Programowanie wielokryterialne
Transkrypt
Programowanie wielokryterialne
Programowanie wielokryterialne 1. Matematyczny model sytuacji decyzyjnej 1. Podstawowe definicje i oznaczenia Załóżmy, że decydent dokonując wyboru decyzji dopuszczalnej x = [ x1 ,..., xn ]T ∈ D kieruje się szeregiem kryteriów f1 ,..., f K . Zakładamy, że kryteria te są mierzalne, tj., że mogą być one wyrażone przez funkcje liczbowe. Przy tych założeniach ocena decyzji dana f ( x) = [ f1 ( x),..., f K ( x)]T ∈ S , gdzie S – zbiór ocen. jest przez wektor ocen cząstkowych 2. Sformułowanie problemu Dany jest zbiór decyzji D oraz zbiór mierzalnych kryteriów K. Wyznaczyć w zbiorze D „najlepszą” decyzję ze względu na rozpatrywany zbiór kryteriów. Rozważmy przypadek, gdy wyznaczenie najlepszej decyzji jest tożsame z maksymalizacją kryterium optymalności. Sytuacją wyjątkową będzie przypadek istnienia takiego x* ∈ D dla którego wszystkie kryteria cząstkowe jednocześnie osiągają swe maksima (w ogólnym przepadku optima). Decyzja lepsza ze względu na jedno kryterium będzie zazwyczaj gorsza ze względu na inne kryteria. Kryterium optymalności znane z analizy jednokryterialnej zastępujemy tzw. optymalnością w sensie Pareto. 2. Optymalność w sensie Pareto Zakładając, że ze względu na każdą funkcję kryterium f1 ,..., f K decyzja x1 jest lepsza od x 2 jeżeli f i ( x1 ) > f i ( x 2 ), i = 1,..., K , powiemy, że decyzja x1 jest lepsza od x 2 ze względu na rozpatrywany zbiór kryteriów, jeżeli f i ( x1 ) ≥ f i ( x 2 ) dla wszystkich i = 1,..., K , (1) f i ( x1 ) > f i ( x 2 ) dla co najmniej jednego i. Powiemy, że decyzja x * jest optymalna w sensie Pareto jeżeli spełniony jest następujący warunek : w zbirze D nie istnieje taka decyzja x, że f i ( x1 ) ≥ f i ( x 2 ) dla wszystkich i = 1,..., K , (2) f i 0 ( x1 ) > f i 0 ( x 2 ) dla co najmniej jednego i 0 . Warunek (2) nosi nazwę warunku Pareto. Innymi słowy decyzja jest Pareto – optymalna, gdy nie istnieje decyzja gorsza od niej pod każdym względem, a pod jednym względem lepsza. Każda decyzja lepsza od niej ze względu na pewne kryterium, musi być od niej gorsza ze względu na inne. Zbiór decyzji optymalnych w sensie Pareto nazywa się zbiorem decyzji niezdominowanych lub sprawnych. Zbiór ten jest podzbiorem zbioru D. W szczególności może być identyczny ze zbiorem D. Rzadko bywa zbiorem jednoelementowym. 1 J. Marcinkowski Badania operacyjne Wynika stąd, że w ogólnym przypadku zbiór decyzji optymalnych w sensie Pareto nie pozwala na jednoznaczny wybór decyzji „najlepszej”. Zbiór ten można zawęzić (w szczególności do zbioru jednoelementowego) przyjmując dodatkowe założenia odnośnie relacji ważności między kryteriami. Przykład W tabeli podano zyski (mln zł) i udział w rynku (%), jaki firma spodziewa się osiągnąć stosując wybrane strategie marketingowe. Wyznaczmy strategie Pareto – optymalne. Strategie marketingowe Kryteria A B C D E 4 3 4 2 3.5 Zysk (mln zł) ( f 1 ) Udział w rynku (%) ( f 2 ) 30 30 40 30 50 f 2 (x ) () 50 ● E 40 30 ●C ● D ● B ● A 2 3 4 f1 (x ) Współrzędne każdego z punktów dane są przez wartości kryteriów cząstkowych charakteryzujących poszczególne strategie (przy sporządzaniu rysunku wykorzystano przestrzeń kryterialną). Oba kryteria są maksymalizowane. Strategiami Pareto - optymalnymi są C i E Dla strategii C i E nie można wskazać strategii lepszych ze względu na jedno kryterium, a nie gorszych ze względu na drugie. Są one Pareto - optymalne. Pozostałe strategie to strategie zdominowane. Dla każdej ze strategii zdominowanych można wskazać lepszą od niej strategię ze zbioru strategii Pareto - optymalnych. Na przykład strategie C i E są lepsze od strategii B . Nie każda ze strategii Pareto - optymalnych musi dominować strategię zdominowaną. Strategia A jest dominowana przez C , ale już nie przez E . ● A ● ● D ● ● C E Alternatywnym sposobem prezentacji relacji preferencji jest diagram Hassego. Jest to graf, którego wierzchołki reprezentują decyzje. Jeżeli decyzja X dominuje decyzję Y , od wierzchołka reprezentującego pierwszą z nich kreślimy łuk prowadzący do wierzchołka reprezentującego drugą decyzję. Jeżeli decyzje są nieporównywalne, odpowiadające im wierzchołki nie są połączone łukiem. Z decyzjami Pareto - optymalnymi korespondują wierzchołki, do których nie dochodzą żadne łuki. Opisana wyżej reprezentacja relacji preferencji jest niezbędna w przypadku, gdy wektory ocen decyzji zawierają więcej niż dwie składowe. 2 J. Marcinkowski Badania operacyjne 3. Postępowanie w przypadku nieporównywalności decyzji Decyzje Pareto – optymalne nie są porównywalne: nie można powiedzieć, że jedna z nich jest lepsza od drugiej. W sensie warunku (2). Wprowadzając dodatkowe warunki ograniczamy zbiór decyzji Pareto optymalnych do jednego punktu. W praktyce zadanie programowania wielokryterialnego staramy się sprowadzić do zadania jednokryterialnego. 1. Maksymalizacja celu głównego Jedno z kryteriów cząstkowych traktujemy jako cel główny postulując jego maksymalizację. Chcąc uwzględnić pozostałe kryteria cząstkowe, żądamy, aby każde z nich zostało zrealizowane w minimalnym satysfakcjonującym stopniu. Przyjmując, że f1 jest celem głównym, f 2 ,..., f K celami pobocznymi zadanie optymalizacyjne przybiera postać : f i ( x) → max (3) x∈D f i ( x) ≥ bi i = 2,..., K , gdzie b2 ,..., bK – minimalne wymagane poziomy realizacji celów cząstkowych. 2. Metakryterium Zakłada się że decydent – pomimo że kieruje się w swym postępowaniu wieloma kryteriami – jest zdolny do przypisania układowi wartości osiąganych przez te kryteria dla każdej decyzji dopuszczalnej – jednej wartości liczbowej nazywanej użytecznością. Zakłada się więc, że decydent jest zdolny do wskazania funkcji (4) u ( x) = u[ f1 ( x), f 2 ( x),..., f K ( x)]T której maksymalizacja jest równoważna ze znalezieniem rozwiązania najlepszego ze względu na wszystkie kryteria. Funkcja ta nosi nazwę metakryterium. a) Ważona suma kryteriów Postać (5) u ( x) = K ∑ w f ( x), w ≥ 0 i = 1,..., K , i i i i =1 gdzie wi nazywane są wagami, określając względne znaczenie przypisywane przez decydenta i – temu kryterium. Są one w sposób subiektywny określane przez decydenta. Ponieważ istotne są tylko ich stosunki, a nie wartości absolutne, najczęściej poddaje się je zabiegowi normalizacji, przyjmując że K (6) ∑w i = 1. i =1 Warunkiem sensowności tego podejścia jest wyrażenie wartości kryteriów cząstkowych - w tych samych jednostkach pomiaru, - na tej samej skali liczbowej. b) Ważona suma stopni realizacji kryteriów cząstkowych Próbą ominięcia problemów nieporównywalności skal liczbowych i jednostek jest maksymalizacja ważonej sumy realizacji celów cząstkowych 3 J. Marcinkowski Badania operacyjne Załóżmy, że wszystkie kryteria cząstkowe są maksymalizowane, a zbiór D jest niepusty. Oznaczmy przez f i* maksymalną wartość i-tego kryterium osiąganą w zbiorze D : f i* = max f i ( x), i = 1,..., K . (7) x∈D Zakładamy, że f i* > 0, f i ( x) ≥ 0, i = 1,...K , x ∈ D. Zdefiniujmy wielkość fi ( x ) fi* nazywaną stopniem realizacji i –tego celu cząstkowego przez decyzję x. Jest ona wielkością bezwymiarową. Przy przyjętych założeniach iloraz f i ( x ) f * > 0 i i = 1,...K , x ∈ D . Metakryterium przyjmuje następującą postać : (8) m( x ) = K ∑w i i =1 Ponieważ fi ( x ) fi* fi ( x ) f i* K , ∑w i = 1, wi ≥ 0 i = 1,..., K , x ∈ D. i =1 nie mają miana, metakryterium można stosować w przypadku kryteriów wyrażonych w różnych jednostkach lub/i skalach liczbowych. Stanowi ono syntetyczny miernik satysfakcji, osiągając wartość równą 1 w tym punkcie (o ile taki punkt istnieje), w którym wszystkie kryteria cząstkowe osiągają swe maksima cząstkowe, 0 ≤ m( x ) ≤ 1 . 3. Minimalizacja odległości od punktu idealnego Niech f1* ,..., f K* będą maksymalnymi wartościami funkcji f1 ,..., f K osiąganymi w zbiorze D. Oznacza to, że istnieją takie x1 ,..., xK ∈ D , że (9) f 1 ( x1 ) = f 1* , f 2 ( x 2 ) = f 2* ,..., f K ( x K ) = f K* Z tego nie wynika, że w zbiorze D istnieje takie x o dla którego (10) f1 ( x o ) = f1* , f 2 ( x o ) = f 2* ,..., f K ( x o ) = f K* , tj. taka decyzja która maksymalizuje wszystkie kryteria cząstkowe. Może ona w ogóle nie istnieć, lub też istnieć, ale znajdować się poza zbiorem D. Można jednak postulować wybór takiej decyzji x*∈ D która leży „najbliżej” punktu idealnego M ( f1* ,..., f K* ) .Taką decyzję można uznać za optymalną. Punkt M należy do D jeżeli istnieje taki punkt w którym wszystkie kryteria osiągają swoje maksima. W przeciwnym razie punkt ten leży poza zbiorem D. 4. Problem wyznaczania rankingu banków Każdy z banków oceniany jest ze względu na następujące kryteria : - wysokość oprocentowania depozytów rocznych o zmiennej stopie procentowej, - liczbę placówek, - stosunek kapitałów własnych do aktywów ogółem. Pierwsze kryterium ocenia zyskowność inwestycji, drugie – dostępność usług, trzecie – poziom bezpieczeństwa inwestycji. W tabeli podano oceny banków ze względu na rozpatrywane kryteria. 4 J. Marcinkowski Badania operacyjne Kryterium A 4.5 1000 8 f1 (%) f2 f3 (%) Banki C 4.75 500 10 B 5 200 6 D 5 400 7 E 5 100 5 Przeprowadziwszy badania marketingowe w grupie potencjalnych klientów poszczególnym kryteriom przypisano następujące wagi : 0.6, 0.2, 0.2. Sporządzić ranking banków. W rankingu uwzględnić tylko te banki dla których stopnie realizacji celów cząstkowych są nie mniejsze od 0.7, 0.2, 0.5. Cele cząstkowe są wyrażone w różnych jednostkach, dlatego w celu dokonania ranking banków korzystamy z metakryterium (8) wyznaczając wartość m(x) dla każdego z banków i porządkując je na skali preferencji od najlepszego do najgorszego. Wyznaczamy w tym celu, korzystając z (7), maksymalne wartości f i* , i = 1,...,3 osiągane w zbiorze D: f1* = 5, f 2* = 1000, f 3* = 10. kryteriów cząstkowych Konstruujemy macierz względnych poziomów realizacji celów cząstkowych : Stopnie realizacji f1(x)/ f1* f2(x)/ f2* f3(x)/ f3* m(x) A 0.9 1 0.8 0.9 B 1 0.2 0.6 0.76 Banki C 0.95 0.5 1 0.87 D 1 0.4 0.7 0.82 E 1 0.1 0.5 X wi 0.6 0.2 0.2 X Ze zbioru banków eliminujemy bank E z uwagi na niespełnienie warunku realizacji drugiego kryterium w minimalnym stopniu. Bank Wartość m(x) A 0.9 B 0.76 C 0.87 D 0.82 Ranking : A – C – D – B. Stopień realizacji celu cząstkowego można wyznaczać wykorzystując wiele formuł. Niech f i** oznacza minimalną wartość i –tego kryterium osiąganą w zbiorze D: (11) f i** = min f i ( x), i = 1,..., K . x∈D Niekiedy stopień realizacji celu cząstkowego ri(x) wyznacza się według wzoru : f ( x) − f i** (12) ri ( x) = i * , i = 1,..., K , x ∈ D . f i − f i** Z (12) wynika, że 0 ≤ ri ( x) ≤ 1, i = 1,..., K , x ∈ D : ri ( x) = 0 dla f i ( x) = f i** , ri ( x) = 1 dla f i ( x ) = f i* . Oznacza to, że tak zdefiniowany stopień realizacji jest wielkością unormowaną na przedziale [0,1]. Wielkości f i ( x), f i* , f i** mogą przyjmować dowolne wartości. Wyznaczamy, korzystając z (11), minimalne wartości kryteriów cząstkowych f i** , i = 1,...,3 osiągane w zbiorze D (pomijamy bank E): f 1* = 4.5, f 2* = 2000, f 3* = 6. 5 J. Marcinkowski Badania operacyjne f1* − f1** = 0.5, f 2* − f 2** = 800, f 3* − f 3** = 4 . Macierz względnych poziomów realizacji celów cząstkowych przybiera postać : Stopnie realizacji ri(x) ri(x) ri(x) m(x) Banki A 0 1 1/2 0.3 Bank Wartość m(x) B 1 0 0 0.6 C 1/2 3/8 1 0.59375 A 0.3 B 0.6 D 1 1/4 1/4 0.7 C 0.59375 wi 0.6 0.2 0.2 X D 0.7 Ranking : D – B – C – A. Taki sposób wyznaczania wartości ri(x) może zbytnio faworyzować względne różnice kosztem wartości absolutnych, co może w sposób niepożądany zniekształcać ranking, w szczególności gdy różnice względne osiągają niewielkie wartości dla kryterium któremu przypisano dużą wagę : powoduje to przecenianie małych różnic. W przypadku minimalizacji kryterium ri(x) proponuje się wyznaczać według wzoru : f * − f ( x) (13) ri ( x) = i * i ** fi − fi Z (13) wynika, że 0 ≤ ri ( x) ≤ 1 : ri ( x) = 0 dla f i ( x) = f i* , ri ( x) = 1 dla f i ( x) = f i** . f i** ri ( x) = 1 f i* ri ( x) = 0 6