8 PROBLEM VIŠEKRITERIJSKE OPTIMIZACIJE (VKO) I

VIŠEKRITERIJSKOG PROGRAMIRANJA

8.1 Uvod

Koncept optimizacije se donedavno u praksi zasnivao najčešde na financijskoj osnovi,

zanemarujudi pri tome sve druge posljedice takvog rješenja. Naime, smatralo se da
povedanje dobiti u svakom slučaju vodi napretku i opdem blagostanju u društvu. Posve
pogrešnu utemeljenost takvoga modela dobro prikazuje tzv. godišnji model poznatog
astronoma H. Siedentorpa (Opricovid, 1998). Tim modelom se povijest zemljine kugle u
trajanju od oko 170 miliona godina promatra kao da je u pitanje jedna kalendarska godina.
Razmjerno umanjenju, po takvom modelu je čovjek to postao (uspravljajudi se u hodu na
dvije noge) tek 30. decembra/prosinca te godine. Trideset minuta prije isteka takve godine
čovjek počinje da obrađuje zemljište i time mijenja izgled Zemlje. Industrijska revolucija
započinje samo 36 sekundi prije ponodi i u zadnjih 30 sekundi čovjek gotovo sagorijeva sva
tekuda i plinovita goriva, dovodedi u opasnost i bilancu kisika na Zemlji.

Propratni efekti takvog koncepta, kao što su pogoršanje kvaliteta zraka i vode i zagađenje
čovjekove okoline uopde, loši socijalni utjecaji i slično, ukazali su na pogrešnu utemeljenost

115
takvog modela. Stvoren je novi koncept tzv. održivog razvoja, to jest takvog razvoja koji je u
skladu sa okolišem, odgovarajudi po suvremenim tehničkim standardima, ekonomski životan
i društveno prihvatljiv sa stanovišta socijalnih poremedaja, koje može proizvesti. Dakle, takav
pristup omogudava ispunjenje potreba današnje generacije, bez istovremenog narušavanja
mogudnosti narednim generacijama da i one zadovolje svoje potrebe. Stoga je stvorena
potreba za traženjem optimalnog rješenja po više kriterija, inicirajudi na taj način pojavu
jedne nove grane u oblasti optimizacije - višekriterijske optimizacije (VKO).

Višekriterijska optimizacija je samo jedan dio procesa koji se zove višekriterijsko odlučivanje
i koji u sebi objedinjuje i sociološke, psihološke ili fizičke elemente. Osnovni koraci u ovoj
optimizaciji su prije svega:

1. Definiranje ciljeva i određivanje načina njihovih postizanja;

2. Formaliziranje problema i određivanje te vrednovanje kriterijskih funkcija;

3. Izbor i upotreba odgovarajudeg metoda višekriterijske optimizacije odnosno optimizacija

u užem smislu;

4. Usvajanje konačnog rješenja ili ponavljanje cijelog postupka počev od drugog koraka.

Ovo poglavlje de se posvetiti prvenstveno užem, tehničkom aspektu procesa odlučivanja, i to

za diskretni slučaj višekriterijske optimizacije.

8.2 Povijest razvoja višekriterijske optimizacije

Problem višekriterijske optimizacije, prema mišljenju vedine autora (npr. Bogardi et al 1994,
Goicoechea et al. 1982 , Opricovid 1992) , prvi formulira Pareto u svom radu “Course
d’Econome Politique” (Kurs političke ekonomije) iz 1896, gdje razmatra sažimanje više
kriterija u jedan. Drugi svjetski rat je doveo između ostalog i do značajnih zahtjeva ka izradi
vojnih scenarija i razvoju operacionih istraživanja i alata odlučivanja. Von Neumann i O.
Morgenstern u svome djelu “Theory of Games and Economic Behavior” (Teorija igara i
ekonomsko ponašanje) iz 1944 godine potvrđuju da takav problem ranije nije rješavan. Tek
1951 godine Kuhn i Tucker (“Nonlinear Programming” / Nelinearno programiranje,
Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability /
Zbornik radova sa drugog Berkeley simpozija matematičke statistike i vjerojatnode, UCLA
Press) te Koopmans (“Activity Analysis of Production and Allocation” / Analiza aktivnosti
proizvodnje i alokacije, Cowles Commision for Research in Economics 13, New York) uvode u

116
terminologiju operacionih istraživanja i izraz Pareto-optimalnost, otvarajudi vrata razvoju
ove discipline, koja se u početku svog razvoja često vidi kao oblast unutar teorije igara.

Počev od šezdesetih godina dvadesetog vijeka javlja se povedana svijest o neophodnosti

identifikacije i promatranja istovremeno više ciljeva (kriterija) u analizi i rješavanju pojavnih
problema. Povedana svijest o značaju okoliša i čovjekovom razornom djelovanju na njega je
svakako bio važan element pri tome. U SAD, npr. je višekriterijska analiza svoj razvoj
uglavnom dugovala radu Harward Water Programa ili Inženjeriji vojske SAD te Nacionalnoj
okolišnoj politici (podatak iz Goicoechea 1982) - i u Evropi često potrebe za rezultatima ove
vrste optimizacije dolaze iz sektora okoliša. U SAD se višekriterijska analiza često naziva i
Višekriterijsko odlučivanje (MCDM – Multicriteria Decision Making), a u Evropi Pomod u
višekriterijskom odlučivanju (MCDA – Multicriteria Decision Aid – prema Pardalos et al.
1995).

Iz matematičkog ugla promatrano, cilj višekriterijske optimizacije kao naučne discipline je

odrediti maksimum vektorske funkcije zadane na odgovarajudoj oblasti u n-dimenzionalnom
vektorskom prostoru promjenljive - kriteriji optimizacije odgovaraju komponentama
vektorske funkcije, a postojeda ograničenja definiraju navedenu oblast. Ukoliko jedna tačka
dopustive oblasti istovremeno maksimizira sve komponente vektorske funkcije, ona de biti i
rješenje navedenog problema. Međutim, u praksi se takav slučaj izuzetno rijetko dešava.
Posljedica samo djelomičnog uređenja prostora kriterijskih funkcija je pojava pojma
neinferiornog (dominantnog, Pareto-optimalnog) rješenja (koje de se definirati u nastavku),
kao osnovne mjere mogudnosti rješavanja ovakvog problema.

Do danas je razvijen čitav niz raznovrsnih metoda koje pokušavaju riješiti ovaj problem. Kao
razvijene metode za rješavanje zadataka višekriterijske optimizacije najčešde se navode
metode za određivanje neinferiornih rješenja, metode sa unaprijed izraženom
preferencijom, interaktivne metode, tj. metode u kojima se preferencija postepeno
određuje, stohastičke metode, kompromisno programiranje i sl. Naravno, ovisno od izbora
metode odnosno odgovarajudeg koncepta optimalnosti, dobide se i različita rješenja.
Obzirom da n-dimenzionalni prostor nije kompletno uređen relacijom “manje”, to znači da
ovi metodi uglavnom nastoje ili na neki način taj prostor kompletno urediti ili eventualno
proširiti parcijalno uređenje.

Važno je napomenuti da termini “višekriterijska optimizacija” i “rješenje problema

višekriterijske optimizacije” ne opisuju savršeno strukturu kojoj su namijenjeni. Sam pojam

117
optimizacije podrazumijeva pronalaženje optimuma (maksimuma ili minimuma) neke
funkcije, dok se u slučaju višekriterijske optimizacije pod tim podrazumijeva određivanje
dodatnih uvjeta koji de omoguditi da se iz skupa neinferiornih rješenja (ili čak nekada i iz
skupa svih rješenja, odnosno vrijednosti) izdvoje ona ili ono koja su “prihvatljiva” ili koja su
sa neke tačke gledišta “najbolja”.

Očigledno treba donijeti odluku o načinu (metodi) na koji de se dodi do tražene optimalne
vrijednosti, odluku o vrijednostima neophodnih parametara u primjeni te metode, odluku o
potvrđivanju izbora konačno predloženog rješenja odabranom metodom ili o izboru jedne
alternative iz suženog skupa ponuđenih. Stoga se cijeli proces definiranja problema,
određivanja alternativa, kriterijskih funkcija, konturnih ograničenja, optimizacije te
donošenja konačnog izbora naziva i višekriterijsko odlučivanje. Sam izraz “odlučivanje”
vjerojatno preciznije određuje cijeli proces, jer se jedino odlukom može odabrati rješenje (ili
suziti skup rješenja) koje je neusporedivo sa drugim (i koje, naravno, također zadovoljava
konturne uvjete), jer je po nekim svojim komponentama bolje, a po drugim lošije od onoga
sa kojim se poredi.

118
9 MATEMATSKE OSNOVE VIŠEKRITERIJSKOG
PROGRAMIRANJA

Optimizacija po sebi se promatra kao proces, često interaktivni, u kome se dolazi do tražene
najbolje vrijednosti (zadane funkcije ili sustava/sistema). Odlika višekriterijske optimizacije
jeste da se u njoj pojavljuje nekoliko, najčešde međusobno konfliktnih i neusporedivih
kriterija, umjesto jedne skalarne ciljne funkcije kao što je slučaj u "običnim" optimizacijama.
Da bi se dostiglo dovoljno dobro kompromisno rješenje potrebno je razmotriti međusobne
kompenzacije konfliktnih vrijednosti i donositi odluke u interaktivnom procesu u kome se
rješava više problema optimizacije. Višekriterijska optimizacija, nazivana još i Pareto,
višeciljna ili vektorska optimizacija, predstavlja jedan fleksibilan pristup problemu procesa
odlučivanja na sistematičan način.

Ponekad je samo jedan kriterij dovoljno dominantan da se samo on želi optimizirati (u

ljudskoj praksi najčešde novac, traži se najmanji trošak ili najveda zarada), dok se ostali
kriteriji ugrađuju u konturne uvjete ili čak i zanemaruju. Višekriterijska optimizacija
uključivanjem više funkcija koje treba optimizirati predstavlja analizu osjetljivosti onih
kriterija, koji se smatraju najvažnijima. Osim toga, kako je često usmjerena na skup Pareto
optimuma (tj. na skup rješenja u kome se vrijednost nijednog kriterija ne može poboljšati

119
bez pogoršanja vrijednosti nekog drugog kriterija), a ne na jedno optimalno rješenje, ona
omoguduje korisniku sudjelovanje u procesu i nakon formulacije problema optimizacije.
Naime, da bi donio odluku, korisnik ili donosilac odluke (DO), mora definirati svoje
preferencije u procesu optimizacije, za što de mu višekriterijska optimizacija dati jasnu
osnovu.

Uglavnom se smatra da je korijene višekriterijske optimizacije odredio Pareto (1848-1923)

predstavivši kvalitativnu definiciju koncepta optimalnosti u ekonomskim problemima sa više
konfliktnih kriterija u svome radu iz 1896 (Lepikult, 1999). Širi interes za ovu temu se
pojavljuje u polju teorije optimizacije, operacionih istraživanja i teorije kontrole krajem
šezdesetih godina prošlog stoljeda, od kada se intenzivira.

Slijede osnovni pojmovi i metodi u oblasti višekriterijske optimizacije.

9.1 Pareto optimalnost

Neka se promatra problem optimizacije u kome se pojavljuje više međusobno konfliktnih i

neusporedivih kriterija (npr. koji imaju različite mjerne veličine). Ako su zadate kriterijske
funkcije označene sa f i (x), x  R K , i  1, 2, ..., N , onda one tvore vektorsku funkciju oblika
f (x)  (f1 (x),f 2 (x),...,f N (x)) T . Istovremeno neka vrijednosti vektorske varijable x moraju
zadovoljiti određena ograničenja, tj. neka vrijedi x  X, X  R K . Pod optimizacijom se u
praksi može smatrati traženje i minimuma i maksimuma, ali se prostom zamjenom funkcije f i
koju treba minimizirati funkcijom –fi koju treba maksimizirati, problem može uvijek postaviti
kao problem maksimiziranja.

Problem višekriterijske optimizacije se dakle tada može zapisati sa (Andersson, 2000;

Lepikult, 1999, gdje se eventualno traži minimiziranje umjesto maksimiziranja):

maksimizirati f (x)  (f1 (x),f 2 (x),...,f N (x)) T (9.1.1)

tako da vrijedi x  X, X  R K

gdje je x  (x1 , x 2 ,..., x K ) T . RK je prostor odlučivanja i pored njega treba promatrati i

prostor kriterija RN. Slika dopustivog skupa X je određena sa


F  f  R N f  f (x), x  X  (9.1.2)

Skup F se naziva dostižni skup kriterija i u praksi je često interesantniji donosiocu odluke

120
nego što je to dopustivi skup X - razlog za to je što F sadrži sve mogude vrijednosti kriterija.
Obzirom da su kriteriji obično međusobno suprotstavljeni, nijedna tačke nije optimalna (ne
predstavlja maksimum) za sve kriterije istovremeno, pa je potrebno uvesti drugačiji koncept
optimalnosti nego što je onaj kakav se susrede u problemima skalarne optimizacije. Najprije
se uvodi parcijalno uređenje prostora RN uz pomod nepozitivnog konusa definiranog sa
(Lepikult, 1999):


C  z  R N z i  0, i  1, 2, ..., N  (9.1.3)

Konus C omogudava međusobnu usporedbu vektora y, z  R N . Naime definira se da je

z  y  z  yC (9.1.4)

što se određuje kao "y je bolje ili jednako z". Ipak, prethodna jednačina ne omogudava
međusobnu usporedbu svih vektora y, z  R N - naime, za razliku od slučaja skalarne
optimizacije, ovom jednačinom je omogudeno samo parcijalno uređenje skupa R N .Zato se
uvodi ključni pojam u višekriterijskoj optimizaciji, maksimalni vektor, slijededom definicijom
(Lepikult, 1999):

Definicija 9.1.1: z*  F je maksimalni vektor u F  R N ako i samo ako iz z  z * i

z  F slijedi z  z * .

Sada se na sličan način definira i pojam optimalnog vektora u prostoru odlučivanja, koji se u
literature najčešde naziva Pareto optimum (ili dominatno, neinferiorno, efikasno,
funkcionalno-efikasno ili i EP-optimalno rješenje - Lepikult, 1999):

Definicija 9.1.2: Vektor x*  X je Pareto optimum problema (9.1.5) ako i samo ako ne
postoji nijedan vektor xX takav da vrijedi
f j (x)  f j (x*) , j  1,2,..., N , a da je istovremeno f i ( x ) > f i ( x*) za
barem jedno i.

Iako su prethodne dvije definicije slične strukture, važno je primijetiti da se one odnose na
objekte iz različitih prostora – dok se Pareto optimumi nalaze u prostoru odlučivanja,
maksimalni vektori pripadaju prostoru kriterija. Prema tome, sa z*  f (x*) je određen
maksimalni vektor koji predstavlja sliku Pareto optimuma x * u prostoru kriterija.

121
U opdem slučaju nede postojati samo jedan Pareto optimum kao rješenje problema (9.1.6),
ved de postojati skup takvih rješenja. Sa matematičkog gledišta ovaj problem bi se mogao
smatrati rješenim onda kada se odredi cijeli takav skup (nekada nazivan i efikasna granica –
Greenberg, 1996), međutim u praksi se nastoji dodi do jednog optimalnog rješenja, što znači
da donosilac odluke mora odrediti dodatne preferencije za izdvajanje najboljeg iz skupa
Pareto optimuma.

Ponekad je potrebna i definicija slabog Pareto optimuma, koja slijedi (Lepikult, 1999):

Definicija 9.1.3: Vektor x*  X je slabi Pareto optimum problema (9.1.7) ako i samo
ne postoji nijedan vektor xX takav da vrijedi
f j ( x ) > f j (x*) , j  1,2,..., N .

Dakle slabi Pareto optimum je vektor za koji se ne mogu svi kriteriji istovremeno uvedati i
očigledno je svaki slabi Pareto optimum istovremeno i Pareto optimum, dok obratno ne
vrijedi.

9.2 Određivanje Pareto optimuma

Sa matematičkog stanovišta je određenjem skupa Pareto optimuma riješen problem (9.2.1).

U slučaju neprekidne funkcije f taj je skup najčešde beskonačan i nije ga jednostavno cijelog
odrediti. Broj operacija i vrijeme koje zahtjeva takva pretraga u praksi znaju biti
ograničavajudi faktor, pa se pribjegava jednostavnijem pristupu u kome se traži manji skup
Pareto optimuma, koji bi eventualno bio dovoljan za generiranje maksimalnog skupa u
prostoru kriterija, prema čemu se i ocjenjuje njegov kvalitet.

Jedan pristup takvom određivanju Pareto optimuma je zasnovan na ideji da se polazni

problem zamijeni parametriziranim skalarnim problemom, gdje se varijacijom vrijednosti
parametara mogu generirati sva ili dio Pareto optimalnih rješenja. Problem je i to što su
vrijednosti kriterija date u različitim i neusporedivim jedinicama, pa se pribjegava njihovoj
normalizaciji. Jedan takav pristup jeste svođenje vrijednosti kriterija na interval 0,1 sa
(Lepikult, 1999):

f j ( x )  f j min
f j (x)  , j  1,2,..., N (9.2.2)
f j max  fjmin

gdje su f j max i f j min rješenja skalarnih problema maksimiziranja i minimiziranja kriterijske

funkcije f j ( x ) na dopustivom skupu. Ako su ova rješenja teško dostupna (ako ne postoje i

122
maksimum i minimum ili ako su "skupa", tj . zahtijevaju previše vremena ili operacija da bi se
došlo do njih), onda se mogu odabrati i određene njihove aproksimacije da bi se primijenila
normalizacija kao u prethodnoj jednadžbi.

Kao načini za određivanje Pareto optimuma se najčešde koriste metodi linearne kombinacije
sa težinskim koeficijentima, metodi zasnovani na korištenju odgovarajudih normi, metodi
ograničenja kriterija i drugi. Detaljan opis primjene ovakvih metoda de se dati u narednim
poglavljima, a slijedi samo kratak pregled njihove matematske osnove.

9.2.1 Metodi linearne kombinacije sa težinskim koeficijentima

Jedan od najčešdih u upotrebi, uvodi linearnu kombinaciju kriterija opteredenih težinskim

koeficijentima (koji mogu opisivati preferencije u odnosu na pojedinačne kriterije). Može se
pretpostaviti, bez gubitka opdenitosti, da je

w
j1
j 1 . (9.2.3)

Tada se uvodi skalarni problem optimizacije oblika (Lepikult, 1999)

N
maksimizirati  w f (x)
j1
j j (9.2.4)

tako da vrijedi x  X .

Varijacijom težinskih koeficijenata w j se rješava problem opisan prethodnom jednačinom

za svaki skup odabranih vrijednosti. Najvedi nedostatak ovog metoda jeste u tome da se
cijeli skup Pareto optimuma može dobiti na ovaj način samo ako su i kriterijske i funkcije
ograničenja konveksne. Problem 9.2.3 se može ekvivalentno izraziti i sa

N
maksimizirati w z
j1
j j (9.2.5)

tako da vrijedi z  F .

gdje je z j  f j (x), j  1,2,..., N , tj. gdje se sada maksimiziranje vrši u prostoru kriterija.

123
9.2.2 Metodi zasnovani na korištenju odgovarajudih normi

Cijela jedna klasa metoda za generiranje skupa Pareto optimalnih rješenja je zasnovana na
minimiziranju rastojanja do neke referentne tačke u prostoru kriterija. Uz ponovno uvođenje
težinskih koeficijenata wj0, za j=1,2,...,N, definira se

1
N p
 
p
f ( x ) p   w j f j ( x )  z j *  1 p   (9.2.6)
 j1 

gdje je z*  (z1 *, z 2 *,..., z N *) neka fiksna tačka u prostoru kriterija, a najčešde tzv. idealna
tačka (nekada se susrede i pod nazivom utopijska tačka, npr. Lepikult, 1999) čije su
koordinate definirane sa

z j *  f j max  max f j (x), j  1,2,..., N (9.2.7)

xX

Fiksiranjem cjelobrojne vrijednosti p i variranjem težinskih koeficijenata w j (koji se mogu

normalizirati kao u 9.2.8) mogu se generirati Pareto optimumi problema (9.2.9) rješavanjem
skalarnog problema

maksimizirati f ( x ) p (9.2.10)

tako da vrijedi x  X .

Za svaki izbor težinskih koeficijenata dobide se po jedan Pareto optimum. Ovim je u stvari
data klasa metoda za razne vrijednosti za p, koja se u literature susrede pod nazivima metodi
udaljenosti (distance), metrički ili metodi norme (Lepikult, 1999). Što je veda vrijednost p, to
se može očekivati da se pronađe više Pareto optimuma u slučaju nekonveksnog problema.

9.2.3 Metodi ograničenja kriterija

Još jedan uobičajen način za tretiranje problema višekriterijske optimizacije jeste da se

odabere samo jedna kriterijska funkcija kao cilj skalarne optimizacije, a da se ostale
transformiraju u ograničenja. U tom slučaju polazni problem se pretvara u (Lepikult, 1999)

maksimizirati f k ( x ) (9.2.11)

tako da vrijedi x  X

124
 ali i f j (x)   j , j  1,2,..., N, j  k .

Sada očigledno vrijednost optimalnog rješenja ovisi o izboru parametara j, i njihovom
varijacijom se mogu dobiti različiti Pareto optimumi (naravno, po jedan za svaku
kombinaciju ovih vrijednosti). U poređenju sa prethodnim metodama ovaj ima više
ograničenja, ali je vrlo pogodan za interaktivnu primjenu u praksi, kada se često pojavljuje
pomjeranje vrijednosti ograničenja.

9.3 Proces odlučivanja

Osnovna karakteristika višekriterijske optimizacije jeste da uglavnom generira više

alternativa tj. Pareto optimuma. Ako je u pitanju samo jedan Pareto optimum, u procesu
odlučivanja je još potrebno samo ispitati da li je on prihvatljiv ili ne. Međutim ako je takvih
više, a odluka mora biti donijeta o izboru samo jedne alternative, slijedi proces u kome se
pored ranijih mogu pojaviti i dodatni kriteriji ili ograničenja.

U kombinaciji višekriterijske optimizacije i procesa odlučivanja postoje dva osnovna pristupa

(Lepikult, 1999). U prvom se traže svi Pareto optimumi i zatim vrše usporedba među njima.
Jasno ograničenje ovog metoda jeste eventualna visoka cijena (npr. zahtijevano vrijeme ili
novac) za dostizanje skupa svih Pareto optimuma. Drugi pristup polazi od zahtjeva da se
najprije pronađe jedan Pareto optimum i zatim da se to rješenje poboljša na osnovu
preferencije donosioca odluke. Dakle, ako se za pronalaženje Pareto optimuma koristi
(9.3.1), uvodi se mogudnost razmjene vrijednosti kriterija Pareto optimuma x* uz pomod
Lagrange-ovih (Kuhn-Tucker-ovih) multiplikatora j sa

f k ( x*)
  j (9.3.2)
 j

gdje je j multiplikator pridružen ograničenju j u (9.3.3) i gdje -j označava veličinu promjene
kriterija fk koja odgovara jediničnoj promjeni kriterija fj kada se krede u okolini Pareto
optimuma x* na tangentnoj ravni na maksimalnu površinu u x*. Usporedbom svojih
vrijednosti razmjene sa onima dobivenim u 9.3.1 donosilac odluke može nadi bolje rješenje
od onoga koje je ranije dobio. Primjer ovakvog metoda opde namjene jeste metoda
razmjene surogat vrijednosti (Haimes et al., 1974, Haimes et al., 1975).

125
9.4 Stabilnost rješenja

Područje stabilnosti rješenja predstavlja skup vrijednosti parametara sistema za koje

optimalno rješenje ostaje optimalno. Neka je x rješenje generirano bilo kojim odabranim
algoritmom A. Neka dopustivi prostor X ovisi o vrijednosti parametra p (koji može biti i
vektor), tj. neka je X(p), te neka ciljna kriterijska funkcija f također ovisi o vrijednosti
parametra p, tj. neka je f=f(x;p). Neka je sa X(p,A) označeno rješenje (ili rješenja) generirano
algoritmom A, za vrijednost parametra p. Neka je skup svih vrijednosti parametra p označen
sa P (koji uključuje i p*). Region stabilnosti za x* = X(p*,A) tada je skup definiran sa {p  P:
x* = X(p,A)} (Greenberg, 1996).

Analiza osjetljivosti (stabilnosti) predstavlja interes kako de se mijenjati rješenje ako se

promijene ulazni podaci ili neke kriterijske funkcije. Razlikuje se marginalna analiza, koja
promatra efekte malih promjena, mjerenih derivacijama i parametarska analiza, koja se bavi
efektima vedih promjena u vrijednostima parametara koje utječu na podatke matematičkog
programa kojim se dolazi do rješenja (Greenberg, 1996).

126
10 STRUKTURA VKO

Višekriterijsko odlučivanje se u ovom vijeku razvilo prvenstveno iz potreba upravljanja

(menadžmenta) u širem smislu – integralni pristup neizostavno razmatra sve pojavne
aspekte za ciljem eliminiranja, ili ako to nije mogude, minimiziranja razlika između željenih
pravaca različitih interesnih grupa koje sudjeluju u upravljanju.

10.1 Prostor odlučivanja

U svakom sistemu kojim se upravlja postoje ulazne i izlazne komponente. Ulazne mogu biti
potpuno ili djelomično kontrolirane postupcima tj. odlukama, te naravno i posve izvan
mogudnosti kontrole. Izlazne komponente mogu imati željeno i posve suprotno djelovanje,
ali i biti neutralnog statusa sa trenutne tačke gledišta. Između svih ovih komponenti postoji i
izvjesna, jača ili slabija, interakcija, kojom se u okruženju uobličava cijeli sistem, naravno u
svojoj vremenskoj strukturi, koja ga čini dinamičkim.

Obzirom da ulazne komponente koje su sasvim ili djelomično kontrolirane predstavljaju

predmet odlučivanja, to se one opisuju tzv. promjenljivim ili varijablama odlučivanja. Skup
svih odluka koje se mogu donijeti nad ovim skupom varijabli odlučivanja se stoga naziva

127
prostor odlučivanja. Posljedice odluke su naravno generirane i parametrima sistema ili
sustava, koje karakteriziraju nekontrolirane ulazne komponente, ali i odgovore samog
sistema.

Sa druge strane, poseban interes postoji za željene, ali i neželjene posljedice odlučivanja. Cilj
je svakako ove prve maksimizirati, a druge istovremeno minimizirati, što za sada ne mora
obavezno biti i brojčano kvantificirano (zadovoljenje ovih zahtjeva može biti i opisno dato).
Odluke koje se donose vode promjenama u sistemu i ove se promjene opisuju tzv.
promjenljivim ili varijablama stanja (čija je priroda prvenstveno dinamička).

Svaki skup varijabli odlučivanja, dakle, proizvodi određene posljedice. Stoga se postavljaju
odgovarajudi ciljevi. Stanje postaje jednostavnije za ispitivanje ako je ipak mogude brojno
kvantificiranje kriterija zadovoljenja postavljenih ciljeva, čak i ako dobivene vrijednosti ne
pripadaju istom obuhvatu ili se ne mogu izraziti istim mjernim jedinicama. Matematski
uobličeno moglo bi se redi da je cilj maksimiziranje (ili eventualno minimiziranje) ciljne
funkcije f(x,s,p), gdje je:

f=(f1,f2,…,fN) vektorska funkcija postavljenih ciljeva – kriterija

x=( x1,x2,…,xK) vektorska varijabla odlučivanja

s=( s1,s2,…,sJ) vektorska varijabla stanja

p=( p1,p2,…,pI) vektor parametara sistema

Naravno da je izbor varijabli odlučivanja podložan dodatnim ograničenjima okruženja koja se

mogu zapisati u obliku

Gm(x,s,p)  0, m=1…M (10.1.1)

Brojni autori ističu da je razlika između ciljeva i ograničenja često nejasna, te da se može
desiti da neki cilj postane ograničenje, ali i obratno. Maksimiziranje (ili minimiziranje) ciljne
vektorske funkcije f podrazumijeva nalaženje odgovarajudih varijabli odlučivanja x1,x2,…,xK
koje to osiguravaju u matematskom modelu. Treba još jednom naglasiti da je ipak riječ o
modelu koji pokušava opisati stvarno stanje i da optimalno rješenje odgovara tom modelu,
što nažalost ne mora značiti i realnoj situaciji, jer je priroda često složenija od postavljenih
jednačina. Inače bi odabrani model optimizacije mogao sasvim zamijeniti grupe odlučivanja
u ovakvom procesu. Stoga se cjelokupan proces naziva, osim višekriterijska optimizacija, i
pomod u višekriterijskom odlučivanju ili čak i samo višekriterijsko odlučivanje.

128
10.2 Osnovni pojmovi u višekriterijskom odlučivanju

Pojmovi koji su nezaobilazni u procesu višekriterijskog odlučivanja su ciljevi, kriteriji,

ograničenja i atributi i njihove definicije se često razlikuju od autora do autora (Bogardi et al.
1994, Goicoechea et al. 1982, Opricovid 1986, 1998, itd.). Ipak, neke zajedničke naznake za
svaki od njih mogu se prezentirati.

Ciljevi ili kriteriji

Generalno kriteriji ili ciljevi predstavljaju željeni pravac promjena stanja od strane onoga ili
onih koji o njemu odlučuju. Pravac promjena može biti ved spomenuto maksimiziranje ili
minimiziranje, ali isto tako nekada i održavanje stanja na određenom stupnju, koji se može
kvantificirati (naravno, odgovarajudim transformacijama se sva ova tri pravca mogu svesti na
problem maksimiziranja, i kao takvi de se najčešde promatrati u nastavku). Postavka kriterija
prije svega ovisi o dobrom razumijevanju problema, tj. njegovom modeliranju. Pristup
modeliranju može biti kroz detaljni pregled prikaza sličnih problema i stanja u svijetu,
analitička studija problema ili čak i korištenje osobnih iskustava ili onih iz bliže okoline.
Proces definiranja kriterija prati uglavnom njihova konfliktnost, tj. nemogudnost
jednovremenog potpunog zadovoljenja, do čega uglavnom dolazi zbog konturnih
ograničenja u uporabi resursa (da ih je mogude istovremeno sve zadovoljiti ne bi se ni
govorilo o “višekriterijskom odlučivanju”). Primjeri ciljeva u upravljanju prostorom su
ostvarenje što vede dobiti (do nedavno - nažalost – dominantni pa često i jedini cilj),
očuvanje i unaprjeđenje kvalitete okoliša, zadovoljavajude putne komunikacije, bitno
smanjenje mogudnosti prirodnih katastrofa itd.

Atributi

Atributi opisuju karakteristike i kvalitetu parametara postupaka u procesima odlučivanja.

Zadatak atributa je da omogudi procjenu zadovoljenja postavljenih ciljeva, tj. da odredi
mjeru kojom se mogu karakterizirati posljedice različitih odlučivanja. Za svaki postavljeni
atribut (npr. očuvanje prirode, zadovoljavajude komunikacije i kvaliteta komunalne
infrastrukture i sl.) se veže određeni indikator (koncentracija zagađenja, dužina cesta,
pokrivenost vodoopskrbom i odvodnjom te prečišdavanjem otpadnih voda itd.) i formiraju
odgovarajudi rasponi kojima pripadaju referentne vrijednosti.

129
 Kriteriji odlučivanja (kriterijske funkcije)

Kriteriji u principu predstavljaju skup pravila ili propisa na kojima bi se trebao zasnivati
proces odlučivanja. Ipak, u teoriji odlučivanja ovaj se pojam uglavnom veže za atribut ili cilj,
pa se jedan umjesto drugog koriste izrazi “višekriterijsko odlučivanje”, “višeatributno
odlučivanje” ili i “višeciljno odlučivanje”. Dakle višekriterijsko odlučivanje i višekriterijska
optimizacija (kao podskup odlučivanja) opisuju proces odlučivanja u kome postoje dva ili
više međusobno isključivih (konfliktnih) ciljeva odnosno dva ili više atributa, tj. kriterija.

Promjenljive (varijable) odlučivanja

Varijable odlučivanja su u ovom modelu nepoznate veličine x1, x2, …, xK koje treba odrediti u
zadatom problemu optimalnog odlučivanja. Uglavnom su predstavljene nenegativnim
veličinama, a često su neprekidne pa i ograničene (npr. količina vode koju treba ispustiti iz
neke akumulacije ili je usmjeriti za navodnjavanje ili je pak potrebna za vodoopskrbu – ova
vrijednost nije diskretna ved neprekidna, ograničena je ukupnom zapreminom akumulacije i
naravno nenegativna). Neke od varijabli nisu neprekidne ved mogu primiti ograničen broj
vrijednosti – previše mogudnosti bi vodilo otežanom procesiranju i odlučivanju, pa se u
takvom slučaju često najprije vrši izvjesno filtriranje.

Parametri odlučivanja

Izvjestan broj veličina u procesu odlučivanja su konstantne vrijednosti ili ih se može takvima
smatrati (npr. ako je poznato koja vrijednost neke veličine, koja sama nije konstantna,
sigurno vodi optimalnom rješenju). Ovakve vrijednosti se zovu parametri procesa i skupa sa
varijablama odlučivanja čine srce postupka.

Ograničenja

Ona predstavljaju restrikcije koje postoje nad atributima ili parametrima odlučivanja –
poželjno ih je kvantificirati, ali to nije uvijek mogude. Mogu biti uvjetovana različitim
činiocima kao što su ekonomski resursi, kulturno nasljeđe, pravni okviri djelovanja, stanje
okoliša ili samih resursa. Ograničenja izražavaju međusobnu ovisnost između varijabli
odlučivanja i parametara, te naravno stanja sistema/sustava. Mogu biti izražena kako
jednakostima koje opisuju zahtijevano stanja balansa, tako i nejednakostima (koje najčešde
opisuju ograničenja resursa), pa čak i mjerama vjerojatnode. Brojni autori ističu da se može
desiti da neki cilj postane ograničenje, ali i obratno, jer linija između ciljeva i ograničenja nije
uvijek jasno povučena.

130
 Prostor odlučivanja, prostor kriterija i njihova međusobna veza

U matematskom zapisu, problem višekriterijske optimizacije bi imao oblik izložen u nastavku

(kakav je ved i izložen u prethodnom poglavlju):

Odrediti optimum (u praksi je to najčešde maksimum i kao takav se uglavnom i

uzima u ovoj knjizi) vektorske funkcije kriterija

f(x)  (f1 (x), f 2 (x), , f N (x)) (10.2.1)

gdje je

x  (x1 , x 2 , , x K )

vektorska varijabla odlučivanja koja zadovoljava odgovarajude uvjete – ograničenja:

Gj(x)  0, j  1,2,..., M (10.2.2)

x k  0, k  1,2,..., K (10.2.3)

(Ovaj drugi uvjet nije neophodan, jer se može preformulirati u

G j (x)  - x k  0, j  M  1,..., M  K (10.2.4)

ali se iz praktičnih razloga često izdvaja).

Obzirom da su komponentne funkcije kriterija fi(x), i=1,…,N obično međusobno konfliktne,

što znači da željeno minimiziranje ili maksimiziranje jedne od njih često vodi ka neželjenom -
suprotnom reagiranju neke druge kriterijske funkcije, to se pod optimumom vektorske
funkcije ovdje podrazumijeva takva vrijednost f(x) koja nije inferiorna u odnosu na bilo koju
drugu f(y), a koja u odgovarajudem smislu (koji treba dodatno definirati) zadovoljava
donosioca odluke. Dakle, osim u rijetkim slučajevima, takvo rješenje ne predstavlja
jednovremeni maksimum (ili eventualno i minimum, ako je tako zahtijevano, za sve ili samo
za neke komponentne funkcije) svih komponentnih kriterijskih funkcija fi(x) , i=1,…,N.

131
Vektorska varijabla odlučivanja x i vektorska kriterijska funkcija f(x) pripadaju K-
dimenzionalnom prostoru odlučivanja X, odnosno N-dimenzionalnom prostoru cilja F
između kojih je upravo vektorskom funkcijom f(x) definirano preslikavanje. Naravno da cijeli
prostor X ne mora biti dopustiv, tj. ne mora svaka tačka xX biti moguda varijabla
odlučivanja, što je pak ograničeno dodatnim konturnim uvjetima. Dopustivi skup odlučivanja
je podskup X skupa X i on može biti konačan, prebrojiv ili neprebrojiv, ovisno o karakteru
problema, pa tako i razlikujemo probleme diskretnog ili kontinualnog tipa. Preslikavanjem f
ovaj se skup preslikava u skup F koji predstavlja također konačan, prebrojiv ili neprebrojiv
podskup N-dimenzionalnog prostora cilja F. Dakle vrijedi

X  x  X : G j (x)  0, j  1,, M ; x k  0, k  1,..., K (10.2.5)

F  f(x) : x  X (10.2.6)

Ukoliko se zahtijeva da se minimizira komponentna kriterijska funkcija fj(x), taj se problem

uvijek može zamijeniti problemom maksimiziranja funkcije -fj(x), jednako kao što se dodatni
spomenuti uvjet xk0 može zapisati u obliku Gk(x) = -xk  0, što vodi ka najčešde
predstavljenom zapisu problema višekriterijske optimizacije:

maksimizirati

fi(x) , i=1,…,N (10.2.7)

uz uvjete

Gj(x)  0, j=1…, M’ . (10.2.8)

Idealna tačka i ciljna tačka

Vrijednost f*=(f1*,f2*,…,fN*) čije su komponente rješenja sistema N zadataka skalarne

optimizacije:

maksimizirati fi(x) , (i=1,…,N),

uz uvjete Gj(x)  0, j=1…, M’ , (10.2.9)

132
se naziva idealnom tačkom polaznog problema - ako vrijedi f*F onda de ona naravno biti i
rješenje zadatog problema. Kako se takav slučaj rijetko događa u praksi to se ova vrijednost
iz prostora kriterija uglavnom upotrebljava kao odgovarajuda referentna tačka u različitim
metodama višekriterijske optimizacije.

Treba primijetiti da su koordinate ove tačke iz prostora F egzaktno određene i nedvojbene.

Mogude je sličnu tačku f*F i zadati kao željenu razinu zadovoljenja postavljenih kriterijskih
funkcija. Analogna logika i ovdje postoji – ako vrijedi f*F onda je ova, tzv. ciljna tačka, i
rješenja problema, što ipak najčešde nije slučaj.

Pareto-optimalna rješenja i efikasna rješenja

Kako idealna tačka problema višekriterijske optimizacije uglavnom ne pripada skupu F to je

najčešda situacija u kojoj se drugačijim izborom varijable odlučivanja dobije poboljšanje
jedne komponentne kriterijske funkcije fi(x), ali istovremeno vrijednost druge funkcije fj(x)
opada – to je posljedica nekompletnog uređenja vektorskog prostora F u kome nije mogude
za bilo koje dvije tačke f i g redi da je zadovoljena jedna i samo jedna od tri relacije: fg, f=g ili
fg (što je slučaj npr. u prostoru R1). Stoga se uvodi pojam tzv. Pareto-optimalnih (Bogardi et
al 1994, Goicoechea et al. 1982, Lepikult 1999, Opricovid 1994, Cvetkovid et al. 1998)
(neinferiornih, dominantnih) rješenja na slijededi način:

Rješenje f*=(f1*,f2*,…,fN*) je Pareto optimalno (dominantno, neinferiorno) ako ne postoji

drugo dopustivo rješenje f=(f1, f2, …, fN)F takvo da je fifi* , i=1,…,N i fjfj* za bar jedno
j{1,…,N}.

Ovakva rješenja se još nazivaju i strogo dominantnim ili strogo neinferiornim – ako se u
nejednakosti fifi* znak  zamijeni znakom  kaže se i da je rješenje slabo dominantno ili
slabo neinferiorno.

Dakle, Pareto-optimalna rješenja su elementi skupa F – skupa dopustivih kriterijskih

vrijednosti. Ovakvoj definiciji odgovara definicija efikasne tačke ili efikasnog rješenja,
odnosno efikasne varijable odlučivanja u prostoru odlučivanja X, tj. njegovom podskupu
dopustivih varijabli odlučivanja X. Tako se kaže da je tačka x*=(x1*,x2*,…,xK*) efikasna
varijabla odlučivanja ako ne postoji druga varijabla odlučivanja x=(x1, x2, …, xK)X takvo da je
fi (x)fi(x*) , i=1,…,K i fi (x)>fi(x*) za bar jedno j=1,…,K. I u ovom slučaju se upotrebljava i
oznaka “strogo efikasna”, odnosno “slabo efikasna” ako se znak  zamijeni znakom .

133
Obzirom na prethodnu definiciju, može se redi i da je varijabla odlučivanja efikasna ako se
može dobiti inverznim preslikavanjem preslikavanja f Pareto-optimalnog rješenja. Varijabla
odlučivanja koja nije efikasna se naziva neefikasnom varijablom odlučivanja.

Posebna kategorija efikasnih varijabli odlučivanja su rješenja ved spomenutog sistema

zadataka 10.2.9 – svaki od ovih N zadataka pojedinačno daje različita rješenja
xi=(xi1,xi2,…,xiK)X (i=1,…,N) u prostoru odlučivanja X. Njihove slike f(xi) (i=1,…N) su Pareto-
optimalna rješenja polaznog problema jer je upravo njihova i-ta komponenta maksimizirana.
Ove vrijednosti se nazivaju još i marginalna rješenja ili marginalne varijable odlučivanja –
očigledno je da su sva marginalna rješenja istovremeno i efikasna, ali ne i obrnuto. Tačka čija
je i-ta koordinata jednaka vrijednosti i-te kriterijske funkcije nad ovako definiranom i-tom
marginalnom varijablom odlučivanja je ved spomenuta idealna tačka u prostoru F.

Vrijedi primijetiti da skup efikasnih rješenja E, kao podskup skupa X, također može biti
konačan, prebrojiv i neprebrojiv (ali ne i prazan, ako skup X nije prazan) – ako on ima samo
jedan element zadati problem višekriterijske analize je riješen i dati element predstavlja
vektor optimalnog odlučivanja. Ako to nije slučaj tek predstoji odabir postupka izbora
jednog od elemenata skupa E kao zadovoljavajudeg tj. optimalnog rješenja postavljenog
zadatka.

Postoje različiti pristupi problemu konačnog odabira samo jedne alternative iz skupa Pareto-
optimalnih rješenja, ili problemu njihovog rangiranja tj. utvrđivanja međusobnog poretka.
Najčešde se, zasnovano na nekom principu preferencije, kreira dodatna skalarna funkcija
nad postojedim vektorskim varijablama ili čak i funkcijama – to može biti funkcija odstojanja
u višedimenzionalnim prostorima, određena funkcija utiliteta, funkcija konačnog skupa
predodređenih vrijednosti itd. Ovisno o tome koji je princip odabran, različite metode
višekriterijske optimizacije (odlučivanja) mogu se podijeliti u nekoliko grupa kao što su
metode za generiranje neinferiornog skupa rješenja, metode sa unaprijed izraženom
preferencijom, metode postupno određene preferencije, a u okviru ovih grupacija mogu se
prepoznati npr. i metode zasnovane na konceptu odstojanja, metode koje uvode funkciju
utilititeta, metode međusobnog poređenja. Metode de po svojim sličnostima biti grupirane i
prikazane u narednim poglavljima, te dat kratak pregled mogudih nestabilnosti njihovih
rješenja.

Naime odlučivanje u uvijek nosi sa sobom i određeni stupanj neizvjesnosti - ove se

neizvjesnosti mogu kategorizirati u dvije grupe: neizvjesnost uzrokovana inherentnom
prirodnom promjenljivošdu (npr. hidrološka) i neizvjesnost uzrokovana nedostatkom
dostupnog znanja (Haimes et al, 1975, teškode u primjeni optimizacijskih metoda vežu za
iste spomenute uzroke, uz dodatak problema velikog broja međusobno nesamjerljivih ciljeva

134
koje treba optimizirati). Pri modeliranju sistema izvori grešaka se mogu kategorizirati u šest
osnovnih grupa:

1. Topologija modela – odnosi se na red, stupanj i formu sistema jednačina kojima se

predstavlja realni sistem. To mogu biti algebarske ili diferencijalne jednačine,
parcijalne diferencijalne jednačine itd.

2. Parametri modela – izborom topologije modela se otvara pitanje izbora njegovih

parametara (nazivanih npr. i parametri identifikacije ili kalibracija modela). Parametri
modela određuju tačnost njegove reprezentacije realnog sistema.

3. Obuhvat ili fokus modela – odnosi se na tip i razinu rezolucije modela. Podrazumijeva
vremenski opis, fizički opis, političko-geografski opis i opis ciljeva ili funkcija.

4. Podaci – predstavljaju veoma važan element u analizi sistema, njegovoj konstrukciji,

kalibraciji, validaciji. Nedostatak odgovarajudih podataka može dovesti do ozbiljnih
grešaka.

5. Tehnika optimizacije – izbor i primjena odgovarajude optimizacijske tehnike uvodi još

jednu mogudnost greške ili neizvjesnosti. Izbor optimizacijske tehnike treba biti u
uskoj vezi sa konstrukcijom modela.

6. Subjektivnost ljudskog faktora – uključuje trening i iskustvo analitičara, sopstvenu

preferenciju i interes, ili umješnost.

Dakle brojni su izvori neizvjesnosti vrijednosti sa kojima se ulazi u problem višekriterijske

optimizacije. Obzirom da se vedina odluka donosi u situacijama kada ciljevi, ograničenja i
posljedice nisu posve precizno određene, ispitivanje stabilnosti rješenja problema
višekriterijske optimizacije predstavlja također važan zadatak u oblasti.

10.3 Ogledni primjer

Odabrani ogledni primjer koji de se obrađivati u vedini narednih modela višekriterijske

optimizacije (odlučivanja) je jednostavan, po svojoj strukturi pripada diskretnom tipu
problema u sektoru prostornog planiranja i ima samo četiri alternative i tri kriterijske
funkcije – na taj način de biti lakše pratiti rezultate pojedinih metoda i međusobno ih

135
usporediti.

Ogledni zadatak je dakle da se u novom prostornom planu šireg područja (u koje ulazi i
riječni sliv) odredi pozicija za eventualnu novu branu na rijeci, kojom de se osigurati
višenamjenska akumulacija sa ciljem proizvodnje električne energije, navodnjavanja
zemljišta i vodoopskrbe (čime mogudnosti iskorištenja akumulacije nisu iscrpljene jer
naravno, osim odabranih ciljeva , ta akumulacija bi se mogla koristiti npr. i za odbranu od
poplava, uzgoj riba itd.), te kao zaseban zahtjev izgradnja rekreacijskih zona u području
akumulacije, koje bi doprinijele razvoju turizma u regiji, kao glavne grane ekonomije u
narednom periodu. Dakle, kriterijske funkcije su:

 Troškovi iskazani kao investicijski troškovi i troškovi najmanje četrdesetogodišnjeg

održavanja (nažalost, u praksi u BiH se ovdje posve neopravdano uzimaju u obzir
samo investicijski troškovi) izraženi u KM, funkcija koju treba minimizirati;

 Obuhvat uspješnosti zadovoljenja tj. stupanj zadovoljenja zahtjeva proizvodnje

električne energije, navodnjavanja poljoprivrednog zemljišta i vodoopskrbe (iskazan
u postotcima). Ovo je funkcija koju treba maksimizirati. Samo radi jednostavnosti
primjera tj. lakšeg pradenja toka višekriterijske optimizacije, ovdje su različiti kriteriji
kao što su proizvodnja električne energije, stopa povrata investicija, navodnjavanje ili
vodoopskrba objedinjeni, iako bi bilo logičnije ih sve promatrati odvojeno, kao
zasebne kriterije;

 Uspješnost razvoja rekreacionih zona i turizma u regiji, dat ekspertskim ocjenama 0

do 10 od strane relevantnih stručnjaka, funkcija koju treba maksimizirati.

Alternative koje de se razmatrati su:

 A1 – ne graditi branu uopde. Opcija koja se često i ne razmatra, iako i ona uvijek ima
svojih prednosti. U ovom slučaju troškovi su minimalni (0), stupanj zadovoljenja
potreba za električnom energijom ili vodom za navodnjavanje odnosno za pide je
također minimalan (0%), a ocjena razvoja turizma ostaje na početnoj razini (ocjena
1). Oko uključivanja ove alternative (“Do Nothing”) u skup mogudih alternativa
postoje različita mišljenja – upravo stoga što ona može svojim prisustvom utjecati na
konačan poredak odnosno izbor najbolje alternative, ovdje de se uzeti u obzir.

 A2 – najskuplja i najobuhvatnija alternativa. U ovom slučaju troškovi su najvedi

(100.000.000 KM), stupanj zadovoljenja potreba za električnom energijom ili vodom

136
 za navodnjavanje odnosno za pide je također maksimalan (100%), kao i ekspertska
ocjena razvoja turizma u slučaju izbora ove alternative (najveda ocjena 10).

 A3 – umjerena alternativa. U ovom slučaju troškovi su nešto manji (80.000.000 KM),

stupanj zadovoljenja potreba za električnom energijom ili vodom za navodnjavanje
odnosno za pide je velik (70%), kao i ocjena razvoja turizma u slučaju izbora ove
alternative (ocjena 8).

 A4 – alternativa izgradnje akumulacije sa najnižom cijenom. U ovom slučaju troškovi

su još niži nego u prethodnom slučaju (30.000.000 KM), stupanj zadovoljenja potreba
za električnom energijom ili vodom za navodnjavanje odnosno za pide je 50%, a
ocjena razvoja turizma u slučaju izbora ove alternative je 5.

Sve ove vrijednosti pojedinih kriterija za date alternative se mogu prikazati u tabeli 10.3.1:

Alternative

A1 A2 A3 A4

f1 - troškovi min 0 100.000.000 80.000.000 30.000.000

Kriteriji f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 10.3.1

Važno je primijetiti da se ne traži jednovremeno maksimiziranje niti minimiziranje sve tri

funkcije (ved kombinacija, radi naglašavanja načina rada sa takvim slučajem) te da su sve tri
kriterijske funkcije namjerno date ne samo u različitim jedinicama mjere, ved i različitim
opsezima – troškovi su iskazani u KM i iznosi se nalaze u intervalu od 0 do 100.000.000 ,
obuhvat uspješnosti akumulacije je dat u procentima i može iznositi 0-100%, dok se razvoj
turizma ocjenjuje ocjenama 0 do 10. Čak i ako se zanemari činjenica da su jedinice mjere
raznovrsne – novčana jedinica, postotci i (bezdimenzionalna) ocjena, primjetno je da same
vrijednosti ovih funkcija pripadaju posve drugačijim intervalima. Obzirom na raspon
vrijednosti troškova, čak bi se moglo pretpostaviti da bi oni mogli imati tako značajnu ulogu

137
u ovako sastavljenoj komponentnoj vektorskoj funkciji da druga dva kriterija i nede imati
utjecaja na izbor “najbolje” alternative.

Stoga je logično promatrati i na određeni način normaliziran oblik spomenutih vrijednosti, tj.
takav oblik u kome su iskazane apsolutne vrijednosti podijeljene sa intervalom pripadnosti i
potom pomnožene sa 100 (dakle "u obliku postotka", radi lakšeg pradenja). Tada bi
prethodna tabela dobila oblik:

Alternative

A1 A2 A3 A4

f1 - troškovi min 0 100 80 30

Kriteriji f2 - obuhvat max 0 100 70 50

f3 - rekreacija max 10 100 80 50

Tabela 10.3.2

Ovakvim postupkom su samo vrijednosti kriterijskih funkcija svedene na isti raspon, što ne
znači da su i njihove važnosti izjednačene. Naime, uvijek je mogude svakoj od njih dodijeliti i
odgovarajudi težinski faktor, koji bi vrednovao njen utjecaj na izbor konačne alternative (ili
eventualno alternativa).

Ovaj primjer de se uzimati kao ogledni za vedinu narednih metoda, za koje ima odgovarajudu
(prikladnu) formu.

138
11 METODE ZA GENERIRANJE NEINFERIORNIH RJEŠENJA

U ovu grupu ne spadaju metode koji nastoje dodatno urediti vektorski prostor R N , ved samo
one metode čiji je jedini cilj odrediti sva (ili čak i vedinu) neinferiornih (Pareto-optimalnih)
rješenja problema višekriterijske optimizacije, tj. odrediti sva ona rješenja
f*=(f1*,f2*,…,fN*)F (gdje je F  RN skup dopustivih rješenja), za koja ne postoji drugo
dopustivo rješenje f=(f1, f2, …, fN)F takvo da je fifi* , i=1,…,N i fjfj* za bar jedno j,1,…,N-.

Dakle, cilj ovih metoda je odrediti podskup Fn  F svih takvih neinferiornih rješenja i ne
pokušavajudi ispitati preferencije donosioca odluke, ved mu samo predstaviti dati podskup
Fn, radi potpunijeg sagledavanja karakteristika problema i njegovog mogudeg rješenja. Stoga
među ovim metodama i ne treba očekivati nestabilnost skupa rješenja, ved samo njegovu
eventualnu nekompletnost određenja. Ipak, radi cjelovitosti istraživanja prikazuju se i
metodi ove grupacije, te označavaju njihove “slabe” tačke. Ovdje de se osim promatranog
diskretnog slučaja naglasiti i kontinualni slučaj.

139
11.1 Diskretni slučaj

U slučaju diskretnog (prebrojivog) problema optimizacije kada je u pitanju samo konačan

broj alternativa i kriterija, očigledno se metoda može sastojati samo iz “grube” pretrage
skupa alternativa i njihove međusobne usporedbe (u parovima), tj. eliminiranja onih vektora
alternativa koji bi bili inferiorni.

U tabeli broj 10.3.1 očigledno je da ni jedna od alternativa nije inferiorna – naime

međusobnim poređenjem se vidi da je:

 alternativa A1 bolja od alternative A2 po kriteriju f1, a lošija po kriteriju f2 i f3

 alternativa A1 bolja od alternative A3 po kriteriju f1, a lošija po kriteriju f2 i f3

 alternativa A1 bolja od alternative A4 po kriteriju f1, a lošija po kriteriju f2 i f3

 alternativa A2 bolja od alternative A3 po kriteriju f2 i f3, a lošija po kriteriju f1

 alternativa A2 bolja od alternative A4 po kriteriju f2 i f3, a lošija po kriteriju f1

 alternativa A3 bolja od alternative A4 po kriteriju f2 i f3, a lošija po kriteriju f1

Dakle, nijedna alternativa nije lošija od bilo koje druge po svim kriterijima istovremeno, što
znači da je skup neinferiornih alternativa u ovom slučaju jednak polaznom skupu alternativa.

11.1.1 Analiza stabilnosti metode

Očigledno je da za diskretni slučaj problema višekriterijske optimizacije ovakav postupak

može imati jedino ograničenje u tehničkim mogudnostima računara na kome se vrši
pretraga, i to za slučaj problema u kome se pojavljuje veliki broj alternativa i kriterija, a što
se u praksi rijetko događa (izuzev eventualno u slučaju diskretizacije sa malim korakom
kontinualnog problema). Naravno da se danas, sa razvojem računarske tehnike odnosno
povedanjem mogudnosti novih procesora, ovo ograničenje može posve zanemariti.

Ipak, kao što se npr. vidi i u prethodnom primjeru, metoda sama po sebi za diskretni slučaj
problema i ne daje odgovor na pitanje “šta je optimalna alternativa” ved samo na pitanje
“šta sigurno nije optimalna alternativa”, pa se i to može smatrati nedostatkom, pa čak i
izvorom nestabilnosti metoda. Naime kao konačna rezultat se donosiocu odluke predlaže
izbor iz (eventualno) suženog polaznog skupa alternativa, bez ikakve namjere da se konačan
izbor opravda ili utiče na njega.
140
11.2 Kontinualni slučaj

U slučaju kontinualnog problema optimizacije, kada se traži maksimum funkcije 10.2.1 uz

uvjete 10.2.2 i 10.2.3 svakako da ved postoji problem određivanja skupa neinferiornih
rješenja. Naime, sada je taj skup Fn  F najčešde beskonačan i više nije tako jednostavno
(npr. pretragom, kao u prethodnom slučaju) odrediti sve elemente tog skupa. Stoga se i
pojavljuju posebne metode za generiranje neinferiornih rješenja problema višekriterijske
optimizacije, među kojima posebno mjesto zauzimaju metoda težinskih koeficijenata i
metoda -ograničenja u prostoru kriterijskih funkcija.

11.2.1 Metoda težinskih koeficijenata

U osnovi, ova metoda se zasniva na ideji jednakih osnova kao i neke druge metode
višekriterijske optimizacije, a to je da se različitim kriterijskim funkcijama dodijele određeni
težinski koeficijenti, te na taj način dalje napravi (zbirna) linearna kombinacija kao funkcija,
čija je vrijednost realna promjenljiva. Ali, dok se u nekim drugim metodama težinski
koeficijenti uvode da direktno opišu značaj uloge pojedinih kriterija u ukupnoj preferenciji
donosioca odluke, ovdje to nije slučaj – uloga težinskih koeficijenata u ovom slučaju je da se
njihovim variranjem dođe do podskupa neinferiornih rješenja – ovakav postupak je prvi
predložio Zadeh 1963 (Goicoechea et al. 1982).

Dakle, problem nalaženja maksimuma funkcije 10.2.1 uz uvjete 10.2.2 i 10.2.3 (tj. za xX,
gdje je X dopustivi podskup) modificira se u problem jednokriterijske optimizacije oblika
(Opricovid 1986)

maksimizirati w1f1 (x)  w 2 f 2 (x)  w 3 f 3 (x)    w N f N (x), x X (11.2.1)

za čije rješavanje postoje posebni metodi (što ne znači da obavezno postoji i rješenje ovog
problema, to ovisi o skupu X). Naravno da je rješenje ovog problema neinferiorno tj. da
pripada skupu Pareto-dominantnih rješenja problema 10.2.1 uz uvjete 10.2.2 i 10.2.3 (na
osnovu teoreme Kuhn-Tucker, prema Goicoechea et al. 1982). Koeficijenti wi se nazivaju
težinama i najčešde se tumače kao mjerne vrijednosti značaja pojedinih kriterija (ciljeva) u
poređenju sa ostalima – tada su sve ove vrijednosti svakako pozitivne (vrijednost wi=0 bi
implicirala da je taj kriterij nebitan pa bi se mogao izostaviti, dok bi wi<0 impliciralo da se i-ta

141
kriterijska funkcija treba minimizirati umjesto maksimizirati, pa je logičnije taj kriterij
zamijeniti sa –fi(x)). Iako to nije neophodno, često se ovi koeficijenti i normaliziraju, tj.
odabiru tako da vrijedi

w
i 1
i 1 (11.2.2)

Značajno je napomenuti da ako se koeficijenti wi fiksiraju i zaista shvate kao mjerne

vrijednosti preferencije donosioca odluke, ova metoda vodi ka metodi sa unaprijed
izraženom preferencijom – naime rezultat je samo jedna tačka x iz dopustivog prostora X,
odnosno samo jedno neinferiorno rješenje f=(f1(x), f2(x), f3(x),…, fN(x)) iz skupa svih
neinferiornih rješenja. Zato se u metodu zahtjeva višestruki izbor ovakvog skupa težinskih
koeficijenata te ponovno rješavanje problema (11.2.3), što vodi širenju skupa pronađenih
neiferiornih rješenja (ali taj skup očito ostaje diskretan, što je u suprotnosti sa kontinualnom
prirodom problema).

11.2.1.1 Nedostaci metode

Za ovakvu metodu ne postoji jasan sistematski pristup, koji bi odredio kako treba varirati
vrijednosti težinskih koeficijenata wi, koji bi vrijedio za opdi slučaj problema – dakle
vrijednosti se uzimaju po subjektivnoj procjeni korisnika, da bi se smanjio obim računanja.
Da bi skup pronađenih neinferiornih rješenja bio dovoljno velik, potrebno bi bilo postupak
ponavljati više puta, pogotovo zato što se dešava da različiti skupovi težinskih koeficijenata
vode ka istim neinferiornim rješenjima, odnosno, da se može desiti, da se i pri maloj izmjeni
skupa težinskih koeficijenata određeno neinferiorno rješenje preskoči.

Dakle očigledno je da se u praktičnoj upotrebi ovog metoda korisnik (koji nije obvezno i
donosilac odluke) odlučuje za variranje težinskih koeficijenata u nekom ograničenom
intervalu wi(0,), i sa određenim korakom h. Naravno da izbor vede gornje granice  i
manjeg koraka h vodi ka boljem određenju skupa neinferiornih rješenja, ali i ka znatno
vedim računskim zahtjevima, tj. povedanju troškova (vrijeme + novac) postupka i korisnik je
taj koji treba postidi izvjestan balans. Upravo određivanje tog balansa, tj. način izbora
težinskih koeficijenata i jeste ključni element nestabilnosti postupka – u ovisnosti od
osjetljivosti analitičara tj. stupnja njegovih zahtjeva za kompletnošdu dobivenog skupa
neinferiornih rješenja problema (11.2.4), može dodi do izostavljanja predstavljanja nekih
značajnih opcija izbora donosiocu odluke. Unaprjeđenje ovakvog metoda u vedoj mjeri nije
mogude postidi, tj. ovim postupkom otkriti sa što je mogude manje operacija sva
neinferiorna rješenja. Ipak, nametanjem dodatnih zahtjeva ka broju ili karakteru željenih

142
Pareto-optimalnih tačaka (npr. blizina unaprijed datoj ciljnoj tački, tj. stupanj zadovoljenja
kriterija) može se postupak skratiti.

Obzirom na razvoj kapaciteta suvremenih računara, može se redi da je dugoročno ovaj

nedostatak metode prevaziđen – brzina računara omoguduje da se velik dijapazon težinskih
koeficijenata obradi u zaista kratkom roku.

11.2.2 Metoda -ograničenja u prostoru kriterijskih funkcija

Ova metoda se zasniva na ideji zadovoljenja grupe kriterija, te maksimiziranju, pri tom
postavljenom stupnju zadovoljenja, samo jednog od njih. Dakle, umjesto polaznog zadatka
oblika 10.2.1 uz uvjete 10.2.2 i 10.2.3 , rješava se zadatak (Opricovid 1994)

maksimizirati f i (x) (11.2.5)

uz uvjete

xX

f k (x)   k , k  1,2,..., i  1, i  1,..., N (11.2.6)

gdje je proizvoljno odabrana upravo i-ta komponentna funkcija fi(x) za maksimiziranje.

Dakle, samo jedan kriterij zaista određuje i kriterijsku funkciju, dok se svi ostali kriteriji
transformiraju u konturna ograničenja.

Naravno, potrebno je varirati i vrijednosti k, k=1,2,…,i-1,i+1,…,N, da bi se odredio vedi broj

neinferiornih rješenja problema 10.2.1, kao i ponavljati postupak za izbor drugih kriterijskih
funkcija fi(x) , i=1,…,N koje treba maksimizirati, što očigledno za vede N predstavlja značajno
opteredenje.

Posebno je pitanje sistematičnog modela varijacije vrijednosti k, k=1,2,…,i-1,i+1,…,N. Iz

same formulacije problema i njegovih ograničenja, rijetko se odmah može prepoznati
dopustivi skup vrijednosti za svaki kriterij, a izbor vrijednosti k direktno ovisi o toj spoznaji.
Također, ako su varijacije sa malim korakom h, svakako se može očekivati potpunije
dobijanje skupa neinferiornih rješenja, ali je istovremeno i broj operacija značajno uvedan.

143
Ipak, određene algoritme za određivanje vrijednosti k koji bi korisniku olakšali posao
odabira predložili su Cohon 1978 i Goicoechea 1976:

Algoritam Cohona:

Osnovna ideja Cohona je da je svako od rješenja problema maksimiziranja samo jedne

kriterijske funkcije na istom skupu ograničenja neiferiorno (Pareto-optimalno) rješenje
polaznog problema 10.2.1, tj. pretpostavlja najprije rješavanje (N) klasičnih problema
maksimiziranja realne funkcije

maksimizirati fi(x) , xX ( i=1, 2, … , N ) . (11.2.7)

Ako je dakle xi jedinstveno rješenje problema 11.2.5, tj. ako je

fi(xi) = max fi(x) , xX, (11.2.8)

tada je

E={x1, x2, …, xN} (11.2.9)

skup svih takvih rješenja za koja su f(x1), f(x2), …, f(xN) sve neinferiorne tačke koje su
maksimizirane po barem jednoj svojoj komponenti. Cohon predlaže da se najmanje
komponentne vrijednosti fj(x), xE odaberu za donje granice varijacije parametara k, a da
se vrijednosti k ravnomjerno rasporede na intervalu koji ograničavaju minimalna i
maksimalna komponentna vrijednost za vrijednosti xE. Dakle, Cohon predlaže da za

fi(x)min=min fi(x) , xE (11.2.10)

vrijedi

fi(x)min  i  fi(xi) , i=1, 2, … , N . (11.2.11)

Potom je potrebno odabrati broj varijacija vrijednosti parametra i označen sa r, te ih

odrediti sa

 p 
 i  f i ( x ) min   
 * f i (x ) - f i (x) min
i
 , p  0, 1, 2,  , r - 1 (11.2.12)
 r -1

144
tj. raspodijeliti u pravilnim razmacima vrijednosti i na intervalu [fi(x)min , fi(xi) ] te za svaku
ovakvu vrijednost riješiti problem (11.2.3) uz uvjete (11.2.4) (ukupno rN-1 kombinacija, tj.
rješavanja problema).

Naravno, kako je funkcija fi(x) proizvoljno odabrana kriterijska funkcija koja se maksimizira,
postupak bi bilo potrebno i ponoviti za izbor drugih kriterijskih funkcija, što dalje vodi
povedanju broja operacija, a da je krajnji cilj relativno skromna ponuda podskupa
(eventualno cijelog skupa) neinferiornih rješenja polaznog problema 10.2.1.

Algoritam Goicoechea:

Pristup Goicoechea i drugih koji su njim razvijali ovaj algoritam je veoma sličan prethodnom
pristupu Cohena, osim što se smatra potrebnim da se vrijednosti kriterijskih funkcija
normaliziraju i time ujedno svedu na bezdimenzionalne veličine koje sve pripadaju intervalu
[0,1].

Dakle, ponovo se određuje

fi(xi) = max fi(x) , xX,

E={x1, x2, …, xN}

fi(x)min=min fi(x) , xE (11.2.13)

ali i

f i ( x )  f i ( x ) min
G i (x)  i=1, 2, … , N . (11.2.14)
f i ( x i )  f i ( x ) min

Na ovaj način je Gi(x) određena kao ciljna funkcija koja određuje u kojoj je mjeri (u kom
postotku) zadovoljen i-ti kriterij, u odnosu na ovako dobivenu minimalnu i maksimalnu
vrijednost.

Također se kreira i zamjenska ciljna funkcija S1(x) sa

145
 N
S1 ( x )   G i ( x ) (11.2.15)
i 1

čiji se maksimum traži umjesto rješavanja problema 10.2.1. Ako je x1 rješenje problema

maksimizirati S1(x) (11.2.16)

određuju se vrijednosti f1(x1) = (f1(x1), f2(x1), … , fN(x1)) (ali i G1(x1) = (G1(x1), G2(x1), … ,
GN(x1)), te se postavlja pitanje donosiocu odluke da li ga sve vrijednosti f1(x1), f2(x1), … , fN(x1)
zadovoljavaju. Ako je odgovor potvrdan, smatra se da je rješenje polaznog problema
dostignuto (to je vektor f1(x1), dok vektor G1(x1) na određen način opisuje stupanj
zadovoljenja svih kriterija), a ako ne onda se od donosioca odluke zahtjeva da odredi koji je
to kriterij koji je postigao njegovo najvede zadovoljenje (fi(x1), odnosno Gi(x1)), te da dozvoli
njegovo umanjenje, čime se konturni uvjeti dopunjavaju sa fi(x)i.

Ovakav postupak dalje vodi ka formiranju nove zamjenske funkcije S 2(x) koja se maksimizira
(ali koja sadrži jedan sabirak manje, koji je sada postao konturni uvjet), a otuda i novim
vektorima f2(x2) i G2(x2), te se dalje postupak ponavlja na isti način do potpunog zadovoljenja
donosioca odluke.

Dakle, Goicoechea je predstavio interaktivni algoritam, koji čak nudi i konačno, a ne samo
skup neinferiornih rješenja problema 10.2.1. Naravno, ako umjesto donosioca odluke,
analitičar sam određuje stupanj zadovoljenja i varira njegovu vrijednost za odabrane
kriterije, i ova metoda de samo generirati neinferiorna rješenja.

11.2.2.1 Analiza metode

Očigledno i ovaj postupak, za vrijednosti k, k=1,2,…,i-1,i+1,…,N, ne vodi kompletnom skupu

neinferiornih rješenja polaznog problema 10.2.1, ved samo jednom rješenju (u slučaju da je
funkcija fi(x) konveksna ili konkavna), odnosno određenoj skupini vrijednosti xX za koje fi(x)
dostiže svoj, u tom slučaju lokalni, maksimum. Čak i nije sigurno da de zaista rješenje
problema 11.2.3 uz uvjete 11.2.4 biti uopde neinfeirorno rješenje problema 10.2.1, jer to
ovisi o vrijednostima k (u slučaju da funkcija fi(x) za više različitih vrijednosti xX prima istu
maksimalnu vrijednost).

Dakle, izuzev kada se algoritam Goicoechea doslovno primjeni i zaista donosilac odluke
interaktivno uvede u postupak optimizacije, kada se kao rješenje nametne jedna alternativa,
ostali metodi (pa čak i metoda Goicoechea u kome analitičar simulira razna ponašanja
donosioca odluke) samo nude podskup ili eventualno cijeli skup neinferiornih rješenja

146
polaznog problema 10.2.1. Preferencija donosioca odluke nije uključena u postupak, ved se
uključuje nakon što je metoda dovršena. Stoga su elementi nestabilnosti očito način izbora
ograničenja i , i=1, 2, … , N, koji čak u ekstremnom slučaju lošeg izbora mogu dovesti i do
toga da se ponudi čak i rješenje koje bi bilo inferiorno.

Iako se oba ova metoda (metoda težinskih koeficijenata i metoda -ograničenja u prostoru
kriterijskih funkcija) mogu primijeniti i na diskretnim problemima, ipak bi takav primjer
ovdje bio suvišan, obzirom na ved spomenute mogudnosti suvremenih računara koji su i za
probleme vedih dimenzija sposobni grubom pretragom ispuniti zadatak pronalaženja
konačnog podskupa neinferiornih rješenja iz također konačnog skupa svih datih alternativa.

Zadatak za vježbu:

Za zadati skupa alternativa i kriterija izvršiti rangiranje prethodno navedenim metodama.

Alternative

A1 A2 A3 A4

f1 – trošak u KM min 0 250.000 450.000 300.000

Kriteriji f2 – uspjeh u % max 0% 55% 100% 70%

f3 – broj ljudi max 0 10 18 12

147
148
12 METODE SA UNAPRIJED IZRAŽENOM PREFERENCIJOM

U ovu skupinu spadaju metode koje pretpostavljaju da je donosilac odluke unaprijed na neki
način odredio svoje preferencije i time omogudio kompletno ili barem djelomično uređenje
prostora alternativa. Ako je prostor alternativa postao kompletno uređen, pojam
neinferiornog i maksimalnog (optimalnog) rješenja postaju identični. U suprotnom, kada je
preferencija donosioca odluke doprinijela samo parcijalnom uređenju prostora alternativa,
mogude je barem više suziti skup neinferiornih rješenja, tj. sprovesti određen postupak
eliminacije unutar njega. Ako donosilac odluke nije u mogudnosti da unaprijed odredi svoju
preferenciju, ove metode postaju neupotrebljive.

I među ovim metodama se mogu grubo prepoznati određene grupacije (Bogardi et al. 1994)
– to su npr. metode zasnovane na konceptu leksikografskog uređenja, metode zasnovane na
konceptu funkcije odstojanja, metode zasnovane na konceptu funkcije utiliteta ili na osnovu
međusobnog poređenja, te svakako metode koje su primjenjive na diskretni ili kontinualni
slučaj. U daljem su metode upravo prikazane po ovim grupacijama, usmjerene na diskretni
slučaj.

149
12.1 Leksikografska metoda

Leksikografska metoda u višekriterijskoj optimizaciji je zasnovana na leksikografskom

uređenju, određenom sa (Cvetkovid i Parmee, 1998):

Definicija 12.1.1: Za tačku (vektor) x  R n kaže se da je manji po leksikografskom

uređenju od tačke (vektora) y  R n ako je ili x=y, ili je prva
komponenta vektora x-y koja je različita od nule negativna.

Dakle u ovoj metodi se smatra da je prvi cilj najvažniji i da se najprije po njemu vrši
optimizacija, drugi slijededi najvažniji itd. pa je veoma značajno da donosilac odluke
unaprijed dobro poznaje važnost ciljnih funkcija.

Ogledni primjer

U oglednom primjeru tabela vrijednosti ima oblik:

Alternative

A1 A2 A3 A4

f1 - troškovi min 0 100.000.000 80.000.000 30.000.000

Kriteriji f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 12.1.1

Dakle očito postoji 6 načina poretka kriterija f1, f2 i f3. To su:

 ( f1, f2 , f3) i ( f1, f3 , f2) kada je poredak alternativa A1, A4, A3, A2

 ( f2, f3 , f1) i ( f2, f1 , f3) kada je poredak alternativa A2, A3, A4, A1

 ( f3, f2 , f1) i ( f3, f1 , f2) kada je poredak alternativa A2, A3, A4, A1

Obzirom da su sve vrijednosti alternativa oglednog primjera za svaki pojedinačni kriterij

različite, to je poredak alternativa određen samo prvim (najvažnijim) kriterijem.

150
 Analiza metode

Očigledne prednosti leksikografskog metoda su potpuno uređenje skupa alternativa i

jednostavna, sekvencijalna optimizacija u slučaju da se traži jedna najbolja alternativa –
najprije se vrši po najvažnijem kriteriju i cijelom skupu alternativa, zatim po drugom
najvažnijem kriteriju ali na skupu onih alternativa koje su izdvojene u prethodnom koraku
itd.

Najvedi nedostatak metode je svakako to što relativni značaj svakog kriterija mora biti dobro
poznat od samog početka za donosioca odluke, što u praksi nije uvijek slučaj. Cvetkovid i
Parmee kao jedno mogude rješenje za takvu situaciju kada relativni značaj ciljeva nije
određen izlažu i slučajno generirani leksikografski poredak kriterija, koji se mijenja kroz
generiranje.

12.2 Koncept funkcije odstojanja u višekriterijskom odlučivanju

12.2.1 Minimalna odstojanja od željene (ciljne) tačke

U ovom pristupu, koji se susrede se i pod nazivom ciljno programiranje (Goicoechea 1982,
Opricovid 1992), donosilac odluke je taj koji određuje jednu ciljnu tačku f*=(f1*,f2*,…,fN*) iz
prostora F za koju smatra da po komponentnim vrijednostima predstavlja željeno rješenje
zadatka. Ciljna tačka f* može, ali i ne mora, biti ranije spomenuta idealna tačka – ona može
biti i na drugi način generalizirana, pa čak i empirijski postavljena od strane eksperata
uključenih u rješavanje problema. Ako ova tačka pripada skupu F, ona de predstavljati i
rješenje zadatka, ali to najčešde nije slučaj. Stoga se u ovom pristupu traži druga tačka (ili
drugi vektor) iz skupa F, koja se nalazi “dovoljno blizu” tački f*. Termin “dovoljno blizu” je
ovisan o izboru mjere za odstojanja u prostoru F, pa se tako izborom npr. mjera 1
, 2
,

3
, …, 
nede dodi do istog rješenja iz skupa F. Također, ni razlike pojedinih komponenti
se ne moraju promatrati kao jednako značajne, pa se uvođenjem težinskih faktora može
naglasiti značaj pojedinih kriterijskih (komponentnih) funkcija. Najčešde su u upotrebi
slijededi modeli (Bogardi et al. 1994):

151
12.2.1.1 Koncept zasnovan na normi 

U ovoj normi vrijedi x = max (x1, x2,…, xK) , pa se problem određivanja tačke x iz X za
koju je f(x) najbliža tački f* svodi na

min max  f1 * -f1 (x) , f 2 * -f 2 (x) ,..., f N * -f N (x)  (12.2.1)

xX

Ogledni primjer

Ogledni primjer je upravo i kreiran tako da naznači problem međusobno teško usporedivih
jedinica mjere, kakve su u ovom slučaju konvertibilne marke KM, u oglednom primjeru u
rasponu 0-100,000,000 KM, procenti u rasponu 1-100%, i “bodovi”, tj. ocjena uspješnosti, u
rasponu 1-10. Da bi se ipak omogudilo poređenje ovako raznorodnih mjernih vrijednosti,
potrebno je izvršiti određenu transformaciju vrijednosti u bezdimenzionalne veličine ili u
vrijednosti iste mjere. Najjednostavnije je za trasformaciju koristiti slijedede relacije
transformacije (razmjene ili preferencije):

1KM = 1 KM ili 1KM = 1 (bezdimenzionalna veličina),

1% = 1 KM ili 1% = 1 (bezdimenzionalna veličina),

1bod = 1 KM ili 1bod = 1 (bezdimenzionalna veličina).

čime se i dalje koriste iste brojčane vrijednosti kriterija , iako je ovim očigledno dat mali
značaj procentu i “bodu” (ocjeni), ali to je osnova za zahtijevano uspoređivanje i sabiranje.

Dakle, u spomenutom oglednom primjeru izbora izgradnje akumulacije slijedilo bi da je za

izbor ciljne tačke (idealne alternative) koja opisuje troškove, obuhvat uspješnosti
zadovoljenja zahtjeva i uspješnost razvoja rekreacionih zona, f* = (0, 100, 10). Tada se
dobije da je

A1=max(0 - 0, 100 - 0,10 - 1 ) = 100

i analogno

A2= 100.000.000 , A3= 80.000.000 , A4= 30.000.000

odakle je poredak alternativa očito A1, A4, A3, A2. Posebno je interesantno napomenuti da je
u ovom primjeru alternativa A1 prvorangirana, što očigledno treba zahvaliti odabranoj

152
razmjeni mjernih veličina i što samo po sebi predstavlja paradoks – da je predložena
alternativa za osiguranje vode “Ne raditi ništa”. Svakako, ova je alternativa ovdje i uzeta u
obzir (u stvarnosti se vjerojatno ne bi ni razmatrala, jer ne daje željene rezultate) upravo
stoga da se pokaže njen (često negativan) utjecaj.

Obzirom da je ipak teško vjerovati da se donosilac odluke nada izboru najbolje alternative
bez ikakvih troškova, to bi vjerojatnija odabrana ciljna tačka bila f* = (30.000.000 , 100 , 10)
kada bi vrijedilo

Alternative

A1 A2 A3 A4

30.000.000 70.000.000 50.000.000 50

Tabela 12.2.1

odakle je poredak alternativa očito A4, A1, A3, A2, tj. ranije prve dvije alternative u poretku su
sada zamijenile mjesta (uz iste transformacije).

Analiza metode i mogude modifikacije

Očigledno je važno spomenuti da ova metoda sam po sebi ne uzima direktno u obzir
različitost mjernih vrijednosti pojedinih kriterijskih funkcija, odakle slijedi da de, nakon
transformacije odnosno razmjene vrijednosti kriterija, ona od njih čije su transformirane
vrijednosti vede, svakako značajnije uticati na izbor konačnog rješenja problema A. U
oglednom primjeru je drastično prikazan taj utjecaj, jer su spomenute relacije preferencije
(tranformacije, razmjene) direktno uzrokovale konačan poredak alternativa.

Ako bi se visina troškova umjesto u novčanim jedinicama KM izražavala u milionima KM, te

ako bi se za trasformaciju koristiti slijedede relacije transformacije (razmjene ili
preferencije):

1milion KM = 1 (bezdimenzionalna veličina),

1% = 1 (bezdimenzionalna veličina),

153
 1bod = 1 (bezdimenzionalna veličina),

vrijedilo bi (uz ciljnu tačku f* = (0, 100, 10) u prostoru alternativa)

Alternative

A1 A2 A3 A4

100 100 80 50

Tabela 12.2.2

odakle je poredak alternativa očito A4, A3, A2A1, odnosno alternativa “Do nothing” postaje
najnepoželjnija samo promjenom relacija tranformacija, što je očigledan dokaz visokog
stupnja ili stepena ovisnosti poretka rangiranja o odabranim relacijama transformacije u
ovako predloženom postupku rangiranja alternativa.

Način za prevladavanje ovog problema je svakako normalizacija mjernih vrijednosti tj.

njihovo svođenje na isti ili sličan interval vrijednosti – jedna takva metoda je kompromisno
programiranje koje se u daljem izlaže. Ipak, to sigurno nije jedini način i autor ovdje može
predložiti npr. i proceduru u kojoj bi se vršio ponovljeni izbor relacija za razmjenu (tradeoff) i
ciljne tačke u nekoliko iteracija, uz stalno učešde donosioca odluke (DO), do njegovog
zadovoljenja. Svakako, osnovni problem ovog pristupa je u neophodnosti prisustva
donosioca odluke u cijelom procesu, te u mogudoj nestabilnosti njegovih usmjeravanja. Kraj
iterativnog procesa također nije određen tehničkim uvjetima, ved samo ocjenom DO.

Još jedan mogudi postupak prevazilaženja ovog problema je poznato uvođenje težinskih
koeficijenata i koeficijenata transformacije (može se susresti u svim knjigama sa ovom
tematikom). Naime, ako se kriterijske funkcije smatraju nejednako značajnim, mogu se
uvesti i koeficijenti transformacije c1,c2, …, cN, (koji u sebi objedinjuju transformaciju
vrijednosti i značaj pojedinačnog kriterija, tj. gdje je ci = wi * Ki, i gdje je wi koeficijent koji
opisuje relativni značaj i-tog kriterija, a Ki koeficijent transformacije vrijednosti i-tog kriterija)
i kojima se prethodni postupak modificira u

min max c1 f1 * -f1 (x) , c 2 f 2 * -f 2 (x) ,..., c N f N * -f N (x)  (12.2.2)

xX

Rješenje ovog problema se osim kao minimaks rješenje naziva i rješenje Chebisheva (Bogardi
et al. 1994). Spomenuti koeficijenti c1,c2, …, cN se mogu (ali i ne moraju) i normalizirati, tj.
odabrati tako da vrijedi

154
 N

c
i 1
i 1 (12.2.3)

što se lako postiže transformacijama oblika

N
ci
c =  ci , ci = , i = 1,2,..., N . (12.2.4)
i =1 c

U prethodnom primjeru, kada je izbor relacija preferencije imao presudan utjecaj na

poredak alternativa u ovom metodu, logično je očekivati da ovi koeficijenti ne samo opisuju
relativni značaj svakog od kriterija, ved i da izvrše određenu korekciju (harmonizaciju)
mjernih vrijednosti svih kriterija. Dakle, ako bi se u spomenutom oglednom primjeru izbora
izgradnje akumulacije odabrala ista ciljna vrijednost f* = (0, 100, 10), ali i koeficijenti (koji
ovdje nisu normalizirani)

c1 = 0,00000001

c2 = 0,01

c3 = 0,1

dobide se da je

Alternative

A1 A2 A3 A4

1 1 0.8 0.5

Tabela 12.2.3

odakle slijedi poredak alternativa A4, A3, A2, A1.

155
Ako se pak za ciljnu tačku odabere f* = (30.000.000, 100, 10) tada bi (za isti izbor
koeficijenata) vrijedilo

Alternative

A1 A2 A3 A4

1 1.4 1 0.5

Tabela 12.2.4

odakle je poredak alternativa A4, A3, A1, A2 . Dakle najskuplja alternativa i dalje zauzima
posljednje mjesto u poretku, a i alternativa A4 je zadržala vodedu poziciju, iako su alternative
A1 i A3 sada iste vrijednosti (uz bolji poredak za alternativu A3, jer je njena druga najveda
vrijednost ipak manja nego za A1).

Očigledno, koeficijenti imaju mogudnost da neutraliziraju učinak nadmodnog utjecaja na

poredak onog kriterija čije su transformirane mjerne vrijednosti najvede. Ipak, izbor
koeficijenata kao i same ciljne tačke (uloga donosioca odluke) su dalji izvori nestabilnosti
poretka alternativa ove metode u diskretnom slučaju, odnosno nalaženja rješenja u slučaju
kontinualnog problema.

Koeficijente transformacije u principu treba da odredi donosilac odluke, sažimajudi u njima i

svoju preferenciju u odnosu na pojedinačne kriterije, i u tome mu treba pomod operatora
metode. Vrijednosti koeficijenata očito moraju biti odgovarajude visinama mjernih
vrijednosti pojedinih kriterija na temelju čega de neutralizirati njihovu eventualnu
disproporcionalnost i neusporedivost. Ipak, to im nije jedina uloga i oni također moraju
naglasiti težnje donosioca odluke. Značajan problem je izražavanje i kvantificiranje te
stabilnost takve preferencije, čemu su brojni autori tome posvetili svoje radove (Solymosi et
al. 1986, Vansnick 1986 etc.).

12.2.1.2 Koncept zasnovan na normi 1

U ovoj normi vrijedi x = x1+x2+…+xK , pa se problem određivanja tačke x iz X za koju

je f(x) najbliža tački f* svodi na

min  f1 * -f1 (x)  f 2 * -f 2 (x)  f N * -f N (x)  (12.2.5)

156
 Ogledni primjer

Uz iste pretpostavke o tranformacijama (preferenciji, razmjeni) vrijednosti kao i u

prethodnom poglavlju, u oglednom primjeru bi slijedilo da za izbor ciljne tačke (idealne
alternative) f* = (0, 100, 10) vrijedi

A1= 0 - 0+100 - 0+10 - 1 ) = 109

i analogno

A2= 100.000.000 , A3= 80.000.032 , A4= 30.000.055

odakle je poredak alternativa očito još jednom A1, A4, A3, A2.

Ako bi međutim odabrana ciljna tačka bila f* = (30.000.000 , 100 , 10) tada bi vrijedilo

Alternative

A1 A2 A3 A4

30.000.109 70.000.000 50.000.032 55

Tabela 12.2.5

odakle je poredak alternativa očito A4, A1, A3, A2, tj. prethodne prve dvije alternative u
poretku su sada zamijenile mjesta.

Analiza metode i mogude modifikacije

Očigledno je da ni ova metoda sama po sebi ne uzima direktno u obzir različitost mjernih
vrijednosti pojedinih kriterijskih funkcija, odakle slijedi da de, nakon transformacije odnosno
razmjene vrijednosti kriterija, onâ od njih čije su transformisane vrijednosti vede, svakako
značajnije uticati na izbor konačnog rješenja problema A.

Ako bi se visina troškova umjesto u novčanim jedinicama KM izražavala u milionima KM, te

ako bi se za trasformaciju koristiti slijedede relacije transformacije (razmjene ili
preferencije):

157
 1milion KM = 1 (bezdimenzionalna veličina),

1% = 1 (bezdimenzionalna veličina),

1bod = 1 (bezdimenzionalna veličina),

vrijedilo bi (uz ciljnu tačku f* = (0, 100, 10) u prostoru alternativa)

Alternative

A1 A2 A3 A4

109 100 112 85

Tabela 12.2.6

odakle je poredak alternativa očito A4, A2, A1, A3, tj. alternativa A3 sada postaje
najnepoželjnija samo promjenom relacija tranformacija, što je očigledan dokaz visokog
stupnja ovisnosti poretka rangiranja o odabranim relacijama transformacije u ovako
predloženom postupku rangiranja alternativa. Ponovo se kao jedan mogudi postupak
prevazilaženja ovog problema predlaže uvođenje težinskih koeficijenata.

I u ovom slučaju se kriterijske funkcije mogu smatrati nejednako značajnim, zbog čega se
uvode koeficijenti transformacije c1,c2, …, cN , koji mogu biti i normalizirani, pa se prethodni
postupak modificira u

min c1 f 1 * -f1 (x)  c 2 f 2 * -f 2 (x)  c N f N * -f N (x)  (12.2.6)

I u ovom slučaju se pokazuje da koeficijenti onih kriterija čije su mjerne vrijednosti najvede
imaju mogudnost da neutraliziraju njihov nadmodni utecaj na poredak – dakle, da preuzmu
ulogu razmjene vrijednosti za kriterije različitih jedinica mjere. Ipak, izbor koeficijenata kao i
same ciljne tačke (uloga donosioca odluke) su dalji izvori nestabilnosti izbora alternative uz
pomod ove metode.

12.2.1.3 Koncept zasnovan na normi 2

U ovoj normi vrijedi

x  x 12  x 22  ...  x 2K (12.2.7)

158
pa se problem određivanja tačke x iz X za koju je f(x) najbliža tački f* svodi na


2

 
2



min  f 1*  f 1 ( x )    f 2*  f 2 ( x )   ..  f N*  f N ( x )2
(12.2.8)

Ogledni primjer

Ako bi se za trasformaciju vrijednosti ponovo koristile ranijih relacija transformacije

(razmjene ili preferencije)

1KM = 1 (bezdimenzionalna veličina),

1% = 1 (bezdimenzionalna veličina),

1bod = 1 (bezdimenzionalna veličina),

u oglednom primjeru bi slijedilo da za izbor ciljne tačke (idealne alternative) f* = (0, 100, 10)
vrijedi

A12 = (0 - 0)2+(100 - 0)2+(10 - 1)2  A1= 100,40

i analogno A2= 100.000.000 , A3= 80.000.000 , A4= 30.000.000

odakle je poredak alternativa A1, A4, A3, A2, a čak (sa dvije značajne decimale) na vrijednost
normi alternativa A2, A3 i A4 ni ne utiču kriteriji f2 i f3.

Ako bi međutim, uz iste relacije transformacije, odabrana ciljna tačka bila f* = (30.000.000 ,
100 , 10) tada bi vrijedilo

159
 Alternative

A1 A2 A3 A4

30.000.000 70.000.000 50.000.000 50,25

Tabela 12.2.7

odakle je poredak alternativa očito A4, A1, A3, A2, tj. prethodne prve dvije alternative u
poretku su sada zamijenile mjesta, kao i u slučaju norme 1
.

Analiza metode i mogude modifikacije

Ni ova metoda ne uzima direktno u obzir i različitost mjernih vrijednosti pojedinih kriterijskih
funkcija, odakle, kao i u ranijem slučaju, a nakon transformacije odnosno razmjene
vrijednosti kriterija, slijedi da de ona od njih čije transformirane vrijednosti su najvede,
svakako značajnije uticati na izbor konačnog rješenja problema.

I u ovom slučaju kriterijske funkcije se mogu smatrati nejednako značajnim, zbog čega se
uvode koeficijenti tranformacije c1,c2, …, cN (koji mogu ali i ne moraju biti normalizirani), pa
se prethodni postupak modificira u

 
2


2



min c1  f 1*  f 1 ( x )   c 2  f 2*  f 2 ( x )   ..  c N f N*  f N ( x )2
(12.2.9)

Kao i ranije, očekuje se da ovi koeficijenti ne samo opisuju relativni značaj svakog od
kriterija, ved i da izvrše određenu korekciju (harmonizaciju, razmjenu) mjernih vrijednosti
svih kriterija (treba primijetiti i to da ovi koeficijenti sada množe kvadrate “nezadovoljenja”
pojedinih kriterija).

12.2.1.4 Koncept zasnovan na normi p

U ovoj normi vrijedi

x  p x 1P  x P2  ...  x PK (12.2.10)

pa se problem određivanja tačke x iz X za koju je f(x) najbliža tački f* svodi na

160
 
P

 
P


 
min P  f 1*  f 1 ( x )    f 2*  f 2 ( x )   ..  f N*  f N ( x )
P
(12.2.11)

Analiza metode

Iste primjedbe o ulozi koeficijenata tranformacije odnosno o mjernim vrijednostima

kriterijskih funkcija i potrebi njihove transformacije ili razmjene se i u ovom slučaju mogu
dati – također očigledno je da de sa povedanjem stupnja p sve vedu ulogu imati oni kriteriji
čije su mjerne vrijednosti vede. Ako p tada ova norma postaje norma 
, pa su
rezultati rangiranja posljedično sve bliže onima koji se postižu upravo upotrebom norme
.

12.2.1.5 Koncept “parcijalnog zadovoljenja”

U ovom slučaju se problem određivanja tačke x iz X za koju je tačka f(x) “najbliža” tački f*
svodi na

min
 1 1
 2 2


 f *  f ( x )  f *  f ( x )  f *  f ( x )
N N
 (12.2.12)

Primjeduje se da ako je x iz X takva da vrijedi fi*=fi(x) , tj. ako je x takvo da maksimizira jednu
kriterijsku funkciju da ova tačka predstavlja i jedno mogude rješenje zadatog problema
(“parcijalno zadovoljenje” – samo po jednoj komponentnoj kriterijskoj funkciji). Težinski
koeficijenti u ovom slučaju nemaju smisla jer bi se mogli izvesti pred funkciju minimiziranja,
dok se primjedbe o mjernim vrijednostima kriterijskih funkcija i u ovom slučaju mogu dati.

Analiza metode

U konkretnom oglednom primjeru očigledno izbor ciljne tačke f* određuje i najbolje

rangiranu alternativu – ako bi to, uz iste pretpostavke o transformacijama vrijednosti, bila
f*= (0,100,10), onda bi najbolje rangirane alternative bile A1 i A2, dok su za slučaj f*=
(30,000,000 ,100 ,10), najbolje rangirane alternative A2 i A4, jer one imaju barem po jedan
kriterij (troškovi odnosno zadovoljenje potreba) koji dostiže vrijednost ciljne tačke. Dakle,
osnovni faktor nestabilnosti poretka postignutog ovom metodom je izbor ciljne vrijednosti.

161
12.2.2 Maksimalna odstojanja od neželjene tačke

U ovom pristupu donosilac odluke određuje jednu neželjenu referentnu vrijednost (često
trenutno stanje koje se želi mijenjati), g*=(g1*,g2*,…,gN*) iz prostora F za koju smatra da
traženo rješenje po komponentnim vrijednostima treba biti “što dalje” od ove tačke. Termin
“što dalje” je ponovo ovisan o izboru mjere za odstojanja u prostoru F, pa se tako izborom
npr. mjera 1
, 2
, 3
, …, 
nede dodi do istog rješenja iz skupa F. Također ni razlike
pojedinih komponenti se ne moraju promatrati kao jednako značajne, pa se uvođenjem
težinskih faktora može naglasiti značaj pojedinih kriterijskih (komponentnih) funkcija. U
upotrebi su modeli koji odgovaraju prethodno opisanima za minimalno odstojanje od
željene tačke, tj. koncepti zasnovani na normi 
, 1
, 2
, p
ili na rješenju Nash-
Harsanyi-ja u kom se slučaju se problem određivanja tačke x iz X svodi na

 

max  g*1  f 1 ( x )  g 2 * f 2 ( x )  g*N  f N ( x )  (12.2.13)

Rješenje ovog problema se u literaturi susrede pod nazivom kooperativno rješenje Nash-
Harshanyija. Težinski koeficijenti (koji bi mogli u sebi objedinjavati i koeficijente
tranformacije mjernih vrijednosti, kao i ranije) u ovom slučaju nemaju smisla jer bi se mogli
izvesti pred funkciju maksimiziranja, dok se primjedbe o mjernim vrijednostima kriterijskih
funkcija i u ovom slučaju mogu dati.

12.2.3 Zajedničke slabosti metoda zasnovanih na odstojanju od ciljne tačke

Zajednička karakteristika svih prethodnih metoda jeste da rješenje direktno ovisi o izboru
relacija transformacije i eventualnih težinskih koeficijenata. Izbor ciljne tj. referentne tačke u
odnosu na koju se traži minimalno odnosno maksimalno odstojanje u odabranoj normi je
posebno osjetljiv – pogrešnim izborom se može pojaviti čak i situacija u kojoj dobiveno
rješenje ne pripada skupu Pareto-optimalnih rješenja. Rješenja dobivena metodom
najmanjih kvadrata su najčešde strogo dominantna, kao i ona zasnovana na konceptu norme
1
, dok su ona generirana postupkom Nash-Harsanyija pa i primjenom norme L uglavnom
slabo dominantna.

Obzirom da svi spomenuti metodi uzimaju u obzir apsolutne vrijednosti razlika između
ostvarenih i željenih (ciljnih) vrijednosti kriterijskih funkcija, to direktno slijedi da de ona od
kriterijskih funkcija koja ima vedi obuhvat transformiranih vrijednosti značajnije uticati na
rješenje problema, ako su težinski faktori (koji tada opisuju samo relativni značaj pojedinih
kriterija) približno jednakih vrijednosti. Kako ovakva situacija u principu nije željena,

162
pribjegava se izboru koeficijenata transformacije mjernih vrijednosti (ili razmjene – trade off
– mjernih vrijednosti) tako da oni ponište na takav način ostvarenu prednost. Jedan takav
postupak, u kome se vrši normaliziranje vrijednosti kriterijskih funkcija jeste tzv.
kompromisno programiranje, koje se u daljem obrazlaže.

12.2.4 Kompromisno programiranje

U ovom metodu (Opricovid 1986, 1994, 1998, primjena u Đorđevid et al. 1994, 1995) se
problem nejednakog utjecaja kriterijskih funkcija sa različitim obuhvatom vrijednosti rješava
njihovom normalizacijom na interval [0,1] , nakon čega se traži minimalno odstojanje od
idealne tačke u prostoru F, a to je u ovom slučaju tačka (1,1,…,1). Osnovni cilj je svakako
uravnotežiti utjecaj pojedinih kriterijskih funkcija, koje de sada sve imati jednak obuhvat
svojih vrijednosti. U tu svrhu se najprije rješava skup problema optimizacije oblika:

maksimizirati fi(x) uz uvjete Gj(x)  0, j=1…, M’ (i=1,…,N) (12.2.14)

minimizirati fi(x) uz uvjete Gj(x)  0, j=1…, M’. (i=1,…,N) (12.2.15)

Ako se dostignute maksimalne odnosno minimalne vrijednosti obilježe redom sa fi+ i fi-
(i=1,…,N), tada se normalizacija komponentne kriterijske funkcije vrši sa


f i (x)  f i
f i (x)   
(12.2.16)
fi  fi

odakle slijedi da su vrijednostifi(x) iz intervala [0,1].

Izbor idealne tačke sa koordinatama (f1+, f2+, f3+, …,fN+) (odnosno (f1*, f2*, f3*, …,fN*)) u
polaznom prostoru F se sada svodi na izbor tačke (1,1,…,1) u ovako modificiranom prostoru,
jer je

 
fi  fi
f i *( x )   
 1, i  1,..., N (12.2.17)
fi  fi

163
Ovdje se pretpostavlja da su (f1+, f2+, … , fN+) najbolja rješenja, u praktičnim zadacima fi+
može biti i minimalna vrijednost za neke kriterije, na primjer kriterij koštanja.

Naravno da se ponovo mogu primijeniti različite norme za određivanje udaljenosti – norme

1
, 2
, 
tj. p
uopde, ili npr. Nash-Harshanyijevo rješenje. Za razliku od ranije opisanih
metoda, rješenje u ovom slučaju ne ovisi o jedinici mjere tj. obuhvatu vrijednosti
komponentnih kriterijskih funkcija, ved samo o izboru težinskih faktora i izboru norme.
Rješenja dobivena primjenom metode Nash-Harsanyija su slabo dominantna, za razliku od
rješenja dobivenih npr. primjenom norme 2
, koja su najčešde strogo dominantna.

Dakle, u slučaju izbora norme p

, problem višekriterijske optimizacije se svodi na nalaženje
rješenja problema:

Minimizirati

p

N
f i  f i (x)
Dist(F( x ), p)  p  ci  
i 1 fi  fi

uz uvjete Gj(x)  0, j=1…, M’ (12.2.18)

Očigledno de rješenje ovog problema direktno zavisiti i od izbora vrijednosti za p, tj. od

izbora metrike p
– izborom manje vrijednosti za p se naglašava potreba zadovoljenja
vedine kriterija - ukupna korisnost (Opricovid 1998) ; za p=1 se kao najbolja vektorska
vrijednost pokazuje ona čiji je zbir normiranih odstojanja od komponenti idealne tačke
minimalan. Ako se međutim odabere veda vrijednost za p, to se sve više naglašava značaj
pojedinih komponentnih kriterijskih funkcija – za graničnu metriku 
se odabire ona
vrijednost za koju je maksimalno normirano komponentno odstupanje od idealne tačke
minimalno, tj. na rješavanje problema:

Minimizirati

 f   f (x) 
D(F( x ), )  max  c i i  i  
i  fi  fi 
 

uz uvjete Gj(x)  0, j=1…, M’ . (12.2.19)

164
12.2.4.1 Kompromisno rangiranje

Specijalno, u slučaju promatranog diskretnog problema višekriterijske optimizacije,

prethodni postupak se pretvara u (Opricovid 1986, 1994, 1998) :

Rangirati vrijednosti (od najmanje ka najvedoj)

p

N fi  fi j
D( A j )  p  ci  
(12.2.20)
i 1 fi  fi

gdje je


f i  max f ij (i  1,2,..., N)
j


f i  min f ij (i  1,2,..., N)
j

Opet de rješenje ovog problema direktno ovisiti i o izboru vrijednosti za p, tj. od izbora
metrike p
– izborom manje vrijednosti za p se naglašava potreba zadovoljenja vedine
kriterija (“pravilo vedine” – Opricovid – metoda VIKOR 1984) – za p=1 se kao najbolja
vektorska vrijednost pokazuje ona čiji je zbir normiranih odstojanja od komponenti idealne
tačke minimalan. Ako se međutim odabere veda vrijednost za p, to se sve više naglašava
značaj pojedinih komponentnih kriterijskih funkcija – za graničnu metriku 
se odabire
ona vrijednost za koju maksimalno normirano individualno odstupanje od idealne tačke
minimalno. Ove dvije granične forme p
metrike, za p=1 i p= respektivno, imaju oblik:


N f i  f ij
S j   ci  
(12.2.21)
i 1 fi  fi

 
f i  f ij 

R j  max c i   (12.2.22)
i  f f  
 i i 

165
za svaku od alternativa Aj.

12.2.4.2 Metoda VIKOR

Rangiranje alternativa Aj na osnovu vrijednosti Sj i Rj dakle nede biti jednako – Opricovid

(1984) stoga i predlaže da se upravo ove dvije vrijednosti, Sj i Rj, smatraju novim kriterijskim
vrijednostima alternativa Aj, te da se potom vrši rangiranje alternativa u novom
dvokriterijskom prostoru primjenom kompromisnog programiranja sa metrikom 1
.
Obzirom da je pri rangiranju alternativa na osnovu vrijednosti S j odnosno Rj najbolja ona sa
najmanjom vrijednošdu, to se ovaj put označava:

S   min S j
j

S   max S j
j

odnosno

R   min R j
j

R   max R j
j

Idealna tačka je sada (S+, R+) i obzirom da se i u ovom slučaju može pojaviti izvjesna razlika u
rasponu mjernih vrijednosti Sj i Rj vrši se njihova normalizacija sa

R j  R
QRj  (12.2.23)
R  R

S j  S
QSj  (12.2.24)
S  S

Nova mjerna vrijednost na temelju koje se vrši rangiranje sada je određena sa (metrika 1
)

166
 Q(A j )  Q j  c1QS j  c 2 QR j (12.2.25)

odnosno ako su težinski koeficijenti c1 i c2 normalizirani (što se i predlaže u Opricovid 1986 ili
1998), tj. ako je c1 + c2 = 1, onda sa

Q(A j )  Q j  QS j  1   QR j  QRj  QS j  QR j  (12.2.26)

Težinski koeficijent  se naziva “težinom strategije”, a cijeli postupak Višekriterijsko

KOmpromisno Rangiranje, odnosno metoda VIKOR. Ukoliko se odabere vrijednost za  veda
od 0,5 to znači da je vedi naglasak na zadovoljenju vedine kriterija, dok ako je vrijednost za 
manja od 0,5 to znači da je vedi naglasak na što manjem individualnom odstupanju od
idealnog rješenja.

Metoda VIKOR kao najbolju alternativu (za dati skup težina ci) predlaže onu koja je
prvorangirana za =0,5 samo ako

 ona ima “dovoljnu” prednost nad narednom rangiranom alternativom – za

alternativu Ai redi de se da ima dovoljnu prednost nad slijededom sa rang liste
alternativom Aj ako za =0,5 vrijedi

Q(Aj)-Q(Ai)  DQ

gdje je DQ “prag prednosti” sa predloženom vrijednošdu

DQ = min (0,25, 1/(M-1))

i gdje je sa 0,25 ograničen prag prednosti za slučaj isuviše malog broja

alternativa;

 ima “dovoljno stabilnu” poziciju sa promjenom težine , što vrijedi ako je

ispunjen barem jedan od narednih uvjeta

- ista alternativa je prvorangirana i pravilom vedine

- ista alternativa je prvorangirana i minimaks strategijom

167
 - ista alternativa je prvorangirana i za =0,25 i za =0,75.

Ukoliko prvorangirana alternativa ne ispunjava oba ova uvjeta onda se ona ne smatra
dovoljno boljom od drugorangirane, tj. u skup kompromisnih rješenja ulaze obje. Ako ne
ispunjava samo prvi uvjet, u skup rješenja ulaze sve alternative do one, koja ispunjava uvjet
da prva alternativa nema dovoljnu prednost nad njom. Ako pak prvorangirana alternativa ne
ispunjava samo drugi uvjet, onda je, prema prijedlogu autora metode, samo drugoplasirana
u skupu kompromisnih rješenja.

Ogledni primjer

U spomenutom jednostavnom slučaju, tabela alternativa i kriterija ima oblik kao u 10.3.1. Za
izbor jednakih težinskih koeficijenata c1=c2=c3=1/3 (=0,333333333), modificirana tabela u
kojoj je svaki element fij zamijenjen sa ci (fi+-fij)/(fi+-fi-) , gdje je fi+ najbolja i fi- najlošija
vrijednost, prikazan zaokruženo na četiri decimalna mjesta, imala bi oblik:

Alternative – normalizirane vrijednosti

A1 A2 A3 A4

f1 - troškovi 0,0000 0,3333 0,2667 0,1000

Kriteriji f2 - obuhvat 0,3333 0,0000 0,1000 0,1667

f3 - rekreacija 0,3333 0,0000 0,0741 0,1852

Tabela 12.2.8

Vrijednosti S(Ai), R(Ai), QS(Ai), QR(Ai) su prikazane u narednoj tabeli:

168
 Alternative

Mjera A1 A2 A3 A4 Poredak

S 0,6667 0,3333 0,4407 0,4519 A2, A3, A4, A1

R 0,3333 0,3333 0,2667 0,1852 A4, A3, A2  A1

QS 1,0000 0,0000 0,3222 0,3556 A2, A3, A4, A1

QR 1,0000 1,0000 0,5555 0,0000 A4, A3, A2  A1

Tabela 12.2.9

Očigledno je da je alternativa A1 najlošija po oba novoformirana kriterija QS i QR, odakle

slijedi i da de ona biti posljednje rangirana za svaku vrijednost težine strategije . Poredak
ostalih alternativa de ipak biti uvjetovan ovim parametrom - u narednoj tabeli je prikazan za
razne vrijednosti težine strategije :

Alternative

Mjera Q - A1 A2 A3 A4 Poredak
vrijednost 

=0,25 1,0000 0,7500 0,4931 0,0889 A4, A3, A2, A1

=0,50 1,0000 0,5000 0,4361 0,1778 A4, A3, A2, A1

=0,75 1,0000 0,2500 0,3792 0,2667 A2, A4, A3, A1

=0,90 1,0000 0,1000 0,3450 0,3200 A2, A3, A4, A1

Tabela 12.2.10

Dakle za =0,25 je poredak alternativa A4, A3, A2, A1, što se od minimaks strategije razlikuje
samo po očiglednijoj prednosti alternative A4 nad ostalima i bitnoj razlici u vrednovanju

169
između alternativa A1 i A2. Za =0,5 je poredak alternativa ostao A4, A3, A2, A1. Za =0,75 je
poredak alternativa postao A2, A4, A3, A1. Za =0,9 je poredak alternativa A2, A3, A4, A1, kao i
za =1, tj. za pravilo vedine.

Primjetno je da se sa porastom rasta parametra  smanjuje pozicija alternative A4, a

povedava pozicija alternative A2. Prvorangirana za =0,5 je alternativa A4 i također vrijedi

Q(A3)-Q(A4) = 0,4361 - 0,1778  0,25

odakle slijedi da alternativa A4 ima dovoljnu prednost nad sljededom na listi alternativom A1.

Također je alternativa A4 prvorangirana i minimaks strategijom odakle slijedi i da je ispunjen

uvjet dovoljno stabilne pozicije – dakle metoda VIKOR bi predložila, za ovu strukturu
težinskih koeficijenata, kao kompromisno rješenje alternativu A4.

Ako bi se želio naglasiti vedi značaj kriterija troškova vrijednost koeficijenata bi mogla biti
c1=0,5 , c2=c3=0,25 , a modificirana tabela u kojoj je svaki element fij zamijenjen sa

ci (fi+-fij)/(fi+-fi-) , gdje je fi+ najbolja i fi- najlošija vrijednost, zaokruženo na četiri decimalna
mjesta, imala oblik:

Alternative – normalizirane vrijednosti

A1 A2 A3 A4

f1 - troškovi 0,0000 0,5000 0,4000 0,1500

Kriteriji f2 - obuhvat 0,2500 0,0000 0,0750 0,1250

f3 - rekreacija 0,2500 0,0000 0,0556 0,1389

Tabela 12.2.11

Vrijednosti S(Ai), R(Ai), QS(Ai), QR(Ai) su prikazane u narednoj tabeli:

170
 Alternative

Mjera A1 A2 A3 A4 Poredak

S 0,5000 0,5000 0,5306 0,4139 A4, A2  A1, A3

R 0,2500 0,5000 0,4000 0,1500 A4, A1, A3 , A2

QS 0,7381 0,7831 1,0000 0,0000 A4, A2  A1, A3

QR 0,2857 1,0000 0,7143 0,0000 A4, A1, A3 , A2

Tabela 12.2.12

Kako je alternativa A4 u ovom slučaju najbolja i pravilom vedine i minimaks strategijom, jer je
QS4=QR4=0, odakle opet slijedi da de za svaku vrijednost težine strategije  ova alternativa
biti na prvom mjestu, odnosno razne vrijednosti ovog parametra dovode samo do promjena
u poretku ostale tri alternative.

Poredak ostalih alternativa de ipak biti uvjetovan vrijednošdu parametra . U narednoj tabeli
je prikazan poredak za razne vrijednosti težine strategije :

Alternative

Mjera Q - A1 A2 A3 A4 Poredak
vrijednost 

=0,25 0,3998 0,9345 0,7857 0,0000 A4, A1, A3, A2

=0,50 0,5119 0,8690 0,8571 0,0000 A4, A1, A3, A2

=0,75 0,6250 0,8036 0,9286 0,0000 A4, A1, A2, A3

Tabela 12.2.13

171
Dakle, za =0,25 poredak alternativa je A4, A1, A3, A2. Za =0,5 poredak alternativa je ostao
A4, A1, A3, A2, ali se prednost prve rangirane alternative nad narednom povedala. Za =0,75
je poredak alternativa postao A4, A1, A2, A3, odnosno samo su posljednje dvije rangirane
alternative zamijenile mjesta, a prednost prve alternative je još više povedana. Ovakav
poredak se zadržava za =0,8, =0,9, i tek za =1,0 poredak se mijenja i postaje A4, A2A1,
A3, odnosno alternativa A2 dostiže A1.

U ovom slučaju se za svaku vrijednost parametra  alternativa A4 nalazi na prvom mjestu. Za

=0,5 također vrijedi

Q(A1)-Q(A4) = 0,5119 - 0,0000  0,25

odakle slijedi da alternativa A4 ima dovoljnu prednost nad sljededom na listi alternativom A1.

Također je alternativa A4 prvorangirana i minimaks strategijom i pravilom vedine odakle

slijedi i da je ispunjen uvjet dovoljno stabilne pozicije – dakle metoda VIKOR bi predložila, za
ovu strukturu težinskih koeficijenata, kao kompromisno rješenje alternativu A4.

Ako bi se dao vedi značaj kriteriju rekreacije vrijednost koeficijenata bi mogla biti c1=c2=0,25
i c3=0,5, a modificirana tabela bi imala oblik (uz iste pretpostavke kao i ranije):

Alternative – normalizirane vrijednosti

A1 A2 A3 A4

f1 - troškovi 0,0000 0,25000 0,2000 0,0750

Kriteriji f2 - obuhvat 0,2500 0,0000 0,0750 0,1250

f3 - rekreacija 0,5000 0,0000 0,1111 0,2778

Tabela 12.2.14

Vrijednosti S(Ai), R(Ai), QS(Ai), QR(Ai) su prikazane u narednoj tabeli:

172
 Alternative

Mjera A1 A2 A3 A4 Poredak

S 0,7500 0,2500 0,3861 0,4778 A2, A3, A4, A1

R 0,5000 0,2500 0,2000 0,2778 A3, A2, A4 , A1

QS 1,0000 0,0000 0,2722 0,4556 A2, A3, A4, A1

QR 1,0000 0,1667 0,0000 0,2593 A3, A2, A4 , A1

Tabela 12.2.15

Kako je alternativa A1 ponovo najlošija i pravilom vedine i minimaks strategijom, jer je

QS1=QR1=1, slijedi da de za svaku vrijednost težine strategije  ova alternativa biti na
posljednje rangirana, odnosno razne vrijednosti ovog parametra dovode samo do promjena
u poretku prve tri alternative.

Poredak ostalih alternativa de ipak biti uvjetovan ovim parametrom - u narednoj tabeli je
prikazan za razne vrijednosti težine strategije :

Alternative

Mjera Q - A1 A2 A3 A4 Poredak
vrijednost 

=0,25 1,0000 0,1250 0,0681 0,3083 A3, A2, A4, A1

=0,50 1,0000 0,0833 0,1361 0,3574 A2, A3, A4, A1

=0,75 1,0000 0,0417 0,2042 0,4065 A2, A3, A4, A1

Tabela 12.2.16

173
Za =0,25 poredak alternativa je A3, A2, A4, A1, gdje se naglašeno vidi da je alternativa A1
lošija od ostalih, a da razlika između prvo i drugorangirane, pa i drugo i trede rangirane nije
velika. Za =0,5 je poredak alternativa postao A2, A3, A4, A1, dvije prvorangirane alternative
su zamijenile mjesta, ali opet sa neznatnom prednošdu prvoplasirane. Za =0,75 je poredak
alternativa ostao A2, A3, A4, A1, uz nešto vedu prednost prvoplasirane. Ovaj se poredak
zadržava i za =0,8, =0,9, uz sve vedu prednost alternative A2 nad ostalima, i za =1,0
prednost alternative A2 nad A3 postaje najveda (kada je Q(Ai) = QS(Ai) ).

U ovom slučaju se za vrijednost parametra =0,5 na pravom mjestu nalazi alternativa A2, ali
sa suviše malom prednošdu nad alternativom A3, pa čak i A4, dok je jedino alternativa A1
ubjedljivo lošija od ostalih. Stoga bi se u ovom slučaju kao skup kompromisnih rješenja
ponudio onaj koji sadrži sve ove tri alternative A2, A3 i A4.

Interesantno je napomenuti da u ovom slučaju izbora težinskih koeficijenata (c1=c2=0,25 i

c3=0,5), izostavljanje alternative A1, “Do nothing”, iz skupa alternativa ne dovodi do
promjene u poretku, izuzev što su razlike između njihovih vrijednosti naravno vede. Tako je
npr. za =0,25

Q(A2) = Q2 = 0,1250

Q(A3) = Q3 = 0,1393

Q(A4) = Q4 = 1,0000

tj. poredak alternativa je A3, A2, A4, a za =0,5 je

Q(A2) = Q2 = 0,0833

Q(A3) = Q3 = 0,2786

Q(A4) = Q4 = 1,0000

tj. poredak alternativa je opet A2, A3, A4, i ne mijenja se sa povedanjem vrijednosti za .

U slučaju izbora težinskih koeficijenata koji naglašavaju značaj kriterija troškova (c1=0,5,
c2=c3=0,25), izostavljanje alternative A1, “Do nothing”, iz skupa alternativa ipak vodi manjim
promjenama u poretku, što je za očekivati obzirom da je alternativa A1upravo po tom
kriteriju vodeda. Ponovo je za svaku vrijednost parametra  najbolje rangirana alternativa
A4, ali tu poziciju sad dijeli sa alternativom A1 za =1 (ranije je za istu vrijednost parametra 

174
imala značajnu prednost) , a npr. za =0,5 poredak je u ovom slučaju A4, A2, A3, dok je kada
su bile promatrane sve četiri alternative on bio A4, (A1,) A3, A2. Ipak, prednost alternative A4
je dovoljno velika da se ona u svakom slučaju može smatrati kompromisnim rješenjem.

12.2.4.3 Analiza metode VIKOR i kompromisnog programiranja uopde

Kompromisno rangiranje i metoda VIKOR otklanjaju određene probleme koje imaju neke
ostale metode iz ove grupe, prvenstveno zahvaljujudi postupku normalizacije vrijednosti.
Time se prevazilazi problem različitih mjernih vrijednosti kriterija, svodedi ih za svaki kriterij
na osnovni interval [0,1].

Normalizacija vrijednosti i-tog kriterija se vrši u odnosu na interval [fi-, fi+]. Kako vrijednosti fi-
i fi+ ovise o izboru alternativa, to se dodatni izvor nestabilnosti može očekivati u slučaju
kada se (diskretni) skup alternativa proširi novom koja je po nekom od kriterija ubjedljivo
najbolja ili najlošija – stoga je posebno važno sagledati do kojih promjena dolazi u slučaju
uvođenja alternative “Do nothing”. Naime, upravo ona de (gotovo) uvijek biti najpovoljnija
po kriteriju troškova, i time presudno uticati na visinu normaliziranih vrijednosti ovog
kriterija za sve alternative. U slučaju da su stvarne (ne normalizirane) vrijednosti ovog
kriterija ostalih alternativa međusobno slične i značajno različite od vrijednosti za alternativu
“Do nothing”, proizlazi da de upravo ona dobiti veliku početnu prednost, koja uz povoljne
težinske koeficijente (a donosilac odluke često vedi značaj pripisuje upravo kriteriju
troškova) može učvrstiti prvu poziciju alternative “Do nothing”.

Element stabilnosti je svakako i izbor norme p

– za razne vrijednosti parametra p de se
dobiti različite rang-liste preferencije alternativa, i upravo to je motiv za izgradnju
kompozitne liste kako to čini metoda VIKOR. Ipak, metoda VIKOR koristi samo vrijednosti
dobivene upotrebom normi 1 i 
kao “granične” norme, zanemarujudi sve ostale
mogudnosti, pa i relativno uobičajenu normu Euklidove udaljenosti 2
.

I izbor težinskih koeficijenata kriterija kao i specifične težine strategije  (ako se ne poštuje
do kraja strategija ispunjenja spomenutih uvjeta) svakako predstavljaju mogude izvore
nestabilnosti poretka postojedih alternativa. Dalje u knjizi de se pokazati koji su to intervali
mogudih promjena vrijednosti težinskih koeficijenata ili vrijednosti kriterija koji nede dovesti
do promjene rangiranja alternativa.

175
12.2.4.4 Mogude modifikacije i metoda PVIKOR

Metoda kompromisnog programiranja, odnosno kompromisnog rangiranja u diskretnom

slučaju, kao svoju osnovu koristi ideju odstojanja od idealne tačke prostora alternativa.
Prednost ovog metoda je u tome što se uočeni problem različitih intervala vrijednosti
kriterija otklanja normalizacijom vrijednosti.

Ipak, dodatni element neizvjesnosti je i izbor metrike, tj. mjere za odstojanja – upravo stoga
Opricovid uvodi metodom VIKOR upotrebu dvije “krajnje” metrike 1
i 
, iz kojih na
određeni način proizvodi krajnju mjeru za rangiranje. Pri tome metrika 1
označava tzv.
grupnu korist, a metrika 
maksimalno dozvoljeno pojedinačno odstupanje.

Ipak, ni ovim nije posve otklonjen problem ovisnosti stabilnosti rang-liste od same metrike.
Naime, posebno je problematična metrika 
- posve je mogud slučaj u kome više
alternativa ima po (barem) jednu komponentnu vrijednost koja je najlošija za taj kriterij, tj.
vrijednost i-tog kriterija je fi- za barem jedno i. Tada sve te alternative imaju istu vrijednost
Rj, čime je njihova pozicija određena isključivo vrijednošdu Sj. Čak štaviše, u slučaju da su sve
alternative upravo takve, vrijednosti QRj nisu ni definirane jer je R-=R+ .

I Opricovid uočava da vrijednosti Rj mogu biti međusobno jednake za vedi broj ili čak i za sve
vrijednosti j, pa i sam predlaže modifikaciju mjere Rj sa

Rj’=Rj+rj (12.2.27)

gdje je

0 , za R j  R 
rj  
 
 
 S j  R / 100 , gdje je R j  R za dva i vise j.

Ovakva korekcija dodatno “otežava” vrijednost mjere Sj u takvim slučajevima kada je rj0,
iako su vrijednosti Rj sada međusobno različite. Stoga autor ovog poglavlja smatra da je
mogude primijeniti drugačiji pristup.

Naime, Opricovideva osnovna zamisao jeste da je, obzirom da izbor različitih metrika u
prostoru alternativa (u odnosu na idealnu alternativu) vodi različitim rangiranjima istih, izbor
“graničnih” metrika 1
i 
, čijom bi se linearnom kombinacijom vrijednosti mjera dobila
nova vrijednost, dobro uravnoteženje ovakvih različitih mogudih rang lista. Ipak, sama
metrika 
može biti problematična u slučaju da je polazni skup alternativa takav da je

176
veliki broj alternativa (nekada i sve) u njemu najlošiji po barem jednom od kriterija, kada ova
metrika vodi njihovom jednakom rangiranju, bez obzira na razlike u njihovom kvalitetu po
ostalim kriterijima. Tada presudan utjecaj na konačan poredak alternativa primjenom
metode VIKOR ima metrika 1
, koja opet računajudi samo sa zbirom pojedinačnih
normiranih kriterijskih odstupanja od idealne vrijednosti zanemaruje mogudnost da samo
jedna od tih vrijednosti bude prevelika, tj. da takvo pojedinačno normirano odstupanje bude
značajno (iako se dodatnim konturnim uvjetima može nametnuti da se ta alternativa
eliminira iz skupa dopustivih alternativa).

Stoga autor ovog poglavlja smatra da je dobra moguda modifikacija ovog metoda, koja
ujedno predstavlja i novu metodu za rangiranje diskretnog skupa alternativa, sljededa:

Kao i ranije najprije se odredi


f i  max f ij (i  1,2,..., N) (12.2.28)
j


f i  min f ij (i  1,2,..., N) (12.2.29)
j

a potom i vrijednosti (koje odgovaraju metrikama 1

, 
i p
)


N f i  f ij
S j   ci  
(12.2.30)
i 1 fi  fi

 
f i  f ij 

R j  max c i   (12.2.31)
i  f f  
 i i 

 p
N fi  fi j
P( A j )  p  ci  
(12.2.32)
i 1 fi  fi

Rangiranje alternativa Aj samo na osnovu vrijednosti Sj, Rj i Pj bi svakako bilo različito – stoga
se i predlaže da se ove sada tri vrijednosti Sj, Rj i Pj, smatraju novim kriterijskim vrijednostima

177
alternativa Aj, te da se potom vrši rangiranje alternativa u novom trokriterijskom prostoru
primjenom kompromisnog programiranja sa metrikom 1
. Dakle, najprije de se odrediti:

S   min S j
j

S   max S j (12.2.33)
j

odnosno

R   min R j
j

R   max R j (12.2.34)
j

P   min Pj
j

P   max Pj (12.2.35)
j

Idealna tačka je sada (S+, R+, P+) i obzirom na mogudnosti pojave razlika u rasponu mjernih
vrijednosti Sj i Rj vrši se njihova normalizacija sa

S j  S
QSj  (12.2.36)
S  S

R j  R
QRj  (12.2.37)
R  R

Pj  P 
QPj  . (12.2.38)
P  P

178
Nova mjerna vrijednost na temelju koje se vrši rangiranje sada je određena sa (metrika 1
)

Q(A j )  Q j  c1QS j  c 2 QR j  c 3 QPj (12.2.39)

odnosno, ako su težinski koeficijenti c1, c2 i c3 normalizirani, tj. ako je c1 + c2 + c3 = 1, onda sa

Q(A j )  Q j  QS j  QR j  (1    ) QPj  QPj  QS j  QPj   QR j  QPj 

(12.2.40)

Sada postoje dva nova težinska koeficijenta  i  koji se mogu nazivati “težinama strategije”
- ukoliko se odabere veda vrijednost za , a manja za , to znači da je vedi naglasak na
zadovoljenju vedine kriterija, dok ako je vrijednost za  manja to znači da je vedi naglasak na
što manjem individualnom odstupanju od idealnog rješenja.

Osim težinskih koeficijenata  i , ostaje pitanje i izbora vrijednosti za p, tj. izbora korektivne
metrike p
koja de poslužiti dodatnom uravnoteženju graničnih metrika 1
i 
. Izborom
manje vrijednosti za p ponovo se postiže učinak vedeg naglaska na zadovoljenju vedine
kriterija, dok ako je vrijednost za p veda to znači da je vedi naglasak na što manjem
individualnom odstupanju od idealnog rješenja. Autor smatra dovoljno dobrim
vrijednostima za p vrijednosti iz skupa {2,3,4,5}.

Obzirom da R(A) opisuje 

normu alternative A, postoji realna vjerojatnoda da ce se desiti
da za razne alternative ove vrijednosti budu jednake (npr. jer sve alternative imaju jednako
“loše” vrijednosti najmanje zadovoljenih kriterija). U tom slučaju se rangiranje zasniva na
vrijednostima S(A), tj. na tzv. grupnoj koristi. Uloga funkcije P je, po ideji autora, da preuzme
barem djelomično korekciju “neodobrenog velikog odstupanja ni po jednom kriteriju”. Može
se desiti da p=2 nije dovoljno veliko da posve preslika ovu namjeru, pa su zato povoljne
vrijednosti p=3, p=4 ili p=5.

Ovom metodom PVIKOR (Prošireni VIKOR) kao najbolja alternativa (za dati skup težina ci),
predlaže se ona koja je prvorangirana za ==0,3333 samo ako

179
  ona ima “dovoljnu” prednost nad narednom rangiranom alternativom – za
alternativu Ai redi de se da ima dovoljnu prednost nad slijededom sa rang liste
alternativom Aj ako za ==0,3333 vrijedi

Q(Aj)-Q(Ai)  DQ

gdje je DQ “prag prednosti” sa predloženom vrijednošdu

DQ = min (0,25 , 1/(M-1))

i gdje je sa 0,25 ograničen prag prednosti za slučaj isuviše malog broja

alternativa;

 ima “dovoljno stabilnu” poziciju sa promjenom težina  i , što vrijedi ako je

ispunjen barem jedan od narednih uvjeta

- ista alternativa je prvorangirana i samo pravilom vedine, tj.

upotrebom samo vrijednosti Sj

- ista alternativa je prvorangirana i samo minimaks strategijom, tj.

upotrebom samo vrijednosti Rj

- ista alternativa je prvorangirana i samo primjenom p

metrike, tj.
upotrebom samo vrijednosti Pj .

Ukoliko prvorangirana alternativa ne ispunjava oba ova uvjeta onda se ona ne smatra
dovoljno boljom od drugorangirane, tj. u skup kompromisnih rješenja ulaze obje. Ako ne
ispunjava samo prvi uvjet, u skup rješenja ulaze sve do one koja ispunjava uvjet da prva
alternativa nema dovoljnu prednost nad njom.

Ogledni primjer – primjena metoda PVIKOR

U spomenutom oglednom primjeru bi za izbor jednakih težinskih koeficijenata c1=c2=c3=1/3

(=0,333333333) modificirana tabela u kojoj je svaki element fij zamijenjen sa (fi+-fij)/(fi+-fi-) ,
prikazan zaokruženo na četiri decimalna mjesta, imala oblik (ako se pretpostavi da je prvi
kriterij f1 zamijenjen sa –f1, ili ako f1+ predstavlja minimalnu, a fi- maksimalnu vrijednost):

180
 Alternative – normalizirane vrijednosti

A1 A2 A3 A4

f1 - troškovi 0,0000 1,0000 0,8000 0,3000

Kriteriji f2 - obuhvat 1,0000 0,0000 0,3000 0,5000

f3 - rekreacija 1,0000 0,0000 0,2222 0,5556

Tabela 12.2.17

odakle, kao i ranije primjenom metode VIKOR, slijedi da je

S(A1) = S1 = 0,6667

S(A2) = S2 = 0,3333

S(A3) = S3 = 0,4407

S(A4) = S4 = 0,4519

tj. poredak alternativa pravilom vedine (grupna korist) je A2, A3, A4, A1.

Također je i

R(A1) = R1 = 0,3333

R(A2) = R2 = 0,3333

R(A3) = R3 = 0,2667

R(A4) = R4 = 0,1852

tj. poredak alternativa minimaks strategijom je kao i ranije A4, A3, A2  A1.

181
Nove vrijednosti su

P(A1) = P1 = 0,9221

P(A2) = P2 = 0,8027

P(A3) = P3 = 0,6434

P(A4) = P4 = 0,4921

tj. poredak alternativa primjenom p-norme odstojanja, za p=5 u ovom slučaju, je A4, A3, A2 ,
A 1.

Tabela vrijednosti QS, QR i QP ima oblik:

Alternative

A1 A2 A3 A4

QS 1,0000 0,0000 0,3222 0,3556

QR 1,0000 1,0000 0,5555 0,0000

QP 1,0000 0,7224 0,3517 0,0000

Tabela 12.2.18

Očigledno je da je alternativa A1 najlošija po sva tri kriterija QS, QR i QP, odakle i slijedi da de
ona biti posljednje rangirana za svaku vrijednost težina strategije  i . Poredak ostalih
alternativa de biti uvjetovan vrijednostima ovih parametara - za razne vrijednosti težina
strategije  i  vrijedi:

Za ==0,333333 je

Q(A1) = Q1 = 1,0000

Q(A2) = Q2 = 0,5741

Q(A3) = Q3 = 0,4080

182
 Q(A4) = Q4 = 0,1185

tj. poredak alternativa je A4, A3, A2, A1.

Za =0,5 , =0,25 je

Q(A1) = Q1 = 1,0000

Q(A2) = Q2 = 0,4306

Q(A3) = Q3 = 0,3865

Q(A4) = Q4 = 0,1778

tj. poredak alternativa je i dalje A4, A3, A2, A1. Ovaj se poredak nede promijeniti ni za =0,25 ,
=0,5.

Posebno je značajno naglasiti da se ovaj poredak nede promijeniti ni ako se uzme da je p=3
ili p=2 (za iste vrijednosti od  i ), čime se vidi utjecaj ove dodane vrijednosti p-norme koja
ovdje umanjuje mogudi visok utjecaj vrijednosti norme 1
, tj. tzv. grupne koristi.

Alternativa A4 je također prvorangirana i minimaks strategijom, odakle slijedi da je ispunjen i

uvjet dovoljno stabilne pozicije – dakle metoda PVIKOR bi predložila, za ovu strukturu
težinskih koeficijenata, kao kompromisno rješenje alternativu A4.

Zadatak za vježbu:

Prethodno opisanim metodama u poglavlju izvršiti rangiranje zadatog skupa alternativa i

kriterija.

183
 Alternative

A1 A2 A3 A4

f1 – trošak u KM min 0 2.500.000 3.500.000 3.000.000

Kriteriji f2 – broj pogođenih min 0 2.600 3.200 2.800

ljudi

f3 – bududi godišnji max 0 220.000 320.000 260.000

prihod od
investicije

12.3 Koncept funkcije utiliteta u višekriterijskom odlučivanju

12.3.1 Teorija utiliteta

U ovom slučaju se pretpostavlja da je donosilac odluke sposoban da procijeni strukturu

preferencije alternativnih vrijednosti, koje može imati vektorska kriterijska funkcija. Ova
struktura se prikazuje modelom funkcije utiliteta koja osim komponentnih vrijednosti
objedinjuje i stepen rizika kroz visinu ulaganja i vjerojatnoda da de se postidi željeni cilj
alternative. Aksiomi utiliteta su uspostavljeni da bi se garantirala konzistentnost izbora i
mogu se iskazati sa (Goicoechea et al., 1982):

 za svake dvije vrijednosti vektorske kriterijske funkcije (koje predstavljaju

alternative A1 i A2) F1 i F2 je ili F1 preferentna nad F2, ili je F2 preferentna nad F1,
ili postoji odnos indiferencije među njima (Ovdje Fi predstavlja vektorsku
kriterijsku funkciju, a fi njenu komponentnu funkciju);

 ako je vrijednost vektorske kriterijske funkcije F1 (dakle alternative u odlučivanju)

preferentna nad F2, a F2 preferentna nad F3, tada je i F1 preferentna nad F3
(preferencija alternativa je tranzitivna);

 neka postoji indiferencija u izboru alternativa F1 i F2 i neka je F3 treda alternativa.

Tada postoji indiferencija između slijedede dvije mogudnosti:

184
  postizanja alternative F1 sa vjerojatnodom p, a alternative F3 sa
vjerojatnodom (1-p)

 postizanja alternative F2 sa vjerojatnodom p, a alternative F3 sa

vjerojatnodom (1-p)

 neka je vrijednost kriterijske funkcije F1 (dakle alternative u odlučivanju)

preferentna nad F2, a F2 preferentna nad F3; tada postoji vjerojatnoda p (0<p<1)
takva da postoji indiferencija između postizanja alternative F2 sa sigurnošdu ili
postizanja alternative F1 sa vjerojatnodom p i alternative F3 sa vjerojatnodom (1-
p).

Ako su zadovoljeni ovi aksiomi, mogude je konstruirati funkciju utiliteta čiji je krajnji cilj
kompletno uređenje skupa Pareto-optimalnih rješenja problema višekriterijske analize.
Funkcija utiliteta se uobičajeno definira na skupu kriterijskih vrijednosti (funkcija) sa svojim
vrijednostima u skupu realnih brojeva. Na taj se način ono rješenje koje ima najvedu
vrijednost funkcije utiliteta označava kao “najbolje kompromisno” rješenje ili
“zadovoljavajude” rješenje.

Portfolio analiza kao polazna tačka u procjeni funkcije utiliteta se bavi povratom investicija -
cilj svakog investitora je da osigura maksimalan povrat investicija uz minimalan rizik. Stoga
se očito Pareto-optimalan skup portfolio P (u ravni iOp čije ose predstavljaju očekivanu
visinu povrata investicija i, odnosno vjerojatnodu povrata investicija p) može definirati sa
(Bogardi et al., 1994):

 ne postoji rješenje van skupa P sa vedim očekivanim povratom investicija uz isti

stupanj rizika (tj. vjerojatnode povrata ili standardne devijacije povrata kao mjere
rizika),

 ne postoji rješenje van skupa P sa manjim rizikom, tj. vedom vjerojatnodom povrata,
uz istu visinu očekivanog povrata investicija.

Kriva indiferentnosti tada predstavlja skup tačaka u ravni iOp (trenutno se promatra
kontinualan slučaj, mada analogan pristup vrijedi i za diskretan slučaj) koje imaju istu
vrijednost funkcije utiliteta, tj. za koje je donosilac odluke indiferentan. Za razne vrijednosti
formirane funkcije utiliteta de postojati različite krive indiferentnosti čiji raspored u ravni iOp

185
označava i preferenciju donosioca odluke (npr. presjeci za pravom paralelnom osi koja
označava vjerojatnodu povrata – položaj uobičajene ose y – odozdo na gore označavaju krive
sa sve vedom preferencijom donosioca odluke). Ukoliko postoji tangenta tačka krive
indiferentnosti sa najvedom vrijednošdu funkcije utiliteta i konturne krive ograničenja to de
biti i kao “najbolje kompromisno” rješenje ili “zadovoljavajude” rješenje. Dakle, za izbor
“najboljeg” rješenja je neophodno najprije odrediti odgovarajudu funkciju utiliteta.

Funkcija utiliteta u svakom slučaju objedinjuje barem jednu kriterijsku funkciju i rizik tj.
vjerojatnodu uspješnosti (povrata). Stoga se i razlikuju jednoatributna funkcija utiliteta koja
se bavi samo jednom kriterijskom funkcijom i višeatributna funkcija utiliteta koja uzima u
obzir više kriterijskih funkcija.

12.3.2 Jednoatributna funkcija utiliteta – ogledni primjer i analiza metode

U narednom primjeru procjene jednoatributne funkcije utiliteta pretpostavlja se da je jedini

atribut visina troškova. Dakle, postoje ved ranije poznate četiri alternative izgradnje
akumulacije čiji su troškovi prikazani u narednoj tabeli:

Alternative

A1 A2 A3 A4

0 100.000.000 80.000.000 30.000.000

Tabela 12.3.1

Pretpostavlja se nadalje visina povrata troškova te vjerojatnoda povrata. Neka:

 alternativa A1 ne predviđa ulaganja – dakle visina povrata troškova je jednaka visini

troškova i oboje iznose 0, a vjerojatnoda povrata je maksimalna 100%. Dakle, očekivana
dobit iznosi 0 KM.

 alternativa A2 osigurava dobit od 30.000.000 KM sa vjerojatnodom od 60%, ali i

mogudnost gubitka od 10.000.000 KM sa vjerojatnodom od 40% (tj. povrat od
130.000.000 KM sa vjerojatnodom od 60%, odnosno povrat u visini 90.000.000 KM sa
vjerojatnodom od 40%, uz troškove od 100.000.000 KM). To je alternativa kojom se
predlažu maksimalna ulaganja radi zadovoljenja potreba za vodom i izgradnje
rekreacionih zona, tj. razvoja turizma, koji možda i nede uspjeti zadovoljiti očekivanja
odnosno vratiti uložena sredstva. Dakle, očekivana dobit iznosi 30.000.000 KM * 60% -

186
 10.000.000 KM * 40% = 14.000.000 KM.

 alternativa A3 osigurava dobit od 20.000.000 KM sa vjerojatnodom od 70%, ali i

mogudnost gubitka od 10.000.000 KM sa vjerojatnodom od 30% (tj. povrat od
100.000.000 KM sa vjerojatnodom od 70%, odnosno povrat u visini 70.000.000 KM sa
vjerojatnodom od 30%, uz troškove od 80.000.000 KM). To je alternativa kojom se
predlažu još uvijek visoka ulaganja radi zadovoljenja potreba za vodom i izgradnje
rekreacionih zona tj. razvoja turizma, koji možda i nede uspjeti zadovoljiti očekivanja,
odnosno vratiti uložena sredstva. Dakle, očekivana dobit iznosi 20.000.000 KM * 70% -
10.000.000 KM * 30% = 11.000.000 KM.

 alternativa A4 osigurava sigurnu dobit od 5.000.000 KM (sa vjerojatnodom od 100%) (tj.

povrat od 35.000.000 KM uz troškove od 30.000.000 KM). To je alternativa kojom se
predlažu ulaganja radi zadovoljenja potreba za vodom i električnom energijom koji imaju
određene tarife koje osiguravaju ovakav povrat uloženih sredstava. Dakle, očekivana
dobit iznosi 5.000.000 KM.

Usporede li se samo očekivane vrijednosti dobiti (koje dakle za alternative A1, A2, A3 i A4
iznose 0 KM, 14.000.000 KM. 11.000.000 KM i 5.000.000 KM respektivno) slijedilo bi da je
alternativa A2 najpovoljnija.

Međutim, svakako treba uzeti u obzir i platežne mogudnosti investitora i njegovu sklonost ka
riziku. Svakako nije svejedno da li nadležna “Agencija za vode” u trenutku odlučivanja
procjenjuje da dugoročno raspolaže za 100.000.000 KM ili sa 1.000.000.000 KM. Iako oba
iznosa zadovoljavaju zahtjeve sve četiri alternative, ipak je mnogo vjerojatnije da donosilac
odluke ne bi izabrao da sav novac na raspolaganju uloži u samo jednu investiciju, te da bi bez
obzira na manji očekivani povrat alternativa A3 ili čak A4 bila smatrana “boljom” od strane
donosioca odluke.

187
 Alternative

A1 A2 A3 A4

Investicija 0 100.000.000 80.000.000 30.000.000

Dobitak 0 30.000.000 20.000.000 5.000.000

Vjerojatnoda 100% 60% 70% 100%

Gubitak - 10.000.000 10.000.000 -

Vjerojatnoda - 40% 30% -

Očekivana dobit 0 14.000.000 11.000.000 5.000.000

Tabela 12.3.2

Ovakvo ponašanje, u kome donosilac odluke bira alternativu sa manjim očekivanim

povratom, ali i manjim rizikom ulaganja, se zove “averzija ka riziku”. Ako donosilac odluke
vrši izbor alternative koja nosi viši stupanj rizika nego je očekivani povrat, takvo ponašanje
se naziva “preferencija rizika”. Ako je pak odabrani stupanj rizika jednak očekivanom
povratu takvo ponašanje se naziva “neutralno na rizik”. Oblik krive utiliteta (u ravni čije ose
opisuju dobit odnosno utilitet) određen je vrstom ponašanja - tako je kriva utiliteta za
donosioca odluke čije se ponašanje može opisati kao “averzija ka riziku” konkavna, onoga
čije se ponašanje može opisati kao “preferencija rizika” konveksna, dok je za “neutralno na
rizik” u pitanju pravac.

1 1 1
preferencija rizika neutralno na rizik averzija ka riziku
utilitet

utilitet

utilitet

dobit dobit dobit

Slika 12.3.1

Očigledno je dakle da je i visina sredstava kojima raspolaže investitor značajan faktor

nestabilnosti u ovako određenom metodu.

Funkcija utiliteta se zatim kreira uz pomod dodjele vrijednosti u određenim karakterističnim

tačkama (alternativama). Npr., odaberu se dvije krajnje vrijednosti koje određuju interval

188
pripadnosti kriterija (jednoatributna funkcija utiliteta, dakle samo jedna kriterijska funkcija
se razmatra, u prethodnom primjeru očekivana dobit) svih datih alternativa, fmin i fmax, te se
njima dodijele odgovarajude vrijednosti funkcije utiliteta – uobičajeno ali ne i obavezno, to
su u(fmin)=0 i u(fmax)=1, (što liči na proces normalizacije primijenjen u kompromisnom
programiranju). Potom se donosiocu odluke predstavi mogudnost da ostvari fmax sa
vjerojatnodom p, odnosno fmin sa vjerojatnodom 1-p, nakon čega donosilac odluke treba
odrediti koja je to vrijednost fopt ( a koja bi se sigurno ispunila) koju bi on radije prihvatio
umjesto prethodnih mogudnosti. Time je istovremeno uspostavljena veza između
vjerojatnode p i odabrane vrijednosti fopt. Otuda direktno slijedi i da je

u(f opt )  p * u(f max )  (1  p) * u(f min )  p *1  (1  p) * 0  p (12.3.1)

Naravno da se nadalje variranjem vrijednosti za p ili eventualno za fmax i/ili fmin može
odrediti još tačaka na krivoj utiliteta donosioca odluke.

U prethodnom primjeru četiri alternative izgradnje hidroakumulacije, čije su očekivane

dobiti 0 KM, 14.000.000 KM, 11.000.000 KM i 5.000.000 KM respektivno, može se uzeti da je
fmin=0 KM i fmax=14.000.000 KM. Može se dalje pretpostaviti da je npr. donosilac odluke
mogudnost da ostvari dobit od 14.000.000 KM uz vjerojatnodu od 90%, a dobit od 0 KM uz
vjerojatnodu od 10% pretpostavio alternativi da sigurno (100%) ostvari dobit od 11.000.000
KM, odnosno da je donosilac odluke mogudnost da ostvari dobit od 14.000.000 KM uz
vjerojatnodu od 40%, a dobit od 0 KM uz vjerojatnodu od 60% pretpostavio alternativi da
sigurno (100%) ostvari dobit od 5.000.000 KM. Time je data i funkcionalna ovisnost oblika

u(f=11.000.000 KM)=0.9 (=90%)

odnosno

u(f=5.000.000 KM)=0.4 (=40%).

Ipak, ved samim izborom vrijednosti fmin i fmax određeno rangiranje alternativa je ved
dosegnuto.

12.3.3 Višeatributna funkcija utiliteta – ogledni primjer i analiza metode

Procedure za određivanje višeatributne funkcije utiliteta pretpostavljaju tzv. aksiome

189
preferencijalne i utilitetne neovisnosti, tj. međusobne neovisnosti kriterija, kada se
razmatraju samo aditivne ili multiplikativne zasnovane višeatributne funkcije utiliteta –
dakle ako je u(f)=u(f1, f2, …, fN), gdje su f1, f2, …, fN date kriterijske funkcije, tada je (Bogardi
et al., 1992)

N
u (f )   k i u i ( f i ) (12.3.2)
i 1

ili

N
1  ku (f )   (1  kk i u i (f i )) (12.3.3)
i 1

gdje su vrijednosti od u(f) između 0 i 1, vrijednosti komponentnih funkcija utiliteta ui=ui(fi) su

također između 0 i 1, kao i težinski koeficijenti ki, te k je takva vrijednost koja zadovoljava
jednačinu

N
(1  k )   (1  kk i ) (12.3.4)
i 1

Prethodne jednakosti (12.3.2) odnosno (12.3.3) predstavljaju aditivnu odnosno

multiplikativnu formu funkcije utiliteta respektivno. Da bi se moglo odlučiti koja je forma
prikladnija za donosioca odluke, ispituje se da li on ima izraženu preferenciju ili indiferenciju
između slijedede dvije opcije:

 prva opcija je da postoji vjerojatnoda od 50% da se dobije najbolje zadovoljenje svih

kriterija, a vjerojatnoda od 50% da se dobije najlošije zadovoljenje svih kriterija,

 druga opcija je da postoji vjerojatnoda od 50% da se dobije najbolje zadovoljenje

jednog skupa kriterija i najlošije ostalog skupa kriterija (približno jednak broj i
važnost), a vjerojatnoda od 50% da se dobije upravo inverzan slučaj.

Ako je druga opcija prihvatljivija za donosioca odluke, to znači da se njegovo ponašanje

može opisati kao “averzija ka riziku”, tada je multiplikativna forma prikladnija i vrijedi –
1<k<0. Ako je međutim prva opcija draža donosiocu odluke, to znači da se njegovo
ponašanje može opisati kao “preferencija rizika”, i tada je 0<k<1. Također je pokazano
(Keeney et al., 1976) da se aditivna forma treba primijeniti kada je

190
 N

 k 1
i 1
i (12.3.5)

dok je multiplikativna forma prihvatljivija u ostalim slučajevima.

Određivanju težinskih koeficijenata ki treba posvetiti posebnu pažnju – da bi se utvrdile

vrijednosti ovih koeficijenata, donosilac odluke se suočava sa narednim izborom (Keeney et
al. 1976) : za data dva vektora kriterijskih vrijednosti

f1=(f1 min, f2 min, …, fi-1 min, fimax, fi+1 min, …, fn min)

i (12.3.6)

f2=(f1 min, f2 min, …, fj-1 min, fj, fj+1 min, …, fn min)

se mijenja vrijednost od fj sve dok donosilac odluke ne utvrdi svoju indiferentnost između
alternativa označenih vektorima f1 i f2. U tom trenutku, za tako odabrano fjtemp, vrijedi
u(f1)=u(f2), pa ako se dodatno pretpostavi i da je ui(fimin)=0 i ui(fimax)=1, onda i iz aditivne i iz
multiplikativne forme slijedi i kiui(fimax)=kjuj(fjtemp), odnosno ki=kjuj(fjtemp), čime je određen
relativni odnos između težinskih koeficijenata ki i kj sa ki/kj=uj(fjtemp), odakle pak zbog
0< uj(fjtemp)<1 slijedi i da je ki<kj. Na isti način treba uspostaviti odnos između različitih
parova težinskih koeficijenata, odakle slijedi (n-1) relacija u kojoj se pojavljuje ki. U slučaju
da težine nisu normirane, tj. da ne vrijedi (12.3.5), obzirom da je u pitanju (n-1) jednačina sa
n nepoznatih, to se još jedna jednačina generira dodatnim zahtjevom ka donosiocu odluke:
od njega se traži da odredi vjerojatnoda p pri kojoj bi pokazao indiferentnost između
naredne dvije mogudnosti:

 prva, da dobije par (fimax, fjmin) sa sigurnošdu (vjerojatnoda 100%), i

 druga, da dobije par (fimax, fjmax) sa vjerojatnodom p, odnosno da dobije par (fimin, fjmin)
sa vjerojatnodom 1-p.

Dakle, sada je u pitanju sistem od n jednačina sa n nepoznatih, čije rješenje predstavlja n

traženih težinskih koeficijenata (određenih na osnovu odnosa preferencije i indiferencije
donosioca odluke).

191
Očigledno se cijela procedura temelji na konzistentnosti ponašanja donosioca odluke, tj.
poštovanju ved spomenutih aksioma utiliteta. Poseban problem može predstavljati i
promjena preferentne strukture donosioca odluke što implicira i promjenu funkcije utiliteta
te težinskih koeficijenata koje nije mogude jednostavnim postupkom prilagoditi. U principu,
zbog svoje kompleksnosti, metoda nije preporučiva za one slučajeve u kojima se javlja vedi
broj skalarnih kriterijskih funkcija (npr. vedi od 3 do 4) i provjera korektnosti postupka i
dobivenih rezultata je obavezna. donosilac odluke aktivno sudjeluje u toku najvedeg dijela
postupka.

U ranijem primjeru alternativa izgradnje višenamjenske akumulacije, tabela normiranih

vrijednosti (one ne moraju biti normirane, ali bi tada koeficijenti utiliteta bili različitog reda
veličine, tj. oni bi preuzeli ulogu normiranja vrijednosti – u ovom slučaju je normalizacija
izvedena usporedbom stvarne i najvede vrijednosti kriterija, izraženo u procentima, tj.
normirane vrijednosti su kreirane sa fnorm=f/fmax*100 ) imala je oblik:

Alternative

A1 A2 A3 A4

f1 - troškovi min 0 100 80 30

Kriteriji f2 - obuhvat max 0 100 70 50

f3 - rekreacija max 10 100 80 50

Tabela 12.3.3

Obzirom da samo kriterij f1 jedini treba minimizirati, on se može zamijeniti sa kriterijem

-f1 koji treba maksimizirati, što vodi ka slijededoj tabeli:

192
 Alternative

A1 A2 A3 A4

f1 - troškovi max 0 -100 -80 -30

Kriteriji f2 - obuhvat max 0 100 70 50

f3 - rekreacija max 10 100 80 50

Tabela 12.3.4

Dakle, maksimalna vrijednost kriterija f1, f2 i f3 je 0, 100 i 100 respektivno, dok je minimalna
vrijednost kriterija f1, f2 i f3 –100, 0 i 10. To znači da se za funkcije utiliteta u1, u2 i u3 može
uzeti da je

 u1(-100)=0 u1(0)=1

 u2(0)=0u2(100)=1

 u3(10)=0 u3(100)=1

a otuda npr. i

 u1(-80)=0,2 u1(-30)=0,7

 u2(50)=0,5 u2(70)=0,7

 u3(50)=0,44 u3(80)=0,77

Preostaje još ustanoviti vrijednost težinskih koeficijenata ki. Najprije je potrebno utvrditi
poredak značaja ova tri kriterija, tj. koji je najvažniji i stoga de imati i najvedu vrijednost
težinskog koeficijenta, a koji je najmanje značajan pa de imati i najmanji koeficijent. Uz
pretpostavku da je kriterij f2 (obuhvat zadovoljenja potreba) najvažniji, a f1 (visina troškova)
najmanje važan, dalje se ispituje njihov relativni međusobni odnos, i to najprije kriterija f1 i
f3, a potom i f3 i f2. Prvo se ispituje u kom trenutku nastaje odnos indiferentnosti između

193
alternative čije bi vrijednosti utiliteta kriterija bile (1,0,0) i alternative sa vrijednostima
utiliteta kriterija (0,0,u3(f3)) – neka je to vrijednost u3(f3)=0,9, odakle slijedi i k1/k3=0,9. Dalje
se promatra u kom trenutku nastaje odnos indiferentnosti između alternative čije bi
vrijednosti utiliteta kriterija bile (0,0,1) i alternative sa vrijednostima utiliteta kriterija (0,
u2(f2),0) – neka je to vrijednost u2(f2)=0,8, odakle slijedi i k3/k2=0,8. Otuda je i

k3=0,8k2

k1=0,9k3=0,72k2

što znači da aditivna funkcija utiliteta ima oblik

u(f)=k2*(0,72u1(f1)+u2(f2)+0,8u3(f3)) .

3
Ako se pretpostavi da vrijedi k
i 1
i 1

tada je

0,72k2+k2+0,8k2=1

a otuda i

k2=1/2,52=0,3968

k1=0,72k2=0,2857

k3=0,80k2=0,3175

što vodi narednoj tabeli vrijednosti funkcije utiliteta:

194
 A1 A2 A3 A4

k1 0,3968 1 0 0,2 0,7

k2 0,2857 0 1 0,7 0,5

k3 0,3175 0 1 0,77 0,44

Utilitet: 0,3968 0,6032 0,5238 0,5603

Tabela 12.3.5

odnosno slijededem poretku alternativa:

A2, A4, A3 i kao najlošija A1.

Prepostavke da su sva tri kriterija podjednako značajna, kao i npr. da je kriterij troškova
dvostruko važniji od druga dva vodi ka vrijednostima k1=k2=k3=0,3333 tj. k1=0,5 i k2=k3=0,25
te istim vrijednostima funkcije minimalnog odstojanja od idealne tačke kao specijalnog
slučaja funkcije utiliteta, pa se ovdje nede posebno razmatrati.

12.4 Koncept funkcije međusobne usporedbe u višekriterijskom odlučivanju

U slučaju diskretnog skupa alternativa na kojima se vrijednosti kriterijskih funkcija teško ili
nikako ne mogu kvantificirati, metode zasnovane na konceptu funkcija odstojanja gube
kvalitetu ili čak postaju neprimjenljive. Naime, osnova ovih metoda jeste upotreba razlika u
kvaliteti (tj. vrijednosti) pojedinih kriterijskih funkcija (npr. odstojanja od idealne tačke), a
koja se u ovom slučaju ne može procijeniti. Ovakve kriterijske funkcije obično imaju opisne
(kvalitativne) vrijednosti kao što su "zadovoljavajude", ”loše”, ”slabo”, “dobro”, “odlično” i
slično, nad kojima može (ali i ne mora) postojati relacija uređenja tj. poretka (npr. “loše” je
sigurno “manje” od “dobro”, dok nije posve izvjesno da li je “zadovoljavajude” “vede” ili ne
od “dobro”).

Cilj metoda ove grupe (Bogardi et al., 1994, Goicoechea et al., 1982, Roy et al., 1986, Zeleny,
1982) je parcijalno ili kompletno uređenje skupa alternativa. Najprije se vrši poređenje
parova postojedih alternativa reprezentiranih vektorima čije su komponente vrijednosti

195
kriterijskih funkcija - rezultat ovakvog poređenja može biti:

 alternativa Ai je preferentna u odnosu na Aj , što je sigurno slučaj kada je fikfjk (vrijednost

fjk nije bolja od vrijednosti fjk) za svako k, pri čemu vrijedi i fim> fjm (vrijednost fim je bolja
od vrijednosti fjm) za barem jedno m, tj. u slučaju kada alternativa Ai ima barem jednu
vrijednost kriterija “bolju” od Aj i istovremeno ni jednu “lošiju” (termin “bolja” odnosno
“lošija” koji se ovdje upotrebljava nije sinonim za relaciju uređenja kakva je npr. relacija
“>” u skupu realnih brojeva),

 alternativa Ai je indiferentna u odnosu na Aj , što je slučaj kada je fik>fjk za neke

vrijednosti k, ali i fim<fjm za neke druge vrijednosti m, tj. u slučaju kada alternativa Ai ima
nekoliko vrijednosti kriterija “boljih” od Aj i istovremeno nekoliko vrijednosti kriterija
“lošijih” od Aj,

 alternativa Ai je neusporediva u odnosu na alternativu Aj , što je slučaj kada je nemogude

ustanoviti da li je fik>fjk ili fik<fjk ili je fik=fjk za jednu ili više vrijednosti k, tj. u slučaju kada
alternative Ai i Aj imaju vrijednosti nekog (ili nekih) kriterija nad kojima ne postoji relacija
kompletnog uređenja. U svim spomenutim slučajevima indeksi m i k pripadaju skupu
indeksa koji obilježavaju kriterijske funkcije, dok indeksi i i j pripadaju skupu indeksa koji
obilježavaju alternative.

Rezultat ovakvog poređenja je skup parova preferencije kao relacije koja ne mora biti
tranzitivna i koja očigledno ne vrši kompletno uređenja prostora alternativa - dakle iz
preferencije A1A2 (što bi se tumačilo kao “alternativa A1 je bolja od alternative A2”) i iz
A2A3 ne mora slijediti da je i A1A3 (A1 i A3 mogu biti neusporedivi, među njima može
vrijediti relacija indiferencije ili čak može vrijediti i A3A1). Kao grafička prezentacija se može
prikazati usmjereni grafik kao što je:

A4 A2 A3

A1 A6

A7 A5

Slika 12.4.1

Na ovom grafiku je npr. mogude uočiti slijedede relacije preferencije:

196
A1A4, A1A7, A7A6, A7A5, A4A2 i A3A2.

Obzirom da je na ovaj način iskorištena relacija preferencije donosiocu odluke često

nedostupna za određene parove alternativa Ai i Aj (npr. na prethodnoj slici nije
uspostavljena relacija preferencije između alternativa A1 i A2, iako vrijedi i A1A4 i A4A2),
uvodi se i pojam vjerojatnode da je AiAj. Dakle, sada se govori o tome da je AiAj sa
vjerojatnodom p, pri čemu je za p=1 alternativa Ai i u starom smislu bolja od alternative Aj,
dok npr. za p=0.9 (=90%) je veoma vjerojatno da je alternativa Ai bolja od alternative Aj.

U ovu grupu metoda prvenstveno spadaju metode ELECTRE (ELiminiation Et Choix

Traduissant la Realite – eliminacija i realan izbor) razvijeni za potrebe određivanja
redoslijeda renoviranja stanica pariškog metroa. Metodi su namijenjeni rangiranju
diskretnog skupa alternativa i kroz vrijeme su doživjeli razne modifikacije i dopune, dovodedi
do pojave metoda ELECTRE I, ELECTRE II i ELECTRE III.

12.4.1 Metoda ELECTRE I

Cilj ove metode(Bogardi et al., 1994, Goicoechea et al., 1982, Roy et al., 1986) nije
kompletno uređenje prostora alternativa tj. njihovo potpuno rangiranje, ved određivanje
“zadovoljavajudeg” podskupa alternativa, tj. takvog podskupa u kome nijedna alternativa
nije značajno lošija od onih alternativa van toga podskupa po bilo kom (jednom ili više) od
kriterija, dok je bolja za najvedi broj kriterija (pri kreiranju metode cilj je bio odrediti skup
stanica metroa koje najprije treba renovirati, pa je ovakav pristup posve logičan). U svrhu
valorizacije ovih vrijednosti formiraju se indeks suglasnosti i indeks nesuglasnosti koji bi
brojčano iskazivali koliko je neka alternativa bolja odnosno lošija od druge. Obzirom da
vrijednosti kriterijskih funkcija ne moraju biti brojčano određene, tu ulogu u slučaju indeksa
suglasnosti preuzimaju težinski faktori kriterija kojima se opisuje njihova relativna važnost
odnosno međusobna preferencija. Također donosilac odluke sam određuje željena razina
zadovoljenja oba ova indeksa, čime i generira pripadnost traženom “zadovoljavajudem”
podskupu.

12.4.1.1 Indeks suglasnosti

Pretpostavlja se da je svakom od kriterija fi dodijeljen težinski faktor ci, te da je skup

vrijednosti nad svakim od kriterija kompletno uređen (tj. da se za svake dvije vrijednosti
svakoga od kriterija može redi koja je od njih “bolja”). Dakle ako su za alternative Ai i Aj
vrijednosti k-tog kriterija fk respektivno fik i fjk, tada je uvijek fik<fjk (fjk je bolje od fik), ili fik>fjk

197
(fik je bolje od fjk), ili je fik=fjk (fik je jednako dobro kao fjk). U tom slučaju se indeks suglasnosti
između dviju alternativa Ai i Aj određuje kao odnos sume težinskih koeficijenata onih
kriterija za koje je Ai bolje od Aj i sume težinskih koeficijenata svih kriterija, ili, grubo rečeno,
kao postotak značaja kriterija za koje je Ai bolje od Aj.

Ako se uvedu oznake

c  (A i , A j )  c k , gdje je N+= { k : takvo da je fik>fjk, tj za koje je fik bolje od fjk }

kN 

c  (A i , A j )  c 
k , gdje je N-= { k: takvo da je fik<fjk, tj za koje je fjk bolje od fik }
kN

c  (A i , A j )  c 
k , gdje je N= = { k: takvo da postoji indiferencija između fiki fjk}
kN

(12.4.1)

Onda se indeks suglasnosti alternativa Ai i Aj može odrediti sa

1 
c 
c
CA i , A j   2 (12.4.2)
c  c  c

Očigledno indeks suglasnosti oslikava samo broj i značaj kriterija za koje je alternativa Ai
bolja od alternative Aj, ali ne i kvalitetu te prednosti, tj. u indeksu suglasnosti se ne
komprimira koliko je zaista je alternativa Ai bolja od alternative Aj po kriteriju fk.

12.4.1.2 Indeks nesuglasnosti

Da bi se odredio i stupanj nesuglasnosti, koristi se mjera mogude raznolikosti vrijednosti

pojedinačnih kriterija fk koja je iskazana kroz dodjelu parametra Ik svakom od njih. Tada se
vrši normalizacija vrijednosti k-tog kriterija i-te alternative fik u odnosu na najlošiju
vrijednost tog kriterija u diskretnom skupu alternativa sa


f ik  f k
f ik  
* Ik (12.4.3)
f k * f k

gdje fk* označava najbolju, a fk- najlošiju vrijednost kriterijske funkcije fk. Na ovaj način se

198
relativizira prednost u odnosu na najlošije rješenje i svodi na procentualni dio intervalnog
parametra Ik. Uz oznake

Dij=max(fjk-fik), za sve k{1,…,N} takve da je fjk>fik (12.4.4)

I*=max(Ik) , za sve k{1,…,N} (12.4.5)

se indeks nesuglasnosti dvije alternative Ai i Aj računa kao

D(Ai,Aj)=Dij/I*. (12.4.6)

12.4.1.3 Kritične (konturne) vrijednosti

Očigledno su obe spomenute vrijednosti C(Ai,Aj) i D(Ai,Aj) takve da vrijedi 0<C(Ai,Aj)<1 i

0<D(Ai,Aj)<1 i za definiranje preferencije alternative Ai nad alternativom Aj je poželjno da je
vrijednost za C(Ai,Aj) što veda, a za D(Ai,Aj) što manja. Stoga se od donosioca odluke zahtjeva
da odredi minimalnu vrijednost p za C(Ai,Aj) odnosno minimalnu razinu prednosti alternative
Ai nad alternativom Aj, te također i maksimalnu vrijednost q za D(Ai,Aj) odnosno maksimalnu
razinu prednosti alternative Aj nad alternativom Ai. U tom slučaju se kaže da je alternativa Ai
bolja od alternative Aj (AiAj) ako je

C(Ai,Aj)>p

D(Ai,Aj)<q (12.4.7)

Najbolja bi bila ona alternativa Ai za koje je

C(Ai,Al) >p

D(Ai,Al) <q (12.4.8)

199
za sve ostale alternative Al, ako takva postoji. Ako to nije slučaj onda postoji skup alternativa
B, koji čine alternative od kojih nema boljih (tj. skup alternativa A j za koje ne postoji relacija
AiAj ni za jedno i ). Sve alternative koje ne pripadaju skupu B se smatraju nedovoljno
privlačnim (jer nisu zadovoljile bilo koji od spomenutih uvjeta).

12.4.1.4 Ogledni primjer i analiza stabilnosti

U ranijem primjeru alternativa izgradnje višenamjenske akumulacije, gdje su alternative koje

de se razmatrati: A1 – ne graditi branu uopde, A2 – najskuplja i najobuhvatnija alternativa,
A3 – umjerena alternativa i A4 – alternativa izgradnje akumulacije sa najnižom cijenom, a
kriterijske funkcije opisuju troškove izgradnje, obuhvat zadovoljenja potreba i mogudnosti za
rekreaciju, je tabela normiranih vrijednosti imala oblik (ovdje je normalizacija izvedena
poređenjem stvarne i najvede vrijednosti kriterija, izraženo u procentima, tj. normirane
vrijednosti su kreirane sa fnorm = f / fmax *100) dat u 12.3.3.

Obzirom da kriterij f1 jedini treba minimizirati, on se može zamijeniti sa kriterijem -f1 koji
treba maksimizirati, što vodi ka ranijoj tabeli 12.3.4.

Neka su težinski koeficijenti dodijeljeni pojedinim kriterijima jednaki, tj. neka je

c1=c2=c3=1/3. tada je tabela indeksa suglasnosti C(Ai, Aj) data sa:

A1 A2 A3 A4

A1 - 0,333333 0,333333 0,333333

A2 0,666667 - 0,666667 0,666667

A3 0,666667 0,333333 - 0,666667

A4 0,666667 0,333333 0,333333 -

Tabela 12.4.1

Da bi se odredila tabela indeksa nesuglasnosti potrebno je definirati intervalne parametre

kriterijskih funkcija I1, I2 i I3, te potom koristedi upravo te intervalne parametre normirati
vrijednosti kriterijskih funkcija. Tabela tako normiranih vrijednosti bi za I1=I2=I3=1 imala
oblik:

200
 Alternative

A1 A2 A3 A4

f1 - troškovi min 1 0 0,2 0,7

f2 - obuhvat max 0 1 0,7 0,5

f3 - rekreacija max 0 1 0,777778 0,444444

Tabela 12.4.2

odakle slijedi i da tabela indeksa nesuglasnosti D(Ai, Aj) ima oblik (I*=1):

A1 A2 A3 A4

A1 - 1 0,777778 0,5

A2 1 - 0,2 0,7

A3 0,8 0,3 - 0,5

A4 0,3 0,555556 0,333334 -

Tabela 12.4.3

Potom je neophodno da se odrede minimalan stupanj suglasnosti p i maksimalan stupanj

nesuglasnosti q, pa ako se npr. uzme da je p=0,6 i q=0,31, dobile bi se naredne preferencije
između alternativa:

A2A3 i A4A1,

što bi na grafiku izgledalo

201
 A2 A3

A4 A1

Slika 12.4.2

Dakle očito bi alternative A3 i A1 bile eliminirane iz izbora jer metoda pokazuje od njih
postoje bolje.

Ako se uzme da je q=0,51 (uz p=0,6) tada su relacije preferencije slijedede:

A2A3, A4A1 i A3A4.

A2 A3 A4 A1

Slika 12.4.3

Iako to prethodni graf sugerira, ipak se ne može izvesti zaključak da je alternativa A2 bolja od
alternativa A4 ni od alternative A1, tj. da je prostor alternativa kompletno uređen, zbog toga
što ovako definirana relacija  nije tranzitivna. Iz tabela indeksa suglasnosti i nesuglasnosti
se vidi da je C(A2,A4) =0,666667 i D(A2,A4) =0,7, te da je C(A2,A1) =0,666667 i D(A2,A1) =1,
odnosno da u oba slučaja nije zadovoljen uvijet maksimalnog stupnja nesuglasnosti, što
implicira nemogudnost uspostave relacije A2A4 i A2A1. Ipak konačan izbor bi bila samo
alternativa A2, zbog toga što samo ona nema bolju od sebe.

Ako su težinski koeficijenti dodijeljeni pojedinim kriterijima različitih vrijednosti, tj. ako je
c1=0,5 i c2=c3=0,25 (što znači da je smanjenju troškova dat vedi značaj od obuhvata
zadovoljenja potreba i razvoja rekreacionih zona) tada je tabela indeksa suglasnosti C(Ai, Aj)
data sa:

202
 A1 A2 A3 A4

A1 - 0,5 0,5 0,5

A2 0,5 - 0,5 0,5

A3 0,5 0,5 - 0,5

A4 0,5 0,5 0,5 -

Tabela 12.4.4

U ovom primjeru je jasno pokazano da indeks suglasnosti ne govori o kvalitetu razlike u

zadovoljenju kriterijske funkcije, tj. razlike vrijednosti za različite alternative.

Da bi se odredila tabela indeksa nesuglasnosti potrebno je definirati intervalne parametre

kriterijskih funkcija I1, I2 i I3, te potom koristedi upravo te intervalne parametre normirati
vrijednosti kriterijskih funkcija. Tabela tako normiranih vrijednosti bi za I1=2, I2=I3=1 (što
ponovo oslikava povedan značaj smanjenja troškova) imala oblik:

Alternative

A1 A2 A3 A4

f1 - troškovi min 2 0 0,4 1,4

f2 - obuhvat max 0 1 0,7 0,5

f3 - rekreacija max 0 1 0,777778 0,444444

Tabela 12.4.5

odakle slijedi i da tabela indeksa nesuglasnosti D(Ai, Aj) ima oblik (I*=2):

203
 A1 A2 A3 A4

A1 - 0,5 0,388889 0,25

A2 1 - 0,2 0,7

A3 0,8 0,15 - 0,5

A4 0,3 0,277778 0,166667 -

Tabela 12.4.6

Ako se sada uzme da je p=0,5 i q=0,3, nema nijednog para preferencije alternativa. Međutim
ved ako je p=0,49 i q=0,31 dobile bi se naredne preferencije između alternativa:

A1A4 , A2A3 , A3A2 , A4A1 , A4A2 i A4A3

što samo po sebi govori o apsurdnosti izbora minimalnog stupnja suglasnosti p=0,49
(istovremeno je alternativa A1 bolja od alternative A4 i alternativa A4 je bolja od alternative
A1).

Ako je p=0,49 i q=0,21 dobile bi se naredne preferencije između alternativa:

A2A3 , A3A2 i A4A3

što također nede biti od pomodi donosiocu odluke. Upravo iz ovog primjera se može
primijetiti da je parametar suglasnosti p potrebno zadati vedim od 0,5 (ta bi se vrijednost
mogla tumačiti i kao vrijednost obostrane preferencije), što međutim u ovom slučaju
povedanog značaja investicija ne dovodi ni do jedne relacije preferencije.

Dodatni pristup je uveo Roy B. (Classement et choix an presence depoints de vue multiples:
la methode ELECTRE, RIRO 2, 8, pp. 57-75, 1968, također u Roy et al. 1986) izdvajajudi skup
K čiji su elementi alternative koje zadovoljavaju naredne uvjete:

 Ne postoji međusobna relacija preferencije između dvije alternative iz skupa K;

 Sve alternative koje nisu iz skupa K su preferirane od strane barem jedne alternative
iz skupa K.

204
Dakle ako vrijedi

A2A3 i A4A1,

skup K de očekivano činiti alternative A2 i A4, dok ako je

A2A3 , A3A4 i A4A1

skup K de (na mogude iznenađenje) ponovo činiti alternative A2 i A4, jer između A2 i A4 ne
postoji relacija preferencije (nije tranzitivna), a ako bi skupu K pripadala samo alternativa A 2,
tada za alternative A4 i A1 ne bi bio ispunjen drugi uvjet formiranja skupa K, tj. one ne bi bile
preferirane od strane barem jedne alternative iz K. dakle ovakvim pristupom se dodatno
stabilizira izbor “zadovoljavajudeg” podskupa alternativa, uz svakako osjetljivost pri izboru
vrijednosti parametara p i q.

12.4.2 Metoda ELECTRE II

Očigledan nedostatak metode ELECTRE I jeste da ne nudi kompletnu uređenost prostora

alternativa, ved samo (eventualno) izdvajanje podskupa alternativa, od kojih, po datoj
definiciji, preferencije, ne postoje “bolje”. Zato je naknadno razvijena i metoda ELECTRE II
(Bogardi et al., 1994, Goicoechea et al., 1982), koja se zasniva na istim principima
međusobnog poređenja kao i metoda ELECTRE I, uz jačanje uvjeta suglasnosti i
nesuglasnosti kako bi se postiglo cjelovito rangiranje svih alternativa.

12.4.2.1 Indeks suglasnosti

Ponovo se pretpostavlja da je svakom od kriterija fi dodijeljen težinski faktor ci, te da je skup

vrijednosti nad svakim od kriterija kompletno uređen (tj. da se za svake dvije vrijednosti
svakoga od kriterija može redi koja je od njih “bolja”) - ako su za alternative Ai i Aj vrijednosti
k-tog kriterija fk respektivno fik i fjk, tada je uvijek fik<fjk (fjk je bolje od fik), ili fik>fjk (fik je bolje
od fjk), ili je fik=fjk (fik je jednako dobro kao fjk). Indeks suglasnosti između dviju alternativa Ai i
Aj se, slično kao i kod metode ELECTRE I, određuje kao relativni odnos sume težinskih
koeficijenata onih kriterija za koje Ai nije lošije od Aj i sume težinskih koeficijenata svih
kriterija, ili, grubo rečeno, kao procenat značaja kriterija za koje je Ai bolje od Aj.

Ako se uvedu oznake kao u (12.4.1) onda se indeks suglasnosti alternativa Ai i Aj može
odrediti sa

205
 c  c
CA i , A j   (12.4.9)
c  c  c

Ponovo indeks suglasnosti oslikava samo broj i značaj kriterija za koje je alternativa Ai bolja
ili indiferentna u odnosu na alternativu Aj, ali ne i kvalitetu te prednosti, tj. u indeksu
suglasnosti se ne komprimira koliko je zaista je alternativa Ai bolja od alternative Aj po
nekom kriteriju fk (indeks suglasnosti objedinjuje jedino značaj svake pojedine alternative
kroz njen težinski koeficijent).

Slično kao i u primjeru metode ELECTRE I, donosilac odluke de odrediti vrijednost parametra
p kao minimalnog stupnja suglasnosti, tj. takvog da iz C(Ai, Aj)>p tek slijedi da su alternative
Ai i Aj mogudi elementi relacije AiAj. Metoda ELECTRE II dodatno zahtjeva i da vrijedi c+>c- ,
čime se neutralizira mogudnost obostrane preferencije alternativa Ai i Aj, koje imaju iste
vrijednosti kriterija.

12.4.2.2 Indeks nesuglasnosti

Da bi se odredio i stupanj nesuglasnosti, koristi se mjera mogude raznolikosti vrijednosti

pojedinačnih kriterija fk koja je iskazana kroz dodjelu parametra Ik svakom od njih. Tada se
vrši normalizacija vrijednosti k-tog kriterija i-te alternative fik u odnosu na najlošiju
vrijednost tog kriterija u diskretnom skupu alternativa sa


f ik  f k
f ik  
* Ik (12.4.10)
f k * f k

gdje fk* označava najbolju, a fk- najlošiju vrijednost kriterijske funkcije fk. Na ovaj način se
relativizira prednost u odnosu na najlošije rješenje i svodi na procentualni dio intervalnog
parametra Ik. Uz oznaku

f jk  f ik
D ijk  , za sve k{1,…,N} takve da je fjk>fik (12.4.11)
G (I k , Vk )

gdje Ik kao i ranije označava intervalni parametar za kriterij fk, a uvodi se i parametar Vk koji
de odslikati značaj razlike između vrijednosti fjk i fik (tj. značaj veličine fjk-fik).

Indeks nesuglasnosti dvije alternative Ai i Aj se tada definira sa

D(Ai,Aj)=max(Dijk) (12.4.12)

206
Dakle vrijednost G(Ik, Vk) je i uvedena upravo da bi se omogudila različita interpretacija
preferencije između alternativa koje zadovoljavaju neki kriterij sa 30% i 50%, u odnosu na
alternative koje isti kriterij zadovoljavaju sa 80% i 100% ( u oba slučaja je veličina fjk-fik ista,
ali G(Ik, Vk) u izrazu kojim se određuje Dijk sada služi kao mogudi korektor vrijednosti).

Ako se odredi da je

G(Ik, Vk)= max(Ik)=I* (12.4.13)

onda se indeks nesuglasnosti dvije alternative Ai i Aj računa jednako kao i slučaju metode
ELECTRE I sa

D(Ai,Aj)=Dij/I*. (12.4.14)

12.4.2.3 Jaka i slaba relacija preferencije

Od donosioca odluke se zahtjeva da odredi najmanju minimalnu vrijednost p- za C(Ai,Aj),

srednju minimalnu vrijednost p0 za C(Ai,Aj) i poželjnu minimalnu vrijednost p* za C(Ai,Aj), tj.
takve vrijednosti za koje vrijedi 0<p-< p0< p* <1. Također, od donosioca odluke se zahtjeva da
odredi takve vrijednosti parametra nesuglasnosti q0 i q* za koje vrijedi 0<q0<q*<1.

Tada se u slučaju jake relacije preferencije između alternativa Ai i Aj kaže da je alternativa Ai

“jako” bolja od alternative Aj (AiAj) ako je:

1. C(Ai,Aj)>p*

D(Ai,Aj)<q*

i c+>c- (12.4.15)

ili ako je

2. C(Ai,Aj)>p0

D(Ai,Aj)<q0

c+>c- (12.4.16)

207
Sa druge strane, u slučaju slabe relacije preferencije između alternativa Ai i Aj kaže se da je
alternativa Ai “slabo” bolja od alternative Aj (AiAj) ako je:

C(Ai,Aj)>p-

D(Ai,Aj)<q*

i c+>c- (12.4.17)

Dakle, ovaj put je mogude kreirati uređene grafove jake i slabe preferencije između
alternativa, čiji izgled direktno ovisi o izboru vrijednosti 0<p-<p0<p*<1 odnosno q0<q*<1.
Izmjenom vrijednosti 0<p-<p0<p*<1 te q0<q*<1 mogude je na takvim grafovima dobiti više ili
manje veza između čvorova, koji predstavljaju pojedinačne alternative.

Da bi se postiglo kompletno rangiranje, tj. kompletno uređenje prostora alternativa,

zahtjeva se složena procedura “rangiranja na dole” i “rangiranja na gore”, nakon čega se
konačan poredak postiže usrednjavanjem pozicija postignutim prilikom prva dva postupka.
Pri tome “rangiranje na dole” podrazumijeva najprije izbor najbolje alternative (ili najboljih
alternativa), potom najbolje od preostalih itd., dok “rangiranje na gore” podrazumijeva
najprije izbor najlošije alternative (ili najlošijih alternativa), potom najlošije od preostalih itd.

Osnovu za “rangiranje na dole” čini relacija jake preferencije i postupak ima slijedede
korake:

1. Neka je A skup svih alternativa i neka je formiran graf jake preferencije među
alternativama – sa H se označava skup svih alternativa koje nisu preferirane od
strane neke druge alternative, tj. H je skup svih alternativa Aj za koje nije tačna
relacija AiAj ni za jedno i.

2. Za formiran graf slabe preferencije iz H se može izdvojiti skup alternativa U među

kojima postoji međusobna relacija slabe preferencije.

3. Sa B se potom označava skup alternativa iz U koje nisu preferirane na osnovu slabe

preferencije od strane neke druge alternative.

4. T=(H/U)B je skup trenutno najboljih alternativa. Ako je A/T (gdje A/T označava
A/T={Ai: AiA, AiT}) prazan skup, postupak rangiranja je završen, a ako nije cijeli se
postupak ponavlja na preostalom skupu alternativa, tj. na skupu A’=A/T.

208
 5. Rezultat je kompletno rangiranje R u kome je svakoj alternativi Ai pridružena njena
pozicija R(Ai).

Sa druge strane, osnovu za “rangiranje na gore” čini relacija slabe preferencije – najprije se
odredi “najlošija” alternativa, potom slijededa itd., i postupak ima slijedede korake:

1. Neka je A skup svih alternativa i neka je formirani graf jake preferencije među
alternativama – ovaj se put odabire skup H’ alternativa Ai za koje nije tačna relacija
AiAj ni za jedno j (dakle skup najlošijih alternativa po jakoj preferenciji),

2. Za formiran graf slabe preferencije iz H’ se može izdvojiti skup alternativa U’ među

kojima postoji međusobna relacija slabe preferencije,

3. Sa B’ se potom označava skup alternativa iz U’ koje nisu preferentne na osnovu slabe

preferencije u odnosu na neku drugu alternativu,

4. T’=(H’/U’)B’ je skup trenutno najlošijih alternativa. Ako je A/T’ (gdje A/T’ označava
A/T’={Ai: AiA, AiT’}) prazan skup, postupak rangiranja je završen, a ako nije cijeli
se postupak ponavlja na preostalom skupu alternativa, tj. na skupu A’=A/T’.

5. Rezultat je kompletno rangiranje R’ u kome je svakoj alternativi Ai pridružena njena

pozicija R’(Ai).,

6. Kako trenutno najlošija alternativa ima rang 1, a najbolja posljednji rang, vrši se
invertriranje rangiranja sa

R’(Ai)=1+maxrang-rang(Ai)

gdje je rang(Ai) dobiveni rang ovim postupkom i maxrang=max(rang(Ai)).

Konačno, vrši se usrednjavanje ovako dobivenih mjernih vrijednosti sa

R (A i )  R ' (A i )
R 0 (Ai)  . (12.4.18)
2

Iako je rezultat kompletno uređenje prostora alternativa, tj. određivanje pozicije na rang-
listi za svaku pojedinačnu alternativu, obzirom da je riječ o izboru skupova alternativa u

209
svakom koraku iteracije to znači da se može desiti da dvije ili više alternativa imaju istu
poziciju, tj. da se smatraju jednako povoljnima.

Kako ovakav postupak rangiranja izgleda, može se prikazati slijededim primjerom (koji ne
odogovara stvarnom slučaju, ali je dovoljno ilustrativan za opis procedure). Neka su
alternative jakom i slabom preferencijom uređene na slijededi način:

Jaka preferencija

A1 A4 A7

A2 A5 A6 A8

A3 A9

Slika 12.4.4

Slaba preferencija

A1 A4 A7

A2 A5 A6 A8

A3 A9

Slika 12.4.5

Dakle vrijedi npr. A1A4 po jakoj preferenciji, ili A2A3 po slaboj preferenciji. Promatra se
najprije procedura rangiranja na dole. U prvom koraku skup H alternativa od kojih nema
boljih po jakoj preferenciji čine alternative A1, A2 i A3. Međutim po slaboj preferenciji između
A2 i A3 postoji relacija A2A3 što vodi ka tome da de rang 1 imati samo alternative A1 i A2.
One se eliminiraju iz izbora i tako se dolazi do novog skupa alternativa:

Jaka preferencija Slaba preferencija

A4 A7 A4 A7

A5 A6 A8 A5 A6 A8

A3 A9 A3 A9
210
 Slika 12.4.6

U ovom koraku, skup H alternativa od kojih nema boljih po jakoj preferenciji čine alternative
A3 i A5. Po slaboj preferenciji između A3 i A5 postoji relacija A3A5 , što znači da de rang 2
imati samo alternativa A3. Ona de se eliminirati iz izbora i tako se dolazi do novog skupa
alternativa:

Jaka preferencija Slaba preferencija

A4 A7
A4 A7

A5 A6 A8
A5 A6 A8

A9
A9

Slika 12.4.7

U ovom koraku, skup H alternativa od kojih nema boljih po jakoj preferenciji čini samo
alternativa A5, koja de imati rang 3. Ona de se eliminirati iz izbora i tako se dolazi do novog
skupa alternativa:

Jaka preferencija Slaba preferencija

A4 A7 A4 A7

A6 A8 A6 A8

A9 A9

Slika 12.4.8

211
U narednom koraku, skup H alternativa od kojih nema boljih po jakoj preferenciji čine
alternative A4 i A6. Po slaboj preferenciji između A4 i A6 ne postoji relacija preferencije, što
znači da de rang 4 imati obje ove alternative. Ona de se eliminirati iz izbora i tako se dolazi
do novog skupa alternativa:

Jaka preferencija Slaba preferencija

A7 A7

A8 A8

A9 A9

Slika 12.4.9

Sada je očigledno da de sve ove 3 alternative imati rang 5, čime je skup alternativa iscrpljen.
Dakle tabela rang pozicija bi imala oblik:

Alternativa 1 2 3 4 5 6 7 8 9

Pozicija R 1 1 2 4 3 4 5 5 5

Tabela 12.4.7

Potom se ponovo vrši rangiranje alternativa nagore. Neka su ponovo alternative jakom i
slabom preferencijom uređene na slijededi način:

Jaka preferencija Slaba preferencija

A1 A4 A7
A1 A4 A7

A2 A5 A6 A8 A5
A2 A6 A8

A3 A9 A3 A9

212
 Slika 12.4.10

U prvom koraku skup H’ alternativa od kojih nema lošijih po jakoj preferenciji čine
alternative A7, A8 i A9. Po slaboj preferenciji između ovih alternativa ne postoji međusobna
relacija preferencije, što vodi ka tome da de rang 1 imati sve tri ove alternative. One se
eliminiraju iz izbora i tako se dolazi do novog skupa alternativa:

Jaka preferencija Slaba preferencija

A1 A4
A1 A4

A2 A5 A6
A2 A5 A6

A3
A3

Slika 12.4.11

U slijededem koraku, skup H’ alternativa od kojih nema lošijih po jakoj preferenciji čine
alternative A3, A4 i A6. Po slaboj preferenciji između A3 i A4 postoji relacija A3A4 , što znači
da de rang 2 imati samo alternative A4 i A6. One de se eliminirati iz izbora i tako se dolazi do
novog skupa alternativa:

Jaka preferencija Slaba preferencija

A1 A1

A2 A5 A2 A5

A3 A3

213
 Slika 12.4.12

U ovom koraku skup H’ alternativa od kojih nema lošijih po jakoj preferenciji čine alternative
A1, A3 i A5. Po slaboj preferenciji između A3 i A5 postoji relacija A3A5 , što znači da de rang 3
imati samo alternative A1 i A5. One de se eliminirati iz izbora i tako se dolazi do novog skupa
alternativa:

Jaka preferencija
A2 A2

A3 A3
Slaba preferencija

Slika 12.4.13

U ovom koraku, skup H’ alternativa od kojih nema boljih po jakoj preferenciji čine obje
preostale alternative A2 i A3. Međutim, po slaboj preferenciji između A2 i A3 postoji relacija
preferencije A2A3, što znači da de rang 4 imati samo alternativa A3. Ona de se eliminirati iz
izbora i tako Alternativa A2 ostaje jedina preostala koja dakle ima rang 5.

Dakle tabela rang pozicija u ovom rangiranju bi imala oblik (uključujudi i invertriranje rang
pozicija):

Alternativa 1 2 3 4 5 6 7 8 9

Pozicija 3 5 4 2 3 2 1 1 1

Inverzna pozicija R’ 3 1 2 4 3 4 5 5 5

Tabela 12.4.8

I konačno, vrši se usrednjavanje rang pozicija R i R’, na osnovu jednakosti

R( Ai )  R' ( Ai )
R0 ( Ai )  (12.4.19)
2

214
što vodi ka tabeli

Alternativa 1 2 3 4 5 6 7 8 9

Pozicija R 1 1 2 4 3 4 5 5 5

Pozicija R’ 3 1 2 4 3 4 5 5 5

Konačna pozicija R0 2 1 2 4 3 4 5 5 5

Tabela 12.4.9

Dakle, po metodu ELECTRE II konačan poredak bi bio:

1. A2

2. A1, A3

3. A5

4. A4, A6

5. A7, A8, A9 .

12.4.2.4 Ogledni primjer

U oglednom primjeru alternativa izgradnje nove višenamjenske hidroakumulacije, u sva 3

spomenuta slučaja vrednovanja alternativa (c1=c2=c3=1/3 ili c1=0.5 i c2=c3=0.25 ili
c1=c2=0.25 i c3=0.5) tabela vrijednosti C(Ai,Aj) ima oblik (za N=3, N=2 i N=4 respektivno)

A1 A2 A3 A4

A1 - 1/N 1/N 1/N

A2 (N-1)/N - (N-1)/N (N-1)/N

A3 (N-1)/N 1/N - (N-1)/N

A4 (N-1)/N 1/N 1/N -

Tabela 12.4.10

215
što znači da nema mogudnosti izbora vrijednosti 0<p-< p0< p* <1 koje bi (uz izbor 0<q0<q*<1)
određivale jaku ili slabu preferenciju. To je razlog zašto ovaj primjer nije obrađen i metodom
ELECTRE II.

12.4.3 Metoda ELECTRE III

I ova metoda (Bogardi et al., 1994) ima za cilj kompletno uređenje prostora alternativa, tj.
određivanje relacije preferencije za svake dvije alternativa iz tog prostora (pri čemu
alternativa Ai može biti bolja od alternative Aj, ili alternativa Aj može biti bolja od alternative
Ai ili među njima postoji relacija indiferencije –dakle svakako nisu neusporedive). Dodatni cilj
je odrediti indeks (indikator) preferentnosti R(Ai,Aj) koji bi iskazao stupanj preferentnosti
jedne alternative nad drugom (gdje bi R(Ai,Aj)=1 značilo da je alternativa Ai barem toliko
dobra kao i alternativa Aj – R(Ai,Aj)0). Takav indeks je funkcija indeksa suglasnosti i
nesuglasnosti, koji su korišteni u metodi ELECTRE I i ELECTRE II.

Ako vrijedi relacija AiAj (Ai je bolja odAj) onda je i R(Ai,Aj)- R(Aj,Ai)>0 , pa se odabire i neka
minimalna konstantna vrijednost R0 takva da R(Ai,Aj)- R(Aj,Ai)> R0 direktno implicira zaključak
da je alternativa Ai bolja od alternative Aj. U opdem slučaju R0 i ne mora biti konstantna
vrijednost, tj. može ovisiti o vrijednostima R(Ai,Aj) i R(Aj,Ai), čime se dodatno uzima u obzir i
visina pojedinačnih preferentnosti jedne alternative nad drugom.

Za poređenje dviju alternativa Ai i Aj po samo jednom kriteriju fk se uvode tri granične

vrijednosti poređenja:

 funkcija indiferencije Ik

 funkcija preferencije Pk

 funkcija veta Vk .

Njihova uloga je sljededa:

1. Funkcija indiferencije opisuje obuhvat vrijednosti, unutar koga se može zaključiti da su

alternative Ai i Aj po kriteriju fk jednako "dobre", tj. ako je

fjk<fik+Ik(fik)

izvodi se zaključak da je alternativa Ai dobra barem koliko i alternativa Aj po kriteriju fk.

216
2. Funkcija preferencije opisuje obuhvat vrijednosti, unutar koga se može zaključiti da je
alternativa Ai bolja od alternative Aj po kriteriju fk , tj. ako je

fjk>fik+Pk(fik)

izvodi se zaključak da je alternativa Aj bolja od alternative Ai po kriteriju fk.

3. Funkcija veta opisuje obuhvat vrijednosti, unutar koga se može zaključiti da je

alternativa Ai sveukupno bolja od alternative Aj, tj. ako je

fjk>fik+Vk(fik)

izvodi se zaključak da je alternativa Aj bolja od alternative Ai, bez obzira na odnos

njihovih vrijednosti po ostalim kriterijima.

Očigledno vrijedi 0<Ik<Pk<Vk , bez obzira na vrijednost fik.

12.4.3.1 Indeks suglasnosti

Ova metoda koristi indeks suglasnosti po pojedinim kriterijima C(Ai,Aj,fk) koji se definira na
slijededi način:

C(Ai,Aj,fk)=1 ako je fjk<fik+Ik(fik) ,

C(Ai,Aj,fk)=0 ako je fjk>fik+Pk(fik) ,

Pk (f k )  f ik  f jk
C(A i , A j , f k )  ako je fik+Ik(fik)fjkfik+Pk(fik) . (12.4.20)
Pk (f k )  I k (f k )

Konačno, indeks suglasnosti dvije alternative Ai i Aj se tada definiše sa

n n Pk  f ik  f jk
C(A i , A j )   ck   c k * (12.4.21)
k 1 k 1 Pk  I k

gdje je prva suma po svim k takvim da je fjk<fik+Ik, tj. za sve k takve da su vrijednosti
kriterijske funkcije fk za alternative Ai i Aj jednako “dobre”, dok se druga suma uzima za sve k

217
takve da je fik+Ik<fjk<fik+Pk. Ovaj se postupak izborom Ik=Pk=0 svodi na određivanje indeksa
suglasnosti kao za slučaj metode ELECTRE I.

12.4.3.2 Indeks nesuglasnosti

Indeks nesuglasnosti po pojedinim kriterijima D(Ai,Aj,fk) se definira tako što se prethodnim

formulama indeksa suglasnosti Ik zamijeni sa Vk.

Indeks preferentnosti se zatim određuje iz

R (A i , A j )  C(A i , A j ) * CD(A i , A j ) (12.4.22)

gdje je

1  D(A i , A j , f k )
CD(A i , A j )  1 * ako je C(Ai,Aj)> D(Ai,Aj,fk)
1  C(A i , A j )

odnosno

CD(A i , A j )  1 ako je C(Ai,Aj)< D(Ai,Aj,fk) (12.4.23)

Dodatnim izborom vrijednosti R0 takve da R(Ai,Aj)- R(Aj,Ai)> R0 direktno implicira zaključak da

je alternativa Ai bolja od alternative Aj de se dobiti relacija preferencije između alternativa.
Procedura rangiranja alternativa po svemu liči na onu koja se primjenjuje u metodi ELECTRE
II: vrši se rangiranje na dole, rangiranje na gore i konačno usrednjavanje dobivenih rang
pozicija.

12.4.4 Metode PROMETHEE

I metoda PROMETHEE (Preference Ranking Organization METHods for Enrichment

Evaluation) je jedna od metoda koja zahtjeva određenu unaprijed definiranu preferenciju
donosioca odluke. Kao i metode ELECTRE i ova metoda je doživjela svoj razvoj kroz inačice I-
IV, pri čemu metoda PROMETHEE I daje kao rezultat samo parcijalno uređenje prostora
alternativa, tj. podskup rješenja koja se smatraju jednako optimalnima, dok metoda
PROMETHEE II potpuno uređuje prostor alternativa, osiguravajudi kompletno rangiranje.
Metode PROMETHEE III i IV su samo dalja proširenja metode PROMETHEE II na intervalni
poredak odnosno neprekidne skupove (Opricovid 1986, 1992, 1998).

Relacije preferencije se uvode za svaku kriterijsku funkciju posebno, i to sa:

218
 
0 za f k (A i )  f k (A j )
Pk (A i , A j )   (12.4.24)
 Pk(f k (A i )  f k (A j ))
 za f k (A i )  f k (A j )

tj. ako se označi dijk=fk(Ai)-fk(Aj), onda je


0 za f k (A i )  f k (A j )
Pk (A i , A j )   (12.4.25)
za f k (A i )  f k (A j )
k

 Pk(d ij )

Funkcija Pk(fk(Ai)-fk(Aj)) prima vrijednosti iz intervala [0,1] i najčešde se zadaje na 1 od

slijededih načina:


0 za d ij  0
k

1. Pk (A i , A j )   (12.4.26)
za d ij  0
k

1

(tzv. prosti kriterij) ;


0 za d ij  q k
k

2. Pk (A i , A j )   (12.4.27)
za d ij  q k
k

1

(tzv. kvazi- kriterij) ;

0 za d ij  0
k


 k
3. Pk (A i , A j )  d ij / p k za 0  d ij  p k
k
(12.4.28)

za d ij  p k
k

1

(tzv. linearni kriterij) ;

0 za d ij  q k
k


4. Pk (A i , A j )  1 / 2 za q k  d ij p k
k
(12.4.29)

za d ij  p k
k
 1

(tzv. kriterij razina) ;

219
 0 za d ij  q k
k

 k
 d ij  q k
5. Pk (A i , A j )   za q k  d ij p k
k
(12.4.30)
 pk  qk
 1 za d ij  p k
k


(tzv. linearni kriterij za dopunskom indiferentnošdu) ;


0 za d ij  0
k

6. Pk (A i , A j )   (12.4.31)
 1  exp( d k / 2 k ) za d ij  0
2 2 k


(tzv. Gaussov kriterij) ;

Granične vrijednosti pk i qk koje određuju razine tolerancije razlika između vrijednosti

kriterija, kao i Gaussov parametar k, se zadaju unaprijed za svaku kriterijsku funkciju prema
željenom tipu preferencije. Također, potrebno je zadati i težinske koeficijente ck za svaki od
n postavljenih kriterija fk, uz dopunski uvjet da je

c = 1
i =1
i (12.4.32)

što se uvijek može i naknadno postidi normalizacijom zadanih težina sa

n ci
c =  ci , ci = , i = 1..n (12.4.33)
i =1 c

Potom se određuje ukupni višekriterijski indeks preferencija P(Ai,Aj) alternative Ai nad

alternativom Aj sa

n
P(A i , A j )   c k Pk (A i , A j ) (12.4.34)
k 1

nakon čega se određuje tzv. pozitivan i negativan tok preferencije alternative Ai sa

J
P  (A i )   P(A i , A j ) (pozitivan tok, broj alternativa J) (12.4.35)
j1

220
 J
P  (A i )   P(A j , A i ) (negativan tok, broj alternativa J) (12.4.36)
j1

Napokon, konačna mjera dobrote alternative Ai određuje se iz

P(A i )  P  (A i )  P  (A i ) (12.4.37)

Time je prostor alternativa kompletno uređen, jer se relacija “alternativa Ai je bolja od

alternative Aj” poistovjeduje se relacijom P(Ai)>P(Aj). Obzirom da je rezultat svih ovih operacija
preslikavanje iz prostora alternativa u uređeni prostor R (P: Ai  P(Ai)  R), u pitanju je složeno
definiranje funkcije utiliteta donosioca odluke.

12.4.4.1 Ogledni primjer i analiza metode

Nedostatak i ove metode, kao i ostalih metoda sa unaprijed izraženom preferencijom, je

nedostatak povratne sprege ka donosiocu odluke i nemogudnost postupnog profiliranja
njegove preferencije. Naime, suviše često je zahtjev da unaprijed odredi težine kriterija
(ponekad i same kriterije) te pragove indiferentnosti ili model preferentne funkcije suviše strog
za donosioca odluke koji ga nije u stanju ispuniti.

U daljem se razmatra primjena metode PROMETHEE na ranije prikazani primjer izgradnje

višenamjenske akumulacije. Radi prilagođavanja zahtjevu da se vrši maksimiziranje, kriterij f1
koji opisuje troškove (a koji je trebalo minimizirati) je zamijenjen sa kriterijem -f1, tako da
tabela alternativa i vrijednosti kriterija ima oblik:

Alternative

A1 A2 A3 A4

f1 – neg. troškovi max 0 -100.000.000 -80.000.000 -30.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 12.4.11

221
Pretpostavi li se da je za sva tri kriterija odabran linearni kriterij te da su odgovarajude
vrijednosti za pk date sa p1=50.000.000 , zatim p2=30% i p3=3 onda bi tablice preferencije
imale slijededi oblik - za kriterij f1:

P1 A1 A2 A3 A4

A1 - 1 1 0,6

A2 0 - 0 0

A3 0 0,4 - 0

A4 0 1 1 -

Tabela 12.4.12

Za kriterij f2:

P2 A1 A2 A3 A4

A1 - 0 0 0

A2 1 - 1 1

A3 1 0 - 0,66666667

A4 1 0 0 -

Tabela 12.4.13

Za kriterij f3:

P3 A1 A2 A3 A4

A1 - 0 0 0

A2 1 - 0,66666667 1

A3 1 0 - 1

A4 1 0 0 -

Tabela 12.4.14
Uz pretpostavku da su težine kriterija jednake, tj. da vrijedi c1=c2=c3=1/3, slijedi da tabela
ukupnih višekriterijskih indeksa preferencije između alternativa ima oblik:

222
 P(A1,A2) P(A1,A3) P(A1,A4)

0,33333333 0,333333333 0,2

P(A2,A1) P(A2,A3) P(A2,A4)

0,66666667 0,555555556 0,66666667

P(A3,A1) P(A3,A2) P(A3,A4)

0,66666667 0,133333333 0,55555556

P(A4,A1) P(A4,A2) P(A4,A3)

0,66666667 0,333333333 0,33333333

Tabela 12.4.15

odakle slijedi i da su vrijednosti pozitivnog odnosno negativnog toka te konačna mjera

dobrote alternativa date sa

F+(A1) F-(A1) F(A1)

0,866667 2 -1,13333

F+(A2) F-(A2) F(A2)

1,888889 0,8 1,088889

F+(A3) F-(A3) F(A3)

1,355556 1,222222 0,133333

F+(A4) F-(A4) F(A4)

1,333333 1,422222 -0,08889

Tabela 12.4.16

223
Dakle sveukupno najbolja bi bila alternativa A2, potom A3, pa A4 i najposlije A1.

Uz pretpostavku o istom izboru tipa preferencije i referentnih pragova pk, slijedi

pretpostavka o povedanom značaju kriterija troškova f1, tj. da su težinski koeficijenti dati
c1=1/2, c2=c3=1/4, sada slijedi da su vrijednosti pozitivnog odnosno negativnog toka te
konačna mjera dobrote alternativa date sa

F+(A1) F-(A1) F(A1)

1,3 1,5 -0,2

F+(A2) F-(A2) F(A2)

1,416667 1,2 0,216667

F+(A3) F-(A3) F(A3)

1,116667 1,416667 -0,3

F+(A4) F-(A4) F(A4)

1,5 1,216667 0,283333

Tabela 12.4.17

Dakle, sveukupno najbolja ovaj put bi bila alternativa A4, potom A2, pa A1 i najposlije A3, tj.
vidi se da sada nijedna alternativa nije zadržala raniju poziciju.

Uz ponovnu pretpostavku o istom izboru tipa preferencije i referentnih pragova p k, koristi se

pretpostavka o povedanom značaju kriterija razvoja turizma-rekreacije f3, tj. da su težinski
koeficijenti dati sa c1=c2=1/4, c3=1/2, te sada slijedi da su vrijednosti pozitivnog odnosno
negativnog toka te konačna mjera dobrote alternativa date sa

224
 F+(A1) F-(A1) F(A1)

0,65 2,25 -1,6

F+(A2) F-(A2) F(A2)

2,083333 0,6 1,483333

F+(A3) F-(A3) F(A3)

1,516667 1,083333 0,433333

F+(A4) F-(A4) F(A4)

1,25 1,566667 -0,31667

Tabela 12.4.18

Dakle, sveukupno najbolja ovaj put bi ponovo bila alternativa A2, potom A3, pa A4 i najposlije
A1, kao i u prvom slučaju.

Rekapitulacija rezultata ovako odabranih težinskih koeficijenata (za odabrane granične

vrijednosti indiferencije pk) ima oblik

alternative i njihov rang

Izbor težinskih koeficijenata A1 A2 A3 A4

c1=c2=c3=1 4 1 2 3

c1=0.5, c2=c3=0.25 3 2 4 1

c1=c2=0.25, c3=0.5 4 1 2 3

Tabela 12.4.19

odakle se vidi da je izbor alternative A4 kao optimalne ugrožen samo povedanjem težine

225
kriterija troškova, kada alternativa A3, inače najlošija, postaje optimalna.

12.5 Metoda PRIMAVERA

I metoda PRIMAVERA (PRIoritizing Measures and Actions for Valid, Effective and RAtional
environmental management) je jedna od metoda koja zahtjeva određenu unaprijed
definiranu preferenciju donosioca odluke (DHV Consultants 1996, Van Rooy et al. 1995, Van
Sluis et al. 1997). Ovo je jedna od rijetkih metoda koja je kreirana na zahtjev određene
institucije – naime metoda PRIMAVERA je razvijena i verificirana od strane Holandske
fondacije za primijenjena istraživanja u sektoru voda (Netherlands Foundation for Applied
Water Research - STOWA), iako je prvenstveno namijenjena višekriterijskom rangiranju u
sektoru voda primjenjiva je i za druge probleme sličnog tipa.

Polazna pretpostavka metode je da najprije treba ispitati tekudu situaciju u domenu koji nas
interesira i generirati željene ciljeve. Na temelju njih se mogu uočiti tačke ili jedinke koje te
ciljeve ne zadovoljavaju (tačke fokusa naše pažnje - focus points), te definirati mjere za
zadovoljenje istih. Takvo polje mjera je zatim potrebno urediti (odrediti poredak unutar
njega) te najzad kreirati i verificirati plan djelovanja i krenuti u implementaciju.

Ova metoda objedinjuje osnovne osobine kako analize tipa cost-effectiveness tako i
višekriterijske analize, kroz složeni proces planiranja koji se shematski može prikazati u
obliku:

UVOD

STANJE CILJEVI

PROBLEMI

MJERE

PRIORITETI

MODEL B MODEL A MODEL C

PLAN

PRIMJENA

226
 Slika 12.5.1

U ovakvom procesu planiranja metoda PRIMAVERA podržava korake označene sa 4, 5 i 6.

Nakon uočenog postojedeg stanja u sektoru i postavljenih ciljeva, ved se zapaža skup
problema (diskrepancije između postojedeg i ciljnog stanja), nakon čega se definiraju mjere
za njihovo rješavanje (što može npr. biti i slučaj samo jednog problema i više potencijalnih
mjera za njegovo rješavanje, od kojih treba odabrati samo jednu). Između skupa uočenih
problema i definiranih mjera ne mora postojati bijektivno preslikavanje, jedna mjera može
imati utjecaja na nekoliko problema, kao što i jedan problem može biti rješavan (ili umanjen)
sa više mjera.

PROBLEM MJERA
A 1

B 2

C 3

D 4

E 5
Slika 12.5.2

Rang svake od mjera je određen funkcijom korisnosti, koja predstavlja proizvod stupnja cost-
efectiveness tj. odnosa trošak/učinak i podrške mjeri, tj. funkcije definirane sa

Fm  C m * Pm (12.5.1)

gdje je C indeks trošak/učinak, a P indeks podrške. Da bi se odredili ovi indeksi, u obzir se

uzima osam različitih aspekata ( unaprijed određenih kriterija) – to su za odnos
trošak/učinak težina (GR – gravity) i obuhvat (SC – scope) uočenog problema, te efikasnost
(EF – efectiveness) i trošak (CO - cost) mjere za rješavanje tog problema. Aspekti podrške su
postojedi preduvjeti (PR – prerequisites), vrijeme potrebno za izvedbu (TE – time to effect),
administrativna podrška (AA – administrative appreciation) i društvena podrška (SA – social
appreciation) predloženoj mjeri. Dakle ved se da uočiti da ova metoda ne dopušta širu
slobodu izbora kriterija za rangiranje alternativa (mjera), ved unaprijed definira one kriterije

227
koje smatra dominantnim za djelovanje, u sektoru voda prvenstveno. Posebno je
interesantno zapaziti da se među aspektima nalazi i tzv. administrativna podrška, tj. alat
kojim se može naglasiti uloga samog donosioca odluke, odnosno postojanje ili nepostojanje
njegove podrške određenoj mjeri.

Uočeni problem predstavlja diskrepanciju između nekog zadatog (željenog) stanja i

postojedeg stanja. Svaki uočeni problem se vrednuje po dva osnova – to su težina i opseg
(obuhvat) datog problema. Npr. ako je problem nekvalitetna vodoopskrba nekog naselja,
podatak da svaki stanovnik dobije 30 l vode dnevno govori o težini tog problema, a podatak
da u naselju živi 10000 stanovnika o njegovom opsegu. Efikasnost mjere za rješavanje tog
problema podrazumijeva promjenu stanja uočenog problema (za prethodni primjer bi to
mogla biti mjera koja je doprinijela da je nakon njene implementacije svaki stanovnik
opskrbljen sa 100 l vode dnevno), dok se trošak vodi po godišnjoj osnovi i podrazumijeva
kako investicijske, tako i troškove održavanja. Indeks mjere je dakle proporcionalan težini i
obuhvatu problema te efikasnosti mjere (želja je teže probleme prije riješiti, sa što više
učinka), i obrnuto proporcionalna trošku (nastoje se troškovi minimizirati), pa autori modela
PRIMAVERA grubo opisuje indeks trošak/učinak Cp,m mjere m na problem p sa

C p,m  GR p * SC p * EFp,m / CO m (12.5.2)

gdje je GRp težina uočenog problema p, SCp obuhvat problema p, EFp,m efikasnost mjere m
na problem p i COm trošak mjere m. Indeks SCp ima ulogu da uspostavi balans između težine
problema i troška mjere, da se on umanji ili otkloni. Stvarna formula je složenija (kasnije je
data) i vrijednosti Cp,m se nalaze u intervalu [0,10].

Obzirom na probleme u preciznom vrednovanju ova četiri indeksa (kako zbog nepostojanja
odgovarajudih instrumenata, tako i vremenskog utroška da se do podataka dođe), uočeno je
da se pažnja donosioca odluke često pretjerano usmjerava ka što tačnijem određenju
indeksa GR, SC, EF ili CO, što u krajnjoj mjeri uglavnom ne utiče značajno na konačnu ocjenu
dobrote. Zato se u metodI PRIMAVERA određuju intervali pripadnosti svakog od ovih
indeksa, tj. tačke preloma vrijednosti, a svaki od ovih indeksa može imati samo vrijednost 1,
2, 3 ili 4.

Kada je u pitanju težina problema, ove četiri vrijednosti imaju slijedede značenje:

1: mali problem,

2: problem srednje veličine,

228
 3: ozbiljan problem,

4: kritičan problem.

Vrijednost se može utvrditi uspostavom odgovarajude intervalne ljestvice, ali i

konzistentnom procjenom eksperta. Važno je ne pogriješiti uključenjem i obuhvata
problema u ovu vrijednost – težina problema opisuje samo različitost između ciljnog i
postojedeg stanja.

Obuhvat problema je najčešde (barem u sektoru voda) dužina, površina, broj stanovnika,
dakle neka promjenljiva koja ima geografsko ili socijalno značenje. Kada je u pitanju obuhvat
problema, njegove vrijednosti imaju slijedede značenje:

1: usko-lokalni obuhvat,

2: lokalni obuhvat,

3: dio prostora planiranja,

4: cio prostor planiranja.

Vrijednost se utvrđuje uspostavom odgovarajude intervalne ljestvice, tj. tačaka promjene

vrijednosti, sa kojima se porede stvarne brojčane vrijednosti. Mogude je tačke promjene
vrijednosti odabrati na jednakim rastojanjima na logaritamskoj skali, ali se u tom slučaju
preporučuje upotreba iste baze logaritma na skali za određivanje tačaka promjene
vrijednosti aspekta troškova.

Ove granice promjena ponašanja (ocjene, "yardsticks") treba uvijek određivati tako da
raspon pojavnih vrijednosti bude disperzivno raspoređen unutar formiranih intervala, čime
se zapravo i postiže neophodno klasificiranje problema. Njih eventualno možemo mijenjati i
tijekom samog procesa, ali to zahtjeva i ponovni proračun ocjena za težinu i obuhvat.

Učinkovitost ili efikasnost mjere na rješavanju problema opisuje stupanj zadovoljenja ciljne
vrijednosti polazedi od postojedeg stanja, tj. stupanj otklanjanja uočenog problema. Kada je
u pitanju efikasnost, vrijednosti imaju slijedede značenje:

1: mala efikasnost,

229
 2: srednja efikasnost,

3: visoka efikasnost,

4: potpuna efikasnost (problem otklonjen).

Ove vrijednosti opisuju kakav je učinak mjera imala na ciljni problem(e), dok se njen efekt
van područja planiranja, odnosno trenutnog interesiranja, ovdje ne uzima u obzir (može
eventualno biti dio administrativne ili društvene podrške). Očito se ova vrijednost može
shvatiti i kao opis u kom postotku je uklonjen uočeni problem (ocjena 4 znači (gotovo) 100%
otklonjen problem, tj. dostignuta ciljna vrijednost). Ovakav pristup može olakšati odabir
tačaka promjene vrijednosti (na ljestvici 0-100%).

Troškovi mjere opisuju ukupne investicijske i troškove održavanja, bez obzira ko ih snosi
(nije uputno npr. subvencije ne uključivati u trošak). Troškovi se obračunavaju na godišnjoj
razini, u cjelokupnom vijeku upotrebe i uključuju i kamate, amortizaciju, troškove rada i
održavanja. Kada je u pitanju trošak, vrijednosti imaju slijedede značenje:

1: nizak trošak,

2: srednji trošak,

3: visok trošak,

4: veoma visok trošak.

Ove vrijednosti je lako dodijeliti, nakon što se najprije kreira odgovarajuda intervalna
ljestvica troškova, tj. odrede tačke promjene vrijednosti aspekta troškova.

Prednost ovakvog pristupa, u kome svaki aspekt može imati samo jednu od četiri vrijednosti,
jeste pojednostavljenje postupka vrednovanja, ali kritičan detalj postaje određivanje
graničnih vrijednosti intervala na kojima se definira jedinstvena vrijednost indeksa GR, SC, EF
ili CO. U određivanju ovih vrijednosti svakako značajnu ulogu treba imati donosilac odluke,
koji time izražava svoju preferenciju, odnosno indiferenciju, u odnosu na izvjesnu razliku
između dvije alternative po istom kriteriju. Sve ove vrijednosti su važede samo u jednom
planskom procesu i, bez obzira na nepromjenljivost stanja u vremenu, moraju se ponovo
određivati u novom zadatku planiranja - one same po sebi predstavljaju značajan faktor
nestabilnosti procesa.

230
Ako su vrijednosti odnosa učinak/trošak za različite mjere, koje se izvode iz ova četiri
aspekta, suviše bliske jedna drugoj i ne odgovaraju očekivanjima korisnika, onda postoji
mogudnost da su tačke promjene vrijednosti pojedinih aspekata loše odabrane i proces
treba ponoviti sa novim vrijednostima tačaka promjene. Da su ove tačke neodgovarajude,
može se vidjeti ved i ako gotovo sve mjere imaju iste vrijednosti nekog od spomenuta četiri
aspekta, tj. ako dolazi do koncentracije njihovih vrijednosti na intervalnoj ljestvici.

Aspekti podrške su dopunski alat koji nije obvezan – donosiocu odluke se pruža mogudnost,
ne i namede, da u rangiranje mjera uključi i parametre koji su po svojoj prirodi pretežno
subjektivni. Aspekti podrške mjeri predstavljaju korektivni indeks odnosu trošak/učinak i
dijele se u dvije grupe po svom utjecaju. U prvu grupu spadaju postojedi preduvjeti (PR) i
vrijeme potrebno za izvedbu (TE) i oni odražavaju tehničke okolnosti predložene mjere u
datom trenutku. Utjecaj ovih indeksa je vedi na mjere sa vedim indikatorom odnosa
trošak/učinak, nego na one sa manjim. Drugu grupu čine administrativna podrška (AA) i
društvena podrška (SA) predloženoj mjeri i obje su apsolutni korektiv, tj. generalno utiču na
vrijednost mjere, bez obzira na njen indikator odnosa trošak/učinak. Bez obzira na to što ova
dva indeksa ukazuju na prijem koji je ta mjera dobila u krugu predstavnika upravnih ili
društvenih struktura, ipak to ne implicira da je njihova konačna odluka na predloženo
rangiranje ovim metodom nepotrebna. Naprotiv, donosilac odluke je taj koji de i dalje
predloženu rang listu mjera promatrati isključivo kao pomod u donošenju svoje konačne
odluke.

Pristup vrednovanju aspekata podrške je sličan, ali ne i identičan, pristupu vrednovanja

aspekata odnosa trošak/učinak. Naime, kako podrška može biti pozitivna i negativna,
metoda PRIMAVERA nudi vrednovanje ova četiri aspekta u skali –2, -1, 0, 1, 2. Vrijednosti –2
i –1 označavaju negativnu podršku datoj mjeri (loši tehnički preduvjeti, predugo vrijeme
izvedbe, protivljenje političkih ili društvenih struktura predloženoj mjeri), dok vrijednosti 1 i
2 označavaju pozitivnu podršku istoj mjeri (dobri ili odlični tehnički preduvjeti, kratko
vrijeme izvedbe, podrška političkih ili društvenih struktura predloženoj mjeri). Sama
vrijednost 0 za ove aspekte se može tumačiti i kao neutralna (indiferentna) podrška (npr.
prosječni tehnički preduvjeti, uobičajeno vrijeme izvedbe, odsustvo interesa političkih ili
društvenih struktura predloženoj mjeri), ali i kao nerazmatranje aspekata podrške uopde.

Postojedi preduvjeti kao aspekt podrške nisu pod utjecajem donosioca odluke i uglavnom
opisuju vanjski utjecaj na datu mjeru (nepostojanje depoa za otpadne materije, ovisnost o
tredoj osobi pri donošenju konačne odluke, subvencije koje nisu u nadležnosti donosioca

231
odluke i sl.). Vrijednosti koje ovaj aspekt opisuje su:

-2: veoma ograničavajudi preduvjeti,

-1: ograničavajudi preduvjeti,

0: neutralni preduvjeti,

1: stimulirajudi preduvjeti,

2: veoma stimulirajudi preduvjeti.

Vrijeme potrebno za izvedbu kao aspekt podrške određuje vrijeme potrebno da se postigne
željeni učinak primijenjene mjere. U to vrijeme treba biti uključeno i vrijeme koje se provede
na pripremi izvršenja date mjere. Vrijednosti koje ovaj aspekt opisuje su:

-2: veoma ograničavajude (tj. dugo) vrijeme izvedbe,

-1: ograničavajude vrijeme izvedbe,

0: neutralno vrijeme izvedbe,

1: stimulirajude vrijeme izvedbe,

2: veoma stimulirajude vrijeme izvedbe (brzi rezultati).

Administrativna podrška pripada drugoj grupi korektivnih vrijednosti i ona opisuje u kojoj
mjeri tekuda vlast smatra datu mjeru poželjnom. U prvom koraku se često ova vrijednost
ostavlja neutralnom (tj. jednaka nuli), kao i vrijednost društvene podrške, vodedi tako ka tzv.
tehničkoj vrijednosti prioriteta. Ova korektivna vrijednost (zajedno sa vrijednošdu društvene
podrške) omogudava da i mjera niske tehničke vrijednosti prioriteta dobije visok, ili čak i
najviši rang. Vrijednosti koje ovaj aspekt opisuje su:

-2: veoma negativna administrativna podrška mjeri,

-1: negativna administrativna podrška mjeri,

0: neutralna administrativna podrška mjeri (indiferentnost ili nerazmatranje),

1: pozitivna administrativna podrška mjeri,

232
 2: veoma pozitivna administrativna podrška mjeri.

I društvena podrška pripada drugoj grupi korektivnih vrijednosti i ona opisuje u kojoj mjeri
zainteresirane strane (javnost, nevladine organizacije, određene interesne grupacije)
smatraju datu mjeru poželjnom. Time se posredno omogudava i da se ove grupe isključe iz
neposrednog postupka odlučivanja i da se njihove zamjerke na ovaj način uključe u
određivanje prioriteta. Vrijednosti koje ovaj aspekt opisuje su:

-2: veoma negativna društvena podrška mjeri,

-1: negativna društvena podrška mjeri,

0: neutralna društvena podrška mjeri (indiferentnost ili nerazmatranje),

1: pozitivna društvena podrška mjeri,

2: veoma pozitivna društvena podrška mjeri.

Administrativna podrška pripada drugoj grupi korektivnih vrijednosti i ona opisuje u kojoj
mjeri tekuda vlast smatra datu mjeru poželjnom. U prvom koraku se često ova vrijednost
ostavlja neutralnom (tj. jednaka nuli), kao i vrijednost društvene podrške, vodedi tako ka tzv.
tehničkoj vrijednosti prioriteta. Ova korektivna vrijednost omogudava da i mjera niske
tehničke vrijednosti prioriteta dobije visok ili čak i najviši rang. Vrijednosti koje ovaj aspekt
opisuje su:

-2: veoma negativna administrativna podrška mjeri,

-1: negativna administrativna podrška mjeri,

0: neutralna administrativna podrška mjeri (indiferentnost ili nerazmatranje),

1: pozitivna administrativna podrška mjeri,

2: veoma pozitivna administrativna podrška mjeri.

Na osnovu svih ovih aspekata se vrijednost podrške Pm mjere m računa kao

233
 Pm  PR m  TEm  * C m  AAm  SA m  * C max (12.5.3)

gdje je PRm indeks preduvjeta date mjere, TEm vrijeme izvedbe mjere m, Cm vrijednost
trošak/učinak mjere m, AAm administrativna i SAm društvena podrška mjeri m, dok je Cmax
najvedi indeks trošak/učinak u skupu predloženih mjera (iz čega slijedi ranije data
napomena, da vrijednosti PR iTE služe kao korektiv vrijednosti trošak/učinak mjere m, dok se
vrijednosti AA i SA upotrebljavaju kao korektiv neovisno o konkretnoj vrijednosti
trošak/učinak za upravo tu mjeru – ovo nije konačna stvarna jednačina kojom se određuje
Pm, ona je složenija i data je kasnije, ali dovoljno dobro opisuje namjere autora).

Dakle, vrijednosti GR, SC, i CO, koje predstavljaju promjenljive funkcije trošak/učinak, de se
odrediti na osnovu pripadnosti određenom intervalu vrijednosti – najprije se zadaju
granične vrijednosti a, b, c gdje I<a implicira V=1, a<I<b implicira V=2, b<I<c implicira V=3 i
c<I implicira V=4, gdje je I oznaka pokazatelja (neki parametar na osnovu koga se iskazuje
težina i obuhvat problema, odnosno trošak mjere), a V sam aspekt GR, SC ili CO (veda ocjena
za I znači i vedu težinu, obuhvat ili troškove). Indeks efikasnosti (EFp,m) iskazuje stupanj
uspješnosti primijenjene mjere m na rješavanju uočenog problema p. I on se može
podvrgnuti procjeni stručnjaka, čiji bi zadatak bio da ocjenama od 1 do 4 odrede uspješnost
predložene mjere. Drugi pristup bi bio poređenje težine i obuhvata problema koji se tom
mjerom rješava poslije i prije primjene date mjere. Da bi se u obzir uzeo i mogudi negativni
učinak jedne mjere na neki od problema (koja je prioritertno namijenjena nekom drugom
problemu, inače se ne bi ni predlagala), te da bi vrijednost ovog pokazatelja ponovo bila iz
skupa {1,2,3,4}, jednačina za računanje indeksa efikasnosti EFp,m ima oblik

  (GR p * SC p ) poslije mjere m 

EFp,m  round 4 * 1    (12.5.4)
  max (GR p * SC p ) poslije mjere m , (GR p * SC p ) prije  
  mjere m 

gdje je GRp težina, a SCp obuhvat problema p, dok je round funkcija zaokruženja (GR može
imati i vrijednost 0 poslije primjene odgovarajude mjere, što znači da više ne postoji uočeni
problem – tada je EFp,m=4, tj. efikasnost mjere m na problem p je maksimalna.

Sama lista mjera za rješavanje uočenih problema se kreira nakon sveoubuhvatne procjene i
svaka mjera je vezana za barem jedan od problema. Posebno treba voditi računa o tome da
može dodi i do povedanja efikasnosti jedne mjere samim prisustvom druge, kao što među
njima može postojati i antagonizam, tj. umanjenje efekta jedne prisustvom druge. Zato se
preporučuje integralni pristup skupu mjera u cjelini, koji bi osigurao da se svi ovi mogudi
“bočni efekti” na vrijeme prepoznaju.

234
Važno je napomenuti i da se mogu razlikovati strukturno različiti tipovi mjera kao što su npr.

 izvršne mjere (koje provodi planer),

 stimulativne mjere (koje realizira neka “treda strana”),

 istraživačke mjere (priprema za budude izvršne mjere),

 obligacione mjere (koje ispunjavaju postavljene zahtjeve, npr. zakonske),

 mjere efikasnosti (koje povedavaju učinkovitost u poduzedu),

i uputno je usporediti (metodom PRIMAVERA) samo mjere iste vrste. Naravno, u uspostavi
ovakvih kategorija treba voditi računa da među njima nema preklapanja.

Kako jedna mjera može imati utjecaj na više uočenih problema, to bi se moglo očekivati da
je ukupan odnos trošak/učinak mjere sa utjecajem na najvedem broju problema i najvedi, tj.
da mjera pojedinačno malih efikasnosti ima ukupno najvedi rang. Da bi se spriječilo takvo
“akumuliranje” malih dobiti, u metodu PRIMAVERA se analizira učinak svake mjere na
najviše 6 uočenih problema – najviše 3 na koje ta mjera ima pozitivan učinak i najviše 3 na
koje ta mjera ima negativan učinak. Nakon toga se ukupan pokazatelj odnosa trošak/učinak
računa sa

6 EFp,m
cm   GR p SC p (12.5.5)
p 1 CO m

gdje je cm pokazatelj odnosa trošak/učinak, EFp,m indeks efikasnosti mjere na problem p, GRp
indeks težine i SCp indeks obuhvata problema, te COm indeks troška mjere m.

Pri postupku opisa mjera i pridruženih problema treba imati sličnu razinu detalja u opisu, jer
se u slučaju da su problemi značajno detaljnije opisani može pojaviti problem restriktivnosti
izbora samo po tri uočena problema, na koje data mjera ima pozitivan, odnosno negativan,
učinak. Takav problem se nede pojaviti ako je problem opisan sa manje detalja nego sama
mjera za rješavanje (također treba rangirati samo mjere o čijem izvršenju odluka u tom
trenutku još nije donesena, dok one mjere koje se svakako izvršavati ili koje predstavljaju
rutinski postupak je besmisleno rangirati).

235
Konačno, ove se vrijednosti prikazuju na logaritamskoj skali u intervalu [1,10]
transformacijom oblika

10 * log( c m  1)
Cm  (12.5.6)
log( 3 S3  1)

gdje je Cm transformirana vrijednost odnosa trošak/učinak, cm prethodno izračunati

pokazatelj odnosa trošak/učinak, a S broj različitih vrijednosti koje mogu primiti indikatori
GR, SC, EF i CO, tj. u ovom slučaju S=4.

Na ovako određenu transformiranu vrijednost odnosa trošak/učinak potom korektivno

djeluju indeksi parametara podrške. Osnovni principi tog djelovanja su slijededi:

 korigirane vrijednosti na temelju indeksa PR i TE ne smiju biti negativne,

 neutralni indeks parametara podrške ne smije uticati na rang mjere,

 indeksi podrške AA i SA moraju biti tako upotrjebljeni da omogudavaju da najvedom

pozitivnom podrškom i najlošija mjera po vrijednosti odnosa trošak/učinak dobije
najvedi rang, kao i da najvedom negativnom podrškom i najbolja mjera po vrijednosti
odnosa trošak/učinak dobije najniži rang.

Primjer takvog definiranja uloge indeksa podrške je dat u narednoj tabeli:

Vrijednost za PR i TE za AA i SA

-2 0,5*Cm -Cmax

-1 0,7*Cm -Cmax/2

0 1,0*Cm 0

1 1,4*Cm +Cmax/2

2 2,0*Cm Cmax

Najzad se vrijednost prioriteta pm mjere m računa sa

236
  PR m  TE m 
   AA m  SA m 
pm  Cm * 2  2 
  * C max (12.5.7)
 2 

Da bi se izbjeglo da vedi broj mjera ima relativno sličnu vrijednost prioriteta (između 20 i 40)
vrši se transformacija vrijednosti pm sa

 1.25 p m  25 * mk k 
Pm  1  * e 1.25 pm 25*mk  * coef  * (1.25p m  25) (12.5.8)
 k! 

gdje je:

Pm – transformirana vrijednost prioriteta mjere m,

pm – polazna vrijednost prioriteta mjere m,

mk – koeficijent (m=0,15),

k – koeficijent (k=6),

coef – koeficijent (k=5).

Ovim je postignuto preslikavanje iz skupa vrijednosti p m u skup vrijednosti Pm iz intervala

[1,100], koje se daju zaokruženo, bez decimalnih mjesta.

Pm
100

80

60

40

20

pm
0 20 40 60 80 100

Slika 12.5.3

237
Ovako određena vrijednost prioriteta mjere m ima smisla jedino ako se usporedi sa
vrijednostima prioriteta ostalih mjera, na osnovu čega se formira rang lista mjera – na vrhu
(najpoželjnija mjera) se nalazi ona čija je vrijednost prioriteta i najveda. Ako su razlike u
vrijednostima mjera koje se nalaze na vrhu takve liste male, može se cijeli postupak
ponoviti, uz nove konturne vrijednosti indeksa GR, SC ili CO, nove vrijednosti koeficijenata
transformacije, ili npr. smanjenjem broja mjera koje se rangiraju, tako što se više ne uzimaju
u obzir one sa dna takve rang liste.

12.5.1.1 Ogledni primjer i analiza metode

Promatra li se ponovo raniji primjer izgradnje višenamjenske akumulacije, čija tabela

alternativa i vrijednosti kriterija ima oblik:

Alternative

A1 A2 A3 A4

f1 - troškovi min 0 100.000.000 80.000.000 30.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

najprije se namede pitanje šta je ovdje problem, a šta mjera, odnosno kako odrediti
vrijednosti tehničkih i aspekata podrške. Jedna moguda preobrazba bi bila da se kriteriji f2 i f3
formuliraju kao problemi koji su uočeni (kriterij f1 – troškovi – je svakako zasebni predmet
promatranja metode PRIMAVERA), a da alternative A1-A4 predstavljaju mjere koje se
predlažu za njihovo rješavanje.

Dakle, kriterij obuhvata f2 se obrazlaže kao problem P1 nedovoljnih količina vode za

vodoopskrbu i navodnjavanje, te proizvodnju električne energije, a kriterij f3 kao nedovoljno
razvijena ponuda P2 sadržaja rekreacije. Mjere koje se nude su:

 A1 – ne graditi ništa,

 A2 – graditi najskuplju akumulaciju, sa najvišim stupnjem zadovoljenja potreba,

 A3 – graditi relativno skupu akumulaciju, sa zadovoljavajudim stupnjem zadovoljenja

potreba,

238
  A4 – graditi jeftiniju akumulaciju, sa nižim stupnjem zadovoljenja potreba.

Naravno, slijedi određivanje vrijednosti aspekata GR, SC, EF, CO, te PR, TE, AA i SA. što se
tiče uočenih problema, obzirom na to da je broj osoba koje bi koristile povedane mogudnosti
rekreacije ipak manji od broja osoba koje bi dobile bolju vodoopskrbu, više vode za
navodnjavanje polja, ili vede količine električne energije, sigurno je obuhvat problema P2
manji od obuhvata problema P1. Što se tiče težine ovih problema, visina mogudih ulaganja
govore o problemima visoke vrijednosti težine, iako se ne može jasno vidjeti koji od njih je
više izražen (težina problema se ne smije poistovjetiti sa obuhvatom). Jedna moguda tabela
vrijednosti za aspekte GR i SC ovih problema je

Vrijednosti aspekata

Težina GR Obuhvat SC

P1 - obuhvat 4 4

P2 - rekreacija 4 2

Tabela 12.5.1

Aspekt troškova pripada samo mjeri i, obzirom da se radi o četiri alternative potpuno
različitih troškova, mogude im je dodijeliti vrijednosti 1 do 4, suglasno visini troškova svake
od alternativa-mjera (poteškoda u primjeni ove metode je što bi visina troškova alternative
A1 – “Do nothing” – trebala biti označena sa 0, ali to onda po odredbi PRIMAVERE nije mjera
za rješavanje problema; zato se ovdje uzima da ova mjera ima vrijednost troškova 1).

Trošak mjere CO

A1 1

A2 4

A3 3

A4 2

Tabela 12.5.2

239
Učinak je aspekt koji povezuje mjeru i problem. Obzirom na početne vrijednosti, može se
redi da mjera A1 nema utjecaja na rješavanje problema P1, a ima veoma mali utjecaj na
problem P2. Mjera A2 se može smatrati najutjecajnijom na rješavanje oba uočena problema
(npr. da oba posve otklanja), mjere A3 i A4 samo umanjuju date probleme, razmjerno
utrošenim sredstvima. Dakle moguda tabela efikasnosti ovih mjera bi mogla biti:

Učinak mjere na Problem P1 Problem P2

problem

A1 - 1

A2 4 4

A3 3 3

A4 2 2

Tabela 12.5.3

Aspekti podrške koje u svakom slučaju treba procijeniti su PR i TE, dok je prirodno u prvom
koraku uzeti da su AA i SA jednaki nuli za svaku od ponuđenih mjera. Očigledno mjera A1 ima
najbolje vrijednosti i za PR i TE, dok za mjere A2-A4 te vrijednosti se mogu iz šturog opisa ovih
alternativa samo nagađati – jedna moguda tabela ovih vrijednosti bi bila:

Alternative

A1 A2 A3 A4

PR 2 -1 0 1

TE 2 -2 -1 0

AA 0 0 0 0

SA 0 0 0 0

Tabela 12.5.4

Obzirom na proporcionalnost aspekata učinka i troška za mjere A2, A3 i A4 dobije se logičan

rezultat da je odnos učinak/trošak za ove tri mjere isti, dok je za mjeru A1 manji. Ipak,
aspekti podrške PR i TE utiču da najpovoljnija mjera bude upravo A1, a za mjere A2, A3 i A4
određuju različite vrijednosti prioriteta, prikazane u narednoj tabeli:
240
 Alternative

A1 A2 A3 A4

Vrijednost odnosa 4,2 6,1 6,1 6,1

trošak/učinak Cm

Vrijednost prioriteta Pm 81 43 50 64

Konačna pozicija (rang) 1 4 3 2

Tabela 12.5.5

Dakle u ovom slučaju bi konačan poredak alternativa (mjera) bio A1, A4, A3 i A2.

Obzirom da je prvorangirana mjera A1, potrebno je naglasiti slijedede: Alternativu “Do

nothing” ili “Ne činiti nista” autor je i razmatrao iz dva osnovna razloga u oglednom
primjeru:

 prvi je da poveda raspon mogudih vrijednosti troškova (jer je minimalna, dakle

najbolja vrijednost, samo u tom slučaju nula),

 drugi je da se pokaže da se može desiti i da takva alternativa primjenom neke od

metoda višekriterijskog rangiranja postane najbolja (što se upravo u prethodnom
slučaju i desilo). Dakle, cilj je i bio pokazati da alternativu koja se promatra kao
neželjena ne treba ni razmatrati, a ako je ved ušla u skup koji se promatra, da se
može očekivati da i ona bude najvedeg prioriteta (uvijek je najbolja po kriteriju
troškova, koji se gotovo uvijek razmatra, a u slučaju Primavere ova alternativa je
najbolja i po kriteriju postojedih preduvjeta PR (nema ograničenja za izvođenje
radnje “Ništa”), kao i po kriteriju vremena potrebnog za izvedbu (TE) – “Ne činiti
ništa” daje očekivane rezultate (dakle ništa) odmah).

Naravno, ako se razmatra, za alternativu “ne činiti ništa” ostaje pitanje koliko je realna, jer i
dalje treba odgovoriti kako osigurati vodu koju druge alternative obezbjeđuju. Da bi A1 bila
realnija, trebalo bi npr. njome obuhvatiti mogudnosti dobijanja vode iz podzemlja, bez
akumulacije.

241
Može se redi i da su troškovi mjere A2 i A3 slični, pa tablica vrijednosti aspekta troškova
tada ima oblik:

Trošak mjere CO

A1 1

A2 3

A3 3

A4 2

Ako svi ostali aspekti zadrže ranije vrijednosti, tablica vrijednosti prioriteta de dobiti oblik:

Alternative

A1 A2 A3 A4

Vrijednost odnosa 4.2 6.6 6.1 6.1

trošak/učinak Cm

Vrijednost prioriteta Pm 81 44 50 64

Konačna pozicija (rang) 1 4 3 2

Dakle konačan poredak alternativa bi ostao nepromijenjen (A1, A4, A3 i A2), čak i vrijednost
prioriteta mjere A2 nije bitno izmijenjena (44 umjesto 43, iako je vrijednost odnosa
trošak/učinak Cm značajno povedana sa 6.1 na 6.6). Iz toga se vidi da dominantan utjecaj na
poziciju alternative (mjere) A2 imaju aspekti podrške PR i TE. Ako se pretpostavi da su
preduvjeti PR ove mjere neutralni, a vrijeme izvedbe ograničavajude (ne i veoma
ograničavajude) tj. da je

242
 Alternative

A1 A2 A3 A4

PR 2 0 0 1

TE 2 -1 -1 0

AA 0 0 0 0

SA 0 0 0 0

nove vrijednosti prioriteta su prikazane u narednoj tablici:

Alternative

A1 A2 A3 A4

Vrijednost odnosa 4.2 6.6 6.1 6.1

trošak/učinak Cm

Vrijednost prioriteta Pm 81 52 50 64

Konačna pozicija (rang) 1 3 4 2

tj. samo bi posljednje dvije mjere zamijenile mjesta, odnosno konačan poredak alternativa
(mjera) bi bio A1, A4, A2 i A3. Pri tome treba primijetiti da su vrijednosti prioriteta mjera A2 i
A3 gotovo identične (51 odnosno 50), tj. da mjera A2 nema stabilnu prednost nad mjerom
A3.

Ako se svi aspekti podrške proglase neutralnim dobije se čisto tehnička vrijednost prioriteta.
Dakle ako je

Vrijednosti aspekata

Težina GR Opseg SC

P1 - obuhvat 4 4

P2 - rekreacija 4 2

odnosno

243
 Trošak mjere CO

A1 1

A2 4

A3 3

A4 2

Učinak mjere na Problem P1 Problem P2

problem

A1 - 1

A2 4 4

A3 3 3

A4 2 2

a aspekti podrške su svi jednaki nuli, tada bi tablica vrijednosti prioriteta imala oblik:

Alternative

A1 A2 A3 A4

Vrijednost odnosa 4.2 6.6 6.1 6.1

trošak/učinak Cm

Vrijednost prioriteta Pm 50 58 56 56

Konačna pozicija (rang) 4 1 2 3

Dakle, u ovom slučaju bi konačan poredak alternativa (mjera) bio A2, A3, A4 i A1. Naravno,
kada se isključe aspekti podrške, poredak mjera po vrijednosti prioriteta postaje jednak
njihovom poretku po vrijednosti odnosa trošak/učinak, gdje se zapravo očituje visok utjecaj
aspekata podrške pri prethodnom rangiranju na mjeru A1. U stvarnosti bi mjera A1 ipak

244
svakako imala manje vrijednosti aspekata društvene i administrativne podrške, jer ne
osigurava potrebnu vodu.

Važno je napomenuti, da ako se mjera (alternativa) A1 izostavi iz skupa mjera, da to nede

uticati na vrijednosti odnosa trošak/učinak odnosno prioriteta preostalih mjera – jedina
mogudnost da se promjeni vrijednost prioriteta neke mjere izostavljanjem druge mjere jeste
da je upravo ta izostavljena mjera imala najvedu vrijednost odnosa trošak/učinak (i da je bila
jedina sa takvom vrijednošdu). Kako mjera A1 – “Do nothing” – ima poseban značaj kao
alternativa sa uvijek najmanjim troškom ali i učinkom, to slijedi da njeno uključivanje ili
isključivanje iz skupa alternativa ne utiče na poredak ostalih, iako sama, uz povoljne aspekte
podrške može biti čak i prvorangirana, kako je prikazano u prethodnom primjeru.

Kako je ved rečeno, PRIMAVERA je jedna od rijetkih metoda koja je kreirana na zahtjev
određene institucije – razvijena je i verificirana od strane Holandske fondacije za
primijenjena istraživanja u sektoru voda (Netherlands Foundation for Applied Water
Research - STOWA). Obzirom na administrativnu ulogu naručioca nije za čuditi da je,
očigledno po njihovom zahtjevu, ova metoda u sebi ugradila mogudnosti za utjecaj
donosioca odluke na konačan poredak prioriteta kroz zadavanje viših vrijednosti aspekata
podrške mjerama koje se preferiraju - sa tehničke strane gledišta proizlazi da su aspekti
podrške nosioci visokog rizika u stabilnosti poretka, iako bi vjerojatno politolozi ili sociolozi
smatrali da su upravo ovi kriteriji faktori stabilnosti konačne odluke.

U cijelom procesu odlučivanja, koji podrazumijeva uočavanje problema, definiranje

alternativa i kriterija za njihovo vrednovanje, rangiranje, konsultiranje donosioca odluke itd.,
ova metoda je svoje kriterije odredila unaprijed. Ipak, stabilnost dobivene rang liste ovisi o
izboru konturnih vrijednosti koje određuju intervale pripadnosti vrijednosti pojedinih
kriterija - posebno ograničenje je svakako suženi izbor tih vrijednosti (koje mogu pripadati
samo skupu {1, 2, 3, 4} ili skupu {-2, -1, 0, 1, 2} ). Ovo ograničenje, koje je sigurni izvor
nestabilnosti dobivenog poretka (mala promjena konturnih vrijednosti može nekada dovesti
i do toga da vedi broj alternativa dobije nove vrijednosti tog kriterija tj. aspekta, a otuda i
drugačiju poziciju u rang listi), bi se moglo umanjiti ili prevazidi proširivanjem skupa
vrijednosti kriterija npr. na skup {1, 2, 3, …, 9, 10} tj. {-5, -4, …, -1, 0, 1, …, 4, 5} ili čak
mogudnošdu davanja bilo kojih vrijednosti ovim kriterijima iz nekog kontinualnog intervala,
ali bi se tada poništila osnovna namjera autora ovog metoda, a to je pojednostavljenje
procedure. Obzirom na nepreciznost podataka koji određuju težinu, obuhvat, troškove ili
npr. vrijeme izvedbe ovakvo pojednostavljenje ima i funkciju umanjenja efekta takve

245
nepreciznosti, izuzev u slučaju kada su određujude vrijednosti upravo u graničnom području.

Interesantno je spomenuti da vede naglašavanje značaja pojedinih kriterija, uvođenjem

njihovih težinskih koeficijenata, u ovom slučaju nije ni mogude - samim formulama kojim se
računa konačna vrijednost prioriteta pojedinačne mjere su njihovi individualni utjecaji ved
određeni, čime se izbjegava mogudnost nestabilnosti poretka uzrokovanog izmjenama
težinskih koeficijenata.

12.6 Metoda surogat razmjene vrijednosti

Metoda surogat vrijednosti razmjene je namijenjena rješavanju slučaju kontinualnog

problema optimizacije, kada se traži maksimum funkcije 10.2.1 uz uvjete 10.2.2. i 10.2.3.
Ova metoda (Haimes et al., 1974 i 1975) prepoznaje vedi značaj u relativnoj vrijednosti
promjene vrijednosti pojedinog kriterija, nego u njegovoj apsolutnoj vrijednosti. Također
autori naglašavaju da je u praksi najčešde slučaj da je dimenzija prostora kriterija znatno
manja od dimenzije prostora odlučivanja, te da ga je zbog toga lakše analizirati.

Polazni problem oblika 10.2.1 uz uvjete 10.2.2. i 10.2.3 se, nakon što se odrede maksimalne
vrijednosti fk+svake kriterijske funkcije pojedinačno, najprije preformulira u:

Maksimizirati f i (x) , i  1,2,..., N (12.6.1)

uz uvjete

xX

f k (x)   k , k  1,2,..., i  1, i  1,..., N (12.6.2)

gdje je

x  (x1 , x 2 , , x K )  X

vektorska varijabla odlučivanja koja zadovoljava odgovarajude uvjete – ograničenja:

Gj(x)  0, j  1,2,..., M (12.6.3)

i gdje je

246
 
 k  f k   k , k  1,2,..., i  1, i  1,..., N
 k  0, k  1,2,..., i  1, i  1,..., N (12.6.4)

f k  max f k
xX

Odabrana funkcija fi(x) može biti bilo koja od kriterijskih funkcija. Lagranžijan funkcije date u
12.6.1 je

L  f i ( x )    k G k ( x )    ij f j ( x )   j 
M N
(12.6.5)
k 1 i 1

gdje su k i ij opdi Lagrangeovi koeficijenti. Autori naglašavaju da su od interesa Kuhn-

Tuckerovi uvjeti neinferiornosti dati sa:

 ij f j ( x )   j   0, j  1,2,..., i  1, i  1,..., N
(12.6.6)
 ij  0 , j  1,2,..., i  1, i  1,..., N

odakle naravno slijedi da je  ij  0 ili f j (x)   j   0 , ili eventualno i oboje. Skup aktivnih
ograničenja je određen sa

A j   j : x  X K , f j (x)   j  0, j  1,2,..., i  1, i  1,..., N (12.6.7)

gdje je XK skup svih xX koji zadovoljavaju Kuhn-Tuckerove uvjete. Vrijedi  ij  0 za sve
j  A j , i ove su vrijednosti od posebnog interesa jer označavaju 'marginalnu dobit
kriterijske funkcije fi(x) u odnosu na dodatnu jedinicu za j' (Haimes et al., 1975).
Deriviranjem jednakosti 12.6.5 po j dobide se da vrijedi:

L
  ij , j  1,2,..., i  1, i  1,..., N (12.6.8)
 j

Obzirom da su za sve xXK zadovoljeni svi Kuhn-Tuckerovi uvjeti, to za njih vrijedi L=fi(x), a
za sve j  A j  je i f j ( x)   j , pa slijedi da je tada

f i ( x )
 ij   , j  1,2,..., i  1, i  1,..., N (12.6.9)
f j ( x )

247
Slučaj kada je  ij  0 vodi ka neinferiornom rješenju i promatraju se samo  ij A j , tj.
koji se odnose na aktivna ograničenja. Ove tzv. funkcije razmjene vrijednosti su polazne
informacije za definiranje funkcije surogat vrijednosti Wij(ij) na slijededi način:



  0 kada se  jedinica funkcije f ( x ) preferira u odnosu

ij i


 na jednu jedinicu funkcije f ( x ), a da su drugikriteriji
j


 zadovoljen i na nivou  , k  i

k


W   0 kada je  jedinica funkcije f ( x ) ekvivalentno u odnosu
ij ij i
(12.6.10)

 na jednu jedinicu funkcije f ( x ), a da su drugikriteriji

j


 zadočadočvni na nivou  , k  i k


  0 inace




Razmjene se vrše isključivo između neinferiornih rješenja i optimalno rješenje prema ovom
modelu je ono za koje su sve surogat vrijednosti Wij(ij) jednake nuli.

12.6.1.1 Ogledni primjer i analiza stabilnosti

U ranijem primjeru alternativa izgradnje višenamjenske akumulacije, gdje su alternative koje

de se razmatrati: A1 – ne graditi branu uopde, A2 – najskuplja i najobuhvatnija alternativa,
A3 – umjerena alternativa i A4 – alternativa izgradnje akumulacije sa najnižom cijenom, a
kriterijske funkcije opisuju troškove izgradnje, obuhvat zadovoljenja potreba i mogudnosti za
rekreaciju, je tabela vrijednosti imala oblik dat u 10.3.1. Ogledni primjer je dakle diskretni
slučaj i on se može jednostavno promatrati. Naime sve ponuđene alternative predstavljaju
neinferiorna rješenja, i potrebno je odrediti željene razine zadovoljenja kriterijskih funkcija,
a zatim i funkcije razmjene 12, 23 i 13, te otuda i funkcije surogat vrijednosti W12, W23 i W13.
kojima de biti određena optimalna alternativa.

U oglednom primjeru vrijedi

f1+=0

f2+=100

248
 f3+=10

pa se problem može transformirati npr. u:

Maksimizirati (-f1) (12.6.11)

uz uvjete

f2100-1

f310-2 (12.6.12)

(tada bi npr. za 1=30 i 2=2 ograničenja zadovoljenja kriterija f2 i f3 ved odredila da je

jedinstveno rješenje alternativa A2, jer ih samo ona zadovoljava)

Pitanje za donosioca odluke je npr. da li ušteda od 20.000.000 KM vrijedi kao smanjenje

obuhvata za 30% i smanjenje ocjene rekreacionih mogudnosti za 2 ocjene.

Prednost metode je svakako to što se analize vrše u prostoru kriterija, koji je obično manje
dimenzije nego prostor odlučivanja, te u kome se donosilac odluke često bolje snalazi. Treba
spomenuti da je funkcija razmjene vrijednosti ij kao i funkcija surogat vrijednosti Wij
funkcija od N-1 kriterija, tj od svih kriterija fk, k=1,2,...,i-1,i+1,...,N, a ne samo od kriterija fj.
Nedostatak je svakako kompleksnost postupka, jer je potrebno odrediti n(n-1)/2 funkcija
razmjene, uzimajudi u obzir da je ij= 1/ji. Subjektivnost donosioca odluke u zadavanju svoje
preferencije kroz funkcije surogat vrijednosti je ublažena datim informacijama o
vrijednostima funkcija razmjene.

249
250
13 KONCEPT INTERAKTIVNOG PRISTUPA U
VIŠEKRITERIJSKOM ODLUČIVANJU

13.1 Uvod

Dosada izložene metode zahtijevaju od donosioca odluke da se unaprijed izjasni o ciljevima,

strategiji, svojim preferencijama ili težinskim koeficijentima za pojedine kriterijske funkcije.
Struktura donosioca odluke može biti i vrlo složena – to su često određene političke
strukture koje se mogu nazvati i Izvršnim donosiocima odluke, koje mogu ali i ne moraju biti
homogene (mogu biti i suprostavljene), potom strukture Zainteresiranih strana, dakle svih
onih kategorija koje bi bile pod utjecajem odabrane alternative, a naročito u novije vrijeme i
strukture Zabrinutih građana, najčešde nevladinih organizacija čije polje djelovanja obuhvata
domenu tražene odluke. Njihov položaj u procesu donošenja odluke se može prikazati
slijededom shemom:

251
 Rješenje VKO
DO Metoda VKO

Slika 13.1.1

Često ovako složena struktura donosioca odluke onemoguduje cjelovito izražavanje

preferencije unaprijed, postavljeni ciljevi su nedorečeni ili suviše fluidni, čak neusuglašeni,
što sve vodi ka ideji o aktivnijoj ulozi donosioca odluke u procesu odlučivanja. Nastoji se
uspostaviti iterativan proces postupnog uobličavanja konačne odluke kroz prilagođavanje
postavljenog zadatka optimizacije, uvjetovano rezultatima prethodne iteracije. Donosilac
odluke je tada cijelo vrijeme procesa uključen (“on-line”), što se shematski može prikazati
sa:
Konačno
Rješenje VKO rješenje VKO
DO
Metoda VKO

Nova iteracija Preferencija

Slika 13.1.2

Dakle u ovom slučaju se ispituje reagiranje donosioca odluke na predloženo rješenje

optimizacije, i na osnovu te reakcije se cijeli zadatak prilagođava i ponavlja se optimizacijski
postupak, sve do konačnog prihvatljivog rješenja (neki od autora, kao npr. Greis et al. 1983,
su posebnu pažnju posvetili samo višekriterijskom problemu linearnog programiranja).
Dakle donosilac odluke više ne izražava svoju preferenciju unaprijed, ved je izražava
postepeno kroz interaktivno djelovanje u modelu. Da bi ovakav postupak bio efikasan,
struktura upita ka donosiocu odluke, u cilju postupnog izražavanja njegove preferencije,
mora biti veoma jednostavna, pregledna, konzistentna, kako bi mu omogudila lako
uključivanje u proces i spriječila divergentno ponašanje u profiliranju preferencije (što može
izazvati stresno djelovanje donosioca odluke), kao što i metoda VKO treba biti dovoljno
fleksibilna da bi mogla prihvatiti i obraditi sve izmjene u svakoj narednoj iteraciji. Neke od
metoda za koje se smatra da zadovoljavaju postavljene uvjete su i STEM i SEMOPS metoda.

13.2 Metoda STEM

STEM (STEp Method) metoda (Goicoechea et al. 1982, Opricovid 1986, 1994 i 1998)
pretpostavlja da donosilac odluke u početku cijelog procesa optimizacije nije sposoban
izraziti svoju preferenciju u odnosu na definirane kriterijske funkcije, tj. nije u mogudnosti da
odredi njihov relativni značaj (npr. tako što bi im pripisao određene težinske koeficijente).

252
Stoga se njegova preferencija postepeno uobličuje tako što nakon svake faze određenih
računskih operacija slijedi faza odluke, u kojoj donosilac odluke, na temelju ponuđenih
rezultata, pruža nove detalje o svojoj preferenciji.

Dakle pretpostavlja se da je problem optimizacije opisan sa:

Odrediti maksimum vektorske funkcije

f (x)  (f1 (x),f 2 (x),...,f N (x)) (13.2.1)

gdje je

x  (x1 ,x 2 ,...,x K ) (13.2.2)

vektorska varijabla odlučivanja koja zadovoljava odgovarajude uvjete – ograničenja:

G j (x)  0, j  1,2,..., M

x k  0, k  1,2,..., K (13.2.3)

Na početku se rješavaju problemi skalarne optimizacije oblika

maksimizirati f i (x) uz uslove Gj(x)  0, j  1,2,..., M (i  1,2,..., N) (13.2.4)

što znači da se svaka od pojedinačnih kriterijskih funkcija maksimizira neovisno o

vrijednostima ostalih kriterijskih funkcija – sa xi* se označava vrijednost vektorske
promjenljive x za koju se dati maksimum postiže, a sa fi* i sama vrijednost maksimuma
(fi*= fi*( xi*)).

Takođe se označava fij= fj( xi*). Vektor f*(x) = (f1*, f2*, …, fN*) se naziva idealno rješenje ili
idealna tačka u kriterijskom prostoru. Ako je to rješenje i dopustivo, tj. ako ono se ono
dostiže za x koje zadovoljava uvjete Gl(x)  0 (l=1…, M) i xk  0 (k=1,…, K), onda je ono i
traženo rješenje problema. Kako se takav slučaj ipak rijetko dešava, to se postavlja pitanje
koliko prihvatljivo rješenje može odstupati od formiranog idealnog rješenja. Zato se u
svakom iterativnom koraku rješava problem

253
Minimizirati d tako da vrijedi

x  Xk

d  c i (f i * f i (x)) (13.2.5)

gdje je Xk dopustivi skup u k-toj iteraciji dobiven razvojem preferencije donosioca odluke iz
skupa Xk-1 (naravno X1=X). Težinski koeficijenti ci koji opisuju relativni značaj odstupanja od i-
te kriterijske idealne vrijednosti nisu postavljeni od strane Donosica odluke, ved se računaju
jednačinama

bi
ci  N
(13.2.6)
b
k 1
k

gdje je

fi  fi
* min

bi   min (f i ( x j ))
min *
*
, fi (13.2.7)
fi j

Dakle na ovaj način se dobije određeno rješenje xk, nakon čega donosilac odluke poredi
vrijednosti kriterija u tački xk sa vrijednostima idealnog rješenja. Ako su sva pojedinačna
odstupanja po pojedinim kriterijima takva da je sa njima donosilac odluke zadovoljan,
postupak je završen i xk se prihvata kao konačno rješenje problema optimizacije. Međutim,
ako to nije slučaj, obzirom da je xk sigurno Pareto-optimalno (neinferiorno) rješenje
polaznog problema, to znači da se poboljšanje nezadovoljavajude razine vrijednosti nekih
kriterija može postidi samo snižavanjem vrijednosti drugih. Stoga se od donosioca odluke
zahtjeva da utvrdi koji je to kriterij čija se vrijednost može i umanjiti, kao i kolika je granica
tolerancije tog umanjenja, da bi se postiglo povedanje vrijednosti drugog kriterija. Ako su to
kriteriji fp koji se mogu umanjiti za maksimalno fp, onda su težinski koeficijenti tih kriterija
fp u narednoj iteraciji jednaki nuli, tj. vrijedi cp=0 za svako tako odabrano p, a dopustivi skup
Xk se sada mijenja dodatnim ograničenjima oblika

f p (x)  f p (x k )  f p

f j (x)  f j (x k ) , za jp, j=1,…,n (13.2.8)

254
čime se kreira dopustivi skup Xk+1. Potom se cijeli postupak ponavlja sve dok:

 Sve vrijednosti kriterija nisu prihvatljive za donosioca odluke,

 Broj iteracija nije postao vedi od broja kriterija (kriterijskih funkcija), čime je iscrpljen
skup mogudnosti za umanjenje vrijednosti jednog kriterija, da bi se povedala
vrijednost drugog.

Dakle donosilac odluke de ili poslije k iteracija (kn) biti zadovoljan ponuđenim rješenjem
koje de biti i konačno rješenje, ili de zadatak ostati bez rješenja uz iskazanu preferenciju
donosioca odluke.

13.2.1.1 Ogledni primjer i analiza metode

Raniji diskretni primjer izgradnje višenamjenske akumulacije je pogodan za uočavanje

nedostataka ovog interaktivnog postupka. Tabela ulaznih podataka je, kao i ranije:

Alternative

A1 A2 A3 A4

f1 – troškovi min 0 100.000.000 80.000.000 30.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 13.2.1

Prije svega je zbog zahtjeva da se sve kriterijske funkcije maksimiziraju potrebno izmijeniti
ulaznu tabelu podataka u naredni oblik:

255
 Alternative

A1 A2 A3 A4

f1 – neg. troškovi max 0 -100.000.000 -80.000.000 -30.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 13.2.2

Otuda je i

f1*=0 f1min= -100.000.000

f2*=100 f2min= 0

f3*=10 f3min= 1

odakle bi slijedilo i (uz pretpostavku da se uzima 1 KM = 1 % - 1 bod)

f * f1 0  (100,000,000)
min
b1  1 
f1 * 0

što vodi ka zaključku da ovako opisana metoda nije korektna za slučajeve u kojima neki
kriterij treba minimizirati, ako je pri tome minimalna vrijednost tog kriterija 0. Taj se
problem može otkloniti na taj način što se izvrši transformacija vrijednosti minimizirajudeg
kriterija fi sa

fij’=fi*-fij i=1,2,…,m; j=1,2,…,n (13.2.9)

što bi u prethodnom slučaju vodilo ka tabeli

256
 Alternative

A1 A2 A3 A4

f1’ – trans. troškovi max 100.000.000 0 20.000.000 70.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 13.2.3

odakle bi slijedilo

f1’*=100.000.000 f1’min= 0

f2*=100 f2min = 0

f3*=10 f3min = 1

a otuda i

f * f 3
min
9
b3  3   0.9
f3 * 10

f 2 * f 2
min
100
b2   1
f2 * 100

f ' f ' 100.000.000

* mi n

b   1 (13.2.10)
1 1

f' 100.000.000
1
*

te

c1 = 1/2,9 = 0,345

c3 = 0,9/2,9 = 0,310

257
 (13.2.11)
c2 = 1/2,9 = 0,345

tj. vrijednosti težinskih kriterija bi bile veoma slične međusobno (čak štaviše, u slučaju tredeg
kriterija su opisne ocjene u rasponu 0-10, iako su one pojavno 1-10, pa ako bi se uzelo da je
f3min = 0 umjesto f3min = 1, tada bi vrijedilo c1=c2=c3=1/3). Ovo je ved određena slabost
izvedbe težinskih kriterija, jer oni i ne opisuju značaj pojedinog kriterija, ved samo opisuju
odnos raspona njegovih vrijednosti u odnosu na onu najvedu (tako bi npr. temperatura, kao
kriterijska funkcija, imala posve različite težine za Fahreinght-ovu odnosnu Celsius-ovu
ljestvicu, bez obzira na to što bi mjernim vrijednostima bile opisane iste okolnosti).

Kako se zahtjeva da treba minimizirati d tako da vrijedi d  c i (f i * f ij ) to je očigledno da u

prethodnom slučaju odabrana transformacija mjerne jedinice direktno može odlučiti o tome
koja bi alternativa bila ponuđena kao optimalna – naime zbog različitog reda veličine
mjernih brojeva datih kriterija očigledno prvi kriterij (trošak), izražen u milionima KM, uz
ranije primijenjenu pretpostavku da se uzima 1 KM = 1% = 1 bod, toliko dominira nad
ostalim kriterijima u ovom slučaju da svaka vrijednost d za koju vrijedi dc1 (f1*-f1j) sigurno
zadovoljava i ekvivalentne nejednakosti za druga dva kriterija (ako bi mjerna jedinica
umjesto 1 KM bila 100 MKM, tj. ako bi se primijenila transformacija vrijednosti oblika
100.000.000 KM = 1% = 1 bod, situacija bi bila posve drugačija – tada bi ovaj kriterij bio
nevažan u odnosu na druga dva), tj. kao najbolja se uvijek nudi ona alternativa koja ima
maksimiziranu transformiranu vrijednost kriterija sa upadljivo najvedim mjernim brojem.

Naravno da se i ovaj problem može prevazidi – jedan mogudi način je da se izvrši

normalizacija vrijednosti kriterijskih vrijednosti na isti interval vrijednosti (npr. 0-1 ili 0-100)
–primjer za polazni problem je tabela (gdje je uzeto da je raspon mogudih vrijednosti tredeg
kriterija 0-10):

Alternative

A1 A2 A3 A4

f1’ – trans. troškovi max 100 0 20 70

f2 - obuhvat max 0 100 70 50

f3 - rekreacija max 10 100 80 50

Tabela 13.2.4

258
odakle opet slijedi da de vrijediti i c1=c2=c3=1/3, što znači da se model svodi na minimizaciju
odstojanja tačke od idealne tačke po normi 
, a taj postupak je obrađen u skupini metoda
koji se zasnivaju na konceptu minimalnog odstojanja od željene tačke.

Kao interaktivni metod, STEM sadrži korektivne mogudnosti u svakom koraku u kome se
traži dopunski niz informacija od donosioca odluke. Naime, iskazani problem “prevelike
snage” nekog kriterija fp (zahvaljujudi mjernim vrijednostima) se može eliminirati i time što
bi se postupak nastavio uz dopunsko ograničenje da vrijedi 13.2.8, ali to istovremeno znači
da se donosiocu odluke nudi alternativa koja nije svestrano sagledana i od njega se zahtjeva
mnogo vede uključivanje u proces nego u drugim metodama. Sve to vodi direktno ka
zaključku da je ova metoda sama po sebi izuzetno nestabilna, prvenstveno zbog svoje
ovisnosti o izboru modela transformacije mjernih jedinica za kriterije, ali i zbog velikog
utjecaja subjektivnosti ili nepripremljenosti donosioca odluka na proces.

13.3 Metoda SEMOPS

SEMOPS (SEquential MultiObjective Problem Solving) je metoda (Goicoechea et al. 1982,

Opricovid 1994 i 1998) iz grupe interaktivnih algoritama čiji osnovni princip je da se od
donosioca odluke zahtjeva da definira željenu razinu zadovoljenja pojedinih kriterija, kao i
minimalno odnosno maksimalno zadovoljenje svakog od njih (konturna zadovoljenja).
Potom se odstupanja od tako definirane preferencije minimiziraju. Dakle, opdenito se ova
metoda svodi na rješavanje problema (za kontinualni problem)

n
min  d k (13.3.1)
xX
k 1

odnosno za diskretni problem na

n
min  d i k (13.3.2)
i
k 1

gdje je dk odnosno dik određeni bezdimenzionalni pokazatelj koji opisuje odstupanje od

zadate razine zadovoljenja kriterija. Pošto je u pitanju interaktivna metoda, donosilac odluke
de analizirati dobiveno rješenje ovog problema i potom, na temelju visine odstupanja ovog
rješenja od željenog, odrediti nove razine zadovoljenja kriterija za narednu iteraciju.
Naravno, postupak se završava tek ako donosilac odluke zaključi da je ponuđeno rješenje

259
prihvatljivo.

Bezdimenzionalni pokazatelj dk odnosno dik treba ukazivati na stupanj zadovoljenja zahtjeva

donosioca odluke koji definira željenu razinu svakog od kriterija. Uz pretpostavku da se sve
kriterijske funkcije trebaju maksimizirati, jedan način za određivanje ovog pokazatelja jeste
da se on definira kao relativni odnos normirane željene vrijednosti tog kriterija (koju je
zadao donosilac odluke) i normirane stvarne vrijednosti tog kriterija za datu alternativu, tj.
sa

d k  A k ' / f k ' (x) (13.3.3)

gdje je

Ak  gk
Ak ' ,
Gk  gk

f k (x)  f k
min

f k ' (x)    k (x)

 fk
max min
fk


0, za f k ( x )  f k
min

 k (x)   (13.3.4)
 30
10 , za f k ( x )  f k
min

za kontinualni slučaj, odnosno sa

d ik  A k ' / f ik ' (13.3.5)

gdje je

Ak  gk
Ak '
Gk  gk

fi k  fk
min

f ik '    ik
 fk
max min
fk

260
 
0, za f ik ( x )  f k
min

 ik ( x )   (13.3.6)
 30
10 , za f ik ( x )  f k
min

(dakle ik je samo korektivna vrijednost, koja osigurava funkcioniranje metode i kada je
fik=fkmin) za diskretni problem, tj. za konačan broj alternativa. Pri tome donosilac odluke pri
svakoj iteraciji zadaje:

Ak – željena razina (zadovoljenja) kriterija fk ,

Gk – gornje ograničenje razine kriterija fk ,

gk – donje ograničenje razine kriterija fk ,

što je i osnovna Poteškoda metode, jer nije izvjesno da de donosilac odluke biti sposoban
odrediti konzistentne vrijednosti za Ak, Gk i gk u svakoj iteraciji, tako da bi cijeli proces
konvergirao kao najprihvatljivijem rješenju.

13.3.1.1 Ogledni primjer i analiza metode

Raniji primjer ulaznih podataka je:

Alternative

A1 A2 A3 A4

f1 – neg. troškovi min 0 100.000.000 80.000.000 30.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 13.3.1

Kao i ranije je zbog zahtjeva da se sve kriterijske funkcije maksimiziraju potrebno izmijeniti
ulaznu tabelu podataka u naredni oblik:

261
 Alternative

A1 A2 A3 A4

f1 – neg. troškovi max 0 -100.000.000 -80.000.000 -30.000.000

f2 - obuhvat max 0% 100% 70% 50%

f3 - rekreacija max 1 10 8 5

Tabela 13.3.2

Otuda je i
f1*=0 f1min= -100.000.000

f2*=100 f2min= 0

f3*=10 f3min= 1

odakle bi slijedilo da tabela modificiranih vrijednosti fik’ bi bila data sa:

Alternative

A1 A2 A3 A4

neg. troškovi max 1 10-36 0,2 0,7

obuhvat max 10-36 1 0,7 0,5

rekreacija max 10-36 1 7/9 4/9

Tabela 13.3.3

Uz dalji izbor vrijednosti Ai, Gi i gi od

A1= -20.000.000 g1= -50.000.000 G1= 0

A2= 90% g2= 50% G2= 100%

262
 A 3= 9 g3= 5 G3= 10

odakle je

A1’= 30.000.000/50.000.000 = 0,6

A2’= 40%/50% = 0,8

A3’= 4/5 = 0,8

a otuda su i vrijednosti razina zadovoljenja kriterija date sa

Za alternativu A1:

0,6/1 + 0,8/10-36 + 0,8/10-36 = 0,6 + 1,6 .1036

Za alternativu A2:

0,6/10-36 + 0,8/1 + 0,8/1 = 1,6 + 0,6 .1036

Za alternativu A3:

0,6/0,2 + 0,8/0,7 + 0,8/0,77778 = 3 + 1,14286 + 1,02857 = 5,17143

Za alternativu A4:

0,6/0,7 + 0,8/0,5 + 0,8/0,444444 = 0,85714 + 1,6 + 1,8 = 4,25714

odakle se vidi da je ne samo alternativa A4 ona koja de se donosiocu odluke predložiti kao
najpovoljnija (nakon čega de je donosilac odluke ili prihvatiti ili predložiti nove vrijednosti Ak,
Gk i gk), ved se također vidi da se ovim postupkom teže ukloniti sve alternative koje su barem
po jednom kriteriju najlošije u skupu ponuđenih alternativa. Cijeli postupak podsjeda na
metodu minimalnog odstojanja (po normi 
) od ciljne (zadata tačke) – naime norma 

favorizira tačke čija je najveda komponentna udaljenost od referentne tačke minimalna, dok
je samo zadavanje vrijednosti za Ak, Gk i gk (koje de definirati razine zadovoljenja) određeni
ekvivalent zadavanju ciljne tačke.

263
13.4 Zajedničke osobine interaktivnih metoda

Svi interaktivni metodi nastoje postupno profilirati preferenciju donosioca odluke, najčešde
stoga što ona u početku procesa odlučivanja nije jasna, ali i zato što je donosilac odluke
kompleksna struktura čija se preferencija teško i određuje.

To je naročito slučaj kada donosilac odluke i nije lice ved tijelo (npr. Vlada), u kome dolazi do
sučeljavanja različitih pozicija ili stavova. U takvim slučajevima proces harmonizacije
mišljenja i dostizanja kompromisnog stava može biti složen i dugotrajan, bez mogudnosti
predviđanja vremena trajanja ili konačnog oblika preferencije.

Osnovne nestabilnosti metoda su dakle prvenstveno posljedica takve interaktivne uloge

donosioca odluke – najčešde se dešava da se vrijednosti Ak, Gk i gk zadaju tek pošto se odredi
tabela ulaznih vrijednosti kriterija i alternativa. Naime tek iz takve tabele donosilac odluke
uspjeva prepoznati problem ali i svoje preferencije, ili ih usuglasiti u slučaju kompleksnog
tijela.

Nerijetko se uzima (Goicoechea et al. 1982)

Gk=fk*

gk=fkmin (13.4.1)

odakle su Ak ciljne vrijednosti kriterija fk, koje ako se neprecizno zadaju mogu biti i značajno
nadmašene ili pak takve da im se nijedna alternativa ne može zadovoljavajude približiti
(dakle zadane "preambiciozno"). Stoga je izbor ovih vrijednosti ujedno i faktor visokog rizika
uspješnosti metode.

Stabilnost postoji u odnosu na karakteristiku ovog metoda da se kao najbolja donosiocu

odluke ne predlaže alternativa koja je barem po jednom kriteriju lošija od svih drugih – to je
mogude samo u slučaju kada je svaka od alternativa lošija od ostalih po tačno jednom
kriteriju. U tom slučaju vrijednost razina zadovoljenja zadatih vrijednosti kriterija za svaku od
alternativa ima oblik

k1 . 1036 + k2

gdje su k1 i k2 relativno male konstante, što znači da se poređenje razina zadovoljenja

zadanih vrijednosti kriterija za različite alternative svodi na poređenje koeficijenata k1

264
kojima je posredno opisan relativni značaj razina zadovoljenja datog (ekstremno lošeg)
kriterija te alternative.

265
266
14 STABILNOST RJEŠENJA U VIŠEKRITERIJSKOJ OPTIMIZACIJI

14.1 Pregled izvora nestabilnosti rješenja u metodama za višekriterijsku optimizaciju

Sami problemi višekriterijske optimizacije su međusobno veoma različiti i mogu pripadati

širokom spektru situacija. Oni mogu biti javni ili privatni, sa velikim ili malim brojem kriterija,
koji opet mogu biti mjerljivi ili nemjerljivi, deterministički ili sa mjerom neizvjesnosti. Za
svaki od ovakvih problema odgovarajudi su posebni modeli, koji sa sobom donose različite
faktore nestabilnosti.

Javni problemi su direktno vezani i za sociološke pa i psihološke komponente - utjecaj

javnosti, psihološku stabilnost i poznavanje problema donosioca odluke, odabir stručnog
tima koji de odrediti i potom vrednovati kriterije i prepoznati alternative – sve su to dalji
izvori mogude nestabilnosti procesa višekriterijske optimizacije i svakako ih treba uzeti u
obzir. Čak i sam izbor pojedinačnog metoda višekriterijske optimizacije za rješavanje
uočenog problema je i sam po sebi problem višekriterijske optimizacije, sa svojim izvorima
nestabilnosti.

Ved i samo zbog svoje konfiguracije, metode višekriterijske optimizacije se teško mogu

267
porediti međusobno. Naime, dok je cilj metoda za određivanje neinferiornih rješenja samo
eliminiranje (nekih ili svih) alternativa od kojih postoje bolje, a metoda sa interaktivnim
pristupom postupno određivanje preferencije donosioca odluke, to metode sa unaprijed
izraženom preferencijom, nakon utvrđenih ulaznih parametara, vrše kompletno ili parcijano
uređenje prostora alternativa, što ih i čini međusobno lakše usporedivim.

Ipak, jasne su metodološke razlike u pristupu problemu i između ovih metoda – koncepti
diskretnog i kontinualnog vrednovanja, težnje ka kompletnom ili parcijalnom uređenju
prostora alternativa relacijom “bolje”, različit pristup određivanju kriterija ili i alternativa su
značajna ograničenja i poseban problem višekriterijske optimizacije bi se mogao postaviti na
primjeru izbora “najbolje” (ili najprikladnije) od postojedih metoda za određenu strukturu
problema i ne postoji odgovor na pitanje koja metoda je bolja u opdem slučaju.

Svaka pojedinačna metoda predstavlja funkciju svojih ulaznih varijabli – njihov broj i
karakter uglavnom nije unaprijed određen pa i to, uz naravno njihove mogude oscilacije
vrijednosti, određuje stabilnost preferencije odnosno pozicije određene alternative. Kao
karakteristični izvori mogude nestabilnosti rješenja višekriterijske optimizacije u prikazanim
metodama uočeni su:

 Nedovršenost metoda za generiranje neinferiornih rješenja, koji donosiocu odluke

predlažu samo izbor iz eventualno suženog polaznog skupa alternativa, bez ikakve
namjere da se konačan izbor opravda ili utiče na njega;

 Kada je u pitanju metoda težinskih koeficijenata za generiranje neinferiornih

rješenja za kontinualni slučaj problema višekriterijske optimizacije, način izbora
težinskih koeficijenata je ključni element nestabilnosti postupka – u ovisnosti od
osjetljivosti analitičara tj. stupnja njegovih zahtjeva za kompletnošdu dobivenog
skupa neinferiornih rješenja problema, može dodi do izostanka predstave čak i
značajnih mogudnosti izbora donosiocu odluke;

 Što se tiče metoda  ograničenja, izuzev kada se algoritam posve doslovno primjeni i
zaista donosilac odluke interaktivno uvede u postupak optimizacije, kada se kao
rješenje nametne jedna alternativa, ostali postupci nude samo podskup skupa
neinferiornih rješenja problema. Elementi nestabilnosti su način izbora ograničenja
i , i=1, 2, … , N, koji čak, u slučaju izuzetno lošeg izbora, mogu dovesti i do toga da
se ponudi čak i rješenje koje bi bilo inferiorno;

 Kada je riječ o metodama zasnovanim na odstojanju od neke ciljne tačke,

zajednička karakteristika ovih metoda je da rješenje direktno ovisi o izboru relacija

268
 transformacije vrijednosti i težinskih koeficijenata, što je mogudi izvor nestabilnosti
rješenja po sebi. Izbor ciljne ili referentne tačke u odnosu na koju se traži
minimalno odnosno maksimalno odstojanje u odabranoj normi je posebno osjetljiv
– pogrešnim izborom se može pojaviti i situacija u kojoj dobiveno rješenje i ne
pripada skupu Pareto-optimalnih rješenja. Obzirom da svi spomenuti metodi
uzimaju u obzir apsolutne vrijednosti razlika između ostvarenih i željenih - ciljnih
vrijednosti kriterijskih funkcija, to direktno slijedi da de ona od kriterijskih funkcija
koja ima vedi obuhvat transformiranih vrijednosti značajnije uticati na rješenje
problema, ako su težinski faktori približno jednakih vrijednosti;

 Metoda kompromisnog rangiranja i metoda VIKOR normaliziranjem prevazilaze

problem različitih mjernih vrijednosti kriterija, svodedi ih za svaki kriterij na osnovni
interval [0,1]. Međutim, pošto se normalizacija vrijednosti i-tog kriterija se vrši u
odnosu na interval [fi-, fi+], a kako vrijednosti fi- i fi+ ovise o izboru skupa alternativa,
to se dodatni izvor nestabilnosti može očekivati u slučaju kada se diskretni skup
alternativa proširi novom, koja je po nekom od kriterija ubjedljivo najbolja ili
najlošija. Poseban izvor nestabilnosti je i razmatranje alternative ne raditi ništa -
“Do nothing”, koja de biti najpovoljnija po kriteriju troškova, i time presudno uticati
na visinu normaliziranih vrijednosti ovog, najčešde vedom težinom opteredenog,
kriterija za sve alternative. I izbor norme p
u ovom slučaju također neposredno
utiče na rješenje problema optimizacije, kao i izbor težinskih koeficijenata kriterija i
specifične težine strategije  - sve su to mogudi izvori nestabilnosti poretka
postojedih alternativa;

 U primjeni koncepta funkcije utiliteta se cijela procedura temelji na

pretpostavljenoj konzistentnosti ponašanja donosioca odluke i poštovanju aksioma
utiliteta - pretpostavlja se da je donosilac odluke sposoban da procijeni strukturu
problema i upravo ta pretpostavka u praksi može biti ozbiljan izvor nestabilnosti
metode. Poseban problem može predstavljati i promjena preferentne strukture
donosioca odluke u toku postupka, što implicira i promjenu funkcije utiliteta te
težinskih koeficijenata koje nije mogude jednostavnim postupkom prilagoditi;

 Cilj metode ELECTRE i nije kompletno uređenje prostora alternativa tj. njihovo
potpuno rangiranje i predlaganje jedne alternative kao najbolje, ved samo
određivanje “zadovoljavajudeg” podskupa u kome nijedna alternativa nije značajno
lošija od onih alternativa van toga podskupa po bilo kom (jednom ili više) od

269
 kriterija, dok je bolja za najvedi broj kriterija. U ovom slučaju vrijednosti kriterijskih
funkcija i ne moraju biti brojčano izražene jer tu ulogu preuzimaju težinski faktori
kriterija kojima se opisuje njihov relativni značaj odnosno međusobna preferencija,
pa je izbor ovih faktora mogudi izvor nestabilnosti rješenja. Donosilac odluke sam
određuje željenu razinu zadovoljenja oba indeksa ove metode, čime i generira
pripadnost traženom “zadovoljavajudem” podskupu – od izbora ovih razina
zadovoljenja ovisi koje de alternative biti ponuđene kao zadovoljavajude;

 Nedostatak metode PROMETHEE, kao uostalom i ostalih metoda sa unaprijed

izraženom preferencijom, a koji predstavlja ozbiljan mogudi izvor nestabilnosti
rješenja, je nedovoljna povratna sprega ka donosiocu odluke i nemogudnost
postupnog profiliranja njegove preferencije. Naime, suviše često je zahtjev da se
unaprijed odredi težine kriterija (kao i pragove indiferentnosti ili model preferentne
funkcije) suviše strog za donosioca odluke koji ga nije u stanju ispuniti.

 Metoda PRIMAVERA je u sebi ugradila mogudnosti za utjecaj donosioca odluke na

konačan poredak prioriteta kroz zadavanje viših vrijednosti aspekata podrške
mjerama koje se preferiraju - sa tehničke strane gledišta proizlazi da su aspekti
podrške nosioci visokog rizika u stabilnosti poretka, iako bi vjerojatno politolozi ili
sociolozi smatrali da su upravo ovi kriteriji faktori stabilnosti konačne odluke. U
cijelom procesu odlučivanja, koji podrazumijeva uočavanje problema, definiranje
alternativa i kriterija za njihovo vrednovanje, rangiranje, konsultiranje donosioca
odluke itd., ova metoda je svoje kriterije odredila unaprijed. Ipak, stabilnost
dobivene rang liste značajno ovisi o izboru konturnih vrijednosti koje određuju
intervale pripadnosti vrijednosti pojedinih kriterija, a kao posebno ograničenje
treba navesti suženi izbor tih vrijednosti, koje mogu pripadati samo skupu {1, 2, 3,
4} ili skupu {-2, -1, 0, 1, 2}.

 Kao i u drugim slučajevima kada je neophodno izvršiti transformaciju (razmjenu)

početnih vrijednosti, i u interaktivnom metodu STEM transformacija mjernih
jedinica direktno može odlučiti o tome koja bi alternativa bila ponuđena kao
optimalna. Kao interaktivna metoda, STEM sadrži korektivne mogudnosti u svakom
koraku u kome se traži dopunski niz informacija od donosioca odluke, što
istovremeno znači da se od donosioca odluke zahtjeva mnogo vede uključivanje u
proces – to vodi ka zaključku da je ova metoda sama po sebi izuzetno nestabilna,
prvenstveno zbog svoje ovisnosti o izboru transformacije mjernih jedinica za
kriterije, ali i zbog velikog utjecaja subjektivnosti ili nepripremljenosti donosioca
odluka na proces. Svi interaktivni metodi nastoje postupno profilirati preferenciju
donosioca odluke, najčešde stoga što ona u početku procesa odlučivanja nije jasna,

270
 ali i zato što je donosilac odluke kompleksna struktura čija se preferencija teško i
određuje. Osnovne nestabilnosti rješenja interaktivne metode SEMOPS su
prvenstveno posljedica takve interaktivne uloge donosioca odluke – najčešde se
dešava da se vrijednosti Ak, Gk i gk (gdje su Ak željenu razinu zadovoljenja kriterija fk,
a Gk i gk gornje i donje ograničenje razina zadovoljenja kriterija fk) zadaju tek pošto
se odredi tabela ulaznih vrijednosti kriterija i alternativa. Izborom vrijednosti Gk=fk*
i gk=fkmin, Ak postaju ciljne vrijednosti kriterija fk koje, ako se neprecizno zadaju,
mogu biti i značajno nadmašene ili pak takve da im se nijedna alternativa ne može
zadovoljavajude približiti, što predstavlja izvor nestabilnosti rješenja ove metode.

Uvođenjem kriterija administrativne i društvene podrške i njihovim mogudnostima utjecaja

na položaj alternative na rang listi diskretnog skupa alternativa metoda PRIMAVERA svakako
daje najrječitiji odgovor na do sada nepostavljeno, ali i neizbježno pitanje: “Može li se
manipulirati rezultatima višekriterijske optimizacije, tj. može li se unaprijed odabrana
alternativa dobiti kao prvorangirana izabranom metodom?”.

Upravo zbog značaja utjecaja centara modi u procesu odlučivanja, koje je uočeno u zemlji u
kojoj je PRIMAVERA kreirana – Holandiji/Nizozemskoj, a koji svakako postoji i u Bosni i
Hercegovini, tvorci tog postupka su omogudili direktan pozitivan odgovor na ovo pitanje.
Naime, samim maksimiziranjem vrijednosti ova dva kriterija samo jednoj alternativi, bez
obzira na vrijednost ostalih, odabrana alternativa primjenom metode PRIMAVERA postaje
prvorangirana – vjerojatno su autori i željeli izbjedi da se isti cilj postigne izmjenama
vrijednosti ostalih kriterija, izborom odgovarajude metode ili čak i selekcijom skupa kriterija
kojima de se alternative vrednovati.

Različiti problemi su inicirali nastanak različitih metoda višekriterijske optimizacije. U

kompleksnom procesu višekriterijskog odlučivanja, metodi višekriterijske optimizacije
trebaju predstavljati (nezanemarljiv) instrument pomodi, nekada i validacije unaprijed
pretpostavljenih rezultata. Naučnoj i stručnoj javnosti je priznata potreba da se izvrši
klasifikacija metoda prema mogudnostima primjene i prema odgovarajudim problemima,
odnosno da se metode povežu sa problemima koje najbolje rješavaju. Takva komparativna
analiza je jedan od mogudih pravaca daljih istraživanja u oblasti višekriterijske optimizacije.

271