- •1.Основные понятия и этапы са
- •2. Операция и ее составляющие. Этапы исо
- •Этапы операционного проекта
- •Виды математических моделей ио, примеры.
- •4. Состязательные задачи. Решение игры 2-х лиц
- •7. Примеры задач лп: игра 2-х лиц как задача лп, транспортная задача
- •В общем случае модель задачи лп имеет вид
- •Сбалансированная транспортная задача
- •8 Формы представления задач лп и способы приведения к ним
- •1. Каноническая форма задач лп
- •2. Стандартная форма задачи лп
- •9. Основные понятия лп. Свойства задач лп
- •10. Геометрия задач лп, базисные решения, вырожденность.
- •4.7. Выделение вершин допустимого множества
- •11. Понятие базиса. Переход от одного базисного решения к другому
- •12. Признак оптимальности. Определение начального базисного решения.
- •13. Алгоритм симплекс-метода
- •14. Двойственность задач лп
- •4.11.1. Запись двойственной задачи в симметричном случае
- •4.11.3. Запись двойственной задачи в общем случае
- •15.Экономическая интерпретация двойственной задачи
- •16. Теоремы двойственности
- •17. Двойственный и модифицированный симплекс-метод Модифицированный алгоритм
- •18. Параметрический анализ. Параметрирование вектора ограничениий
- •Параметрирование вектора ограничениий
- •19. Параметрирование коэффициентов линейной формы
- •20. Модели транспортных задач и их характеристика, условия разрешимости.
- •Простейшая транспортная задача (т-задача)
- •Транспортная задача с ограниченными пропускными способностями (Td - задача)
- •Транспортные задачи по критерию времени
- •21. Построение начального плана перевозок т-задачи
- •5.2.1. Построение начального плана перевозок
- •Правило северо-западного угла
- •Правило минимального элемента.
- •22.Обоснование метода потенциалов
- •5.2.3. Признак оптимальности
- •23. Алгоритм метода потенциалов.
- •24. Двойственная пара транспортных задач
- •25. Метод потенциалов для Td-задачи
- •5.5. Решение задачи по критерию времени
- •26. Приведение открытой транспортной задачи к закрытой
- •27. Транспортные задачи в сетевой постановке (транспортные сети)
- •28. Задача о максимальном потоке
- •29. Метод декомпозиции Данцига - Вулфа
- •30. Решение транспортной задачи методом Данцига-Вулфа (метод декомпозиции тз)
- •32. Целочисленное программирование
- •7.1. Проблема целочисленности
- •33. Метод отсечений
- •Пример 7.1. Выведем условие отсечения для задачи
- •34. Метод ветвей и границ
- •35. Аддитивный алгоритм
- •36. Нелинейное программирование
- •Теорема
- •37. Квадратичное программирование
- •38. Сепарабельное программирование (сп) и дробно-линейное программирование
- •8.5. Задачи дробно-линейного программирования
- •39. Метод покоординатного спуска и Хука-Дживса Метод первого порядка
- •8.8. Многомерный поиск безусловного минимума
- •8.8.1. Метод Гаусса-Зейделя (покоординатного спуска)
- •Метод Хука-Дживса (метод конфигураций) Метод первого порядка
- •Метод Хука-Дживса (метод конфигураций)
- •40. Симплексный метод поиска
- •41. Градиентные методы
- •Методы сопряженных направлений
- •43. Методы случайного поиска
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •44. Метод проектирования градиента
- •Метод проектирования градиента
- •45. Генетические алгоритмы
- •46. Метод штрафных функций и барьерных функций
- •Метод барьерных функций
- •47. Динамическое программирование
- •48. Распределение одного вида ресурса
- •49. Дп: задачи о кратчайшем пути и с мультипликативным критерием
- •Задача с мультипликативным критерием.
- •52. Многомерные задачи динамического программирования
- •53. Снижение размерности с помощью множителей Лагранжа
- •56. Многокритериальные задачи: постановка, проблемы, осн. Понятия, методы
- •Многокритериальная задача математического программирования
- •Где искать оптимальное решение
- •Определения
- •Условия оптимальности
- •57. Многокритериальные задачи: функция полезности, лексикографический анализ
- •Методы первой группы
- •Функция полезности
- •Решение на основе лексикографического упорядочения критериев
- •58. Методы главного критерия, свертки, идеальной точки, целевого прогр. Метод главного критерия
- •Линейная свертка
- •Максиминная свертка
- •Метод идеальной точки
- •Целевое программирование (цп)
- •59. Диалоговые методы решения задач по многим критериям
- •Метод уступок
- •Интерактивное компромиссное программирование
- •Построить таблицу
Определения
Для описания предпочтений используют бинарные отношения, вводимые на множестве А сравниваемых объектов. В многокритериальной задаче роль таких объектов играют X или Y на множествах D и G соответственно.
Если из двух объектов a и b ЛПР выбирает a, то говорят, что a предпочтительнее b. Все пары вида (a,b), где a,bА, для которых a предпочтительнее b, образуют множество, называемое отношением строгого предпочтения на А. Такое отношение обозначают символом (ab или aPb, где Р – первая буква английского слова preferance – предпочтение).
Объекты a и b неразличимы для ЛПР, если они одинаковы по предпочтительности. Это значит, что не выполняется ни отношение ab, ни ba. Множество всех неразличимых пар (a,b) называют отношением неразличимости или безразличия и обозначают символом ~ (a~b или aIb, где I происходит от indifference – безразличие).
О чевидно, что для любой пары a,b A выполняется только одно из трех соотношений: ab, ba, a~b. Объединение P и I дает отношение нестрогого предпочтения, обозначаемого символом (a b или aRb). Отношение a b означает, что a не менее предпочтительно, чем b.
В соответствии с этими определениями решение Х* D (вектор Y* G) называют оптимальным по отношению на множестве D (G), если не существует другого решения Х D (вектора Y G), для которого справедливо соотношение ХХ* (YY*). Если для любых X D (Y G) выполняется соотношение X* X (Y* Y), то X* D (Y* G) называется оптимальным решением (вектором) по отношению .
При сравнении по предпочтительности векторов Y=f(X) наиболее просто сопоставлять те вектора, которые отличаются лишь одной компонентой. Однако в общем случае частные критерии yi=fi(X) могут по-разному соотноситься по предпочтительности в зависимости от того , на каких уровнях зафиксированы остальные критерии. Так если вектор ( , ) предпочтительнее вектора ( ), а вектор ( ) менее предпочтителен, чем ( ), то какое из значение первого критерия, или , предпочтительнее сказать нельзя без знания значений остальных критериев. Так, например, чем выше потолок комнаты, тем лучше, но справедливо это до определенных соотношений высоты, ширины и длины комнаты. Чаще, однако, все значения частного критерия можно упорядочить по предпочтению без учета значений других критериев. Такие критерии называют независимыми по предпочтению от остальных. Примерами могут служить прибыль, издержки и т.п.
Задачи, в которых все критерии независимы по предпочтению, а отношением строгого предпочтения R является отношение >= (не меньше) называются многокритериальными задачами максимизации (аналогично при отношении «не больше» – задачами минимизации).
Напомним, что R включает (объединяет) P и I. На множестве G (или D) отношение строгого порядка P задают неравенством Y Y’ ( т.е. Y Y’ и Y Y’ ) или Y>Y’ (т.е. для ). Наконец, равенство = порождает отношение безразличия.
Вектор (решение), оптимальный по отношению ≥ на множестве G (D), называется эффективным или парето-оптимальным. Значит, вектор Y*G является парето-оптимальным (оптимумом Парето), если не существует вектор Y G такой, что Y Y*. Множество таких векторов обозначают через Р(Y) и называют множеством Парето (эффективным множеством). Множество эффективных решений обозначают через Р(X).
Вектор, оптимальный по отношению >, называют слабо эффективным, слабо оптимальным по Парето (слабым оптимумом Парето). Значит, вектор Y*G слабо парето оптимальный, если не существует YG такой, что Y>Y*. Множество таких векторов называют слабо эффективным и обозначают через S(Y). Соответствующее множество слабо эффективных решений имеет обозначение S(X). Если в G не найдётся YY*, то не существует и Y>Y*. Следовательно, всякий эффективный вектор одновременно является и слабо эффективным, т.е. P(Y)S(Y). Аналогично P(X) S(X).
Различие эффективного и слабо эффективного множеств хорошо видно на рис.10.3. Множество P(Y) состоит из частей границы множества G: кривых bc, de (исключая точки d и e ) и gh, а S(Y) – из кривой abcde (включая точку e) и кривой ghk. Точка d не входит в P(Y), т.к. она доминируется точкой c. Точно также точка e менее предпочтительна, чем g.
Геометрическое определение множеств P(Y) и S(Y) основано на том, что все точки YEm, для которых выполняется неравенство YY0, образуют ортант (для m=2 – прямой угол), стороны которого параллельны координатным осям, а вершиной является точка Y0.
П оэтому, если весь угол (ортант), построенный на некоторой точке Y* G, расположен вне множества G, то Y* парето-оптимальна. Если кроме вершины Y* пересечение ортанта и G содержит только точки, лежащие на одной из сторон ортанта, то Y* слабо парето-оптимальна, при этом Y* P(Y), т.е. не является эффективной.
Понятие слабой эффективности оказывается полезным и в случае, когда приходится сокращать первоначальный набор критериев. Нередко на первых этапах исследования трудно определить минимально необходимый набор критериев и поэтому начинают с возможно более полного набора. По мере изучения свойств задачи выявляются несущественные критерии, которые исключаются из дальнейшего рассмотрения. В [30] показано, что множество слабо эффективных решений, выделяемое на полном наборе критериев, содержит все исходные решения, эффективные по сокращенному набору критериев.