Cтраница 3
Согласно этому подходу [17, 115] решение задачи многокритериальной оптимизации интерпретируется, как процесс последовательного раскрытия неопределенности специального вида, а именно неопределенности формы компромисса. Положительные стороны связаны с тем, что эти методы имеют простую реализацию, не требуют от векторного показателя практически никаких свойств, надежны и иногда оказываются более устойчивыми, чем градиентные методы. Однако процедуры случайного поиска имеют и недостатки, связанные с ограниченностью информации о свойствах компонент векторного показателя. Поэтому они оказываются в целом менее эффективными в тех случаях, когда градиентные процедуры применимы. [31]
Исследуются условия для получения предельного СТЭК с учетом структуры векторного показателя ММС, когда стабильные и эффективные решения совпадают. На основе введенного понятия степени конфликтности анализируются условия близости стабильных и эффективных решений с антагонистическим ядром в векторном показателе ММС. [32]
В данной части приводятся методы построения и исследования алгоритмов управления в практически полезных конкретных вариантах ММС. Рассматриваются системы указанных классов, функционирующие или проектируемые в условиях конфликтности объектов-коалиций, составляющих систему, при векторном показателе цели объекта-коалиции. Комбинированные процедуры последовательно повышают эффективность конфликтно-оптимальных решений на основе информационно-тактического процесса накопления элементов необязательных и обязательных компромиссов. [33]
Эффективность функционирования многообъектной системы РЛС-ДИИ-СУ ПРР естественным образом характеризуется векторным показателем. Рассмотрены следующие основные компоненты векторного показателя, образующие в совокупности коалиционную систему интересов исследуемой ММС. [34]
В случае векторных показателей коалиций имеет место векторное равновесие по Нэшу. Тот факт, что часть компонент векторного показателя J образует постоянную сумму, можно сформулировать в следующем виде. [35]
Согласно этому подходу [17, 115] решение задачи многокритериальной оптимизации интерпретируется, как процесс последовательного раскрытия неопределенности специального вида, а именно неопределенности формы компромисса. Положительные стороны связаны с тем, что эти методы имеют простую реализацию, не требуют от векторного показателя практически никаких свойств, надежны и иногда оказываются более устойчивыми, чем градиентные методы. Однако процедуры случайного поиска имеют и недостатки, связанные с ограниченностью информации о свойствах компонент векторного показателя. Поэтому они оказываются в целом менее эффективными в тех случаях, когда градиентные процедуры применимы. [36]
Также различными, как уже отмечалось, могут оказаться выражения и число компонент векторов эффективности рассматриваемых частных моделей. Поэтому очевидно, что для определения оптимума поливариантной модели оптимизации Мс необходимо последовательно реализовать все Vc вариантов частных моделей М, после чего из найденных Vc частных оптимальных проектов в результате сравнительной оценки их векторов эффективности по некоторому критерию предпочтения может быть определен наиболее эффективный проект конструкции. Заметим, однако, что на этом этапе реализации поливариантной векторной модели оптимального проектирования могут возникнуть осложнения концептуального характера, связанные с необходимостью определения качества найденных оптимальных проектов. Упомянутые трудности, очевидно, тем больше, чем больше число Vc ( вариантность модели Мс [94]), так как для Ус1 задача определения глобального оптимума модели Мс превращается в задачу оптимизации по Парето [16] на дискретном множестве. Поскольку реализация модели Мс вида (4.2) в случае набора Сг гс однотипных конструкционных материалов осуществляется по такому же алгоритму, очевидно, что вариантность модели оптимизации является весьма важной качественной характеристикой любых поливариантных моделей оптимизации векторными показателями эффективности проекта конструкции. [37]