Файл: пензенский государственный университет политехнический институт.docx

ВУЗ: Не указан

Категория: Диссертация

Дисциплина: Не указана

Добавлен: 30.11.2023

Просмотров: 210

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


qij



0,

i 1, p, j n1, p,

если m n;



0,

i m1, p,

j 1, p,

если m n.


Результатом применения преобразования является переход к простейшей линейной модели вида:

pp

(x) qijxij min,

i1 j1

(17)




p

xij 1, j 1, p,

i1

(18)

p

xij 1, i 1, p,

j1


(19)

xij{0,1}, i, j 1, p.

(20)


Модели (13) – (16) и (17) – (20) эквивалентны друг другу. Отсюда можно сформулировать алгоритм решения задачи о назначениях (13) – (16).

  1. Применить к модели (13) – (16) эквивалентное преобразование прямоугольной матрицы затрат в квадратную. Результатом является получение эквивалентной модели (17) – (20).

  2. Решить задачу, описываемую соотношениями (17) – (20), венгерским методом или методом Мака.

  1. В полученном решении выделить подматрицу

(xij) ,


i 1, m,




j 1, n. Данная подматрица является оптимальным решением открытой задачи о назначениях.

Текст программы для нахождения решения открытой задачи о

назначениях средствами математического пакета «Mathcad» представлен в Приложении А. Результаты работы программы представлены на рисунке 5.



Рисунок 5 Результаты поиска решения открытой задачи о назначениях


Рассмотрим задачу о назначениях, в которой элементы матрицы С могут быть произвольного знака. Это отвечает ситуации, когда практический смысл этих элементов заключается, например, в перерасходе ресурсов (денежных, временных и пр.). В этом случае отрицательные элементы матрицы С будут означать экономию ресурсов.


n


n

Пусть математическая модель задачи о назначениях с элементами матрицы затрат произвольного знака имеет вид:

f(X)


cijxij min,

1

(21)

, j 1, n,

(22)

1, i 1, n,

(23)

, i, j 1, n,

(24)



i1 j



xij 1


n
i1


n




xij

j1



где cij
 0 .

xij{0,1}


Эквивалентное преобразование матрицы затрат с элементами произвольного знака в матрицу затрат с неотрицательными элементами основано на теореме 1 и формулируется так:

  1. найти минимальный элемент матрицы С :

min min cij ,

ij

i1, n,

j 1, n.




  1. перейти к матрице затрат Q , построенной по правилу:




qij

cij min ,

i1, n,

j 1, n.



Результатом применения данного преобразования является переход к простейшей линейной модели вида:

f

nn

(X)  

n

qij

xij min,

(25)

xij 1,

j 1, n,

(26)

i1





xij


n

1, i 1, n,

(27)

, i, j 1, n,

(28)



j1




где
qij
0 .

xij{0,1}


Модели (25) – (28) и (21) – (24) эквивалентны друг другу. Отсюда можно описать алгоритм решения задачи о назначениях (21) – (24).

  1. Применить к модели (21) – (24) эквивалентное преобразование матрицы затрат с элементами произвольного знака в матрицу затрат с неотрицательными элементами. Результатом является получение эквивалентной модели (25) – (28).

  2. Решить задачу, описываемую соотношениями (25) – (28), венгерским методом или методом Мака.

Текст программы для нахождения решения задачи о назначениях с элементами матрицы затрат произвольного знака средствами математического пакета Mathcad представлен в Приложении Б. Результаты работы программы представлены на рисунке 6.


Рисунок 6 Результаты поиска оптимального решения задачи о назначениях с элементами матрицы затрат произвольного знака

Рассмотрим задачу с недопустимыми назначениями. Пусть имеется n работ и nисполнителей. Положим, что в силу определенных обстоятельств некоторые назначения являются недопустимыми, например, в силу конфликта интересов в сфере закупок.


Обозначим через

I {1,2,.., n}

множество индексов исполнителей и


работ. На множестве Iустановим бинарное отношение допустимых назначений

Rд. н. {(i, j) | назначение (i, j)

допустимо},


и наложим на неизвестные

xij, представляющие назначение исполнителя iна


работу j, дополнительное ограничение:



где i 1,..., n,
j 1,..., n.

xij

0, если (i, j) Rд. н.,


Тогда математическая модель задачи с недопустимыми назначениями принимает вид:

nn

f(X) cijxij min,

i1 j1

(29)

n

xij 1, j 1, n,

i1


(30)

n

xij 1, i1, n,

j1


(31)

xij 0 , (i, j) Rд. н.,

(32)

xij{0,1}, (i, j) Rд. н..

(33)

Сформулированная модель отличается от простейшей линейной тем,


что еѐ неизвестные, отвечающие парам индексов

(i, j) Rд. н. , заранее


полагаются равными нулю. В [48] показано, что для перехода к простейшей

линейной модели достаточно перейти к матрице затрат

Qnn, связанной с

отношением

Rд. н. таким образом:


q cij , если (i, j) Rд. н.,

ijM, если (i, j) R,

д. н.

где M достаточно большое положительное число.

Введение матрицы Q имеет следующий смысл. Неизвестная
xij, такая,

что

(i, j) Rд. н. , будет «штрафоваться» путем ввода в целевую функцию


выражения

Mxij . Вследствие этого штрафа процесс оптимизации приведет к

нулевому значению неизвестной

xij,

(i, j) Rд. н. . Теоретически применение

штрафа требует, чтобы

M . Однако с точки зрения практических