Professional Documents
Culture Documents
Višekriterijska Optimizacija PDF
Višekriterijska Optimizacija PDF
VIŠEKRITERIJSKOG PROGRAMIRANJA
8.1 Uvod
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:
4. Usvajanje konačnog rješenja ili ponavljanje cijelog postupka počev od drugog koraka.
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.
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.
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.
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.
tako da vrijedi x X, X R K
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)
z y z yC (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):
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 xX 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 xX 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.
f j ( x ) f j min
f j (x) , j 1,2,..., N (9.2.2)
f j max fjmin
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.
w
j1
j 1 . (9.2.3)
N
maksimizirati w f (x)
j1
j j (9.2.4)
tako da vrijedi x X .
N
maksimizirati w z
j1
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 wj0, 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)
j1
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
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.
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.
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
126
10 STRUKTURA VKO
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.
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:
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
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
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.
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
gdje je
x (x1 , x 2 , , x K )
x k 0, k 1,2,..., K (10.2.3)
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 xX 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
F f(x) : x X (10.2.6)
maksimizirati
uz uvjete
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.
Ovakva rješenja se još nazivaju i strogo dominantnim ili strogo neinferiornim – ako se u
nejednakosti fifi* znak zamijeni znakom kaže se i da je rješenje slabo dominantno ili
slabo neinferiorno.
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.
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.
134
koje treba optimizirati). Pri modeliranju sistema izvori grešaka se mogu kategorizirati u šest
osnovnih grupa:
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.
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:
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.
136
za navodnjavanje odnosno za pide je također maksimalan (100%), kao i ekspertska
ocjena razvoja turizma u slučaju izbora ove alternative (najveda ocjena 10).
Sve ove vrijednosti pojedinih kriterija za date alternative se mogu prikazati u tabeli 10.3.1:
Alternative
A1 A2 A3 A4
f3 - rekreacija max 1 10 8 5
Tabela 10.3.1
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
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 fifi* , i=1,…,N i fjfj* 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
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.
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 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 xX,
gdje je X dopustivi podskup) modificira se u problem jednokriterijske optimizacije oblika
(Opricovid 1986)
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)
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.
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)
uz uvjete
xX
143
Ipak, određene algoritme za određivanje vrijednosti k koji bi korisniku olakšali posao
odabira predložili su Cohon 1978 i Goicoechea 1976:
Algoritam Cohona:
tada je
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), xE 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 xE. Dakle, Cohon predlaže da za
vrijedi
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].
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.
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
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.
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:
Alternative
A1 A2 A3 A4
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
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
Alternative
A1 A2 A3 A4
f3 - rekreacija max 1 10 8 5
Tabela 12.1.1
( 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
150
Analiza metode
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.
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
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):
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.
i analogno
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
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).
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.
1% = 1 (bezdimenzionalna veličina),
153
1bod = 1 (bezdimenzionalna veličina),
Alternative
100 100 80 50
Tabela 12.2.2
odakle je poredak alternativa očito A4, A3, A2A1, 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.
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
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)
N
ci
c = ci , ci = , i = 1,2,..., N . (12.2.4)
i =1 c
c1 = 0,00000001
c2 = 0,01
c3 = 0,1
dobide se da je
Alternative
1 1 0.8 0.5
Tabela 12.2.3
155
Ako se pak za ciljnu tačku odabere f* = (30.000.000, 100, 10) tada bi (za isti izbor
koeficijenata) vrijedilo
Alternative
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).
156
Ogledni primjer
i analogno
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
Tabela 12.2.5
odakle je poredak alternativa očito A4, A1, A3, A2, tj. prethodne prve dvije alternative u
poretku su sada zamijenile mjesta.
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.
157
1milion KM = 1 (bezdimenzionalna veličina),
1% = 1 (bezdimenzionalna veličina),
Alternative
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
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.
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
1% = 1 (bezdimenzionalna veličina),
u oglednom primjeru bi slijedilo da za izbor ciljne tačke (idealne alternative) f* = (0, 100, 10)
vrijedi
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
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
.
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).
x p x 1P x P2 ... x PK (12.2.10)
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
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
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.
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.
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:
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
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.
Minimizirati
p
N
f i f i (x)
Dist(F( x ), p) p ci
i 1 fi fi
Minimizirati
f f (x)
D(F( x ), ) max c i i i
i fi fi
164
12.2.4.1 Kompromisno rangiranje
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.
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
Metoda VIKOR kao najbolju alternativu (za dati skup težina ci) predlaže onu koja je
prvorangirana za =0,5 samo ako
Q(Aj)-Q(Ai) DQ
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:
A1 A2 A3 A4
Tabela 12.2.8
168
Alternative
Mjera A1 A2 A3 A4 Poredak
Tabela 12.2.9
Alternative
Mjera Q - A1 A2 A3 A4 Poredak
vrijednost
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.
odakle slijedi da alternativa A4 ima dovoljnu prednost nad sljededom na listi alternativom A1.
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:
A1 A2 A3 A4
Tabela 12.2.11
170
Alternative
Mjera A1 A2 A3 A4 Poredak
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
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, A2A1,
A3, odnosno alternativa A2 dostiže A1.
odakle slijedi da alternativa A4 ima dovoljnu prednost nad sljededom na listi alternativom A1.
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):
A1 A2 A3 A4
Tabela 12.2.14
172
Alternative
Mjera A1 A2 A3 A4 Poredak
Tabela 12.2.15
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
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.
Q(A2) = Q2 = 0,1250
Q(A3) = Q3 = 0,1393
Q(A4) = Q4 = 1,0000
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.
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”.
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
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 rj0,
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:
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
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
)
(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}.
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
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.
180
Alternative – normalizirane vrijednosti
A1 A2 A3 A4
Tabela 12.2.17
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.
Alternative
A1 A2 A3 A4
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
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.
Zadatak za vježbu:
183
Alternative
A1 A2 A3 A4
184
postizanja alternative F1 sa vjerojatnodom p, a 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 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.
Alternative
A1 A2 A3 A4
Tabela 12.3.1
186
10.000.000 KM * 40% = 14.000.000 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
Tabela 12.3.2
1 1 1
preferencija rizika neutralno na rizik averzija ka riziku
utilitet
utilitet
utilitet
Slika 12.3.1
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
Naravno da se nadalje variranjem vrijednosti za p ili eventualno za fmax i/ili fmin može
odrediti još tačaka na krivoj utiliteta donosioca odluke.
odnosno
Ipak, ved samim izborom vrijednosti fmin i fmax određeno rangiranje alternativa je ved
dosegnuto.
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
N
(1 k ) (1 kk i ) (12.3.4)
i 1
190
N
k 1
i 1
i (12.3.5)
i (12.3.6)
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:
druga, da dobije par (fimax, fjmax) sa vjerojatnodom p, odnosno da dobije par (fimin, fjmin)
sa vjerojatnodom 1-p.
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.
Alternative
A1 A2 A3 A4
Tabela 12.3.3
192
Alternative
A1 A2 A3 A4
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
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
194
A1 A2 A3 A4
Tabela 12.3.5
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.
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:
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 A1A2 (što bi se tumačilo kao “alternativa A1 je bolja od alternative A2”) i iz
A2A3 ne mora slijediti da je i A1A3 (A1 i A3 mogu biti neusporedivi, među njima može
vrijediti relacija indiferencije ili čak može vrijediti i A3A1). Kao grafička prezentacija se može
prikazati usmjereni grafik kao što je:
A4 A2 A3
A1 A6
A7 A5
Slika 12.4.1
196
A1A4, A1A7, A7A6, A7A5, A4A2 i A3A2.
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.
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.
c (A i , A j ) c
k , gdje je N-= { k: takvo da je fik<fjk, tj za koje je fjk bolje od fik }
kN
c (A i , A j ) c
k , gdje je N= = { k: takvo da postoji indiferencija između fiki fjk}
kN
(12.4.1)
1
c
c
CA 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.
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
D(Ai,Aj)=Dij/I*. (12.4.6)
C(Ai,Aj)>p
D(Ai,Aj)<q (12.4.7)
C(Ai,Al) >p
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
AiAj ni za jedno i ). Sve alternative koje ne pripadaju skupu B se smatraju nedovoljno
privlačnim (jer nisu zadovoljile bilo koji od spomenutih uvjeta).
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.
A1 A2 A3 A4
Tabela 12.4.1
200
Alternative
A1 A2 A3 A4
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
Tabela 12.4.3
A2A3 i A4A1,
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.
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 A2A4 i A2A1. 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
Tabela 12.4.4
Alternative
A1 A2 A3 A4
Tabela 12.4.5
odakle slijedi i da tabela indeksa nesuglasnosti D(Ai, Aj) ima oblik (I*=2):
203
A1 A2 A3 A4
A2 1 - 0,2 0,7
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:
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).
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:
Sve alternative koje nisu iz skupa K su preferirane od strane barem jedne alternative
iz skupa K.
204
Dakle ako vrijedi
A2A3 i A4A1,
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.
Ako se uvedu oznake kao u (12.4.1) onda se indeks suglasnosti alternativa Ai i Aj može
odrediti sa
205
c c
CA 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 AiAj. 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.
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).
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
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)
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 (AiAj) 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.
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 AiAj ni za jedno i.
4. T=(H/U)B je skup trenutno najboljih alternativa. Ako je A/T (gdje A/T označava
A/T={Ai: AiA, AiT}) 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
AiAj ni za jedno j (dakle skup najlošijih alternativa po jakoj preferenciji),
4. T’=(H’/U’)B’ je skup trenutno najlošijih alternativa. Ako je A/T’ (gdje A/T’ označava
A/T’={Ai: AiA, AiT’}) prazan skup, postupak rangiranja je završen, a ako nije cijeli
se postupak ponavlja na preostalom skupu alternativa, tj. na skupu A’=A/T’.
6. Kako trenutno najlošija alternativa ima rang 1, a najbolja posljednji rang, vrši se
invertriranje rangiranja sa
R’(Ai)=1+maxrang-rang(Ai)
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. A1A4 po jakoj preferenciji, ili A2A3 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 A2A3 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:
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 A3A5 , što znači da de rang 2
imati samo alternativa A3. Ona de se eliminirati iz izbora i tako se dolazi do novog skupa
alternativa:
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:
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:
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:
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:
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 A3A4 , 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:
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 A3A5 , 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 A2A3, 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
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
1. A2
2. A1, A3
3. A5
4. A4, A6
5. A7, A8, A9 .
A1 A2 A3 A4
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.
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 AiAj (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.
funkcija indiferencije Ik
funkcija preferencije Pk
funkcija veta Vk .
fjk<fik+Ik(fik)
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)
fjk>fik+Vk(fik)
Ova metoda koristi indeks suglasnosti po pojedinim kriterijima C(Ai,Aj,fk) koji se definira na
slijededi način:
Pk (f k ) f ik f jk
C(A i , A j , f k ) ako je fik+Ik(fik)fjkfik+Pk(fik) . (12.4.20)
Pk (f k ) I k (f k )
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.
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
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 )
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 )
0 za d ij 0
k
1. Pk (A i , A j ) (12.4.26)
za d ij 0
k
1
0 za d ij q k
k
2. Pk (A i , A j ) (12.4.27)
za d ij q k
k
1
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
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
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
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
c = 1
i =1
i (12.4.32)
n ci
c = ci , ci = , i = 1..n (12.4.33)
i =1 c
n
P(A i , A j ) c k Pk (A i , A j ) (12.4.34)
k 1
J
P (A i ) P(A i , A j ) (pozitivan tok, broj alternativa J) (12.4.35)
j1
220
J
P (A i ) P(A j , A i ) (negativan tok, broj alternativa J) (12.4.36)
j1
P(A i ) P (A i ) P (A i ) (12.4.37)
Alternative
A1 A2 A3 A4
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)
Tabela 12.4.15
0,866667 2 -1,13333
Tabela 12.4.16
223
Dakle sveukupno najbolja bi bila alternativa A2, potom A3, pa A4 i najposlije A1.
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.
224
F+(A1) F-(A1) F(A1)
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.
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.
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
PLAN
PRIMJENA
226
Slika 12.5.1
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)
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.
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,
228
3: ozbiljan problem,
4: kritičan problem.
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,
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,
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,
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.
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:
0: neutralni preduvjeti,
1: 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:
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:
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:
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:
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
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.
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)
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
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:
mk – koeficijent (m=0,15),
k – koeficijent (k=6),
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.
Alternative
A1 A2 A3 A4
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.
A1 – ne graditi ništa,
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:
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
A1 A2 A3 A4
Vrijednost prioriteta Pm 81 43 50 64
Tabela 12.5.5
Dakle u ovom slučaju bi konačan poredak alternativa (mjera) bio A1, A4, A3 i A2.
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 prioriteta Pm 81 44 50 64
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
Alternative
A1 A2 A3 A4
Vrijednost prioriteta Pm 81 52 50 64
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
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 prioriteta Pm 50 58 56 56
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.
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.
245
nepreciznosti, izuzev u slučaju kada su određujude vrijednosti upravo u graničnom području.
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:
uz uvjete
xX
gdje je
x (x1 , x 2 , , x K ) X
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
xX
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
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
gdje je XK skup svih xX 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 xXK 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.
f1+=0
f2+=100
248
f3+=10
uz uvjete
f2100-1
f310-2 (12.6.12)
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
251
Rješenje VKO
DO Metoda VKO
Slika 13.1.1
Slika 13.1.2
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.
gdje je
G j (x) 0, j 1,2,..., M
x k 0, k 1,2,..., K (13.2.3)
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
254
čime se kreira dopustivi skup Xk+1. Potom se cijeli postupak ponavlja sve dok:
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 (kn) biti zadovoljan ponuđenim rješenjem
koje de biti i konačno rješenje, ili de zadatak ostati bez rješenja uz iskazanu preferenciju
donosioca odluke.
Alternative
A1 A2 A3 A4
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
f3 - rekreacija max 1 10 8 5
Tabela 13.2.2
Otuda je i
f2*=100 f2min= 0
f3*=10 f3min= 1
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
256
Alternative
A1 A2 A3 A4
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
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).
Alternative
A1 A2 A3 A4
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.
n
min d k (13.3.1)
xX
k 1
n
min d i k (13.3.2)
i
k 1
259
prihvatljivo.
gdje je
Ak gk
Ak ' ,
Gk gk
f k (x) f k
min
0, za f k ( x ) f k
min
k (x) (13.3.4)
30
10 , za f k ( x ) f k
min
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:
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.
Alternative
A1 A2 A3 A4
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
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
Alternative
A1 A2 A3 A4
Tabela 13.3.3
262
A 3= 9 g3= 5 G3= 10
odakle je
Za alternativu A1:
Za alternativu A2:
Za alternativu A3:
Za alternativu A4:
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.
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.
k1 . 1036 + k2
264
kojima je posredno opisan relativni značaj razina zadovoljenja datog (ekstremno lošeg)
kriterija te alternative.
265
266
14 STABILNOST RJEŠENJA U VIŠEKRITERIJSKOJ OPTIMIZACIJI
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:
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;
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;
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;
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.
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.
271