Мультипликативный критерий
Аддитивный критерий основан на использования принципа справедливой компенсации значений нормированных частных критериев. Но в ряде задач проектирования более целесообразным является оперирование не с абсолютными, а с относительными изменениями значений частных критериев. Принцип справедливой относительной компенсации формулируется следующим образом: справедливым следует считать такой компромисс, когда суммарный уровень относительного снижения значений одного или нескольких критерий не превышает суммарного уровня относительного увеличения других критериев. В математической формулировке условие оптимальности на основе принципа справедливой относительной компенсации имеет вид (3) где ΔFi(X) – приращение величины i – го критерия, Fi(X) – первоначальная величина i – го критерия. Полагая , можно представить (3) как дифференциал натурального логарифма (4) Из выражения (4) следует, что принцип относительной компенсации приводит к мультипликативному обобщённому критерию оптимальности (5) Мультипликативный критерий образуется путём простого перемножения частных критериев в том случае, когда они имеют одинаковую важность. В случае неравноценности частных критериев вводятся весовые коэффициенты li и мультипликативный критерий примет вид (6) Мультипликативный критерий иногда представляется в виде отношения произведений частных критериев (выходных параметров) m1+m2=m; (7) где в числителе перемножаются все выходные параметры, требующие максимизации и имеющие ограничения а в знаменателе – все выходные параметры, требующие минимизации и имеющие ограничения , где TTi – значение технического требования, предъявленного к i– му критерию. Целевая функция (7) в дальнейшем подвергается максимизации. Достоинством мультипликативного критерия является то, что при его использовании не требуется нормирование частных критериев. Недостатки критерия: критерий компенсирует недостаточную величину одного частного критерия избыточной величиной другого и имеет тенденцию сглаживать уровни частных критериев за счёт неравнозначных первоначальных значений частных критериев. Примеры 1. Производственная функция, отражающая овеществлённый технический прогресс (модель Р. Солоу): где Yt – выпуск продукции; L – численность рабочих; K – объём основных производственных фондов. Здесь величины a и 1-a следует рассматривать как весовые коэффициенты. Пример 2. Обнаружение сигналов в "белом" шуме. На вход RC – фильтра с импульсной характеристикой поступает аддитивная смесь: прямоугольный импульс s(t) плюс "белый" шум n(t). Требуется найти такое значение g, чтобы отношение сигнал/шум было максимальным, т.е. мы желаем, чтобы значение сигнала было максимальным, а уровень шума – минимальным (g – полоса пропускания RC – фильтра).
Рис.3. Сигнал s(t) Рис 4.Шум n(t)
Рис. 5.Сигнал плюс шум Рис.6. Отфильтрованный сигнал Рис. 7.Система обнаружения сигнала
F1(g)=A(1-e-gT) ® max (уровень сигнала на выходе фильтра), F2(g)= ® min (уровень шума на выходе фильтра). где A,N,T - константы; F1 и F2 - имеют одинаковую размерность. Найти оптимальную полосу пропускания g, если справедлив принцип относительной компенсации частных критериев. Согласно формуле (7) мультипликативный критерий будем иметь вид: Пример. Применим мультипликативный критерий оптимальности для определения оптимальных параметров для автомата. Мы получили следующую задачу оптимизации: найти максимум функции при ограничении 1.6L+ 0.05N+2≤6. Для определения максимального значения f(L,N) с учётом ограничения равенства мы будем использовать метод неопределённых множителей Лагранжа. Получим следующую задачу безусловной оптимизации: найти максимум функции Находим частные производные по L, N, l и приравниваем их к нулю. Получим систему уравнений: Решая эту систему, получим следующие значения: Nopt=53, Lopt=0.83 м, Vopt=137 м/cек. Использование мультипликативного критерия в задаче оптимизации привело другим значениям параметров автомата по сравнению с решением задачи с аддитивным критерием оптимальности. Это объясняется тем, что диапазоны взаимной компенсации абсолютных и относительных изменений частных критериев неодинаковы. Поэтому в каждом конкретном случае технического проектирования следует тщательно анализировать и обосновывать целесообразность учёта либо абсолютных, либо относительных изменений значений частных критериев и в зависимости от степени важности этих отклонений выбирать либо аддитивный, либо мультипликативный критерий оптимальности. Заключение. Преимущества и недостатки формальных обобщённых критериев. Преимущества – возможность учёта в качестве fi(X) любых выходных параметров системы, а также надёжность и стоимость. Основные недостатки – возможность компенсации ухудшения целевой функции из-за ухудшения одного параметра за счёт улучшения какого-либо другого выходного параметра. Метод "идеальной" точки Метод "идеальной" точки. Рассматривается m-мерное пространство (где m число локальных критериев), в котором априори выбирается вектор, отображающий "идеальное" решение (или, что тоже самое, "идеальная" точка, координатами которой являются "идеальные" значения (например, минимальные или максимальные значения) локальных критериев). В этом пространстве вводится некоторая метрика, с целью вычисления расстояния между вектором, отображающим рассматриваемое решения, и "идеальным". В качестве наилучшего выбирается такое решение, векторная оценка которого наиболее близка к "идеальной" точке. Недостатками метода являются произвол при выборе идеальной точки и введение метрики. Определим обобщенный критерий следующим образом. Положим ai=maxFi(X); , т.е. ai является максимально (минимально) возможным значением по i – му критерию. Положим a=(a1, a2, . . ., am). Точка a называется идеальной. Смысл названия связан с тем, что такие точки оптимальны сразу по всем критериям – получить большее (меньшее) значение ни по одному критерию невозможно. Как правило, точка aÎYD. Зададим для всех точек YÎYD функцию, являющуюся евклидовым расстоянием между точками Y и a . За целевую функцию (обобщённый критерий) берут выражение где li – весовые коэффициенты. Таким образом, задача оптимизации формулируется следующим образом min XÎD С учётом нормировки min (8) XÎD Замечание. Здесь принцип оптимальности выражается функцией выбора определяемой близостью к идеальной точке. Замечание. В качестве идеальной точки берут директивные значения параметров, заданные заказчиком, т.е. в ТЗ (техническом задании). Какие задачи оптимального проектирования приводят к использованию метода идеальной точки? Например, когда все или основные условия работоспособности имеют вид равенств, т.е. Fi(X)=TTi, где TTi – значение технического требования, предъявленные к i - критерию. Тогда целевая функция имеет вид:Пример. Пусть имеются частные критерии F1(X)=-3x1+2x2; F2(X)=4x1+3x2; F3(X)=2x1-5x2, которые требуется максимизировать. Область D задаётся неравенствами –x1-3x2+18³0; -2x1-x2+10³0; x1³0; x2³0. Линейная функция F1(X) достигает максимального значения a1=12 в точке X1=(0, 6); F2(X) - максимальное значение a2=24 в точке X2=(3, 4); F3(X) - максимальное значение a3=10 в точке X3 =(5, 0). По методу идеальной точки составим функцию f(X)=[12-(-3x1+2x2)]2+[24-(4x1+3x2)]2+[10-(2x1-5x2)]2. После преобразований получим f(x1, x2)= . Таким образом, задача оптимизации будет такая min f(x1, x2) g1(X)= –x1-3x2+18³0 g2(X)= -2x1-x2+10³0 g3(X)=x1≥0; g4(X)=x2≥0 Построим область D.
Рис. 8. Область D Найдем максимум функции, не учитывая ограничений. Если полученное значение будет лежать в области D, то оно и будет решением нашей задачи. Находим частные производные по x1 и x2 функции f(x1, x2) и приравняем их к нулю. Получим следующую систему линейных уравнений 29x1-4x2=80 -4x1+38x2=46. Решение этой системы: x1=2.97; x2=1.52. Эта точка находится внутри области D. Следовательно, минимум функции достигается в точке с координатами x1opt=2.97; x2opt=1.52. В найденной точке Xopt, являющейся решением рассматриваемой многокритериальной задачи линейного программирования, F1(Xopt)=-5.87; F2(Xopt)=16.44; F3(Xopt)=-1.66. Следовательно, x1opt=2.97; x2opt=1.52.
©2015 arhivinfo.ru Все права принадлежат авторам размещенных материалов.
|