Professional Documents
Culture Documents
Konspect 1
Konspect 1
net/publication/328967405
CITATIONS READS
0 8,786
1 author:
Vasyl Teslyuk
Lviv Polytechnic National University
272 PUBLICATIONS 640 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Vasyl Teslyuk on 15 November 2018.
КОНСПЕКТ ЛЕКЦІЙ
(Частина 1)
Затверджено
на засіданні кафедри
Системи автоматизованого проектування
Протокол № 1 від 22.09.2012.
Львів –2012
2
Теслюк В.М., Загарюк Р.В. Методи багатокритеріальної оптимізації: Ч.1.
Конспект лекцій з курсу ―Методи багатокритеріальної оптимізації‖ для
студентів спеціальності 8.05010103 ―Системне проектування‖. – Львів:
Видавництво Національного університету ―Львівська політехніка‖, 2012. – 64 с.
max f ( x1 , x2 , x3 , x4 , x5 ) ,
g1 ( x1 , x2 , x3 , x4 , x5 ) ≥10 ,
g 2 ( x1 , x2 , x3 , x4 , x5 ) ≤8 ,
h1 ( x1 , x2 , x3 , x4 , x5 ) = 12 ,
h2 ( x1 , x2 , x3 , x4 , x5 ) = 3 ,
x1 , x2 , x3 , x4 , x5 ≥0 .
В наведеному прикладі кількість проектних параметрів рівна п’яти. При
чому їхні значення можуть бути більшими, або рівними нулю. Для обмеження у
формі рівностей і два обмеження у формі нерівностей.
15
1.4. Причини багатокритеріальності в задачах оптимального
проектування
min(max) f i ( x) , (i = 1, n) , j = 1, m , (1.1)
hm ( X ) = βm , (m = 1, j ) ,
b1 ≤x j ≤bm .
Початок
1
Ввід вхідних даних
2
Вибір основного КО
3
Перетворення інших
КО. в обмеження
4
Розв’язання
оптимізаційної задачі
з допомогою методу
умовної оптимізації
5
Виведення вихідних
результатів
Кінець
hm ( X ) m , (m 1, j ) ,
де g k ( X ) k - k -те обмеження нерівності, hm ( X ) m - m -те обмеження
рівність, k .та m - деякі константи, l - кількість обмежень нерівностей, j -
кількість обмежень рівностей.
Припустимо, що на основі деякого методу розробник визначив, що
головним критерієм оптимальності є собівартість його виготовлення ( f n (X ) ).
Відповідно, задача багатокритеріальної оптимізації, яку необхідно розв’язати з
допомогою методу головної компоненти, буде сформульована наступним
чином:
знайти
min f n ( X ) , (2.3)
при виконанні таких обмежень:
f1 ( X ) A1 , f 2 ( X ) A2 , … , f n1 ( X ) An1 , (2.4)
g k ( X ) k , (k 1, l ) ,
hm ( X ) m , (m 1, j ) ,
Ai A1 , A2 ,...,An ,
де Ai (i 1,2,...,n) - граничні значення критеріїв оптимальності (константи).
22
Отже метод головної компоненти полягає в довільному виборі одного
із критеріїв в якості головного, по якому проводиться оптимізація і вибирається
рішення. При цьому інші компоненти переводяться в розряд обмежень.
Цей метод простий, наочний і часто застосовується при проектуванні, в
машинобудівній практиці, однак принциповим його недоліком є довільність у
виборі головного критерію. Можна навести багато прикладів із історії науки і
техніки, коли довільний і невірний вибір цього критерію призводив до
трагічних наслідків чи, щонайменше, до малоефективних результатів.
В літературі, присвяченій питанню оптимізації програм, в якості
головного показника вибирають, наприклад, їх собівартість чи термін
експлуатації. При оптимізації металоконструкцій - металоємність. Коли
вирішуються технологічні задачі прийнято використовувати в якості головного
критерію продуктивність праці, продуктивність обладнання.
Для кращого розуміння особливостей застосування цього методу,
наведемо приклад ЗБО, яка включає три цільові функції та три обмеження.
Отже необхідно знайти такі значення проектних параметрів x1 , x2 , x3 , x4 та x5 ,
для яких цільові функції приймають максимально можливі значення:
max f1( x ) 2 x1 3x2 x3 2 x4 , (2.1)
max f 2 ( x ) 3x1 x2 ,
max f 3 ( x ) x1 4 x2 ,
при виконанні таких умов:
x1 2 x2 x3 6 ,
2 x1 x2 x4 8 ,
x1 x2 x5 4 ,
x1 , x2 , x3 , x4 , x5 ≥0.
Припустимо, що головним критерієм є перший, а другий та третій,
відповідно, необхідно ввести в список обмежень. Оскільки, в другому та
третьому КО шукаємо максимум, то цільові функції мають бути не менше
деякої уявної величини (що в процесі проектування може визначатися
технічним завданням на виріб).
23
Для прикладу, в процесі проектування автомобілів, це може бути його
максимальна швидкість (тобто більшою може бути, але не меншою деякого
значення) у випадку проектування підсилювача звукової частоти – вихідна
потужність у випадку розроблення комп’ютера – об’єм пам’яті , та ін.
Повертаючись до нашого прикладу приймемо, що значення другого КО,
має бути більше-рівне чотирьох, а третього – шести. Тоді два додаткові
обмеження можна записати у наступній формі:
3x1 x2 4 ,
x1 4 x2 6 .
Задача, яку в кінцевому випадку необхідно розв’язати, буде включати
цільову функцію max f1 ( x ) 2 x1 3x2 x3 2 x4 та обмеження з задачі (2.1)
плюс обмеження (2.2).
Неозброєним оком видно, що ця задача є задачею лінійного
програмування і для розв’язання якої використаємо метод великих чисел.
В процесі застосування М-методу, модифікуємо обмеження, тобто
перетворимо 4-е та 5-е обмеження нерівності в рівності, при цьому віднімаючи
змінні x6 та x7 :
3x1 x2 x6 4 , (2.3)
x1 4 x2 x7 6 .
До цих обмежень додамо штрафи R1 та R2 .
3x1 x2 x6 R1 4 , (2.4)
x1 4 x2 x7 R2 6 .
Після врахування штрафів у цільовій функції, отримаємо таку
оптимізаційну задачу:
max f1 ( x ) 2 x1 3x2 x3 2 x4 MR1 MR2 ,
x1 2 x2 x3 6 , (2.5)
2 x1 x2 x4 8 ,
x1 x2 x5 4 ,
x1 4 x2 x7 R2 6 ,
x1 , x2 , x3 , x4 , x5 , x6 , x7 , R1 , R2 0 .
max f1 ( x ) ,
g i ( x ) Bi ,
h j x A j .
і знаходиться максимальне значення критерію f1 ( x1 ) .
Крок 2. Розв’язати задачу багатокритеріальної оптимізації
max f 2 ( x )
g i ( x ) Bi ,
h j x A j .
f1 ( x ) f1 ( x1 )
26
Початок
1
Ввід початкових
даних k,i
2
Ранжування КО
3
Посортувати КО за
приорітетом
4
i-1
5
Розв’язання оптимізаційної
задачі для i-го КО
7 Ні 6
i=i+1 i=k
Так
8
Вивід результат
оптимізації
Кінець
max f 3 ( x) x1 4 x2 , (2.13)
x1 2 x2 x3 6 ,
2 x1 x2 x4 8 ,
x1 x2 x5 4 ,
f 3* 0 , f 2* 0 , f1* 22 , (2.14)
x1 0 , x2 0 , x3 6 , x4 8 , x5 4 .
поступки.
Застосуємо метод поступок до розв’язання задачі багатокритеріальної
оптимізації (2.1). Будемо вважати, що критерії оптимізації уже розміщені по їх
важливості. Найбільш важливий розміщений першим, тобто перший крок
алгоритму уже виконали. Розв’язання однокритеріальної оптимізаційної задачі
(2.10) ми також вже виконали з першим КО (Крок 2 алгоритму) і розв’язання
наведено вище (Див. вирази 2.11). Ці два кроки ми вже виконали в процесі
застосування лексикографічного методу до розв’язання ЗБО (2.1). Третій крок
передбачає операцію виконання поступки. Для розглядуваної задачі зробимо
поступку в розмірі 33%, а саме ( k1 0,33 ):
2
Розмістити КО по їх
важливості
3
I=1
Так
4
I>N
5
Визначити оптимальне
значення f*(i) ЦФ f(i)
6
Зробити уступку по i-му
показнику ефективності
f**(i)=ki f*(i)
7
8 Ввести в задачу
I=I+1 додаткове обмеження
9
Вивід результатів
оптимізації
Кінець
n p p
F x , F max i f i ( x ) f imax min , (2.22)
i 1
де F max f1max , f 2max ,..., f nmax - вектор цільових значень КО; F x , F max -
відхилення між f x та f max , 1 p .
f1max 1,0748 ,
f 2max 0,7357 ,
f 3max 2 .
При визначенні F x , F max отримали наступне значення:
F x , F max 0,32534 .
Значення компонент вектора, відповідно:
36
max max max
f 1
f1 ( x ) f 2
f2 (x) f 3
f3 (x )
координатами x1 , x2 ,...,xn .
i* i* i*
Введемо поняття ―умовної маси‖ точки [3]:
f i ( x1 , x2 ,...,xn )
i* i* i*
mi i
i* i* i*
,
f i ( x1 , x2 ,...,xn )
i* i* i*
де f i ( x1 , x2 ,...,xn ) - значення i -ї цільової функції при сукупності керованих
параметрів, що забезпечують екстремальне його значення. Будемо вважати, що
компромісному розв’язанню буде задовольняти набір параметрів, які
відповідають точці з координатами ―умовного центра мас‖:
xj
**
m x i
i*
j
.
m i
2
Визначення точок
екстремумів для
кожної ЦФ fi
3
Визначення „умовної
маси‖
Визначення значень
умовного центра мас
5
Вивід результатів
оптимізації
Кінець
max f 3 ( x) 2 x1 2 x2 , (2.24в)
38
і виконувалися такі обмеження:
2 x1 x2 x3 8 , (2.25)
x1 3x2 x4 3 ,
x1 x2 x5 5 ,
x1 , x2 , x3 , x4 , x5 0 .
Розв’яжемо послідовно три оптимізаційні задачі з одним критерієм
оптимальності. Перша задача включає ЦФ (2.24а) та обмеження (2.25), дуга –
(2.24б) і (2.25), а третя (2.24в) і (2.25).
В результаті застосування симплекс-методу отримали наступні
розв’язання задач багатокритеріальної оптимізації:
для першої:
f1* 47 , (2.26)
x1 0 , x2 0 , x3 8 , x4 3 , x5 5 .
для другої:
f 2* 3 , (2.27)
x1 0 , x2 1 , x3 7 , x4 0 , x5 3 .
для третьої:
f 3* 6 , (2.28)
x1 3 , x2 0 , x3 2 , x4 0 , x5 2 .
Визначимо параметри ―умовного центра мас‖, зокрема для нашого
випадку:
n 2
то критерій буде мати вигляд f ( x) f i ( x) f i min .
i 1
Ввід ЦФ та обмежень
2
Визначається розв`язок
Qi a, x Max, x X
3
Знаходимо значення
часткових критеріїв
4
Визначається
значення ідеальної
точки
5
Вивід значення
ідеальної точки
Кінець
Розрахунок проведено
x1=1
x2=0,333333333333333
x3=5,66666666666667
x4=1
x5=3,66666666666667
f1=35
f2=2
f3=2,66666666666667
2
Визначення частинних КО
3
Нормування частинних КО
4
Визначення вагових
коефіцієнтів
5
F (x) = 0 , i-1, n
F ( x ) = F ( x ) + αi fi ( x )
8 Ні 7
i=i+1 i=n
Так
9
n
F ( x ) = ∑αi fi ( x ) → max(min)
i =1
10
Вивід результату
оптимізації
Кінець
f1 ( x ) f2 (x)
F ( x ) = α1 * α 2 → max . (3.10)
f1(0) ( x ) f 2 ( 0) ( x )
Як нормуючі дільники в цій задачі приймемо найкращі (максимальні)
значення власних критеріїв:
49
Початок
1
Ввід початкових
даних
2
Визначення частинних КО
3
Нормування частинних КО
4
Визначення вагових
коефіцієнтів
5
F (x) = 1.0 , i-1, n
F ( x ) = F ( x ) • αi fi ( x )
8 Ні 7
i=i+1 i=n
Так
9
n
F ( x ) = ∏ αi f i ( x ) → max(min)
i =1
10
Вивід результату
оптимізації
Кінець
x1 2 x2 x3 40 ,
2 x1 4 x3 90 ,
3x1 2 x2 25 ,
x1 , x2 0 .
Можемо використати графічний метод розв’язання задачі лінійного
програмування чи симплекс метод.
max F ( x1 , x2 ) 0,2(2 x1 5x2 4 x3 ) 0,8(3x1 4 x2 4 x3 )
0,4 x1 x2 0,8x3 2,4 x1 3,2 x2 3,2 x3 2,8x1 4,2 x2 4 x3
x1 x2 x3 x4 45 ,
2 x1 3x3 x5 75 ,
3x1 4 x2 x6 50
x1 2 x2 x3 x7 40 ,
2 x1 4 x3 x8 90 ,
3x1 2 x2 x9 25
1 0,4 , 2 0,6 ,
1 0,6 , 2 0,4 ,
1 0,7 , 2 0,3 ,
S1 S2 S3 S4 S5 S6 S7 S8 S9
K1 3 6 7 4 8 5 9 3 2
K2 3 4 4 9 4 8 7 7 5
K3 3 7 9 2 4 7 6 6 9
K4 9 5 3 7 9 3 7 5 3
55
Початок
1
Ввід початкових
даних
2
Визначення множини
частинних КО для кожної
альтернативи
3
Нормування частинних КО
4
Визначення множини
мінімальних значень КО
для кожної альтернативи
5
Визначення
максимального значення
серед множини
мінімальних
6
Вивід результат
оптимізації (отримана
альтернатиє є
рішенням)
Кінець
Початок
1
Ввід початкових
даних
2
Визначення множини
частинних КО для кожної
альтернативи
3
Нормування частинних КО
4
Визначення множини
максимальних значень
КО для кожної
альтернативи
5
Визначення
мінімального значення
серед множини
мінімальних
6
Вивід результат
оптимізації (отримана
альтернатиє є
рішенням)
Кінець
i 1 k 1
Таблиця 3.6
експерт експерт 1 експерт 2 експерт 3
критерій
f1 5/15=0,33 3/15=0,20 4/15=0,27
f2 2/15=0,13 4/15=0,27 3,15=0,20
f3 3/15=0,20 5/15=0,33 5/15=0,33
f4 1/15=0,07 2/15=0,13 2/15=0,13
f5 4/15=0,27 1/15=0,07 1/15=0,07
hi( k )
H i( k ) n . (3.17)
hik
i 0
l
H 1( k )
i 1, C1 k 1 (0,33 0,2 0,27) 0,27 , (3.18)
3 3
l
H 2( k )
i 2 , C 2 k 1 (0,13 0,27 0,2) 0,2 ,
3 3
l
H 3( k )
i 3 , C3 k 1 (0,2 0,33 0,33) 0,29 ,
3 3
l
H 4( k )
i 4 , C 4 k 1 (0,07 0,13 0,13) 0,11,
3 3
l
H 5( k )
i 5 , C5 k 1 (0,27 0,07 0,07) 0,13 .
3 3
1. Сучасний тлумачний словник української мови: 60 000 слів / За заг. Ред. д-ра
філол. наук, проф. В.В. Дубічинського. – Х. : ВД «ШКОЛА», 2007. – 832 с.
2. Словник іншомовних слів. За редакцією член-кореспондента АН УРСР О.С.
Мельничука. – Київ, Головна редакція Української радянської енциклопедії, 1977. – 776 с.
3. http://wiki.tntu.edu.ua/параметри оптимізації
4. Теслюк В.М. Математичне моделювання в САПР: Ч.1. Конспект лекцій з курсу
―Математичне моделювання в САПР‖ для студентів базового напрямку ―Комп’ютерні
науки‖. – Львів: Видавництво Національного університету ―Львівська політехніка‖, 2009. –
64 с.
5. Словарь по кибернетике: Св. 2000 ст./Под ред. В.С. Михалевича, 2-е изд.-К.:
Гл.ред.УСЭ им.М.П.Бажана, 1989. – 751с.
6. Steuer, R.E. Multiple Criteria Optimization: Theory, Computations, and Application. —
New York : John Wiley & Sons, Inc , 1986. ISBN 047188846X.
7. Sawaragi, Y. Theory of Multiobjective Optimization (vol. 176 of Mathematics in Science
and Engineering). — Orlando, FL : Academic Press Inc , 1985. ISBN 0126203709.
8. Jürgen Branke, Kalyanmoy Deb, Kaisa Miettinen та Roman Slowinski Multiobjective
Optimization: Interactive and Evolutionary Approaches (Lecture Notes in Computer Science). —
Springer, 2008. ISBN 3-540-88907-8.
9. Лотов А.В., Поспелова И.И. Многокритериальные задачи принятия решений: Уч.
пособие. М.: Издат. отдел ф-та ВМиК МГУ, МАКС Пресс, 2008. – 197 с.
10. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения
многокритериальных задач.- М.: Наука, 1982.- 256 с.
11. Штойер Р. Многокритериальная оптимизация. Теория, вычисления, и
приложения.- М.: Радио и связь,1992.- 504 с.
12. Р. Л. Кини, Х. Райфа. Принятие решений при многих критериях: предпочтения и
замещения. - М.: Радио и связь, 1981.
13. О. И. Ларичев. Теория и методы принятия решений. - М.: Логос, 2000.
14. В. В. Подиновский, В. Д. Ногин. Парето-оптимальные решения
многокритериальных задач. - М.: Наука, 1982.
15. Соболь И.М. Выбор оптимальных параметров в задачах со многими критериями.
М.: Наука, 1981.
16. Подиновский В.В., Гаврилов В.М. Оптимизация по последовательно
применяемым критериям. М.: Сов. радио, 1975.
17. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения
многокритериальных задач. М.: Наука, 1982.
18. Лотов А. В., Бушенков В. А., Каменев Г. К., Черных О. Л.. Компьютер и поиск
компромисса. Метод достижимых целей. - М.: Наука, 1997.
19. Таха Х. Введение в исследование операций: В 2-х кн. Кн. 1. Пер. с англ. - М.: Мир,
1985. - 479 с.
20. Таха Х. Введение в исследование операций: В 2-х кн. Кн. 2. Пер. с англ. - М.: Мир,
1985. - 496 с.
21. Теслюк В.М., Андрійчук М.І. Конспект лекцій з курсу «Методи синтезу та
оптимізації» для студентів базового напряму «Комп’ютерні науки», Ч.1. - Львів, 2005 – 64 с.
22. Теслюк В.М. Моделі та інформаційні технології синтезу мікроелектромеханічних
систем: Монографія. – Львів: Видавництво ПП ‖Вежа і Ко‖, 2008 – 192 с.
64
НАВЧАЛЬНЕ ВИДАННЯ
КОНСПЕКТ ЛЕКЦІЙ
(Частина 1)