Метод решения задачи - Многокритериальная оптимизация на основе нейросетевой, нечеткой и нейро-нечеткой аппроксимации функции предпочтений лица, принимающего решения

Многокритериальный оптимизация нейронный аппроксимация

Общая схема рассматриваемого метода является итерационной и состоит из следующих основных этапов.

Этап "разгона" метода. МКО-система некоторым образом (например, случайно) последовательно генерирует k векторов и для каждого из этих векторов выполняет следующие действия:

1) решает однокритериальную задачу (ОКО-задачу)

, , ; (1.4)

    2) предъявляет ЛПР найденное решение, а также соответствующие значение всех частных критериев оптимальности ; 3) ЛПР оценивает эти данные и вводит в МКО-систему соответствующее значение своей функции предпочтений.

Первый этап. На основе всех имеющихся в МКО-системе значений вектора и соответствующих оценок функции предпочтений МКО-система выполняет следующие действия:

    1) строит функцию, аппроксимирующую функцию в окрестности точек ; 2) отыскивает максимум функции - решает ОКО - задачу

, ;

3) с найденным вектором решает ОКО-задачу вида (1.4) - находит вектор параметров и соответствующие значения частных критериев оптимальности, а затем предъявляет их ЛПР. ЛПР оценивает указанные данные и вводит в систему соответствующее значение своей функции предпочтений.

Второй этап. На основе всех имеющихся в системе значений вектора и соответствующих оценок функции предпочтений МКО-система выполняет аппроксимацию функции в окрестности точек - строит функцию и т. д. по схеме первого этапа до тех пор, пока ЛПР не примет решение о прекращении вычислений.

Похожие статьи




Метод решения задачи - Многокритериальная оптимизация на основе нейросетевой, нечеткой и нейро-нечеткой аппроксимации функции предпочтений лица, принимающего решения

Предыдущая | Следующая