. : Наука, 1977.
8. Т ео р и я и практика ситуационного управления.— М.: Сов. радио, 1977.
9. Good / . / . Subjective probability as the measure of a non—-measurable set. In :
Logic, Methodology and the Philosophy of Science, Stanf. Univ. Press, 1962.
10. S a a ty T . L. Measuring the fuzziness of Sets.— J . Cybernetics, 1974.— Vol. 4f
N 4.
11. Zadeh L. A. Fuzzy algorithms.— Inf. and Control, 1968.— Vol. 12, N 2.
12. D . D u b o is, H . P ra d e . Fuzzy Sets and Systems. Theory and Applications Acad.
Press, N. York, 1980.
13. B a ld w in J . F„ G u ild N . C . F . Comparison of Fuzzy Sets on the Same Decision
S pace// Fuzzy Sets and Systems.— 1979.— Vol. 2, N 3.
14. D u b o is D . t P ra d e H . Ranking Fuzzy Numbers in the Setting of Possibility The­
ory // Inf. Science.— 1983.— Vol. 30, N 3.
15. T o n g R . M . t Bonnosone P . P . Linguistic Approach to Decision Making with
Fuzzy Sets. IEEE Trans, on Systems, Man and Cybernetics.— 1981.— Vol. 10,
N 1.
16. J a g er R . R . A Procedure for Ordering Fuzzy Subsets of the U nit Interval. Inf.
Science.— 1981.— Vol. 24, N 2.
17. S h a fer G. A. Mathematical Theory of Evidence.— Princeton : Princeton Univ.
Press, 1976.

Глава 6
ПРИНЯТИЕ РЕШЕНИЙ НА ОСНОВЕ НЕЧЕТКОЙ
И ОГРАНИЧЕННОЙ ИНФОРМАЦИИ

6.1. ОСНОВНЫЕ ФОРМЫ А Н А Л И ЗА РЕШ ЕН И Й

В зависимости от используемой формальной постановки задачи


анализа решений возможны различные подходы к принятию ре­
шений (ПР) на основе ограниченной информации. В общем случае
формализованная задача принятия решений (ЗПР) обладает сле­
дующей структурой [9]. Имеется три класса элементов: А —
множество альтернатив; X — множество исходов; 5 — множество
состояний.
Множество S является проявлением стохастической неопре­
деленности в ПР, причем конкретная интерпретация состояний
зависит от формулировки задачи (например, спрос на те или иные
виды товаров, метеоусловия и т. п.). Иногда в качестве элементов
множества S рассматривают «состояния природы», чтобы подчер­
кнуть присущую им неопределенность и независимость от ЛПР.
Взаимодействие элементов ЗПР можно выразить схемой:
(A, (6.1.1)
166
Предложено 2 основных метода конкретизации (6.1.1), каждому
из которых соответствует свое определение множества состояний
и свой подход к оценке ожидаемой полезности альтернатив: анализ
решений в экстенсивной и нормальной формах [91.
При анализе решений в экстенсивной форме состояния опреде­
ляются как отображение альтернатив в исходы:
S: А ^ Х . (6.1.2)
Этот подход сформулирован Дж. фон Нейманом и О. Моргенштер-
ном [7]. При такой постановке множество состояний природы в
явном виде в анализе решений не фигурирует. Стохастическая не­
определенность здесь описывается распределением вероятностей
на X, соответствующим альтернативам из А.
Предпочтения ЛПР должны быть выражены в виде функций
полезности на множестве X. Ожидаемая полезность EUr аль­
тернативы аг может быть рассчитана для дискретного X как

EUг = £ и (х,) f r (*/), (6.1.3)

а для непрерывного X как

EUr = j и (х) f r (х ) dx.


х
Поскольку каждой альтернативе а, однозначно соответствует
свое распределение вероятностей /> (х), то здесь можно говорить
о выборе наиболее предпочтительного распределения.
При анализе решений в нормальной форме альтернатива а £ А
определяется как отображение состояний в исходы:
a: S -+ X . (6.1.4)
Данный подход был сформулирован Сэвиджем [9]. Здесь мно­
жество состояний 5 явно фигурирует в анализе решений, а стоха­
стическая неопределенность описывается с помощью одного распре­
деления вероятностей на 5. Оно не зависит от выбора той или иной
альтернативы. При дискретном множестве 5 оно задается распреде­
лением [р (s/)} вероятностей того, что будет иметь место состояние
в/. При непрерывном множестве 5 оно задается соответствующей
плотностью р (s).
Предпочтения ЛПР, как и прежде, задаются функциями полез­
ности, но теперь они строятся не на множестве исходов X, а на
множестве / 4 x 5 , поскольку согласно (6.1.4) любой подход одно­
значно определяется некоторой парой (a, s) £ А х 5.
При анализе решений в нормальной форме ожидаемая полез­
ность EUr альтернативы аг £ А может быть рассчитана для
дискретного случая, как
П
EUr = S « (<*п si) р (S/),

167
а для нюрсривтго S, как
Я£/, - j и («,, I) р (*) da. (6.1.5)

Аксиомы, которым должна удовлетворять функция полезности в


экстенсивной и нормальной формах при анализе ПР, подробно
рассмотрены в [11], где показано, что при наличии фундаменталь­
ной согласованности (когда неопределенность считается вызванной
одними и теми же причинами) экстенсивная и нормальная формы
анализа решений эквивалентны с точки зрения ожидаемой полез­
ности рассматриваемых альтернатив.

Доминирование при ограниченной информации


Сведения об используемых в теории полезности понятиях (дан­
ных) (функция полезности, распределения вероятностей состояний)
могут быть двух типов: а) сама зависимость; б) ее свойства.
Для выбора альтернатив по критерию максимума ожидаемой
полезности нет необходимости всегда иметь сведения обоих типов,
достаточно знать соответствующую
Сдедения о распределении
Вероятностей зависимость, т. е. иметь сведения
а +5 а д типа а). В случае отказа от знания
некоторой зависимости относитель­

I яя
§ а+д но нее все же необходимо распола­
АП гать хотя бы сведениями типа б).
В общем случае неполнота исход­
ных данных означает невозмож­
^3 а ность построить некоторые зависи­

ц* ж Т"
мости с требуемой точностью, т. е.
S' отсутствие сведений типа а).
СД В связи с тем что в расчете ожи­
даемой полезности участвуют 2 за­
Рис. 6.1
висимости (функция полезности и
распределение вероятностей), воз­
можны 2 вида доминирования альтернатив в условиях ограничен­
ной информации [9]: 1) стохастическое доминирование (СД) и
2) доминирование по полезности (ДП).
Первое из них допускает ограниченность исходных данных
относительно функций полезности, но при этом распределение
вероятностей (p(s/)} не только должно быть известно, но его па­
раметры должны удовлетворять дополнительным требованиям,
т. е. о нем должны иметься сведения как типа а), так и типа б).
Доминирование по полезности, напротив, допускает наличие
лишь сведений типа б) относительно распределения, вероятностей
{р (s/)}, тогда как относительно функций полезности должны иметь­
ся сведения обоих типов.
Классификация методов ПР на основе теории полезности (ТП)
при ограниченной исходной информации представлена на рис. 6.1,
где в зависимости от наличия исходных данных выделены области
168
применения традиционной ТП, стохастического доминирования
(СД) и доминирования по полезности (ДП). Заштрихованная об­
ласть соответствует наличию избыточных данных с точки зрения
ожидаемой полезности. Незаполненная область означает невоз­
можность анализа решений на основе ожидаемой полезности.
Сравним экстенсивную и нормальную формы анализа решений
с точки зрения доминирования альтернатив при ограниченной ин­
формации.
Задача

Рис. 6.2

При анализе решений в экстенсивной форме общим для всех аль­


тернатив является функция полезности на множестве исходов X,
а особенным — распределение вероятностей (у каждой альтернати­
вы свое).
При анализе решений в нормальной форме, наоборот, общим
является распределение вероятностей на множестве состояний S,
а особенным — функции полезности (ФП) на множестве А X S
(для каждой альтернативы своя).
Доминирование в условиях ограниченной информации основано
на том, что допускается менее точное знание общего (касающегося
всех альтернатив), но особенное нужно знать точнее. Сказанное
объясняет, почему СД возможно только при экстенсивной форме,
а ДП — только при нормальной форме.
На рис. 6.2 приведена структура процесса принятия решений
на основе теории полезности при различной доступной информации.
В результате анализа данных о задаче выясняется, в какой форме
(экстенсивной или нормальной) предполагается вести анализ ре­
шений. В соответствии с этим проводится диалог с ЛПР, распола­
гающим субъективными предпочтениями относительно альтернатив
и соображениями о вероятности учитываемых состояний.
Диалог дает исходную информацию (четкую или нечеткую) для
построения необходимых характеристик (ФП, РВ), которых, одна­
ко, может оказаться недостаточно.
т
После соответствующей проверки либо задаются необходимые
зависимости, либо делается попытка выявить доминирование аль-
тёрнатив при ограниченной информации: при экстенсивном ана­
лизе решений — СД, при нормальном анализе — ДП.

6.2. НЕЧЕТКОЕ СТОХАСТИЧЕСКОЕ ДОМИНИРОВАНИЕ

Рассмотрим основные принципы СД на примере двух альтерна­


тив ап Я/ £ А сначала для непрерывного множества исходов Х =
= Iя, Ь].
Альтернативам ап аь однозначно соответствует некоторая плот­
ность вероятности fr (х) и ft (х), fr (х) Ф ft (х), х £ X, т. е. рас­
сматривается анализ в экстенсивной форме. Пусть > — отношение
строгого СД для некоторого класса функций полезности U. То­
гда [9]
яг > ai++ EUr ^> EVt для всех u£U , (6.2.1)
где и — функция полезности ЛПР, EU r, EUt — ожидаемые по­
лезности альтернатив аг и Я/, которые рассчитываются согласно
(6.1.3).
Заметим, что отношение строгого СД требует задания функции
полезности лишь с точностью до принадлежности некоторому клас­
су U, тогда как в (6.L3) необходимо построить ФП. Отношение не­
строгого СД Р можно определить, если в правой части (6.2.1) по­
ставить зн&к ^ 5.
Отношение строго СД задает на множестве альтернатив А стро­
гий частичный порядок, так как обладает следующими свойствами:
/ а)*антирефлексивности: для любой альтернативы яг £ А невоз­
м о ж н о а, > аг\
4 б)! антисимметричности: для любой пары альтернатив яг, Я/£
^ А из аг > Я/ следует невозможность я^ > я/,
7 в) транзитивности: для любой тройки альтернатив ап ah ak9
если аг > Я/ и at > ak, то и ar > ak.
В зависимости от конкретного класса функций полезности
определяют СД первого, второго и т. д. порядков. В общем случае
отношение строгого СД /-го порядка определяется из [21:
ar '>i ai<r+EUr > E U i для всех u ^ U {. (6.2.2)
Приведенные выше свойства а), б) и в) справедливы для отношения
строгого СД любого порядка.
' Классы функций определяются таким образом, чтобы £/*•+1 с:
о Ub т. е. каждый последующий класс выделяет в предыдущем не­
которое подмножество функций полезности. В таком случае отно­
шения СД разных порядков также обладают свойством имплика­
ции, т. е.
яг >* Я/ — яг >-2Я/ — ••• ЯГ> ,Я /.
Обычно определяют следующие классы функций полезности (пред
полагается, что функция полезности непрерывна и дифференциру
ема на X достаточное число раз) (21.
170
1) Класс возрастающих функций полезности:
Ux — {m :( V x £ X °) m' ( x) > 0},
где Х° = (а, Ь), принадлежность функций полезности классу Ut
йнтерпретируется как возрастание предпочтений на X ;
2) класс возрастающих в строго выпуклых вверх функций по­
лезности:
Ua = {u :u £ U 1 и ( У х € Х 0)ы '(х )< 0 } ,
принадлежность функции полезности классу U2 интерпретируется
как неприятие риска;
3) Ua = {u :u £ U 2 и (V х £ Х °)и '" (х )> 0 ),
принадлежность ФП классу Ua обычно интерпретируется как убы­
вание по абсолютному значению неприятия риска.
Для нестрогого СД эти классы определяются менее жестко:
Ux — как класс неубывающих ФП, Ua — как класс неубывающих
и невыпуклых вниз ФП.
По аналогии можно определить классы функций полезности
Uit U5 и т. д., но их использование затруднительно.
Вышеупомянутые классы функций полезности удовлетворяют
соотношениям Ua cz U2 с: Ux а U0, где U0 — множество всех
ФП на X.
Необходимые и достаточные условия строгого доминирования (СД)
первых трех порядков устанавливаются в следующих теоремах:
1) аг а, +-> F\ (х) > F\ (х);
2) а, > 2а/ F2(х) > F2
r (х);
3) a,^>aar ^ F ei ( x ) ^ F 3r (x), mr^ m t.
Предполагается, что неравенства выполняются для всех к £ X,
функции полезности и принадлежат соответствующим классам, а
величины F* (х), F\ (х) определяются на основе плотностей вероят­
ностей fr (х) и fi (х):
X X
?г(х) = J fr(y)dy; Fr= j Flr (у) dy;
a a
x b b
(x) = j F2(y) dy; mr = j xf, (x)dx; tnt = \ x ft (x) dx,
a a a

t. e. Fr (x) — функция распределения случайной величины х£


£ [а, Ъ], тг — ее математическое ожидание.
Поскольку fr (х) Ф h (х), то нестрогие равенства в приведен­
ных теоремах означают, что существует хотя бы один исход */ £
£ X, где F\ (х) > Fr (х), i = ГТЗ.
Более того, так как множество X — непрерывно, то на нем су­
ществует не одна точка, а некоторый интервал, где неравенства
должны быть строгими.
171-
F На рис. 6.3, a ar > i аи так каи
1.0
Ft (х) > Fr (х) для всех х £ X, на
рис. 6.3, б аг > 2 at, так как хотя есть
такие исходы х £ [с, Ь], где Fr (х) >
> Ft (х), но площадь под кривой F, (х)
от а до х не меньше, чем соответствую­
щая плотность под Рг (х) для всех х £ Х .
На приведенных выше теоремах
основаны алгоритмы проверки строго­
го СД.
В [13] приведены некоторые следст­
вия, позволяющие ускорить провер­
ку, т. е. сделать выводы, не проверяя
весь отрезок [а, Ь].
Приведем сначала следствия, отно­
сящиеся к СД любого порядка:
1) если на отрезке [а, b] первое
слева (т. е. ближайшее к а) ненуле­
5 вое значение разности F{ (х) — Fr (х)
/ис. &3 отрицательно, то ar > t at невозможно
(i = 1, 2, 3);
2) если mr > т /( то а{ аг невозможно (i — 1, 3);
3) если справедливы одновременно 1) и 2), то невозможно ни
а, аи ни щ ап т. е, альтернативы не сравнимы по отноше­
нию СД.
Для СД первого порядка:
4) если тг = ти то невозможно ни аг > щ, ни a t >- аг.
Для СД второго порядка:
5) если тг ^ т{ и графики Fr (х), Ft (х) пересекаются 1 раз, то
аг > 2
Ъ) если тг — mi и ar ^ at (где аг — среднеквадратичное от­
клонение), то ar > 2 щ — невозможно;
7) если тг ^ и аг ^ сгг (г и I — гауссовские функции рас­
пределения), то аг > а,.
Для СД третьего порядка:
8) если тг — т{ и о г > О/, то а г > 3 а { — невозможно.
Стохастическое доминирование в общем случае
Аналогичные принципы строгого СД могут быть сформулирова­
ны и для дискретного множества X (здесь только необходимо заме­
нить операцию 5 на 2).
Поэтому рассмотрим ситуацию, когда X является произвольным
набором N исходов, на элементах которого не существует естествен­
ного порядка. Специфика СД состоит в том, что порядок на X
здесь должен быть построен на основе предпочтений ЛПР.
Пусть ЛПР может упорядочить (строго или нестрого) исходы
из множества X, по их предпочтительности в порядке возрастания
предпочтений. Тогда вместо возрастающей функции полезности
т
(ФП), которая сейчас не задана, рассматривается ФП, которая со­
храняет порядок предпочтений ЛПР. Пусть множество X строго
упорядочено:
хг < х г < • • • < х п. (6.2.3)
ФП по определению конгруентна (6.2.3), т. е. сохраняет порядок
предпочтений ЛПР на множестве X:
и (х 1) < и ( х а) < ••• < « (* „ ). (6.2.4)
Поэтому и\ — класс ФП, сохраняющих порядок предпочтений на
упорядоченном, согласно (6.2.3), множестве X, можно определить
как множество всех ФП (без ограничений).
Для каждой альтернативы ar £ А задано свое распределение
N
вероятностей fr (xj) = р (х,-1 ar), причем £ /» (*/) = 1. Так как
/=1
предполагается, что естественный порядок на X отсутствует, то
обычная функция распределения F на X не может быть определена.
А. вместо нее для конкретной альтернативы dr вводится функция
распределения по предпочтению Fnr, согласованная с (6.2.3):

Fnr (хк) = S fr (*/)> k = 1, N. (6.2.5)


Очевидно, Fnr (*i) = fr (xj), Fnr (xn) = 1.
В [13] доказана теорема о строгом СД первого порядка для про­
извольного множества X:
ar > a t *+ Fni (xj) > Fnr (xj). (6.2.6)
Поскольку, по-прежнему, предполагается, что fr ф ft, то должен-
существовать хотя бы один исход х/ £ X, для которого Fni (xj) >
> Fnr (xj). Класс U2, аналогичный классу возрастающих и стро­
говыпуклых вверх ФП U2, определяется как множество функций,
принадлежащих классу U\ и сохраняющих порядок на множестве
своих первых разностей. Последнее означает, что необходимо не
только знать свойство (6.2.3), но и упорядочить разности
u ( x l+i) — u(Xj), j = l , N — l.
В зависимости от этого для каждой альтернативы рассчитывается
а/ £ A, Fn (xj) — аналог F2 (х) для произвольного множества ис­
ходов X.
Вначале выясняется место каждой разности и (х/+0 — и (xj)
в ранжированном списке, где за начало принимается максимальная
разность. Если Fnr (xj), Fni (х/) для альтернатив ar, at рассчитаны,
то согласно теореме о строгом СД второго порядка
ar >-2 ai +* Fni (Xf) 2s Ffir (xj). (6.2.7)
Заметим, что приведенные в (6.2.1) теоремы о строгом СД для
множеств, обладающих естественным порядком, являются част­
ными случаями (6.2.6) и (6.2.7).
173
Таблица 6.1 Таблица 6.2

Я] *2 *8 *4 *1 *2 х9 *4

fr (X/) 0.3 0.1 0.4 0.2 Fnr 0.3 0.4 0.8 1.0

Н (х/) 0.2 0.2 0.5 0.1 F„, 0.2 0.4 0.9 1.0

Таблица 6.3Пример 6.1. Рассмотрим за­


дачу выбора вычислительного
X / *2 *3 комплекса (ВК) для замены мо­
рально устаревшего, на базе ко­
торого функционирует АСУТП
о
00

1 .1 1 .5
F U r (* /) [13]. Пусть имеется 2 альтерна­
тивных варианта нового В К (аг
F u i (* /) 0 .9 1.1 1 .5 и а/), которые содержат централь­
ный процессор (ЦП) и оператив­
ную память (ОП) и более совре­
менное программное обеспечение (ПО), а также ряд новых периферий­
ных устройств, позволяющих реализовать дополнительные возможно­
сти для пользователя. Опыт эксплуатации альтернативных вариантов
нового В К показывает, что по своей эффективности они примерно
равны при решении большинства задач. В этом случае естественно
стремление выбрать такой альтернативный вариант, который по­
требует меньше затрат на переделку существующей АСУ. Пусть
изучение технической документации и опыта эксплуатации ВК аг
и Я/ показывает, что при выборе каждого из них возможны следу­
ющие четыре исхода:
хЛ— требуется существенное изменение ПО (возможно пере­
вод программ на другой алгоритмической язык);
х2 — потребуется модификация ПО (на уровне замены группы
операторов в программах);
х3 — потребуется модификация информационного обеспечения
(например, изменение форм входной и выходной информации);
х4 — изменений не потребуется.
Исходы упорядочены по своей предпочтительности для ЛПР так:
Х1 < Х2 < хз < Х4'
Пусть распределения вероятностей для альтернатив яг и я* приве­
дены в табл. 6.1. Рассчитываем Fnr (*/) и Fm (х\) согласно (6.2.5)
и заполняем табл. 6.2.
Так как Fur (*i) > Fui (*i), но Fur (*3) < Fm (*3), то невозмож­
но НИ Я, Я/, НИ Я/ > ! яг.
Поэтому необходимо обратиться к ЛПР за дополнительной ин­
формацией о полезностях исходов с просьбой упорядочить три раз­
ности:
и (х2) — и (x j, и (х3) — и (х2), и (х4) — и (ха).
174
Для этого задаются вопросы следующего типа:'
Предпочитаете ли Вы модификацию ПО (х2) наверняка. по
сравнению с участием в лотерее 50 -т- 50, где в качестве исходов
выступают существенное изменение ПО (х,) и модификация инфор­
мационного обеспечения (х3)? Утвердительный ответ означает, что
. и (х2) — и (х}) > и (х3) — и (х2).
Тогда расчет Fnr (х,) и Ftu (х/) дает (см. табл. 6.3). Поскольку для
всех / = 1,3 Fni (xj) ^ Fnr (xj), то ar > 2 ah т. е. следует для мо­
дернизации АСУП выбрать первый ВК ar.

Понятие нечеткого строгого СД

Рассмотрим строгое СД на непрерывном множестве X.


Соответствующая теорема о необходимых и достаточных усло­
виях СД может быть сформулирована так [9, 11].
Альтернативы ar, ai вступают в отношение строгого СД тогда
и только тогда, когда:
а) ФП принадлежит классу возрастающих функций (утвержде­
ние а);
б) F[ (х) ^ Fr (х) для всех х £ X;
в) существует такой исход х £ X, что, Ft (х) ^ Fr (х). Здесь
как и прежде, Fr (х), F, (х) функции распределения случайных
величин х £ X при альтернативах аг и а, соответственно.
' Условия б) и в) эквивалентны утверждению: Р =<альтерна-
тивы ar, at вступают в отношение строгого порядка предпочтения по
вероятности R s> , где Rs задается следующим образом.
Рассмотрим отношение предпочтений по вероятности R на мно­
жестве альтернатив [9]:
arRat ~ ( V x £ X ) F l (x )> F r (x). (6.2.8)
Характеристическая функция отношения R имеет вид
1, если ( V x ^ X ) ( F ; ( x ) > f r (x);
М к(аг, aj) =
0 в противном случае.
Тогда соответствующее ему нечеткое отношение Rs может быть
определено согласно [10]:
^ = Д \Д -> (6.2.10)
с характеристической функцией
P«(fl/-> сц) = max {0; pR(ar> aj) — p « (az, a,)}. (6.2.11)
Таким образом, приведенная теорема может быть сформулирована
в виде
в,>й|«аД Р, (6.2.12)
175
т. е. проверка СД сводится к оцениванию истинности утверждений
а и р. Следовательно, характеристическая функция рассматрива­
емого отношения СД может быть определена как степень истиннос­
ти конъюнкции этих утверждений:
р,д (ат, a,) = 7 (а Д 0). (6.2.13)
Рассмотрим теперь нечеткое отношение строгого СД, имеющее место,
когда соответствующие условия (хотя бы одно из утверждений а
или Р) выполняются не с абсолютной, а с любой степенью истин­
ности из (0, 1].
Оно определяется как нечеткое подмножество декартова произ­
ведения А X А с функцией принадлежности р.д (ап а,) для каждой
пары (ап .а,). В свою очередь, функция принадлежности рд {arat)
определяется согласно (6.2.13), где в отличие от четкого случая
степень истинности 7 (а Д 0) может принимать любые значения
из отрезка [0, 1].
Рассмотрим сначала случай, когда степень истинности является
обычным числом (или нечетким) из отрезка [0, 1]. Тогда проверка
нечеткого СД сводится к оцениванию истинности утверждения
а Д р в соответствии с аксиомами нечеткой логики 19].
Пусть 7 (а), 7 (Р) — степень истинности утверждений а и р
соответственно 7 (а), 7 (Р) С [0, 1]. Тогда при минимаксной ин­
терпретации принадлежности [9]
7 (а Л 0) = min {7(a), 7(0)} или рд (аг, а,) = min {7(a), 7 (Р)}.
(6.2.14)

6.3. НЕЧЕТКОЕ ДОМИНИРОВАНИЕ ПО ПОЛЕЗНОСТИ

Понятие доминирования по полезности


Рассмотрим принципы доминирования по полезности (ДП) на
примере двух альтернатив аг, а, для дискретного множества состо­
яний природы 5 = Is,, s2.......sjv}. Пусть в каждый момент времени
имеет место только одно из них, но неизвестно какое. Оттого, какое
состояние истинно, зависит исход той или иной альтернативы. Как
обычно, на множестве задано распределение вероятностей р (s/),
_______ N

j = 1, N, где 2 Р (s/) = 1.
/=i
Как отмечалось в п. 6.1, в данной ситуации удобно строить функ­
ции полезности непосредственно на парах «действие — состояние»,
например для альтернативы аг:
иг, = и (ar, s,), j = 1, N,
где иг, € 10, 1] интерпретируется как полезность для ЛПР его дей­
ствия аг в случае, когда истинным состоянием является s,.
Найдя ur,, j — s, N для всех альтернатив, построим матрицу
полезностей вида
J76
*1 ** * */ ••• *N

р(«) р (*l) .. . Р(*/) Р (*лг)

«Г1 иг\ urN

и1 «И ... ии ••• иШ

Критерием предпочтительности, задающим полный порядок на


множестве альтернатив А, является ожидаемая полезность EUf
для альтернативы ат. Она рассчитывается согласно выражению
(6.1.5), которое перепишем в виде

EUr — Ur/ • P(S/).


Пусть > — отношение строгого ДП для некоторого класса распре­
делений вероятностей Р. Тогда по аналогии с (6.1.5)
(V p (s)£ P )a r >ai++EUr> E U t. (6.3.1)
Необходимые и достаточные условия строгого ДП устанавливают­
ся в следующих теоремах [12]:

1) ar >а,<-*-(У / = 1, N )u ri> u i,\


i ___ k k
2) ar >«,*-*• (У k = 1,1V) «/•/> S «//; (6.3.2)
2 W
3) ar ><*(<-*• 2^ Y/(«r/ — uIf) + h > 0 ,
где
П
h — min S zi (uri — Uii);
zfiD /=1
0 ^ 2 /^ 8 /,
D —\ N N
/=i /=i
Поскольку предполагается, что отношение ДП строгое, должно
быть хотя бы одно состояние Sj, для которого в первой и второй
теоремах неравенства обращаются в равенства, если предположить,
что иг ф щ, т. е. альтернативы имеют неодинаковые ФП.
о 1 о
Заметим, что Рх а Р0, Рг cz Р0, т. е. аг > щ-*- а, > щ, аг > а*
2
-> аг > а,.
В то же время нельзя сказать, что р2 с Pi, хотя в принципе ин­
тервальная мера сильнее порядковой.
177
Таблица 6.4 Таблица 6.5

/ 1 2 3 4 / 2 2 3 4

аг 40 20 30 10 аг 40 30 20 10

я/ 40 20 20 5 Я/ 40 20 25 15

Таблица 6.6 Пример 6.2. Пусть решается


задача обеспечения геологоразве­
к 1 2 3 4 дочной экспедиции некоторым ко­
личеством однородного ресурса.
k Местоположение экспедиции точ­
1 > / 0.4 0.7 0.9 1.0 но не определено, но известны 4
/=1 точки местности, где на аэрофо­
тоснимках видны следы пребыва­
k ния человека. Разработаны 2 пла­
S ич 0.4 0.6 0.85 1.0 на распределения ресурса яг и ah
/=1 которые приведены в следующей
таблице (табл. 6.4) [9].
Например, по плану аг в третью точку местности доставляется
30 единиц ресурса (всего имеется 100 ед. ресурса).
Возникает проблема выбора плана, наилучшего, сточки зрения,
количества ресурса, попадающего в распоряжение экспедиции.
Пусть функция полезности прямо пропорциональна этому ко­
личеству: и (х) = 0.01х, х £ [0, 1001.
Например, игъ = иг (30) = 0.3.
Под состоянием Sf здесь будем понимать пребывание экспеди­
ции в /-й точке местности. Если о вероятностях состояний ничего
априори неизвестно, т. е. р (sj) £ Р 0, то все же оказывается, что
о
аг > я/, так как V /яг/- ^ Щ/.
Теперь рассмотрим другой вариант этой задачи, когда заданы
следующие планы распределения ресурса {табл. 6.5).
о о
В этом случае не выполняется ни аг > аи ни аь > аг. Однако
если р (s) { P i и справедливо (6.3.2), то ar > at. Действительно
(см. табл. 6.6).
______ к к
Таким образом, (V k = 1, N | £ urf > £ utf, что достаточно
/=1 /=1
1
ДЛ Я С1Г Я /.

Нечеткое доминирование по полезности


Рассмотрим строгое ДП первого типа, теорема о необходимых
и достаточных условиях которого может быть сформулирована
следующим образом.
176
Теорема 6.1. Альтернативы ar, at вступают в отношение стро­
гого ДП тогда и только тогда, когда [11]:
а) множество состояний природы упорядочено по убыванию
р ($/) — (утверждение а);
б) (V k — 1, N) £ urj > £ uif,
/=i /=i
в) существует такое состояние S/, что
k k
S ^г/ ^ ]Ll ^//»
/=1 /=1
Легко убедиться, что условия б) и в) вместе эквивалентны утверж­
дению:
Р = (Альтернативы аг и ах вступают в отношение строгого пред­
почтения по полезности Rs)t где отношение R s задается аналогич­
но соответствующему отношению строгого предпочтения по веро­
ятности в (6.2.9) и (6.2.10).
Действительно, рассмотрим следующее отношение R на множест­
ве альтернатив
k k
arRat++(V / = 1, N) £ « г / > £ Щ,. (6.3.3)
l=i 1=1
Оно эквивалентно условию б) и может быть названо просто отно­
шением предпочтения по полезности. Его характеристическая функ­
ция имеет вид
k k ____
1 при £ Urf > £ Uif для всех & = 1, N;
М й/-. я<) = /=1 /=1
0 в остальных случаях.
Отношение строгого предпочтения по вероятности справедливо и
для строгого предпочтения по полезности. Следовательно, его ха­
рактеристическая функция может быть определена согласно (6.2.11).
Таким образом, данная теорема может быть сформулирована
в виде, аналогичном (6.2.12):
аг > а х++а Д р.
Отметим, что здесь в отличие от (6.2.12) требуется задание рас­
пределения вероятностей р (s) лишь с точностью до принадлежнос­
ти некоторому классу распределений.
В зависимости от конкретного класса распределений вероятно­
сти Р определяют ДП различных типов. Так, отношение строгого
ДП i-rо типа (порядка) определяется выражением

(V Р (s) £ Pt) ar > at ++EUr > FUt.


При определении ДП обычно рассматривают следующие классы
распределений [12]:
1) Р0 — полное отсутствие априорной информации о р (S/)
(т. е. когда на множестве значений вероятностей состояний задана
нулевая мера);
17»
2) Рх — класс распределений, сохраняющих порядок (хотя бы
нестрогий), т. е. ситуация, когда на множестве {р (s/)} задана по­
рядковая мера. Удобно предположить, что в этом случае само
множество состояний S также упорядочено по вероятности входя­
щих в него состояний:
p(s1) > p(s2) > • • • > Р (Si) > • • • > р (sn); (6.3.4)
3) Р 2 — класс распределений, на множестве значений которого
задана ограниченная интервальная мера:

где Y /> 0 , е , > 0 , / = 1, N,


т. е. проверка ДП сводится к оцениванию истинности утверждений
а и р, а характеристическая функция рассматриваемого отношения
строгого ДП может быть определена как степень истинности их
конъюнкции, т. е.
рд (аг, а,) = Г ( а Д р ) . (6.3.5)
Нечеткое отношение строгого ДП имеет место, когда соответствую­
щие условия, т. е. хотя бы одно из утверждений а, р, выполняются
не абсолютно, а с любой степенью истинности из [0, 1].
Как и в случае СД, можно определить лингвистическое отноше­
ние ДП, если допустить, что степень истинности утверждения
(6.3.5) может быть представлена в виде НЧ на отрезке [0, 1], [9].

6.4. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ ЗАВИСИМОСТИ


ОЦЕНОК АЛЬТЕРНАТИВ ОТ ПАРАМЕТРОВ

Задача принятия решений в условиях параметрической


„>зависимости
В сложных ситуациях ЛПР часто не в состоянии либо выде­
лить полный набор параметров, либо определить точный вид за­
висимости критерия от них, либо четко определить сами параметры.
Он обычно может выделить только подмножество существенных
параметров и указать характер зависимости (функций) критерия
от параметров.
Задаче выбора лучшей альтернативы в таких ситуациях должен
предшествовать этап определения критериальных оценок на осно­
ве значений параметров.
Пусть каждый k-и исход характеризуется набором значений
параметров и известны также четкие pk или нечеткие \ вероят­
ности наступления этого исхода. Если задан набор условных вы­
сказываний о зависимости критерия Х { от некоторого параметра Y ,
то такую субъективную информацию удобно представить в виде
так называемого распределения возможностей П (X/1 Y) [9].
Если с точки зрения ЛПР критерий X t зависит не от одного,
а от Nt параметров У/, / £ Nt < N, то он характеризует Nt рас­
пределений возможностей П (Х^/Кд), П (X* | Y f^...U (X/1 УдуД.

т
Пусть необходимо выбрать альтернативу при наличии пара­
метрической зависимости. Каждая альтернатива может привести
к исходам, критериальные оценки которых зависят от множест-
ва {Y,}.
Если выбрана альтернатива at, то параметр У/ принимает зна­
чение Hi/к с четкой вероятностью рци или нечеткой %цк. Парамет­
рические зависимости, заданные в виде распределения возможнос­
тей П (X J Y }), которые можно рассматривать как ограничения,
накладываемые параметрами У/.
Требуется выбрать наилучшую альтернативу а* по некоторому
критерию оптимальности F. Эта задача может быть записана сле­
дующим образом.
Найти
а* = argopt F (X (at)), (6.4.1)
где
X(a) = {Xt {at)}, «1 = <{Я//*,Л/кЬП(Х,|У,)> / = Т7Т (6.4.2)
* - Т Г й , / = Т7Ж , k = \7 K i.
Рассмотрим подходы к решению задачи (6.4.1). Как известно, за­
дачу принятия решений можно характеризовать с разных точек
зрения, например [9]:
1) наличием или отсутствием объективной модели, связывающей
параметры системы;
2) видом окончательного решения или типом задачи (выбор
наилучшей альтернативы, упорядочение альтернатив, выбор неко­
торого подмножества альтернатив);
3) степенью информированности ЛПР;
4) размерностью задачи;
5) степенью новизны решаемой задачи, характеризующей уни­
кальность или степень повторяемости проблемы выбора альтер­
натив.
В задачах большой размерности, когда, например, количество
критериев больше 10, при нечетком описании взаимосвязи между
параметрами и критериями оценки альтернатив применение методов
теории ожидаемой полезности даже в четком случае затруднительно.
В этих случаях ЛПР следует воспользоваться не столь строгими,
как теория полезности, но более приемлемыми с его точки зрения
ЛПР эвристическими методами многокритериального выбора (оп­
тимизации).
Рассмотрим применение методов многокритериальной оптимиза­
ции (МКО) в условиях нечеткости. Сначала рассмотрим применение
четкой функции полезности для выбора нечетко описываемых аль­
тернатив. Если же теория полезности по одной из вышеуказанных
причин оказывается неприменимой, то предлагается воспользо­
ваться нечетким аналогом метода идеалов, который позволяет ис­
пользовать критериальные оценки альтернатив, полученные на ос­
нове противоречивой информации о зависимости критериев от па­
раметров.
181
Четкая функция полезности в условиях нечеткой
параметрической зависимости
Четкая функция полезности (ФП) может быть непосредственно
использована для вычисления полезности альтернатив с нечеткими
оценками исходов [9].
1. Вычисление полезности альтернатив при четких вероятнос­
тях исходов. Пусть заданы четкие вероятности исходов pk, k =
1, К, альтернативы.
Рассмотрим случай, когда исходы оцениваются по одному кри­
терию X. Если на базовом множестве значений критерия X зада­
но распределение вероятностей р (xs), при котором выполняется
условие
s
Pk = Y i Р (*.) (**)> (6-4.3)
S=1
то полезность альтернативы с нечеткими оценками исходов при из­
вестной четкой ФП и (xs) вычисляется как

«(a) = S p W « ( 4 (6.4.4)
Но поскольку существует множество Р распределений вероят­
ностей Р, при котором удовлетворяется условие (6.4.3), то резуль­
татом оценки полезности альтернативы а будет не одно значение
и (а), а диапазон возможных значений [ын (а), ив (а)], где иИ(а) —
равно минимальному, а мв (а) — максимальному значению полез­
ности альтернативы а.
Для нахождения «„ (а), ы„ (а) решим следующие две задачи?
найти
s
иИ(а) = inf £ р (xs) и (xs); (6.4.5)
р£Р S=1
найти
«В (а) = sup S Р (**) и (*s) (6.4.6)
р€Р s = l
при ограничениях
5 __________

S р (xs) \lGk (xs) = Pk, k = 1, Kl


p — s==1 (6.4.7)
S p W = l-
В результате решения задач (6.4.5) и (6.4.6) получим диапазон
полезности. альтернативы а.
Вычисление полезности при нечетких и неизвестных
вероятностях исходов
Пусть вероятности исходов заданы лингвистически, т. е. о
помощью нечетких подмножеств Xk с функциями принадлежности
Ря* ip), Р € (О, 1]. Если вероятность исхода неизвестна, то будем
182
считать, что ^ k(Ps) — 1- Если не определена критериальная
оценка Gk некоторого исхода, то будем считать, что pak (*s) = 1
при всех х3 из базового множества значений критерия х. Для на­
хождения нечеткого значения полезности альтернативы выполним
Следующие операции [91:
1) разобьем %k, k = 1, К. на а-уровневые множества А,“, тогда
К= и a ltf; (6.4.8)
a€[0.1]
2) определим для каждого А,“ нижнее и верхнее значения:
Nk = inf р, V t = sup р\
pOZ
3) для каждого a -уровня найдем:
s
а) ы“ (р) = inf £ Р (*s) « (*s) (6.4.9)
р€Р s=l
при ограничениях

8=1 к (6 .4. 10)


S S

£ р (xs) ро* (*s) > £ рW = i;


S=1 S=1

б) «в = s u p £ p (x 3)u (x s). (6.4.11)


p£P s= l

Вычислим полезность альтернативы а:


U (a) = U а \и а (а), где иа (а) = [и* (а), и* (а)]. (6.4.12)
а€[0.1]

Вычисление полезности при векторных критериальных


оценках исходов
Пусть заданы четкие значения вероятностей исходов pk =
= Р (Gk), k = 1, К, где Gk — векторная оценка [G\k, G2k---Gnkl
k-n альтернативы. Вычисление диапазона значений полезности
альтернатив при четких значениях pk = Р (Gk) сводится к реше­
нию задач:
найти
s
«н (a) = inf £ р (х3) и (xs); (6.4.13)
ЈРs= 1
найти
s
ив (а) = sup £ р (Xs) и (xs), (6.4.14)
р£Р «=1

183
где x s = {*i«, Х28* ...» xns} — вектор критериальных оценок исхо­
да при ограничениях
S _______

S р (*«) Нс* (*«) * л . ^ = 1, К;


«**1 (6.4.15)
п

fo) = П (xis),
где — критериальные оценки исходов, k = I, К, задаваемые
своими ф. п. ре* (х). При этом предполагается, что функции при­
надлежности этих оценок являются нормальными НМ, т. е.
sup цак (х) = 1, k = 1, /С.

6.5. ВЫБОР АЛЬТЕРНАТИВ НА ОСНОВЕ СТЕПЕНИ


ДОСТИЖИМОСТИ ИДЕАЛЬНЫХ ЗНАЧЕНИЙ КРИТЕРИЕВ

В некоторых случаях применение теории полезности не обеспе­


чивается выполнением соответствующих аксиом. Чаще всего нару­
шаются аксиомы транзитивности и независимости [9, 11].
Нарушение аксиом при попытке построения ФП, невозмож­
ность учета во многих сложных задачах взаимосвязи между различ­
ными параметрами ситуации принятия решений вызывают необ­
ходимость использования более простых эвристических методов.
В таких случаях, как правило, довольно распространенными
являются модификации методов выбора альтернатив с учетом иде­
алов, весов и приоритетов для различных критериев [9], в част­
ности выбор альтернативы, характеризующейся минимальным
расстоянием от множества идеальных значений (в частном случае
множество может состоять из одной точки в л-мерном критериаль­
ном пространстве с координатами, равными идеальным значениям
критериев).
В то же время можно также вычислить для каждой альтернати­
вы наряду с расстоянием до идеала и расстояние до его антипода —
антиидеала, т. е. множества нежелательных с точки зрения ЛПР
значений критерия.
Если известны четкие вероятности \pk) различных значений
критериев, то можно определить ожидаемые расстояния до идеа­
ла d и до антиидеала d'\
К. К.
d = T>Pkdk, d' = % Pkdk. (6.5.1)
k= \ k=\
В [15] показано, что, основываясь на теории свидетельств [14] при
нечеткой информации о возможных значениях критерия, можно
определить степени достижения идеала (цели) Т и недостижения
антиидеала Т как ожидаемую возможность и ожидаемую опреде­
ленность достижения Т при выборе альтернативы. В общем случае
будем считать, что Т представляют собой НМ значений критерия
с функцией принадлежности (х? (х). При одномерном X ожидаемая
1*4
возможность достижения выполняется по формула
к
ЕП (7) = £ pk sup(7* f) О*). (в.5.2)
к=1
где sup Р = sup рр (о), и £ К, рр (v) — ф. п. нечеткого множества
Ф; v — базовая переменная, на которой определено К — коли­
чество исходов альтернативы. Ожидаемая определенность в этом
случае равна
ЕС (7) = 1 - £ pk sup (7 П G*)» (6.5.3)
k=\
где 7 означает дополнение 7.
Аналогично можно вычислить ЕП (7) при многомерном Y
Ki к, kn
Е П (7) = £ £ . . . £ PktPkz ••• Pkjy (7 П Gkt П П
ki=l Лдр=1
(6.5.4)
где kf — количество значений Я/* параметра Y /, которые послед­
ний принимает с вероятностями р^ при выборе альтернативы.
Можно доказать [9], что при N ^ 2 для вычисления ЕС (7) не­
обходимо использовать формулу
Ki к, KN
ЕС (7) = £ £ . . . £ pktpk, • • • • • PkN (sup (Gk, П f t , П " *
k1=\ k2=\ /гдр=1
• • • П GkN) - sup (7 П G*, П Gkt П • • • П GkN)), (6.5.5)
которая не приводит к противоречию вида ЕС (Т) ^ ЕП (7).
Если вероятности различных значений факторов имеют нечеткие
значения %k, то оценки ЕС (7) и ЕП (7 ) тоже будут нечеткими.
Для нахождения тогда, в частности, оценки ЕП (7) необходимо
при различных г решить.следующую задачу:
найти
Реп (г) = шах ( Д Ця (/>*)), (6.5.6)
pfc€ S \ft=l k )

z = £ pk sup (7 n Gft), £ Pk=l, (6.5.7)


„ k=\ k=\
которая сводится к задаче нелинейного программирования, за­
ключающейся в нахождении
sup а (6.5.8)
при условиях
(6.5.9)
К
£ Pk sup (Г n Gk) = r ,

i
k=l

185'
Если цель выбора альтернативы заключается в достижении мна*?.
жества идеальных значений критериев Т = {Q*}, то оценки сте­
пени возможности и определенности достижения каждой из целей
Qt можно вычислить с помощью следующих алгоритмов [9].

Алгоритм 1. Вычисление степени достижения идеальных


значений критериев при выборе альтернатив
Ш а г 1. Задать множество a -уровней, для которых будем
искать интервалы [z%, г“] базовых значений определенности ЕС (Q{)
и возможности ЕП (Qt) для критериев X h i = 1, п. Для каждого
критерия выбрать свидетельства, описывающие его зависимость
от факторов У/, / £ N(.
Ш а г 2. Для каждого критерия вычислить вероятности
%ik = П где %ik. — лингвистическая вероятность того, что
W { ’ 1
влияющий на критерий Х { параметр Yf принимает значение *Hfk,
У£ Nh kj = 1, К К = П — количество значений факто-
/€^1
pa Y f.
Вычисляем значения Gik = (] Gik.> где Gik. — нечеткие значе-
* *
ния критерия Х {, которые он принимает при значениях фактора
Y f , равных Hjkr
Ш а г 3. Для каждого критерия X t вычислить значения р,* =
= sup (Q{ П Gik)у Лik = sup Gik — sup (Qi П Gik). Для каждой
вероятности X** определить граничные значения рм,*
а-уровневого множества ее нечеткого представления. Для каждого
критерия и для каждого из установленных на шаге 1 а-уровне-
вого множества решить следующие четыре задачи:
1) найти

2«Са = inf £ ptkf\th (6.5.10)


k=l
при условиях

£ pik = 1, р%,н < pik К рТьш, k = Т7Т ; ( 6 .5 .1 1 )


k=l
2) найти
к
zfp* = sup £ Pik • *1ik
k=l
при условии (6.5.11);
3) найти
к
ZaPa = inf £ ptkpik
k=l
при условии (6.5.11);
186
4) найти
к
г®Па *= sup £ Pik • Ра
&эв1
при условии (6.5.11).
Д ля каждого критерия определяются нечеткие оценки
ЕС (Q ,)= U а /Я с ,; ЕП (Q{) = U сс/С%П(, (6.5.12)
^ а€М(а) ^ аеМ(а)
где
ЕС, ЕП„ ЕП„
e tc , = {2:гн7 “ < г < 2'.Са}, С?п, =
Величины ЕП (Q{) и ЁС (Q*) можно в некотором смысле трак-
товать как верхнюю и нижнюю оценки вероятности достижения
значения Q{. Поэтому, если альтернатива выбирается с учетом тре­
бований Т = {Q,}, то для вычисления оценки альтернативы может
быть использована следующая формула [9]

Q [ЕС(Г); ЕП (Г)] = П ЕС (Q,); П ЕП (Q,)J. (6.5.13)

Алгоритм 2. Вычисление оценки Qt


Ш а г 1. Задать множество М (а) а-уровней, для которых
должны быть найдены интервалы [г“, 2“] базовых значений для
агрегированной оценки Q.
Ш а г 2. Д ля каждой оценки EC(Q<), ЕП (Q,) определить ин-
ЕС ЕС ЕП ЕП
тервалы базовых значений [г„< гв<“] и [гнг zBi “] при каждом
из уровней а £ М (а).
Ш а г 3. Вычислить граничные значения интервалов для всех
a -уровней (а £ М (а)) агрегированной оценки:
а ,, Е С - ЕС- ЕС» ЕП— ЕП—
2и = Ш1П {(гН1 X 2н2 X X Z№n ) ; (ZHl X Zh2 X • x * ™ 06)};
ос ,, ЕС» EC„
ErVy» ECq»
2B = max x {(2„i x zB2 x • X zBn );
/ Ena v Ena
(ZBl X Z b2 X X 2."“)}.
Ш а г 4. Вычислить оценку Q
Q= U a /со, где C“ = { г :2? < 2 < 2?}.
a€M(a)
Если альтернатива выбирается с учетом требований максимизации
минимальной из вероятностей достижения каждой из целей, то
для оценки может быть использована следующая формула
Q = [ЕС (Q); ЕП (Q)J = [min ЕС (Q,); min ЕП (Q,)[. (6.5.14)

187
Алгоритм для вычисления этой оценки отличается от предыду­
щего только шагом 3, где вычисление z“ и z“ осуществляется сле­
дующим образом:
найти
z“ = min {inf Zh,0*; inf zif,n“};
{ i
zt = max {inf zff“; inf Zb/1*}.
ч t
Полученные в результате нечеткие значения Q/ (степени дости­
жимости целей) используются для вычисления индексов превосход­
ства 1аь агрегированной оценки Qa над агрегированной оценкой
С? и выбора лучшей альтернативы. Вычисление индексов их
сравнение и ранжирование альтернатив осуществляется одним
из методов, описанных в гл. 5.
6.6. МОДИФИКАЦИЯ МЕТОДОВ МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА
ПРИ НЕЧЕТКОЙ ИНФОРМАЦИИ
Методы выбора альтернатив при отсутствии информации
о предпочтениях ЛПР на множестве критериев
Пусть заданы или вычислены нечеткие оценки Gu альтернатив
I = 1, L по критериям X iy i = 1, п.
Рассмотрим редко используемый, но простой и удобный для
иллюстрации метод выбора альтернатив по обобщенному крите­
рию максимина [9]. Выполним следующие процедуры.
1) Для каждого критерия вычислить нечеткую максимальную
критериальную оценку Gt*max = max Gu по каждому из критериев.
'%
Т'
2) Вычислить приведенные нормализованные оценки альтер­
натив
Gii = Gu/Gi max.
3) Вычислить минимальную критериальную оценку для каждой
альтернативы
G/ min = min Gh.
i
4) Определить обобщенный максимум найденных минимальных
оценок
Go max = max G/ min»
/
5) Оценить степень сходства G0 с каждой из оценок G/min*
В качестве показателя сходства НЧ может быть использована
величина
Ь = I I Нс. (z) — Нс, min (г) I dz. (6.6.1)
z€[0,l]
6) Лучшей следует считать альтернативу с максимальным ин­
дексом |,. Если альтернатива выбирается по минимаксному прин*
Щ
ципу, то на шаге 3 следует вместо G/ min выбирать G/ тах и в осталь­
ных шагах вместо G/min использовать значения G/max, которые
определяются как
G/ max = шах Git.
i
Лексикографический метод
Предположим, что критерии упорядочены по важности, напри­
мер хх > х2 > . . . > Суть метода заключается в выделении сна­
чала множества альтернатив с наилучшей оценой по наиболее важ­
ному критерию. Если такая альтернатива единственная, то она
считается наилучшей, если их несколько, то из их подмножества
выделяются те, которые имеют лучшую оценку по второму крите­
рию, и т. д.
Применение этого метода при нечеткой информации сводится
к следующим операциям [9].
Ш а г 1. Упорядочить критерии по важности.
Ш а г 2. С согласия ЛПР назначить уровень а £ [0, 1], для
которого определить множество лучших альтернатив в соответствии
с шагами 3.1—3.3.
Ш а г 3.1. Определить нижнюю / и верхнюю и границы а-
уровневых подмножеств для оценки альтернатив по рассматри­
ваемому критерию
/ (G(i) = inf х; и (Gn) = sup х . (6.6.2)

3.2: Для каждой пары альтернатив а, Ъ £ А вычислить пока­


затель взаимного превышения критериальных оценок Ь>аь (я > Ъ)
и 1ьа (Ь > а):
а) если оценки таковы, что G?b с: G&, то
и (<*ia) — и (°ib) t 1(Gib) — 1(Gia)
\ab — “ (Gia) - l ( G la) ; (6.6.3)
u( Gia) - l ( G ih) ;
б) если оценки пересекаются и Q х0 £ Se{a) (V у £ $ G ib) х0 >
>У> то
u(Gib) — l(Gia)
\ab — шах {г (a), г (b)} * Ь а = О,
(6.6.4)
где
г (а) = и (Gia) — I (Gia)\ г (b) = и (Gib) — I (Gib);
в) если оценки не пересекаются и (V х £ Seia) (V у £ S Gib) х >
^ У » ТО \ аь = 1, h a ~ 6.
3.3. Вычислить показатели \лпц принадлежности /-й аль­
тернативы к множеству лучших (я — множеству) по /-му
критерию:,
Ряа = sup {0; шах hb — шах &/}, (6.6.5)
/€Л Ъ^А
1фЪ Ъф1
где \ы и Ы вычислены по формулам (6.6.3) и (6.6.4) для /-го кри­
терия.
169
Ш а г 4. Если я-множество по рассматриваемому критерию
содержит ровно 1 альтернативу с цпц ^ ос, то она считается
лучшей. Если я-множество содержит более одной альтернативы
с Цли > ос, то выбирается следующий по важности критерий
и повторяются шаги 3.1—3.3. Если все критерии просмотрены и
я-множество содержит более одной альтернативы и ос < 1, то можно
увеличить ос и перейти к шагу 3. Если ос = 1, то окончательный
Выбор лучшей альтернативы предоставляется ЛПР.

Метод ELECTRE

Метод ELECTRE является одним из наиболее применяемых


методов многокритериального выбора. Он был предложен Руа [91.
Суть метода сводится к выбору подмножества недоминируемых
альтернатив, (НА), удовлетворяющих условиям:
1. Не существует другой альтернативы, которая хотя бы по
одному (например, i-му) критерию имеет оценку на А, лучше, чем
Н A-ал ьтернатива.
2. Если критерии имеют веса wt и w( — 1, то отношение сум-
i
мирного веса критериев, по которым НА оказались лучше, к сум­
марному весу критериев, по которым НА — хуже, должно быть
больше единицы для Каждой из недоминируемых альтернатив.
3. Отношение суммарного веса критериев, по которым НА не
хуже каждой из оставшихся альтернатив, должны быть больше
заданной величины 0.
Рассмотрим разновидность метода ELECTRE, позволяющую
учитывать нечеткую информацию о минимальной удовлетворитель­
ной степени достижения целей при выборе альтернатив [91. Проце­
дура выбора альтернативы сводится к следующим шагам:
Ш а г 1. Определить относительные важности критериев
Ш а г 2. Вычислить веса критериев wt.
Ш а г 3. Определить минимальные допустимые степени дости­
жения целей d( по каждому критерию.
Ш а г 4. Для каждой альтернативы I по каждому критерию вы­
числить степень достижения цели GCe = {ЕС (Q(), ЕП (Q,)}.
Ш а г 5. Выделить и в дальнейшем рассматривать множество
тех альтернатив, для которых степень достижимости целей не мень­
ше d(, по каждому i-му критерию.
Ш а г 6. Определить уровень требуемой достоверности выво­
дов ос.
Ш а г 7. Для каждой оценки альтернативы по каждому крите­
рию выделить а-уровневое подмножество [/ (Gu), и (G,t)l®, где
/ (Gie) — inf ; и (Gie) — sup . (6.6.6)
р-в1е<
х» а цсге(*)>«
Ш a г 8. Для каждой пары альтернатив по (6.6.3), (6.6.4), (6.6.5)
в зависимости от того, пересекаются, не пересекаются или включа­
ются одна в другую оценки рассматриваемых альтернатив, вычис-
190
лить показатели взаимного превышения и сходства критериальных
оценок loft, ЪЬа, .
где £=об = max {0, min [Dba, Dab)]/max {Dba, Dab],
Dba = U{Gib — / (Gia); Dab = и {Gla) — l {Gib).
Ш а г 9. Вычислить индексы согласно Iab\ Jab
n
lab — S wt (la* + ^ab ~ I * (6.6.7)
i—1 wlbba
i
Если для некоторой пары альтернатив Jab |3 и ^ 1 и
при этом альтернатива а не имеет ни по одному критерию оценку
на величину Д, хуже, чем альтернатива &, то считается, что а > Ь.
При этом альтернатива b считается доминируемой.
Ш а г 10. После удаления из рассматриваемого множества всех
доминируемых альтернатив может возникнуть один из трех случаев:
1) оставшееся множество не содержит ни одной альтернативы;
2) оставшееся множество содержит одну альтернативу;
3) существует несколько недоминируемых альтернатив.
В первом случае необходимо ослабить требования к степени до­
стоверности выводов а и к индексу согласия р, в третьем усилить эти
требования. Во втором случае — лучшая альтернатива найдена.
СПИСОК ИСПОЛЬЗОВАННОЙ И РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ
1. Борисов А . Н ., Глушков В . И . Использование понятия гранулярности инфор­
мации при решении задач с неоднозначно определенными исходными данны­
ми // Методы и системы принятия решений. Прикладные задачи анализа ре­
шений в организационно-технических системах.— Рига : Риж. политехи,
ин-т, 1983.
2. Вилкас Э. Й М а й м иное Е, Г . Решения: Теория, информация, моделирова­
ние.— М. : Радио и связь, 1981.
3. Заде JI. Понятие лингвистической переменной и его применение к принятию
приближенных решений.— М. : Мир, 1976.
4. Ларичев О. И. Анализ процессов принятия решений человеком при альтерна­
тивах, имеющих оценки по многим критериям: Обзор//Автоматика и телеме­
ханика.— 1981.— № 8.
5. Методы и системы принятия решений. Вопросы создания экспертных си­
стем.— Рига : Риж. политехи, ин-т, 1988.
6. Методы и системы принятия решений. Интеллектуальные системы принятия
решений / Под ред. А. Н. Борисова.— Рига : Риж. политехи, ин-т, 1987.
7. Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение.— М. :
Наука, 1970.
8. Нечеткие множества в моделях управления и искусственного интеллекта /
Под ред. Д. А. Поспелова.— М. : Наука, 1986.
9. Обработка нечеткой информации в системах принятия решений / А. Н. Бори­
сов, А. В. Алексеев, Г. В. Меркурьев и др.— М. : Радио и связь, 1989.
10. Орловский С. А . Проблемы принятия решений при нечеткой информации.—
М. : Наука, 1981.
И . Фишберн П. /С. Теория полезности для принятия решений.— М. : Наука,
1978.
12. Fishburn Р. С. Analisys of Decisions with Jncomplete knowledge of probabili­
ties // Oper. Research, 1965.— Vol. 13, N 2.
13. Fishburn P . C.. Wickson R. G. Theoretical Foundations of Stochastic Dominan­
ce: Stochastic Dominance. An Approach to a Decision Making under Risk / Ed.:
G. A. Whitmore, M. C. Firdly.— Lexington, C. D. Heath & Co, 1977.

191
Учебное ивдание
Зайченко Юрий Петрович

ИССЛЕДОВАНИЕ ОПЕРАЦИЙ
НЕЧЕТКАЯ ОПТИМИЗАЦИЯ

Художественный редактор С. П . Духленко


Технический редактор О. В. Козлитина
Корректор Г . А, Ремезовская

ИБ № 13891

Сдано в набор 19.03.90. П одписано в п ечать 08.10.90*.


Ф орм ат 60x90Vi*. Б ум . тип. № 2. Г ар н и ту р а л и т е ­
ратурная. В ысокая п еч ать. У ел. печ. л . 12.0.
У с л .-к р . отт. 12,0. У ч .-и зд . л . 12,67_w Т и р аж 5000 эк з.
И зд . № 9161. З а к . № 423. Ц ен а 2 р. 20 к .
И зд а т е л ь ст в о «Выща школа». 252054, Киев-54, у л . Гого­
л евская, 7.
О тпечатано с матриц Головного п р едп ри яти я респ убл и ­
к а н с к о го п р о и зв о д ствен н о го о бъ ед и н ен и я с П о л и гр а ф -
книга», 252057, Киев-57, у л . Д овж енко, 3 на Б елоц ерковс­
кой книж ной ф абри ке, 256400, Б ел ая Ц ерковь, ул*
К ар л а М ар кса, 4.
операции