Файл: пензенский государственный университет политехнический институт.docx

Скачать файл
Заказать решение

ВУЗ: Не указан

Категория: Диссертация

Дисциплина: Не указана

Добавлен: 30.11.2023

Просмотров: 192

Скачиваний: 4

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.

СОДЕРЖАНИЕ

Содержание

Введение

Основные положения, выносимые на защиту:

Эквивалентные преобразования моделей задач линейного программирования

Анализ моделей и алгоритмов решения задач о назначениях

Анализ эквивалентных преобразований моделей задач о назначениях

Выводы

Модель и алгоритм решения задачи с приоритетными назначениями

Выводы

Алгоритм решения простейшей линейной многокритериальной задачи о назначениях Многообразие многокритериальных задач в сочетании с отсутствием единого принципа оптимальности порождает огромное число методов их решению. Использование того или иного подхода к решению конкретной задачи может оказать существенное влияние на трудоемкость вычислений. Это относится особенно к специальным классам задач, для которых при скалярном критерии качества разработаны эффективные алгоритмы, использующие специфику ограничений и критериальной функции. Одной из таких задач является задача о назначениях.В основе подавляющего большинства методов решения многокритериальных задач лежит понятие веса критерия, характеризующего его сравнительную важность. Наиболее распространенные методы решения многокритериальных задач основаны на свертке набора исходных целевых функций (с учетом их веса) в один обобщенный скалярный критерий [71]. Такой подход позволяет получить оптимальное по Парето решение и при этом характеризуется вычислительной эффективностью. Использование свертки обеспечивает возможность применения для решения многокритериальной задачи о назначениях специально разработанные для однокритериального случая методы – венгерский и метод Мака.Свертка частных критериев разного смыслового содержания не позволяет интерпретировать значение взвешенного обобщенного критерия, поэтому в общем случае использование операторов свертки требует предварительного нормирования матриц затратСl,l 1, k, т.е. приведения их к единой безразмерной шкале. Часто используемый способ нормирования – минимакс-нормализация.Предлагается следующий алгоритм решения простейшей многокритериальной линейной задачи о назначениях (70) – (75). Нормировать матрицы затрат Сl, l 1, k: cl clсl ijmin . c  cijl maxlmin Составить целевые функции безразмерными коэффициентами: f1(X), f2 (X),..., fk(X) с n nlfl(X)  сijxij, l 1, ki1 j1 Составить вектор   (1, 2,..., k)весовых коэффициентов относительной важности целевых функцийf1(X), f2 (X),..., fk(X) ,l 0 , l 1.k, l 1. В том случае, если все критерии имеют одинаковуюl1 важность,l 1, l 1.k. Составить скалярную целевую функция (обобщенный критерий) g(X)   ) ,( f1(X), f2 (X),..., fk(X),где  – оператор свертки. Перейти к однокритериальной задаче о назначениях вида g(X)  min, (76) n xij 1, j 1, n,i1 (77) n xij 1, i 1, n,j1 (78) xij{0,1}, i, j 1, n. (79) Решить задачу (76) – (79) венгерским методом или методом Мака. Результатом является получение решения, оптимального по Парето. Решая задачу многократно и с изменением весовых коэффициентов, можно получить множество Парето-оптимальных решений. Вид свертки в каждом конкретном случае отражает приемлемую для ЛПР форму компромисса между частными критериями. Наиболее часто используемыми свертками являются линейная свертка, мультипликативная свертка и свертка на основе отклонения от идеальной точки. 1   ...   8   9   10   11   12   13   14   15   ...   21

Решение простейшей линейной многокритериальной задачи о назначениях с использованием свертки на основе отклонения от идеальной точки Под идеальной точкой в многокритериальной задаче о назначениях вида (71) – (76) понимают такой векторF*(X)  Rk, компоненты которого являются минимумами целевых функцийf1(X), f2 (X),..., fk(X) по отдельности, т.е.fl*(X)  min fl(X),XDl 1, k. В практических задачах идеальная точка является недостижимой [73]. Свертка на основе идеальной точкиF*(X)имеет вид: g(X)  (F(X), F*(X)) , где  – некоторая метрика вRk. Наиболее часто используются взвешенная чебышевская метрика g(X)  maxlfl(X)  fl* l (80) и взвешенная евклидова метрика kg(X)  ( fl(X)  fl*)2.l1 (81) Предлагается следующий алгоритм составления обобщенного скалярного критерия на основе идеальной точки: составить kоднокритериальных задач о назначениях вида n nlfl(X)  cijxij min,i1 j1n (82)  xij 1, j 1, n,i1n (83)  xij 1, i  1, n,j1 (84) xij{0,1}, i, j 1, n, (85) гдеl 1,k; найти X * – оптимальное решение l-й задачи вида (82) – (84) и lfl*  fl(X*) , l 1, k; lсоставить вектор F*(X)  ( f*, f*,..., f*) , гдеfl*  fl(X*) , l 1, k;1 2 k lсоставить свертку на основе отклонения от идеальной точки по формуле (80) или (81). Разработана программа для нахождения решения многокритериальной линейной задачи о назначениях с использованием свертки на основе отклонения от идеальной точки средствами математического пакета Mathcad, полный текст которой представлен в приложении E. На рисунке 20 приведены результаты применения свертки на основе отклонения от идеальной точки к многокритериальной задаче о назначениях, исходные данные которой совпадают с исходными данными задачи, решенной с использованием линейной свертки: Рисунок 20 – Результаты решения многокритериальной линейной задачи о назначениях с использованием свертки на основе отклонения от идеальной точки На рисунке 20 представлены матрица X – оптимальное по Парето решение, полученное с использованием чебышевской метрики, и матрица Y – оптимальное по Парето решение, полученное с использованием евклидовой метрики. Также программа находит для каждого оптимального по Парето решения значения соответствующего ему критериального вектора. Применяя алгоритм многократно с изменением весовых коэффициентов, можно построить множество точек Парето. Выбор конкретного решения из множества Парето-оптимальных осуществляется ЛПР.Следует отметить, что в некоторых прикладных задачах ЛПР за идеальную точку может принять реальное решение, соответствующее некоторым принятым стандартам или планируемым значениям. 1   ...   10   11   12   13   14   15   16   17   ...   21

Модель и алгоритм решения многокритериальной задачи о назначениях с целевыми функциями противоположного направления

Модель и алгоритм решения многокритериальной открытой задачи о назначениях Обобщим открытую задачу о назначениях на случай многокритериальности. Математическая модель такой задачи в предположенииm nимеет вид:

Модель и алгоритм решения многокритериальной задачи с порядком назначений Обобщим задачу с порядком назначений на случай многокритериальности. Математическая модель такой задачи имеет вид:nn f1(X)  c1 x min,(121) ijiji1 j1… nn k(X)  ckx min,n (122)  xij 1,n j 1, n, (123)  xij 1, i  1, n, (124) {0,1}, i1, n, j 1, n, , i1, n, j h1, n, j*  1, h. (126) f xij гдеP {1,2,.., h}пр.(i, j)  (i, j*)– подмножество индексов работ, распределяемых в первую очередь.В главе 2 показано, что однокритериальная задача с порядком назначений эквивалента совокупности двух последовательно решаемых задач – открытой и с недопустимыми назначениями. Аналогично, многокритериальная задача с порядком назначений эквивалента совокупности двух последовательно решаемых задач – многокритериальной открытой задаче и многокритериальной задаче с недопустимыми назначениями. Следовательно, можно описать алгоритм решения многокритериальной задачи с порядком назначений. Нормировать матрицы затрат Сl, l 1, k: cl clсl ijmin . c  cijl maxlmin Найти размер штрафа Ml 2n. Построить математическую модель назначения на работы из множества P :

Выводы

Заключение

Список использованных источников

8. – P. 35–48.

  1. Афраймович, Л. Г. Исследование комбинированного решения трехиндексной задачи о назначениях / Л. Г. Афраймович, А. С. Тюнтяев, Л. А. Тюнтяева // Системный администратор. – 2019. – № 5 (198). – С. 84 – 87.

  2. Гимади, Э. X. Аксиальные трѐхиндексные задачи о назначении и коммивояжера: быстрые приближѐнные алгоритмы и их вероятностный анализ / Э. X. Гимади, А. И. Сердюков // Известия высших учебных заведений. Математика. – 1999. – №12 (451). – С. 19 – 25.

  3. Aiex, R. М. GRASP with path relinking for three-index assignment /

R. M. Aiex, M. G. C. Resende, P. M. Pardalos, G. Toraldo // Informs Journal on Computing. – 2005. – № 17. – P. 224 – 247.

  1. Huang, G. A hybrid genetic algorithm for the three-index assignment problem / G. Huang, A. Lim // European Journal of Operational Research. –2006.

№ 172. – P. 249-257.

  1. Gimadi, E. Kh. Multi-index assignment problem: anasymptotically optimal approach / E. Kh. Gimadi, N. M. Kairan // Emerging Technologies and Factory Automation: proc. 8th IEEE Intern. Conf. – NY: IEEE, 2001. – P. 707–710

  2. Gimadi, E. Kh. On some modifications of three indexplanar assignment problem / E. Kh. Gimadi, N. M/ Korkishko // Discrete optimization methods in production andlogistics: proc. The second int. workshop. – Omsk, 2004. – P. 161-165.

  3. Трегубов, А. Г. Вероятностный подход к решению трехиндексной аксиальной задачи о назначениях. Вычислительный эксперимент

/ А. Г. Трегубов, С. Н. Медведев // Вестник Воронежского государственного университета. – 2015. – № 4. – С. 31 – 37.

  1. Гимади, Э. Х. Об асимптотически точном алгоритме решения одноймодификации трѐхиндексной планарной задачи о назначениях

/ Э. Х. Гимади, Ю. В. Глазков // Дискретный анализ и исследование операций. – 2006. – № 1. – С. 10 – 26.

  1. Кравцов, М. К. Асимптотический подход к решению много- критеральной трехиндексной планарной проблемы выбора / М. К. Кравцов, С. А. Дичковская // Кибернетика и системный анализ. – 2004. – № 3. – С. 24 –29

  2. Лелякова, Л. В. Прикладные задачи о назначениях (модели, алгоритмы решения) / Л. В. Лелякова, А. Г. Харитонова, Г. Д. Чернышова // Вестник Воронежского государственного университета. – 2017. – № 2. – С. 22 – 27.

  3. Балашова, И. Ю. Модель и алгоритм решения задачи о назначениях с приоритетами / И. Ю. Балашова // Информационные технологии в науке и образовании: тр. VII Всерос. науч.-практ. конф. – Пенза: Изд-во ПГУ, 2020. – С. 80 – 82.

  4. Подиновский, В. В. Идеи и методы теории важности критериев в многокритериальных задачах принятия решений / В. В. Подиновский. – М.: Наука, 2019. – 103 c.

  5. Лотов, А. В. Многокритериальные задачи принятия решений: учебное пособие / А. В. Лотов, И. И. Поспелова. – М.: МАКС Пресс, 2008. – 197 с.

  6. Штойер, Р. Многокритериальная оптимизация. Теория, вычисоения и приложения: пер. с англ. / Р. Штойер. – М.: Радио и связь, 1992. – 504 с.


Приложение А

ЛИСТИНГ ПРОГРАММЫ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ ОТКРЫТОЙ ЗАДАЧИ О НАЗНАЧЕНИЯХ

(рекомендуемое)
ORIGIN 1
m  6

n  3


C 

for

i 1 m

for j 1 n

C round (rnd (100))

i j

C
p  max(m n)


Q 

for

i 1 m

for j 1 n Q  C

i j

for i 1 p

i j

if m n

for j n  1 p Q  0

i j

for i m 1 p
otherwise

for j 1 p Q  0

i j

Q
e(i j)  1

a  matrix(p 1 e)

b  matrix(p 1 e)


p p

(X) 



i
Q

i jX j

i 1 j 1




X
m m

 0


Given
Xa b

XTa b


X 0
X  Minimize( X)
Y  submatrix(X 1 m 1 n)


m n
i
C
f (X) 

i jY j

i 1 j 1


Приложение Б

ЛИСТИНГ ПРОГРАММЫ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ ЗАДАЧИ О НАЗНАЧЕНИЯХ С МАТРИЦЕЙ ЗАТРАТ, ЭЛЕМЕНТЫ КОТОРОЙ ПРОИЗВОЛЬНОГО ЗНАКА

(рекомендуемое)



Приложение В

ЛИСТИНГ ПРОГРАММЫ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ ЗАДАЧИ С НЕДОПУСТИМЫМИ НАЗНАЧЕНИЯМИ

(рекомендуемое)



Приложение Г

ЛИСТИНГ ПРОГРАММЫ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ ЗАДАЧИ С ПОРЯДКОМ НАЗНАЧЕНИЙ

(рекомендуемое)






Приложение Д

ЛИСТИНГ ПРОГРАММЫ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ ЗАДАЧИ С ПРИОРИТЕТНЫМИ НАЗНАЧЕНИЯМИ

(рекомендуемое)




Приложение Е

ЛИСТИНГ ПРОГРАММЫ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ ПРОСТЕЙШЕЙ ЛИНЕЙНОЙ МНОГОКРИТЕРИАЛЬНОЙ ЗАДАЧИ О НАЗНАЧЕНИЯХ С ИСПОЛЬЗОВАНИЕМ СВЕРТКИ НА ОСНОВЕ ОТКЛОНЕНИЯ ОТ ИДЕАЛЬНОЙ ТОЧКИ

(рекомендуемое)






Смотрите также файлы