Академический Документы
Профессиональный Документы
Культура Документы
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)
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
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. 1)
М
которые назовем агрегированными переменными. Вводятся также
удельные выпуски изделия i на заводе /:
i
2 > 1; (1.2.9)
;=i
b k > о, / = 1, / , (1.2.10)
Двойственная задача для задачи в агрегированных переменных
записывается так:
минимизировать
0° £ оЛ °— S = S
*=1 i=i *=i
Из последних двух соотношений 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
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)
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:
£ 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
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:
/ = 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
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 •
Ч>=Е Е Л / * + Е (1.2.53)
,=1 *€/(, *=1
при условиях
£ £ Pikr\ik (1.2.57)
f - 1 *€/Су
при условиях
У __________
£ £ Dm/ftT]/ft>cm, m = Л1х + 1,Wf; i\ik > о.
/=1
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
при условиях
J L _____
S
Л €К .
Bijki\jk + /=1
Е Befit *= 1» /; (1.3.13)
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:
= £ £ Pikbk + £ р Я
ф
/= 1k£Kf /«1
/Ч
2 2
/=1 kZKj
Pikbk + 2
/=1
р$ = 22
/=*1 KIj
(1.3.22)
Л ____________
2
kdK;
Pikbk = 2 (си -
itlj \ 1= 1
2 М?)
1
х„, I = ТГ7. (1.3.23)
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.
*13 ^ 0j *23^®*
Л А
ВД + £ £ А -а д . (1.4.9)
i=l m=1п=1
при условиях
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
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
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
£ 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
а ограничения равны
/1(0) /!(/)
ei(Y. X,) = £ п х * ' < 1, (1.5.2)
i O j[k] r= 1 r=m(j)
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/
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
Jlj —
£ ш 1п~* ’
S=1
и окончательно
Г
1 —УС
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)
- f - r r v r v4 - 2 ( ; ' v < i ;
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
Глава 2
МЕТОД ЭЛЛИПСОИДОВ ДЛЯ ЗАДАЧ ЛИНЕЙНОГО
И ВЫПУКЛОГО ПРОГРАММИРОВАНИЯ
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
Vл
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.
<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)
Xkk
с координатами x„t, 1 ^ s ^ t ^ k симметрическую матрицу
Хц %12 • ••
■^21 -^22 • • •
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
65
Далее, поместим выпуклый компакт G cz RN в выпуклое огра
ниченное, замкнутое и телесное множество Ga с RN, описываемое
следующей системой неравенств:
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,
V(XS)<K(X)(1 + в ) . (2.2.3)
58
Оценка числа итераций и трудоемкости алгоритма
в.
(2.2.9)
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.
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.
70
надлежащие локализатору LocS4 i = Locs П Г+ (ys). Если же
Л ___
72
Глава 3
ОБЩАЯ ЗАДАЧА НЕЧЕТКОГО МАТЕМАТИЧЕСКОГО
ПРОГРАММИРОВАНИЯ
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
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
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
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 > ,№
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.
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
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
[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
/Ч
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
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
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
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 ,
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 __
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
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.
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:
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)
Глава 4
МНОГОКРИТЕРИАЛЬНЫЕ ЛП-ЗАДАЧИ КАК ЗАДАЧИ
НЕЧЕТКОГО МАТЕМАТИЧЕСКОГО ПРОГРАММИРОВАНИЯ
г2 гм гож
z min г шах 2А г Ниг гНиг
х\ 7 28 20 16 28 11 20
23 8 15 18 8 21 15
*1
а$М,
f -min
1 r (X)
fr
— ' max (X)_
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 .
4 = 4- £ <*2i„ 4
( ) + ( 4 -» 192.45.
= 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
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
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)
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.
(*) =
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.
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»
13?
Таблица 4.6
Тк[П
Pi Pt р* Pi
левый правый
Таблица 4.7
И тераци и
l l ^ | з1 4 1 5
Глава 5
ПРИНЯТИЕ РЕШЕНИЙ НА ОСНОВЕ ЛИНГВИСТИЧЕСКОЙ
ПЕРЕМЕННОЙ
<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- .
А 5 6 7 В 4 5 6 ,
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 ' ' '
д
Рис. 6.6
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
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).
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)
(5.2.27)
(5.2.28)
а>&
a€Sj[,b€SB
150
Н\ (А, В) = inf sup max {1 — рл (а); рв (&)}; (5.2.32)
а Ь^.а
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.
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
*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
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)
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
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
167
а для нюрсривтго S, как
Я£/, - j и («,, I) р (*) da. (6.1.5)
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
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
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.
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
и1 «И ... ии ••• иШ
/ 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
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 __________
183
где x s = {*i«, Х28* ...» xns} — вектор критериальных оценок исхо
да при ограничениях
S _______
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.
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].
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)
Метод ELECTRE
191
Учебное ивдание
Зайченко Юрий Петрович
ИССЛЕДОВАНИЕ ОПЕРАЦИЙ
НЕЧЕТКАЯ ОПТИМИЗАЦИЯ
ИБ № 13891