Главная > Нечеткие вычисления > Принятие решений. Метод анализа иерархий
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

9.7. МНОГОКРИТЕРИАЛЬНЫЕ МЕТОДЫ

Существуют разнообразные методы для анализа решений при многих целях. Некоторые из них разработаны для прогнозирования действий и выборов в ситуациях принятия решений. Другие разработаны для помощи лицу, принимающему решения, в виде практической техники, которая может быть использована для усовершенствования процедуры принятия решений.

Методы взвешивания

В [152] рассмотрены ранние обзоры по следующим методам оценки весов, приведенным в [151, 13];

1. Взвешивание частных критериев на основе их предсказуемости (с использованием канонической корреляции).

2. Взвешивание частных критериев пропорционально их средней корреляции с другими частными критериями.

3. Взвешивание частных критериев с целью максимизации разности стимулов в величине общего критерия.

4. Взвешивание частных критериев с целью максимизации объясненной дисперсии (с помощью факторного анализа).

5. Взвешивание частных критериев пропорционально их надежности.

6. Равновесное взвешивание частных критериев.

7. Взвешивание частных критериев с целью уравновешивания «эффективных весов» (т. е. долей дисперсии общего критерия).

8. Взвешивание на основе денежного критерия.

9. Взвешивание частных критериев по суждениям экспертов.

10. Взвешивание частных критериев посредством множественной регрессии по построенному в шкале интервалов глобальному критерию.

Эти методы исследуются или критикуются с точки зрения трех основных критериев: релевантности, многомерности и измеримости. Методы 1-7 имеют недостаточную релевантность. Она игнорируется, используются произвольные статистические цели, или релевантность учитывается непрямым и несовершенным образом через другие частные критерии, а не через глобальный критерий. Методы 5-9 содержат смешенную оценку, так как выносится суждение относительно одного частного критерия, а затем независимо относительно другого. Поэтому результирующий многомерный вектор имеет смешение между компонентами, выражающееся подчас в двойном подсчете важности частного критерия. Методы 8-10 страдают сложностью получения мер, которые имеют смысл при взвешивании относительно глобального критерия. Ниже представлены примеры методов взвешивания.

Сопоставление исходов с целями. Допустим, имеются исходы

Этапы процедуры следующие [1, 54]:

1 Ранжировать цели по порядку значений.

2. Присвоить значение 1,00 первой цели и присвоить приемлемые значения другим целям:

цель

значение

3. Сравнить наиболее важную цель с совокупностью остальных целей. Короче, сравнить Если то сравнить Если то сравнить и т. д., пока не завершится сравнение

4. Если то сравнить Если условие все еще выполняется, то сравнить и т. д., до тех пор, пока O не станет предпочтительнее остальных или пока не завершится сравнение тогда следует возвратиться к этапу 3.

5. После того как величины найдены, нормализовать их, разделив на

Предположения, лежащие в основе этой процедуры, следующие:

С каждым исходом мы сопоставляем действительную неотрицательную величину.

Если предпочтительнее , то

Если и O равнозначны, то

Если исходам и O соответствуют значения то исходу соответствует значение Это предположение несправедливо, если и O взаимно исключающие друг друга исходы.

Когда имеется большое число исходов, эта процедура очень трудоемка. К тому же она не формирует единственную шкалу и с ее помощью нельзя справиться с задачами иерархического типа. В [82] использован метод непосредственного сравнения объектов. Во-первых, объекты располагаются в ряд по порядку от наиболее предпочтительного к наименее предпочтительному. Сравниваются наиболее предпочтительный объект со вторым по предпочтительности, второй с третьим и т. д., при этом каждый раз этому отношению приписываются численные значения. По завершении процесса число 1 приписывается наименее предпочтительному из объектов и для получения веса объекта 1 умножается на отношение, полученное в результате сравнения объектом, и т. д., продвигаясь в обратном направлении и получая относительную шкалу оценок для объектов. В этом методе отсутствует способ оценки согласованности.

Сопоставление исходов с функциями целей. предлагается подход, основанный на использовании теории аддитивной полезности, что означает выполнение условия: полезность целого равна сумме полезностей, приписываемых его частям. Если все цели O соответствующим образом определены и для каждого плана измерен его вклад в реализацию каждой цели, то результаты могут быть записаны в следующем матричном виде:

Каждому плану приписывается вектор целей Нужно взвесить планы для определения того, который следует использовать. Согласно теории полезности общая мера вклада обозначим ) получается как функция -мерного вектора Используя условие аддитивности

можно получить, что значение цели для каждого плана определяется как произведение относительной важности цели на полезность численной меры обозначенной через . В наших обозначениях

Оценка Первой попыткой оценки можно считать использование линейных функций полезности, которые нормализованы так, что получают значение от 0 до 1. Для целей, меры которых прямо пропорциональны уровням полезности (например, вклад в национальный доход), можно считать

а для тех целей, которые обратно пропорциональны уровням полезности (например, вклад в загрязнение окружающей среды)

Оценка Методы ранжирования. ранжируются, от наименьшего к наибольшему так, что где номера целей соответствуют рангам. Иногда эксперта просят перенумеровать цели в порядке убывания предпочтительности. Существуют и другие методы упорядочивания - разновидности этого метода.

2. Метод непосредственного оценивания. Целям могут быть приписано бесконечное или конечное число дискретных значений, например числа от 0 до 10. Для каждого эксперта просят оценить важность данной цели. Эксперту может быть дозволено выбирать точки с учетом десятых долей, например 2,7, и он может приписать одно и то же значение из шкалы более чем одной цели.

3. Метод сопоставления исходов с целями (описан выше).

4. Полусуммы. Допустим, что Основная идея подхода заключается в образовании цепочки половинных значений следующим образом. Начнем с к, близкого к , и оценим такое j, что и и положим Повторим процесс, заменив на и продолжим формирование цепочки половинных значений до тех пор, пока это будет возможно. Сглаженная кривая, проходящая по цепочке половинных значений, может быть использована в качестве оценки искомой функции полезности. Например, допустим, что тридцать целей были ранжированы следующим образом:

Допустим

Используя цепь половинных значений и полагая можно получить графическую оценку функции полезности.

5. Методы упорядоченной метрики. Допустим, тогда ранжирование по упорядоченной метрике в бинарном случае будет ранжированием смежных разностей

В одном случае о разностях можно судить непосредственно; в другом, например, можно сравнить сравнивая Сравнение производится непосредственно, когда одно и то же присутствует в обеих разностях, например при сравнении с

6. Метод кривых безразличия. Во многих задачах желательно определить функцию полезности или ценности распределения ресурсов на различные виды деятельности и максимизировать ее при ограничивающих условиях, которые могут быть наложены на имеющиеся величины в связи с их ценой и денежными фондами. Однако обычно такую функцию построить трудно и вместо нее определяют кривые безразличия для пар видов деятельности в обход численного подхода. Чтобы построить такую кривую, экспертам задают вопросы для определения компромиссов между двумя сравниваемыми показателями. На кривой безразличия значения обоих показателей имеют одинаковую ценность. Здесь получаются двумерные кривые, с помощью которых должна быть получена некоторая многомерная поверхность и на ней найден максимум. Недостатком метода является потеря количественной информации.

Методы последовательного исключения

Лексикографический порядок. Термин «лексикографический» отражает аналогию между этим методом и методом упорядочивания слов в словаре. При лексикографическом подходе требуется ранжирование показателей по важности, а значения показателей располагаются на шкале порядка. После того как важнейший показатель выбран, может быть определена альтернатива, имеющая наивысшее значение по этому показателю. Если такая альтернатива одна, то ее выбирают и процедура заканчивается. Если по определенному показателю имеется несколько альтернатив с одним и тем же наивысшим значением, то они сравниваются по второму по важности показателю. Процесс продолжается таким образом до тех пор, пока не будет выявлена единственная альтернатива, или пока не будут проверены все показатели.

Недостатком лексикографического порядка является то, что бесконечно малое приращение одной из компонент не перевешивает больших приращений других. Более слабым критерием является принцип оптимальности по Парето. Одна альтернатива превосходит вторую, если она превосходит ее, по крайней мере, по одной компоненте и не хуже второй по любой другой компоненте. Если альтернатива удовлетворяет

этому свойству относительно всех других альтернатив, то ее называют парето-оптимальной.

Методы математического программирования

Глобальная функция цели. Здесь главная задача - свести вместе многие цели для оптимизации результата при ограничениях в рамках линейного программирования. Идея заключается в том, чтобы использовать выпуклую комбинацию этих функций цели при различных параметрах и решить в итоге задачу параметрического программирования. Мы получаем конечное семейство решений, соответствующих мозаике из ячеек пространства параметров. Для выбора решения, которое представляется наиболее приемлемым, используют суждения.

Цели в ограничениях; целевое программирование. Все глобальные оптимумы являются в более широком контексте локальными оптимумами. Мы знаем, что решения оптимальны только в ограниченном контексте. Оптимальное решение - это не та стратегия, которой нужно следовать, это дополнительная информация, которую следует учесть в контексте большой системы, для которой данная задача является компонентой. В большинстве случаев наша цель - максимизация прибыли всего производства. Это создает впечатление, что у нас только одна цель - прибыль. Но предположим, что принята более широкая точка зрения, включающая несколько отдельных целей, которые нельзя легко объединить в одну оптимизируемую функцию. Например, можно рассмотреть уровни производства для двух разных изделий, для которых получены наибольшие чистая и общая прибыль, а также состояние денежных средств при некоторых ограничениях на ресурсы.

Безусловно, вряд ли решение, которое максимизирует чистую прибыль, будет таким же, что максимизирует и две другие цели. Чтобы разрешить неопределенность большей цели, следует заново определить, является ли вообще максимизация нашей целью.

В действительности мы добиваемся не максимизации или минимизации при принятии решений по линии поведения, а скорее «удовлетворения». Последнее означает определение целей и поиск такого распределения, которое предлагает наилучшую перспективу достижения этих целей. Это выражает смысл целевого программирования.

Рассмотрим следующий пример:

цель 1: (цель - чистая прибыль);

- количество единиц изделий 1 и 2 соответственно; 80 и 60 - соответственно время работы машин A и B, которое не может быть превышено. Эти три цели несовместимы. Для решения проблемы несовместимости принимаем высший приоритет цели 1, следующий по величине приоритет будет у цели 2, а затем у цели 3. Припишем следующие точные значения приоритетам:

цель 1 следует удовлетворить как можно лучше, каковы бы ни были результаты приближения к целям 2 и 3;

как только цель 1 достигнута, следует удовлетворить цель 2 как можно лучше при условии, что это не поставит под угрозу реализацию цели 1;

как только цель 2 достигнута, следует удовлетворить цель 3 как можно лучше при условии, что это не поставит под угрозу реализацию цели 2.

Итак, задача ставится следующим образом: минимизировать

при условиях

и неотрицательности всех переменных. Здесь и d - переменные нехватки и излишка соответственно.

Если рассматриваются как коэффициенты переменных, то мы будем иметь дело с несоизмеримыми вещами, так как d— и d+ измеряются в деньгах, а остальные переменные - в часах. Чтобы устранить эту трудность, будем считать, что - ярлыки, определяющие порядок приоритета соответствующих целей, а не коэффициенты. Итак, вычислить означает: во-первых, сделать возможно малым при единственном условии - неотрицательности всех переменных. Вычислить означает: сделать возможно малым, не угрожая реализации первой цели, и так далее для Считается, что соотношения приоритетов таково, что P намного больше которое, в свою очередь, намного больше

Связь между целевым программированием и иерархиями проходит через концепцию согласованных сценариев в планировании. В сложной ситуации планирования применение иерархического подхода позволяет получить обобщенный сценарий, который устраивает всех лиц, принимающих решение. Однако этот сценарий должен быть реалистическим и совместимым со всеми размерностями задачи. Например, реалистический означает, что мы не можем использовать ресурсов больше, чем имеем. Совместимый означает, что цели не должны быть конфликтующими. Если определить сценарий посредством вектора состояния переменных множество переменных решения обозначить через Y, то сценарий (X, Y) является согласованным, если где g - модель процесса формирования системы, т. е. физических потоков в системе. Метод собственного значения и принцип иерархической композиции могут быть использованы для построения обобщенного сценария, переменные состояния которого принимают значение Если R не может быть получено в виде функции от переменных решения, т. е. в форме где Y - конкретное подмножество решений задачи, то R не согласованно, и тогда используется целевое программирование для пересмотра целей планирования, представляемых

В частности, предположим, что A - матрица прямых затрат заданной экономической системы. Пусть X - валовая продукция, конечный спрос. Известно, что Предположим, что значение переменной состояния X обеспечивает некоторый уровень потребления определенного ресурса, стоимость, зависящую от технологии, а также эмиссию полютантов при этой технологии. Общие коэффициенты воздействия и модель «вход-выход» D воспроизводят процесс функционирования системы. Имеем при Чтобы величины R обобщенного сценария были согласованны, должно соблюдаться следующее условие:

Если оно не соблюдается, то основу для получения реалистических и совместимых R представляет следующая задача оптимизации.

Минимизировать

при условиях

где

Решение U этой задачи обеспечивает существование согласованного сценария, подходящего для конкретной реальной ситуации.

Локальные цели: интерактивное программирование. Рассматриваемую задачу со многими критериями можно записать в виде:

где f - -мерный вектор вещественных функций, - -мерный вектор вещественных переменных, X - допустимая область в связанная с и U - функция полезности лица, принимающего решение, определенная на области значений

Можно предположить, что U - возрастающая по каждому f функция и что X-выпуклая и компактная; U по каждой компоненте f - вогнутая и непрерывно дифференцируемая.

Нормы предельного замещения лица, принимающего решение, между критериями для отдельной точки могут быть использованы для оценки направления градиента его функции полезности в этой точке. Эта информация может быть использована в контексте существующих алгоритмов нелинейного математического программирования для получения оптимального решения задачи.

Методы пространственной близости

Совместные измерения. Они связаны с объединением множества независимых переменных в некоторую функциональную форму (в общем случае полином) для предсказания значений зависимой переменной. Коэффициенты или параметры функции обычно оцениваются методами регрессии. Существуют несколько алгоритмов или подходов получения этой оценки путем взвешивания важности переменных заинтересованными лицами (см. [58]). В [58] также можно ознакомиться с различными аспектами приложений, а именно, по производству и маркетингу.

Многомерное шкалирование. Главная цель многомерного шкалирования восстановление основной пространственной структуры процесса восприятия по конфигурации, в которой каждый стимул (альтернатива) представлен точкой таким образом, что два стимула, субъективно рассматриваемые как схожие, расположены ближе друг к другу, чем стимулы, которые считаются менее похожими друг на друга. Процесс развивается так:

1. Строится матрица несходства на главной диагонали которой стоят нули. Матрица симметрична относительно главной диагонали.

2. Из матрицы , получается матрица расстояний между стимулами

3. Требуется удовлетворение условия монотонности

4. Определяется напряжение где

- расстояние между точками начальной конфигурации).

Задача заключается в минимизации S по всем удовлетворяющим гипотезе монотонности.

В подходе по изучению маркетинга, предложенном в [58], исследуются пять показателей проекта, включающих наименование, цену, оформление упаковки и гарантию. В данной специфической задаче существует 108 комбинаций этих пяти показателей. Из всех альтернатив было выбрано 18 и проранжировано. С помощью ЭВМ проводился поиск значений в шкале для каждого показателя. Значения в шкале выбраны таким образом, что при их суммировании общая полезность каждой комбинации соответствует рангам. Меры того, насколько лучше каждая альтернатива, не приводится.

В [20] предлагается метод в помощь специалистам по планированию при формулировке стратегий и прогнозировании исходов при последовательном применении этих стратегий. Формируется матрица перекрестных воздействий условных вероятностей. Далее вычисляются меры несходства пар событий и определяется евклидово расстояние между строками матрицы перекрестных воздействий (причин), а затем - евклидово расстояние между столбцами (эффектами).

В [183] определяется матрица несходства (расстояния). В качестве заголовков строк и столбцов используются элементы из множества понятий, где каждое определяет отношение понятия ко всем другим. Данные собираются в последовательность прямых парных сравнений и затем трактуются как точки в пространственном многообразии (неевклидовом -мерном пространстве). Определяется местоположение этих точек и затем минимизируются квадраты расстояния между ними.

В [165] исследуется математическая структура полиномиальной теории измерений (применимой к структуре данных в том и только в том случае, если для нее выполнена аксиома иррефлексивности), и устанавливается взаимосвязь различных моделей измерений в общих концептуальных рамках, приводящих к математическим задачам, решение которых считается полезным. У теории нет простых эмпирически проверяемых условий. Этот подход предусматривает анализ данных с помощью многомерного шкалирования и факторных методов. Упорядочение расстояний между парами задает определенный порядок между ними, который может быть выражен в виде полиномиальной функции координат. Теория описывает погружение этого полинома в действительное -мерное пространство с фиксированной размерностью.

В [118] проведено исследование по «выбору «наилучших» линий поведения из ряда альтернативных возможностей, где каждая линия поведения оценивается в терминах степени достижения множества целей». Предложенный метод основан на технике многомерного шкалирования, развитой Кендаллом для вычерчивания карт на основе фрагментарной информации.

Экспериментальная проверка метода анализа иерархии была проведена в [142], где он сравнивается с подходами множественной регрессии (МР), многоаспектной полезности (МАП) [79] и простой непосредственной оценкой (НО). Эти четыре метода отличаются следующим: они требуют суждений различного типа, они требуют различных форм отклика (от порядкового до отношений) и, наконец, каждый из них имеет область приложений с ограниченным применением других методов.

В данном эксперименте экспертам предложили оценить гипотетических кандидатов, поступающих в колледж, с помощью парных сравнений только по четырем характеристикам: количественному тесту на способности, устному тесту на способности, среднему школьному баллу и показателю внешкольной деятельности. После этих начальных суждений экспертов просили о дальнейших суждениях, необходимых

для построения линейных аддитивных представлений на основе названных выше четырех методов. Эксперимент осуществлялся в рамках факторного анализа. Тридцати трем экспертам предложили высказать предварительные суждения о 20 парах альтернатив. Требовалось указывать как направление, так и степень предпочтения для каждой пары. Для линейных аддитивных моделей, использовавших МАИ, МР, МАП и НО, было получено соответственно 84, 57, 86 и 84% правильных предсказаний по этим предварительным суждениям. Пирсоновские корреляции произведений моментов между предсказанными и наблюденными степенями предпочтений были 0,72; 0,19; 0,75 и 0,77 соответственно.

Этими методами авторы проверяли только то, что каждый из методов должен был предоставить по аддитивному, линейному представлению многоаспектных предпочтений. Приоритеты показателей или критериев, определенные посредством МАИ, были использованы как веса линейной функции полезности, что позволило авторам сравнить их.

Хотя методы и различны, каждый из них имеет определенное преимущество перед другими. Для МАИ не требуется допущения о согласованности в предпочтениях, в то время как построение функции полезности при использовании подхода МАП требует транзитивности отношения предпочтений. Кроме того, при парных сравнениях в МАИ информация более детализирована и применима в сферах, где существуют неизмеримые показатели.

Подход МАП обладает некоторыми преимуществами, а именно: хорошо развитой методологией для трактовки ситуаций с риском, а также нелинейными функциями полезности, (т. е. аддитивно линейными по каждой переменной, мультипликативными и мультилинейными).

В [79] обсуждается методика оценки функции полезности. Процесс МАП приводит к одному из немногих установленных типов функций. Метод анализа иерархий генерирует функциональные значения функции полезности, а не саму функцию. Для повторяющихся ситуаций при принятии решений выгоднее иметь функцию полезности. Однако на практике функция полезности быстро меняется во времени и, следовательно, ее надо заново оценивать. Поэтому в операционном смысле МАП действует не лучше, чем МАИ, и, кроме того, требует слишком много времени и усилий, а также не обладает преимуществами группового процесса, присущими МАИ. Используя МАИ, можно возмущать суждения в пределах иерархии для получения нового набора приоритетов. Вместе с процедурой проведения МАИ это менее затруднительно, чем построение функции полезности для каждого периода времени.

Относительно метода МР отмечается, что «использование МАИ предпочтительнее, чем метода МР в любой неповторяющейся ситуации по принятию решений, такой, как стратегическое планирование или технологический прогноз, поскольку эти ситуации не позволяют легко вывести измеримые свойства». Однако в МАИ возникает одна операционная проблема - для получения суждений он требует больше времени, чем необходимо для одного заседания, и должен быть растянут на несколько заседаний. Это неудобство не кажется очень важным по сравнению с тем, что при МАП выводится функция полезности, процесс, при котором люди могут чувствовать себя не очень удобно. Их предпочтения могут оказаться несогласованными с функцией полезности.

<< Предыдущий параграф Следующий параграф >>
Оглавление