Решение многокритериальной задачи линейного програмирования
3.Определение Парето-оптимального множества
с-методом
3.1.Удаление пассивных ограничений
Перед построением p-множества из системы ограничений должны быть удалены пассивные ограничения. Пассивным будем называть неравенство (п-неравенство), граница которого не является частью границ области Dx, за исключением, может быть, ее отдельной точки. Неравенства, образующие границы Dx, назовем активными (а-неравенства).
Чтобы грани не были включены в Dxp, не имея никакого отношения к Dxp, неравенство e1 должно быть удалено из исходной системы ограничений. Условием для исключения неравенства ei і 0 из системы является несовместность (или вырожденность) данной системы неравенств при условии ei = 0. Геометрически это означает, что граница ei = 0 неравенства ei і 0 не пересекается с областью Dx или имеет одну общую точку. Если граница ei = 0 имеет общую угловую точку с Dx (вырожденность), то с удалением п-неравенства ei і 0 эта точка не будет утеряна, так как она входит в границы других неравенств. Помимо заданных m неравенств проверке подлежат и n условий неотрицательности переменных, так как координатные плоскости (оси) также могут входить в границы Dx.
В качестве примечания можно отметить, что поскольку п-неравенства (пассивные неравенства) для любой точки x О Dx будут выполнены, то по мере выявления п-неравенств и введения их в базис они удаляются из с-таблицы.
Запишем систему неравенств Dx в форме с-таблицы:
Т1 |
х1 |
х2 |
1 |
bi/ais |
bi/ais |
e1 |
-1 | -1 | 15 | 15 | 15 |
e2 |
5 | 1 | -1 | 1/5 | 1 |
e3 |
1 | -1 | 5 | - | 5 |
e4 |
0 | -1 | 20 | - | 20 |
Т2 |
e1 |
x2 |
1 |
Т2’ |
x1 |
e2 |
1 | ||||
х1 |
-1 | -1 | 15 |
e1 |
4 | -1 | 14 | ||||
e2 |
-5 | -4 | 74 |
x2 |
-5 | 1 | 1 | ||||
e3 |
-1 | -2 | 20 |
e3 |
2 | -1 | 4 | ||||
e4 |
0 | -1 | 20 |
e4 |
1 | -1 | 19 |
ОП – получен, следовательно ОП – получен, следовательно
х2 и e1 – активные ограничения; x1 и e2 – активные ограничения;
из Т2 получаем:
Т3 |
e1 |
e3 |
1 |
x1 |
1 | 1/2 | 5 |
e2 |
-3 | 2 | 34 |
x2 |
-1/2 | -1/2 | 10 |
e4 |
2 |
Ѕ |
10 |
отсюда делаем вывод, что e3 – активное ограничение;
из Т3 получаем:
Т4 |
e4 |
e3 |
1 |
x1 |
10 | ||
e2 |
19 | ||
x2 |
15/2 | ||
e1 |
-5 |
Опорный план не получен, следовательно e4 – пассивное ограничение.
3.2.Определение p-множества с-методом.
При подготовке решения для ЛПР интерес будет представлять информация обо всем множестве p-оптимальных (эффективных) решений Dxp. Графический метод позволяет сформулировать довольно простой подход к определению множества Dxp. Суть этого подхода в следующем. Решая усеченную задачу линейного программирования, устанавливаем факт существования д-конуса ( Dmax > 0). Поскольку для линейных ЦФ конфигурация д-конуса не зависит от положения его вершины х,, то, помещая ее на границу ei области Dx, решаем усеченную ЗЛП с добавлением ei, соответствующего i-му участку границ Dx. Вырождение д-конуса в точку х, будет признаком p-оптимальности и всех других точек данной грани. С помощью с-метода указанная процедура легко проделывается для пространства любой размерности n. Неудобство указанного метода состоит в том, что потребуется на каждой грани ОДР Dx найти точку х, (по числу граней Dx) сформулировать и решить столько же ЗЛП размера Rxn.
Существенно сократить объем вычислений можно путем выбора вершины д-конуса в фиксированной точке х, = (1)n и в нее же параллельно себе перенести грани, составляющие границы Dx
Приведенные к точке х, = (1)n приращения d-r и невязки ei запишутся в виде:
где черта сверху у d, e и D означает, что эти величины приведены к точке х, = (1)n.
По существу, (8) – ЗЛП размера (R+m)xn (D®max), а ее решение позволит найти все грани, составляющие p-множество Dxp.
Составляем с-таблицу, не учитывая пассивные ограничения, т.е e1:
Т1 |
х1 |
х2 |
1 |
e2 |
-1 | -1 | 2 |
e3 |
5 | 1 | -6 |
e4 |
1 | -1 | 0 |
х1 |
1 | 0 | -1 |
х2 |
0 | 1 | -1 |
d1 |
1 | -2 | 1 |
d2 |
1 | 1 | -2 |
d3 |
-1 | 4 | -3 |
D |
1 | 3 | -4 |
В начале решается усеченная ЗЛП (под чертой):
Т2 |
х1 |
d1 |
1 |
e1 |
-3/2 | 1/2 | 3/2 |
e2 |
11/2 | -1/2 | -11/2 |
e3 |
1/2 | 1/2 | -1/2 |
х1 |
1 | 0 | -1 |
х2 |
1/2 | -1/2 | -1/2 |
x2 |
1/2 | -1/2 | 1/2 |
d2 |
3/2 | -1/2 | -3/2 |
d3 |
1 | -2 | -1 |
D |
5/2 | -3/2 | -5/2 |
Т3 |
d3 |
d1 |
1 |
e1 |
-3/2 | -5/2 | 0 |
e2 |
11/2 | 21/2 | 0 |
e3 |
1/2 | 3/2 | 0 |
х1 |
1 | 2 | 0 |
х2 |
1/2 | 1/2 | 0 |
x2 |
1/2 | 1/2 | 1 |
d2 |
3/2 | 5/2 | 0 |
x1 |
1 | 2 | 1 |
D |
5/2 | 7/2 | 0 |
Т4 |
e1 |
d1 |
1 |
d3 |
0 | ||
x2 |
1 | ||
d2 |
0 | ||
x1 |
1 | ||
D |
-5/3 | -2/3 | 0 |
e1О Dxp, так как Dmax = 0.
Данный метод построения множества Dxp обладает недостатком, связанным с разрушением области допустимых решений (ОДР) Dx при переносе ее граней в х,. Действительно, вершины области Dx в преобразованной модели никак не отражены, а именно одна из них может составить p-множество в случае его совпадения с оптимальным решением. Такое совпадение возможно, если все ч-критерии достигают максимум на одной вершине. Физически это значит, что они слабопротиворечивы – угол при вершине д-конуса приближается к 180° (градиенты ч-критериев имеют практически совпадающие направления). Данный случай имеет место, если в p-множество не вошла ни одна из граней ОДР Dx. Следовательно, p-множество совпадает с оптимальным решением. Для определения p-множества решается обычная ЗЛП с одним из ч-критериев. Если при этом получено множество оптимальных решений, то решается ЗЛП с другим ч-критерием. Пересечение оптимальных решений и является p-множеством. Для ЛПР указание на то, что некоторая грань ei = eip О Dxp p-оптимальна, является только обобщенной информацией.
4.Определение альтернативных вариантов многокритериальной задачи
Наиболее естественным и разумным решением мк-задачи было бы органическое объединение всех ч-критериев в виде единой ЦФ. Иногда это удается сделать путем создания более общей модели, в которой ч-критерии являются аргументами более общей целевой функции, объединяющей в себе все частные цели операции. На практике этого редко удается достигнуть, что, собственно, и является основной причиной появления проблемы многокритериальности. Однако наиболее распространенный подход к решению проблемы пока остается все-таки один: тем или иным путем свести решение мк-задачи к решению однокритериальной задачи. В основе подхода лежит предположение о существовании некой функции полезности, объединяющей в себе ч-критерии, но которую в явном виде, как правило, получить не удается. Получение наиболее обоснованной «свертки» ч-критериев является предметом исследований нового научного направления, возникшего в связи с проблемой многокритериальности - теории полезности. В данной работе будут рассмотрены некоторые подходы, позволяющие получить варианты решения мк-задач при тех или иных посылках и которые лицо принимающее решение (ЛПР) должно рассматривать как альтернативные при принятии окончательного решения и которые, конечно, должны удовлетворять необходимому условию- p-оптимальности.
4.1.Метод гарантированного результата
При любом произвольном решении х О Dx каждый из ч-критериев примет определенное значение и среди них найдется, по крайней мере, один, значение которого будет наименьшим:
Метод гарантированного результата (ГР) позволяет найти такое (гарантированное) решение, при котором значение «наименьшего» критерия станет максимальным. Таким образом, целевая функция (ЦФ) является некоторой сверткой ч-критериев (9), а МЗЛП сводится к задаче КВП (кусочно-выпуклого программирования) при ОДР Dx, заданной линейными ограничениями.
Исходные условия записываем в каноническом виде:
d1 = х1 - 2х2 - j + 2,
d2 = х1 + х2 - j + 4,
d3 = -х1 + 4х2 - j + 20,
e1 = -х1 - х2 + 15,
e2 = 5х1 + х2 - 1,
e3 = x1 - х2 + 5,
потом в виде с-таблицы:
Т1 |
х1 |
х2 |
j |
1 |
e1 |
-1 | -1 | 0 | 15 |
e2 |
5 | 1 | 0 | -1 |
e3 |
1 | -1 | 0 | 5 |
d1 |
1 | -2 | -1 | 2 |
d2 |
1 | 1 | -1 | 4 |
d3 |
-1 | 4 | -1 | 20 |
Вводя в базис переменную j (d1 « j), получаем обычную ЗЛП при максимизации ЦФ j.
Т2 |
х1 |
х2 |
d1 |
1 |
e1 |
-1 | -1 | 0 | 15 |
e2 |
5 | 1 | 0 | -1 |
e3 |
1 | -1 | 0 | 5 |
j |
1 | -2 | -1 | 2 |
d2 |
0 | 3 | 1 | 2 |
d3 |
-2 | 6 | 1 | 18 |
Т3 |
d3 |
x2 |
d1 |
1 |
bi/ais |
e1 |
1/2 | -4 | -1/2 | 6 | 6/4 |
e2 |
-5/2 | 16 | 5/2 | 44 | - |
e3 |
-1/2 | 2 | 2 | 14 | - |
j |
-1/2 | 1 | -1/2 | 11 | - |
d2 |
0 | 3 | -1 | 2 | - |
х1 |
-1/2 | 3 | 1/2 | 9 | - |
Т4 |
d3 |
e1 |
d1 |
1 |
x2 |
3/2 | |||
e2 |
68 | |||
e3 |
17 | |||
j |
-3/8 | -1/4 | -5/8 | 25/2 |
d2 |
13/2 | |||
х1 |
27/2 |
Решение ЗЛП приводит к конечной с-таблице Т4. Видно, что полученное гарантированное решение х p-оптимально, поскольку введение в базис любой свободной переменной (т.е. ее увеличение) приведет к снижению j - нижнего уровня ч-критериев ("сj < 0). Из таблицы также видно, что решение х0=(27/2; 3/2) находится на грани e4, при этом значения ч-критериев равны (находим по формуле Lr(xr) = j + dr):
L1 = L3 = j = 25/2
L2 = j + d2 = 25/2 + 13/2 = 19
LS = 88/2 = 44
x° = ( 27/2; 3/2)
Если бы в строке j имелись нули, то это означало бы, что одну из соответствующих переменных можно ввести в базис (увеличить без снижения уровня j). Это могло бы привести и к увеличению приращения dr для некоторого ч-критерия, находящегося в базисе.
4.2.Метод линейной свертки частных критериев
Линейная свертка ч-критериев получается как х сумма с некоторыми весовыми коэффициентами mr:
где
Меняя порядок суммирования и вводя обозначения cj и c0, окончательно получим:
Коэффициенты веса обычно получаются путем опроса экспертов из соответствующей предметной области. Поскольку вектор m = (mr) – суть вектор-градиент ЦФ Lm(x), то предполагается, что он указывает направление к экстремуму неизвестной функции полезности. Положительная сторона такого подхода – несложность, не всегда компенсирует его серьезный недостаток – потерю физического смысла линейной свертки разнородных ч-критериев. Это затрудняет интерпретацию результатов, поэтому полученное таким путем решение, следует рассматривать только как возможный (альтернативный) вариант решения ЛПР. Для его сравнительного анализа следует привлекать