Столкнувшись с необходимостью учета многокритериальности, исследователи стали искать возможные подходы к решению задач оптимального выбора при многих критериях.

Простейшим способом устранения многокритериальности це­лей является перевод задачи выбора в русло однокритериальности, например, путем объединения всех частных (локальных) показателей эффективности fj(x) в один общий (глобальный) критерий качества f(x)= F(f 1 (x) , f 2 (x) ,… f h (x)). Подобный прием носит название свертки критериев.

Каждый частный критерий отражает какое-то отдельное ка­чество варианта решения. Наилучший вариант должен характеризоваться наиболее удачным сочетанием всех этих отдельных качеств. Таким образом, поиск лучшего варианта решения сводится к отысканию экстремума единственной функции f(x)

x* arg max f(x) (3.11)

Остается только установить, как глобальное качество решения зависит от локальных качеств. Вид функции f(x) опреде­ляется тем, каким образом можно представить вклад каждого частного критерия f j (x) в общий критерий качества. Заметим, что для этого должна существовать возможность содержатель­ного сопоставления критериев.

Достаточно популярным способом служит запись глобального критерия в виде суммы локальных критериев (так называемая аддитивная свертка)

или в виде их произведения (мультипликативная свертка)

Формула (3.12) выражает принцип равномерной оптимальности. Им обычно пользуются, когда частные критерии эффективности имеют одинаковую размерность, например, выражены в денежных единицах. Тогда глобальный критерий качества решения будет представлять собой общую ценность варианта, которая слагается из ценностей его отдельных составляющих.

Формула (3.13) отражает принцип справедливого компромисса, в соответствии с которым общее качество решения должно равняться нулю, если хотя бы один из частных критериев эффективности принимает нулевое значение. Подобный подход применяется, например, для оценки общей надежности функциони­рования сложной системы, состоящей из многих частей, узлов и блоков. Интересно, что принцип справедливого компромисса был сформулирован еще английским математиком Ч. Доджсоном (более известным как английский писатель Льюис Кэрролл) в книге «История с узелками».

Существенным недостатком указанных способов свертки кри­териев является равная важность или значимость критериев для ЛПР, при которой низкие оценки по одним критериям можно компенсировать только за счет высоких оценок по другим кри­териям. Вследствие этого лучшим может оказаться вариант решения, сочетающий не самые лучшие критериальные оценки.

Чтобы избежать такого несоответствия, часто используют взвешенные свертки частных критериев эффективности вида

, (3.15),

,

где w j ≥ 0 - вес частного критерия f j (x) . Способ свертки частных критериев и значения их весов задаются ЛПР и отражают его предпочтения.

Некоторым промежуточным вариантом между крайне пессимистическими вариантами и крайне оптимистическими является критерии пессимизма-оптимизма (критерий Гурвица):

где 0≤β≤- «коэффициент пессимизма» или, если хотите, «коэффициент оптимизма». При β=1 оценка превращается в минимальную, а при β=0 она максимально оптимистична. Необходимо подчеркнуть, что определение значения β – это прерогатива руководителя, и с этой точки зрения, оценка чрезвычайно субъективна. А также

где a i – коэффициенты важности критериев (весовые коэффициенты), определяемые в большинстве случае субъективно; ; с – некоторое фиксированное значение критерия f(x i), например, некоторое его усредненное значение; f(x i) - частный i- й показатель (критерий) эффективности; f j (x i) – частный i- й показатель (критерий) эффективности j -й альтернативы (проекта).

Выбор того или иного вида свертки определяется характером взаимосвязей составляющих ее критериев (равнозначные, доминирующие и т.п.), а также некоторыми специальными ограничениями на область значений свертки, вытекающими из специфики конкретной задачи и предпочтений руководителя. Если частные показатели неоднородные, то они либо сводятся к однородным, либо коэффициенты a i учитывают не только важность, но и физическую размерность показателя.

Основная трудность, возникающая при формировании и использовании обобщенных критериев, заключается в сложности определения весовых коэффициентов, на которые возложена функция адекватного отражения степени важности критерия, его физической размерности и иногда других факторов. К недостаткам обобщенных критериев следует также отнести и то, что при оценке они не позволяют учитывать часто встречающуюся иерархическую зависимость результирующего показателя от значений частных показателей.

Однако это не означает, что СППР не должна использовать этот подход к оценке эффективности управляющих решений. Система предлагает его руководителю как один из возможных вариантов.

Многокритериальная оценка альтернатив решения может быть выполнена также на основе правил выбора по Парето . Здесь предпочтительным считается такой проект, для которого не существует другого проекта лучше данного хотя бы по одному показателю и не хуже него по всем остальным.

Описанные правила отбора не позволяют учесть относительную важность критериев оценки. Они нечувствительны к степени отличия значений критериальных показателей, и вероятность ошибки существенно повышается с ростом числа критериев.

Ряд методов анализа и отбора проектов основан на том, что критерий оценки формируется на основе характеристик того или иного выделенного аспекта реализации решения (главного критерия) -затраты, время, риски, вероятности успеха и т.п. В конечном итоге такой подход приводит к постановке и решению той или иной задачи математического программирования, в которой выделенный показатель выступает в качестве критерия, а к значениям остальных показателей предъявляются определенные требования, порождающие область ограничений.

В общем случае это приводит к решению многокритериальной задачи методом последовательных уступок, когда последовательно находится оптимальное решение по каждому из упорядоченных по важности критериев с назначением руководителем на каждом шаге решения задачи уступки величины по каждому из критериев, оптимизируемых на предыдущем шаге.

Пример . Требуется выбрать лучший вариант строительства предприятия из пяти предложенных вариантов A 1 – A 5 . Проект предварительно оценивается по четырем частным показателям эффективности:

f 1 – величина ожидаемой прибыли, которую будет давать предприятие;

f 2 – стоимость строительства предприятия;

f 3 – величина экологического ущерба от строительства;

f 4 – заинтересованность жителей района в строительстве.

Для простоты будем считать, что оценки по каждому из четырех критериев даются по шкале: 5, 4, 3, 2, 1, 0 баллов. Поскольку оценки по второму и третьему критериям необходимо минимизировать, а не максимизировать, как по остальным, то вместо них введем критерии f’ 2 =5- f 2 и f’ 3 =5- f 3 . По результатам экспертизы были получены следующие оценки качества проектов:

y 1 = (4; 3; 4; 3),

y 2 = (5; 3; 3; 3),

y 3 = (2; 4; 2; 4),

y 4 = (5; 3; 2; 3),

y 5 = (4; 4; 3; 4).

Сравним вектор y 1 с остальными векторами по отношению доминирования ≥ на множестве достижимости Y а. В данном случае пары векторов y 1 - у 2 , y 1 – y 3 , y 1 – y 4 , y 1 – y 5 несравнимы по отношению доминирования. Вектор y 1 запоминается как эффективный. Далее сравнивается вектор у 2 с векторами y 3 , y 4 , y 5 . Пары векторов у 2 - y 3 , у 2 - y 5 несравнимы. Так как у 2 > y 4 , вектор у 4 удаляется из рассмотрения как доминируемый, а вектор у 2 запоминается как эффективный. Для сравнения остаются векторы y 3 и y 5 . Поскольку y 5 > y 3 , то вектор y 3 удаляется из рассмотрения как доминируемый. В итоге остаются три вектора y 1 , y 2 и y 5 , образующие паретову границу Y* С Y a исоответствующие эффективные варианты А 1 , А 2 , А 5 , среди которых и следует сделать окончательный выбор.

Чтобы еще больше сузить паретово множество Y* и выделить единственный наилучший вариант решения, необходима еще какая-то дополнительная информация, которую может дать только ЛПР.

Из презентаций

здесь x – альтернатива из множества Парето

fi (x ) – оценка альтернативы x по i -му критерию

Ci – коэффициенты относительной важности критериев

Использование линейной свертки

Это задачи, связанные с критериями

суммарного ущерба или прибыли ,

дохода ,

денежных или временных затрат

по годам планирования или по этапам

жизненного цикла экономических информационных систем и т. п.,

т.е. там, где допускается, что низкая ценность одной частной характеристики результата компенсируется высокой ценностью другой

Квадратичная свертка

При решении практических задач ЛПР, как правило, ранжирует критерии в соответствии со своими предпочтениями. В этом случае в качестве интегрального критерия используются различные виды сверток

, – линейная свертка ,

здесь x – альтернатива из множества W;

f i (x) – оценка альтернативы x по i-му критерию;

с i – весовые коэффициенты, с которыми оценки альтернатив входят в интегральный критерий. с i – коэффициенты значимости, или коэффициенты относительной важности критериев.

Коэффициенты с i можно найти, например, из специально организованной экспертизы: m экспертов должны расставить (ранжировать) критерии по важности:ранг 1 присвоить самому важному критерию и т.д. Пусть r ij – ранг, который присвоил j-ый экперт i-му критерию. Чтобы получить числовую оценку, введем новый коэффициент

.

Тогда коэффициент значимости i-го критерия с точки зрения j-го эксперта:

Обобщенные коэффициенты получим, усреднив оценки экспертов.

Пусть g j – компетентность j-го эксперта, тогда

.

Еще один метод назначения коэффициентов относительной важности основан на внесении предпочтений во множество критериев. Он состоит в следующем.

Пусть удается количественно выразить отношения предпочтения между критериями: критерий f i предпочтительнее критерия f j в h раз: . Тогда коэффициенты относительной важности этих критериев связаны между собой линейным уравнением C i =hC j . Это следует из теоремы:

Th. Если , то C i =hC j , C i >0, åC i =1.

Решая систему линейных уравнений, получим искомые коэффициенты.

Пример. Пусть варианты некоторой системы оцениваются по четырем критериям с пятибалльной шкалой. Значения критериевf i (х) даны в табл.13.

Пусть известно, что , f 2 ~ f 3 , .

Решение . Составим систему линейных уравнений для определения коэффициентов C i :

C 1 =1,5C 2 ; C 2 =C 3 ; C 3 =C 4 ; C 1 +C 2 +C 3 +C 4 =1;

Отсюда следует, что C 1 =3/8; C 2 =2/8; C 3 =2/8; C 4 =1/8.

В табл. 13 приведены значения интегрального критерия «Линейная свертка ».

Таблица 13

Оценки вариантов по критериям

	f 1 f 2 f 3 f 4
Х1 Х2 Х3 Х4 Х5 Х6	2 5 4 5 5 3 4 3 3 2 5 5 4 3 4 4 3 4 4 4 4 3 3 4	3/8*2+2/8*5+2/8*4+1/8*5=29/8 32/8 28/8 30/8 29/8 28/8

По этому критерию лучшая альтернатива – Х 2 .

Задачи, в которых выполняются условия для использования линейной свертки, часто встречаются в практике. Это задачи, связанные с критериями суммарного ущерба или прибыли, дохода, денежных или временных затрат по годам планирования или по этапам жизненного цикла экономических информационных систем и т. п., т.е. там, где допускается, что низкая ценность одной частной характеристики результата компенсируется высокой ценностью другой.

Свертка может быть не только линейной , но и квадратичной :

,

сверткой порядка t :

,

Величина t, стоящая в показателе степени, отражает допустимую степень компенсации малых значений одних равноценных критериев большими значениями других. Чем больше значение t, тем больше степень возможной компенсации.

Например, при , т.е. когда недопустима никакая компенсация и требуется выравнивание значений всех критериев (равномерное «подтягивание» значение всех критериев к их наилучшему уровню), интегральный критерий приобретает вид

.

Если t →0, т.е. требуется обеспечение примерно одинаковых уровней значений отдельных частных критериев, то интегральный критерий имеет вид

– мультипликативная функция.

При t=1 имеем линейную свертку, при t=2 – квадратичную.

В задачах планирования ударов «по узкому месту» допустима компенсация увеличения одного из критериев сколь угодно большим уменьшением остальных, т.е. , тогда интегральный критерий можно использовать в виде

.

Используя в качестве интегрального критерия свертку, выбирают в качестве лучшей ту альтернативу, для которой F(x) имеет максимальное значение .

Замечание . Входящие в интегральный критерий целевые функции имеют разную размерность и выражены в разных шкалах. Поэтому необходимо предварительно выразить все оценки в одной однородной шкале. Целесообразно использовать для этого следующий прием

,

где f i * (x) – оценка альтернативы x по i-му критерию в «родной» шкале, f i max и f i min – максимальное и минимальное значения альтернатив по i -му критерию. Полученные оценки принадлежат отрезку и являются дробными, что не всегда удобно для расчетов. Поэтому можно, умножив все оценки по соответствующим критериям на наименьшее общее кратное, перейти в целочисленную шкалу. Сдвиг по шкале на общую для каждого из критериев величину позволит избавиться от отрицательных оценок.

Вариант8,19 Методы решения МКЗ при равнозначных критериях

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

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

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

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

Весовые коэффициенты обычно используются в нормированном виде и удовлетворяют равенству:

X ak = 1, ak > 0, Vk е K , (65)

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

Получается однокритериальная (скалярная) задача математического программирования:

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

В результате решения данной задачи получается точка оптимума X0.

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

Теорема Карлина 1.

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

X«Оf0(X0) = maxX«0h (X). (67)

Теорема Карлина 2.

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

X«0f^X°) = maxX«0fk (X). (68)

«h (X) =ma„xXakJkк=1 40eS к =1

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

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

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

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

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

F0 = max П (af (X))Рк. (69)

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

Так, существует свертка вида: (70)

minF0 =X| f (X)V

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

Мультипликативные свёртки

Рассмотрим мультипликативную свёртку с нормирующими множителями:

где j - нормирующие множители.

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

Посмотрим, какие результаты даст мультипликативная свёртка с весовыми коэффициентами:

где j - нормирующие множители,

вj - весовые коэффициенты.

Итоги отражены в таблице:

Оптимальной стратегией снова является А3.

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

Многокритериальный выбор на языке бинарных отношений

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

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

Дадим математически точное определение бинарных отношений.

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

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

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

Дадим математически точное определение графа.

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

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

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

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

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

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

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

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

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

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

Рассмотрим несколько примеров.

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

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

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

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

Отметим очевидные особенности.

У графа либо нет максимальных элементов, либо есть.

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

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

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

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

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

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

Элементы матрицы инцидентности будут такими:

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

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

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

Многокритериальная задача выбора формулируется в следующем виде. Дано множество допустимых альтернатив, каждая из которых оценивается множеством критериев.

Требуется определить наилучшую альтернативу. При ее решении основная трудность состоит в неоднозначности выбора наилучшего решения. Для ее устранения используются две группы методов. В методах первой группы стремятся сократить число критериев, для чего вводят дополнительные предположения, относящиеся к процедуре ранжирования критериев и сравнения альтернатив. В методах второй группы стремятся сократить число альтернатив в исходном множестве, исключив заведомо плохие альтернативы.

К методам первой группы относятся метод свертки, метод главного критерия, метод пороговых критериев, метод расстояния. Следует отметить, что строгое обоснование этих методов отсутствует и их применение определяется условиями задачи и предпочтением ЛПР.

Метод свертки состоит в замене исходных критериев (их называют также локальными или частными) Kj одним общим критерием K. Эта операция называется сверткой или агрегированием частных критериев. Метод целесообразно применять, если по условиям задачи частные критерии можно расположить по убыванию важности так, что важность каждой пары соседних критериев различается не сильно, либо, если альтернативы имеют существенно различающиеся оценки по разным критериям. Наиболее часто используются следующие виды сверток: аддитивная, мультипликативная, расстояние до идеала.

Алгоритм метода линейной свертки

• 1. Определяем коэффициенты важности (веса для каждой функции). Для этого используем метод пропорциональных коэффициентов.
• 2. заменяем знаки функций, для того чтобы перейти от задачи минимизации к задаче максимизации.
• 3. Выполнить нормировку критериев по формуле.

4. Строим функцию взвешенной аддитивной свертки и исследуем ее.

Решение

Используя пропорциональный метод, определим коэффициенты важности.