1 / 38

Metody poszukiwania rozwiązań wielocelowych zagadnień liniowych

Metody poszukiwania rozwiązań wielocelowych zagadnień liniowych. 3. Przekształcenie w zagadnienie programowania zadaniowego (PZ) (Goal Programming - GP).

pete
Download Presentation

Metody poszukiwania rozwiązań wielocelowych zagadnień liniowych

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Metody poszukiwania rozwiązań wielocelowych zagadnień liniowych 3. Przekształcenie w zagadnienie programowania zadaniowego (PZ) (Goal Programming - GP) Programowanie zadaniowe zaistniało jako efekt wysiłków poświęconych uzyskaniu zadowalającej i racjonalnej reprezentacji funkcji preferencji decydenta Pamiętajmy zawsze: jakakolwiek reprezentacja uznawana za najlepszą jest zawsze funkcją czyjegoś osobistego spojrzenia na problem

  2. Istnieje wiele rodzajów sformułowań programów zadaniowych, a każde z nich jest wyrazem nieco odmiennej filozofii podejścia w odniesieniu do tego jak mierzyć ,,dobroć” rozwiązania dla  problemu zawierającego wiele, przeciwstawnych celów Trzema najbardziej popularnymi (a także najbardziej praktycznymi) formami PZ są  archimedesowe PZ, zwane też ważonym PZ  nie-archimedesowe PZ zwane też leksykograficznym PZ  czebyszewskie PZ, znane w dwóch odmianach, jako minimaksowe PZ i rozmyte PZ

  3. Sformułowanie oryginalne (WCPL) gdzie

  4. Kroki prowadzące do uzyskania modelu PZ  przekształcenie wszystkich celów w zadania z określeniem (przez D) oczekiwanego poziomu ich realizacji – poziomu aspiracji  wprowadzenie zmiennych określających możliwe odchylenia od oczekiwanego poziomu realizacji zadań  zdefiniowanie funkcji osiągania określającej miarę bliskości opcji decyzyjnej od osiągnięcia określonych poziomów zadań – poziomów aspiracji

  5. *funkcje celu maksymalizowane są przekształcane w nierówności typu większościowego , nazywane też nierównościami II, poprzez ustalenie i włączenie prawej strony (wartości poziomu aspiracji) *funkcje celu minimalizowane są przekształcane w nierówności typu mniejszościowego , nazywane też nierównościami I, poprzez ustalenie i włączenie prawej strony (wartości poziomu aspiracji) Przekształcenie celów w zadania Stosujemy następujące zasady

  6. Użycie poziomów aspiracji do przekształcenia celów (które mają być optymalizowane) w zadania (które mają być osiągnięte) jest znane jako koncepcja ,,uzyskiwania zadowolenia/satysfakcji” Uzyskiwanie zadowolenia, z kolei, jest pragmatycznym podejściem opartym na sposobie w jaki większość organizacji i osób, podchodzi do podejmowania decyzji Oznacza ono że, zamiast próbowania osiągnięcia optymalności rozwiązania (co w rzeczywistości jest sensowne dla problemów statycznych, deterministycznych, bez zakłóceń i z jedną funkcją celu) dąży się do znalezienia rozwiązania, które zbliża się ,,tak blisko jak to możliwe” do spełnienia określonych zadań

  7. Obrazowy przykład Aby przekształcić nasz problem w model PZ, musimy najpierw ustalić poziomy aspiracji dla każdego z celów. Poziomy te są wartościami, które mamy nadzieję osiągnąć w końcowym rozwiązaniu, lub które przedstawiają ,,akceptowalne” poziomy całkowitego zysku i udziałów na rynku Przykładowo, jeżeli aktualny (nieoptymalizowany) program produkcji przynosi 40 jednostek zysku i daje 50 jednostek udziału na rynku, możemy realistycznie oczekiwać wzrostu każdej z tych wartości o 10% lub być może o 20%. Wszelako należy unikać nierealistycznie wysokich wartości w przypadku maksymalizacji i nierealistycznie małych wartości w przypadku minimalizacji

  8. ( zadanie dla zysku) ( zadanie dla udziału na rynku) Przyjmijmy w naszym przykładzie, że D ustalił poziomy aspiracji na 50 jednostek zysku i 80 jednostek udziału na rynku. Nasze dwa cele zmieniają się w następujące zadania Możemy wówczas sformułować model zawierający jedynie zadania

  9. (zadanie dla całkowitego zysku w rozważanym okresie czasu) takie, które spełniają: i Znaleźć wartości (zadanie dla udziałów w rynku w rozważanym okresie czasu) (ograniczenie dostępności surowca) (ograniczenie nasycenia rynku produktu 1.) (ograniczenie nasycenia rynku produktu 2.) (warunki nieujemności)

  10. Graficzna ilustracja Brak rozróżnienia w traktowaniu celów i ograniczeń – matematycznie występują tylko ograniczenia - zadania

  11. Wprowadzenie zmiennych określających odchylenia od wskazanych zadań Model programowania zadaniowego umożliwia wprowadzenie do sformułowania modelu problemu decyzyjnego nowego elementu - miękkich i twardych zadań (ograniczeń) Najpierw wprowadzamy  ujemne odchylenia , które będziemy dodawać do lewej strony zadań (ograniczeń);  spełniają warunki nieujemności  dodatnie odchylenia , które będziemy odejmować od lewej strony zadań (ograniczeń);  spełniają warunki nieujemności

  12. Każdemu z tak wprowadzonych odchyleń można przypisać jedną z dwóch cech * odchylenie jest dopuszczalne, jeżeli jego niezerowa wartość nie oznacza naruszenia ograniczenia w jego pierwotnej postaci * odchylenie jest niepożądane, jeżeli jego niezerowa wartość oznacza naruszenie ograniczenia w jego pierwotnej postaci; będziemy je oznaczali podwójnym podkreśleniem

  13. pierwsze zadanie w pierwotnej postaci pierwsze zadanie w postaci ze zmiennymi odchyleń pierwsze zadanie w postaci ze zmiennymi odchyleń i zaznaczeniem odchylenia niepożądanego pierwsze ograniczenie w pierwotnej postaci pierwsze ograniczenie w postaci ze zmiennymi odchyleń pierwsze ograniczenie w postaci ze zmiennymi odchyleń i zaznaczeniem odchylenia niepożądanego Obrazowy przykład

  14. Ograniczenie będziemy nazywali twardym, jeżeli warunek Odchylenie niepożądane = 0 musi być spełniony Ograniczenie będziemy nazywali miękkim, jeżeli warunek Odchylenie niepożądane = 0 może być niespełniony, to znaczy może zachodzić Odchylenie niepożądane ≥ 0 Z pomocą pojęcia odchylenia niepożądanego można wprowadzić rozróżnienie na ograniczenia twarde i miękkie

  15. takie, które minimalizują w określony sposób niepożądane odchylenia, spełniając: i Znaleźć wartości (ograniczenie dostępności surowca) (ograniczenie nasycenia rynku produktu 1.) (ograniczenie nasycenia rynku produktu 2.) (zadanie dla udziałów w rynku w rozważanym okresie czasu) (zadanie dla całkowitego zysku w rozważanym okresie czasu) (warunki niejednoczesnej dodatniości) (warunki nieujemności) Moglibyśmy teraz zadanie rozważane w obrazowym przykładzie zapisać

  16. Zdefiniowanie funkcji osiągania Uzyskany model wyrażony jest w kategoriach zadań/ograniczeń (z których jedne mogą być miękkie a inne twarde) Potrzebna jest funkcja za pomocą której można by mierzyć osiąganie minimalizacji niepożądanych odchyleń zadań i ograniczeń. Funkcja taka nazywana jest funkcją osiągania programowania zadaniowego Jej postać zależy od modelu preferencji D - musimy posiadać podejście - filozofię, zgodnie z którą tworzona byłaby taka funkcja Różne postacie modeli PZ są wyrazem różnych podejść do tworzenia funkcji osiągania

  17. Archimedesowe (ważone) PZ W podejściu archimedesowym nazywanym też ważonym PZ, funkcja osiągania jest funkcją wektorową dwuelementową (dwuskładnikową) Każdemu z elementów przypisuje się priorytet  Pierwszy składnik, któremu nadaje się priorytet k = 1, przedstawia ważoną sumę wszystkich niepożądanych odchyleń dla tych zadań, które uznane zostały za twarde (tzn. dla sztywnych ograniczeń)  Drugi składnik, któremu nadaje się priorytet k = 2, jest sumą ważoną sumą wszystkich niepożądanych odchyleń dla zadań, które uznane zostały za miękkie (tzn. dla miekkich ograniczeń

  18. Zwykle: * do grupy twardych ograniczeń zalicza się ograniczenia pierwotnego sformułowania problemu decyzyjnego * do grupy miękkich ograniczeń zalicza się zadania powstałe z transformacji pierwotnych funkcji celu W ważonym programowaniu zadaniowym poszukuje się rozwiązania dającego leksykograficzne minimum funkcji osiągania

  19. - wektorowa funkcja osiągania - wektor ujemnych niepożądanych odchyleń na poziomie priorytetu k (k = 1,2) - wektor dodatnich niepożądanych odchyleń na poziomie priorytetu k (k = 1,2) - wektor wag dla ujemnych niepożądanych odchyleń na poziomie priorytetu k (k = 1,2) - wektor wag dla dodatnich niepożądanych odchyleń na poziomie priorytetu k (k = 1,2) Zatem w ważonym PZ poszukujemy leksykograficznego minimum funkcji osiągania

  20. O doborze wag: • wszystkie wagi są nieujemne • niezerowe wartości nadaje się tylko tym wagom, które związane są z niepożądanymi odchyleniami (tzn. tymi, które mają być minimalizowane) • wagom dla niepożądanych odchyleń na poziomie priorytetu 1 zwykle nadawana jest wartość jeden (tj. nie ma zwykle potrzeby różnicowania ,,ważności” tych odchyleń, ponieważ jakiekolwiek odchylenia są niedozwolone dla sztywnych zadań) • wartości wag dla niepożądanych odchyleń na poziomie priorytetu 2, są ustalane w drodze subiektywnego procesu i ich wartości mogą być zmieniane w wyniku analizy po-optymalizacyjnej

  21. Obrazowy przykład Wektorowa funkcja osiągania - element wektora funkcji osiągania na poziomie priorytetu 1 - element wektora funkcji osiągania na poziomie priorytetu 2 Wektor ujemnych niepożądanych odchyleń i związany z nim wektor wag na poziomie priorytetu 1 – nie występuje Wektor dodatnich niepożądanych odchyleń i związany z nim wektor wag na poziomie priorytetu 1

  22. Wektor ujemnych niepożądanych odchyleń i związany z wektor wag na poziomie priorytetu 2 Wektor dodatnich niepożądanych odchyleń i związany z nim wektor wag na poziomie priorytetu 2 - nie występuje Załóżmy, że firma wyraziła przekonanie, iż osiągnięcie odpowiednich udziałów na rynku jest dla niej dwa razy ważniejsze niż osiągnięcie określonego zysku

  23. (ograniczenie dostępności surowca) (ograniczenie nasycenia rynku produktu 1.) (ograniczenie nasycenia rynku produktu 2.) (zadanie dla udziałów w rynku w rozważanym okresie czasu) (zadanie dla całkowitego zysku w rozważanym okresie czasu) (warunki niejednoczesnej dodatniości) (warunki nieujemności) Odpowiadający takim przekonaniom model archimedesowego PZ rozważanego problemu decyzyjnego ma postać: takie, które zapewniają i Znaleźć wartości

  24. Graficzna ilustracja Punkty wierzchołkowe obszaru rozwiązań pożądanych

  25. Sekwencyjny sposób rozwiązania modelu archimedesowegoPZ wykorzystujący posiadane oprogramowanie jednej z metod programowania liniowego: Krok 1: Sformułowanie pierwszego zagadnienia programowania liniowego zapewniającego spełnienie ograniczeń twardych Model ten ma następującą strukturę: Zminimalizować: spełniając: gdzie, - zbiór indeksów ograniczeń twardych (priorytet 1)

  26. Niech optymalne rozwiązanie tego modelu daje wartość Zminimalizować: spełniając: gdzie, - zbiór indeksów ograniczeń twardych (priorytet 1) - zbiór indeksów ograniczeń miękkich (priorytet 2) Krok 2: Sformułowanie drugiego zagadnienia programowania liniowego zapewniającego spełnienie ograniczeń twardych i miękkich Model ten ma następującą strukturę:

  27. Rozwiązanie związane z drugim modelem jest rozwiązaniem archimedesowego sformułowania programowania zadaniowego

  28. takie, które minimalizują i Znaleźć wartości spełniając (ograniczenie dostępności surowca) (ograniczenie nasycenia rynku produktu 1.) (ograniczenie nasycenia rynku produktu 2.) Obrazowy przykład Zadanie 1

  29. Graficzna ilustracja Otrzymane rozwiązanie Obszar rozwiązań pożądanych Zadania 1

  30. Ilustracja graficzna rozwiązania Zadania 1 Najlepsze wartości odchyleń drugiego poziomu (priorytet2):

  31. Uzyskany pierwszy wektor funkcji osiągania

  32. Zadanie 2 takie, które minimalizują i Znaleźć wartości spełniając (ograniczenie dostępności surowca) (ograniczenie nasycenia rynku produktu 1.) (ograniczenie nasycenia rynku produktu 2.) (zadanie dla udziałów w rynku w rozważanym okresie czasu) (zadanie dla całkowitego zysku w rozważanym okresie czasu) (warunek uzyskanego poziomu osiągania dla poziomu priorytetu 1) (warunki nieujemności)

  33. Graficzna ilustracja Otrzymane rozwiązanie Obszar rozwiązań pożądanych Zadania 2

  34. Ilustracja graficzna rozwiązania Zadania 2 Uzyskany drugi wektor funkcji osiągania zatem rozwiązanie

  35. Uzyskane rozwiązanie nie jest rozwiązaniem optymalnym w sensie porządku Pareto !!! ale jest to rozwiązanie optymalne w sensie porządku leksykograficznego dla niepożądanych odchyleń od wskazanych poziomów aspiracji przy wskazanych priorytetach

  36. Archimedesowe sformułowanie PZ Zalety * Każde zadanie (cel) jest oddzielnie reprezentowane w modelu (tzn. unika się agregacji) a zatem ma się do czynienia tablicą wskaźników działania, zamiast z zastępczym, pojedynczym wskaźnikiem * Można posługiwać się zarówno twardymi jak i miękkimi zadaniami * Decydent jest zmuszony estymować poziom aspiracji dla swoich celów, a to służy wymuszeniu dodatkowego wglądu w rozważany problem decyzyjny * Rozwiązanie archimedesowego PZ jest możliwe za pomocą tradycyjnych metod lub oprogramowania PL

  37. Wady * Zbudowanie modelu wymaga więcej czasu i zastanowienia * Potrzebne jest większe zaangażowanie decydenta w rozwiązywanie problemu decyzyjnego m.in. w ustalanie poziomów aspiracji i wag * Subiektywność odnosząca się do wag nadawanym na poziomie priorytetu 2 * Może być trudne lub czasem niemożliwe zaproponowanie odpowiednich wag na poziomie priorytetu 2 niezbędnych do dodawania odchyleń.

  38. Dziękuję – koniec materiału prezentowanego podczas wykładu

More Related