Ім'я файлу: ТПР_лб1_Мілашенко (1).docx Розширення: docx Розмір: 523кб. Дата: 24.05.2023 скачати Пов'язані файли: Використання web.docx Етіологія.Патогенез..docx англ 4.docx Control.pdf МОЛЕКУЛЯРНО-ГЕНЕТИЧНІ МЕТОДИ В ДІАГНОСТИЦІ ГОСТРИХ ЛЕЙКЕМІЙ.docx Реферат ММФ.docx МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ ХАРЬКОВСКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ РАДИОЕЛЕКТРОНІКИ Кафедра СТ Звіт з лабораторної роботи №1 “ ПРИЙНЯТТЯ РІШЕНЬ ЗА УМОВ БАГАТОКРИТЕРІАЛЬНОСТІ ” з дисципліни «Теорія прийняття рішень» Перевірила: Виконала: Урняєва І.А. ст.гр. ІТКН-17-1 Мілашенко Марія Харків 2020 ПРИЙНЯТТЯ РІШЕНЬ ЗА УМОВ БАГАТОКРИТЕРІАЛЬНОСТІ Мета роботи: Математичне моделювання та розв’язання багатокритеріальних задач прийняття рішень в умовах визначеності на основі значень критеріїв та із застосуванням узагальненого критерію ефективності. Постановка задачі: Стоїть задача з придбання комп’ютера, який оцінюється за трьома основними характеристиками (параметрами): вартість, байт пам’яті та діагональ екрана у дюймах. Вихідні дані – множини критеріїв та альтернатив з оцінками за критеріями: Пропонуються такі моделі комютерів: Рисунок 1.1 – Вихідні дані Необхідно вибрати модель комп’ютера за критеріями ki (x), i = 1,2,3. Множини Парето P(X) та Слейтера S(X): Множина всіх недомінованих альтернатив із множини припустимих рішень X називається областю компромісів Xc . Так множину c Xc називають множиною Парето, або множиною Парето-оптимальних рішень. У цьому випадку говорять про нестроге домінування. Множина Парето позначається P(X). P(X) = {x1, x2, x3, x4, x5, x6, x7, x8, x9, x10}; Якщо мова йде про строге домунування, то утворюється множина Слейтера S(X). S(X) = { }; 1.5 Результати прийняття рішень за методами виділення основного критерію, функціонально-вартісного аналізу, послідовної оптимізації та ідеальної точки: Принцип головного критерію. Головний критерій k1(x) – вартість; k2(x) та k3(x) – обмеження; k1(x) → min, Х* = {x ∈ Х: k2(x)>=16000, k3(x)>=19}. Формуємо область припустимих рішень Х*, яка задовольняє задані обмеження: Х* = { x4, x5, x6, x7, x8, x9, x10}. Тоді x4 = arg min k1(x) – найкраще рішення. Головний критерій k2(x) – максимально допустиме значення пам’яті; k1(x) та k3(x) – обмеження; K2(x) → max, Х* = {x ∈ Х: k1(x)<=35000, k3(x)>=20}. Формуємо область припустимих рішень Х*, яка задовольняє задані обмеження: Х* = { x4, x5, x6, x7}. Тоді x7 = arg max k2(x) – найкраще рішення. Головний критерій k3(x) – діагональ екрана у дюймах; k1(x) та k2(x) – обмеження; k3(x) → max, Х* = {x ∈ Х: k1(x)<= 35000, k2(x)>=17000}. Формуємо область припустимих рішень Х*, яка задовольняє задані обмеження: Х* = { x5, x6, x7 }. Тоді x7 = arg max k3(x) – найкраще рішення. Функціонально-вартіснийаналіз. Критерії функціональні (якість) Kf = { k2(x), k3(x)}. Критерії вартісні (витрати) Kz = { k1(x)}. Нехай kf*(x)= k2(x), kz*(x)= k1(x), Тоді k2(x)/ k1(x) → max, Х* = {x ∈ Х: k3(x) >= 20}. Формуємо область припустимих рішень * X , що задовольняє задані обмеження Х* = { x4, x5, x6, x7, x8, x9, x10}. Тоді k2(x)/ k1(x) → max. Значення відношення k2(x)/k1(x) для різних альтернатив наведені на рисунку 1.2. Рисунок 1.2 –Значення відношення k2(x)/k1(x) X6 = arg max k2(x)/ k1(x) – найкраще рішення. Нехай kf*(x)= k2(x), kz*(x)= k1(x), Тоді k3(x)/ k1(x) → max, Х* = {x ∈ Х: k2(x) >= 18000}. Формуємо область припустимих рішень * X , що задовольняє задані обмеження Х* = { x5, x6, x7, x8, x9, x10}. Тоді k3(x)/ k1(x) → max. Значення відношення k3(x)/k1(x) для різних альтернатив наведені на рисунку 1.3. Рисунок 1.3 –Значення відношення k3(x)/k1(x) x6 = arg max k3(x)/ k1(x) – найкраще рішення. Принцип послідовної оптимізації. Нехай k1 > k3 > k2. Оскільки k1(x) досягає екстремальне значення в єдиній точці x1 ∈ X, застосуємо схему поступки k1(x) ∈ [9000, 36000] X1 = { x1, x2, x3, x4, x5, x6, x7, х8 }, X2 = arg max k3(x) = { x7, х8 }, X3 = arg max k2(x) = {х8} – найкраще рішення. Нехай k2 > k1 > k3. Оскільки k2(x) досягає екстремальне значення в єдиній точці x10 ∈ X, застосуємо схему поступки k2(x) ∈ [18200, 36000] X1 = { x5, x6, x7, х8, x9, x10 }, X2 = arg max k1(x) = { x5 }. Принцип ідеальної точки. Метод ідеальної точки полягає у знаходженні на границі Парето точки, найближчої до точки утопії, що задається особою, що приймає рішення (ОПР). Зазвичай ОПР формулює мету у вигляді бажаних значення показників, і часто як координати цільової точки вибирається поєднання найкращих значень всіх критеріїв (зазвичай ця точка не реалізується при заданих обмеженнях, тому її і називають точкою утопії). Нехай особа, що приймає рішення задала точку (32000;25000;26.2), а отже найкраща альтернатива – х7(33300;25600; 26.2). 1.6 Схема максимальної узагальненої корисності, схема максиміну та результати прийняття рішень: Функція корисності. Обчислимо функції локальної корисності критеріїв. Скористаємося співвідношенням вигляду Для складання функції корисності визначимо відповідні значення критеріїв наведені в табл. 1.1. Таблиця 1.1 – Значення критеріїв i
Значення функцій локальної корисності за кожним із критеріїв наведені на рисунку 1.4. Рисунок 1.4 – Значення функцій локальної корисності Результат знаходження узагальненої корисності наведений на рисунку 1.5 Рисунок 1.5 – Значення функцій узагальненої корисності а принцип оптимальності у вигляді:
Тож х0 = х10 Модель максимальної узагальненої корисності. Відомі точні кількісні значення вагових коефіцієнтів частинних критеріїв , а, отже, їхніх функцій корисності . Тоді природно узагальнену корисність альтернативи x X визначати як адитивну функцію вигляду
Нехай важливість критеріїв задається кількісно за допомогою коефіцієнтів a1 + a2 + a3 = 1 . Застосуємо модель максимальної узагальненої корисності. За різними наборами значень ai. Отримані результати наведені на рисунку 1.6. Рисунок 1.6 – Значення функції максимальної узагальненої корисності На рисунку 1.7 наведений приклад формули пошуку узагальненої корисності, а на рисунку 1.8 приклад формули пошуку максимальної узагальненої корисності. Рисунок 1.7 – Приклад формули пошуку узагальненої корисності Рисунок 1.8 – Приклад формули пошуку максимальної узагальненої корисності Модель максиміна . У ситуації, коли інформація про коефіцієнти i a відсутня, скористаємось моделлю максиміну. Визначимо Значення функції min pi(x) для кожної з альтернатив наведені на рисунку 1.9. Рисунок 1.9 – Значення функції min pi(x) Max min pi(x) = 0.53125 Arg max min pi(x) = {x6} – Найкраще рішення. Висновки: Під час лабораторної роботи була сформульована та роз’язана багатокритеріальна задача в умовах визначеності на основі значень критеріїв та із застосуванням узагальненого критерію ефективності. Були розглянуті такі методи прийняття рішення, як: метод виділення основного критерію, метод функціонально-вартісного аналізу, послідовної оптимізації та ідеальної точки. Окрім цього було розглянуте прийняття рішень за схемою максимальної узагальненої корисності і за схемою максиміну. При використанні різних методів ми отримували різні оптимальні розв’язки, це пов’язано з тим, що кожний принцип має свої формули, які приділяють більшу увагу, або навпаки, нехтують якимись критеріями. Навіть при використанні одного і того ж метода можна отримати різні результати (як наприклад при використанні схеми максимальної узагальненої корисності) вибравши різні пріоритети або вагу критеріїв оцінки. |