Нечеткое математическое программирование: теория и алгоритмы оптимизации в условиях неопределенности

Математическим ядром подхода является теория нечетких множеств. В отличие от классической логики Кантора, где элемент либо принадлежит множеству, либо нет, нечеткое множество описывается функцией принадлежности, которая принимает непрерывные значения на интервале от 0 до 1. Эта функция количественно выражает степень уверенности в том, что значение удовлетворяет заданному свойству. В нечеткой оптимизации как целевая функция, так и ограничения моделируются как нечеткие множества в пространстве альтернатив. Оптимальным решением признается такая альтернатива, которая в максимальной степени удовлетворяет пересечению всех нечетких ограничений и нечеткой цели.

Классическим алгоритмом нечеткого линейного программирования является подход Ханса-Юргена Циммерманна. Модель формулируется в виде поиска компромисса: лицо, принимающее решение, задает желаемый идеальный уровень целевой функции и предельно допустимый худший уровень, формируя нечеткую цель с линейной функцией принадлежности. Аналогичным образом задаются функции принадлежности для каждого линейного ограничения, допуская их гибкое нарушение в заданных пределах. Интеграция цели и ограничений осуществляется через оператор минимаксного пересечения Беллмана-Заде.

Гениальность подхода Циммерманна состоит в том, что задача максимизации недифференцируемой минимаксной функции изящно сводится к классической, строго детерминированной задаче линейного программирования путем введения дополнительной непрерывной переменной, максимизация которой и становится новой целевой функцией. Переменная выступает в роли глобального индикатора качества решения — она показывает минимальную степень удовлетворения всех ограничений и целей. Полученная задача тривиально решается стандартным симплекс-методом, мгновенно предоставляя оптимальный баланс между стремлением к выгоде и нарушениями технологических допусков.

Более сложным классом задач является программирование с нечеткими коэффициентами в самой матрице ограничений. Для решения таких систем применяется математический аппарат альфа-уровней. Нечеткая задача разбивается на серию детерминированных интервальных задач оптимизации для различных уровней уверенности. Применение методов интервальной арифметики позволяет получить нечеткое оптимальное решение, которое дает руководителю исчерпывающую информацию о возможных рисках и колебаниях итоговой прибыли. Нечеткая оптимизация переводит экспертный опыт управленцев на язык линейной алгебры, генерируя робастные, защищенные от ошибок планы развития.

Список литературы:
1. Bellman R.E., Zadeh L.A. Decision-Making in a Fuzzy Environment. — Management Science, 1970.
2. Zimmermann H.-J. Fuzzy Set Theory and Its Applications. — Springer, 2001.
3. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. — М.: Наука, 1981.