基于目标规划求解多目标模糊随机规划问题的新方法

《Fuzzy Information and Engineering》:A Novel Approach for Solving Multi-Objective Fuzzy-Stochastic Programming Problem by using Goal Programming

【字体: 大 中 小 】 时间:2026年07月09日 来源:Fuzzy Information and Engineering 1.0

编辑推荐:

  多目标优化问题在实际系统中频繁出现,决策者面临的目标往往是冲突、不精确或不确定的。目标规划(GP)通过定义期望水平并最小化多个目标之间的偏差,为解决此类冲突提供了系统框架。然而,传统模型通常假设所有期望水平和参数都是精确已知的,这一假设在复杂决策环境中很少成立

  
多目标优化问题在实际系统中频繁出现,决策者面临的目标往往是冲突、不精确或不确定的。目标规划(GP)通过定义期望水平并最小化多个目标之间的偏差,为解决此类冲突提供了系统框架。然而,传统模型通常假设所有期望水平和参数都是精确已知的,这一假设在复杂决策环境中很少成立。在各种求解方法中,基于GP的方法因其在处理实际约束下多目标决策问题中的灵活性而被广泛应用。本研究引入了一种新方法,将模糊随机多目标规划问题转化为等价的GP模型。该模型采用模糊随机变量(FRV)来表示系统参数中的语言模糊性和概率不确定性。随机性方面通过目标函数中的期望变换来处理,同时应用机会约束规划(CCP)来保持约束的可行性。研究人员使用三角隶属函数(TMF)来表示模型中的模糊和不确定系统信息,在转化为单目标框架后,应用Zimmermann线性隶属函数来评估目标满意度。此外,还采用基于梯度的冲突与非冲突分析来评估目标之间的相互作用,这有助于建立结构化的期望水平和优先级分配。为验证所提方法,研究人员考虑了一个现有的数值问题,并将其结果与已建立方法的结果进行了比较。
**论文解读:基于目标规划求解多目标模糊随机规划问题的新方法**

**研究背景与问题**

在实际决策系统中,多目标优化问题普遍存在,决策者常常面临相互冲突、不精确或不确定的目标。传统单目标优化方法难以描述此类问题的本质。目标规划(GP)通过为每个目标设定期望水平并最小化偏差,提供了一种解决冲突的系统性框架。然而,传统GP模型通常假设所有参数(如期望水平、目标系数和优先级)都是精确已知的,这在复杂环境中很难满足。实际数据常因语言模糊性、专家判断或环境随机性而存在不确定性。为应对这些挑战,研究人员发展了模糊目标规划(FGP)和随机目标规划(SGP)。FGP利用模糊集理论处理模型参数中的模糊性,而SGP通过机会约束或期望模型处理随机性。在许多现实决策问题中,模糊性和概率变异性同时存在,例如库存管理中需求可能服从概率分布,而客户满意度目标可能以模糊语言表述。因此,需要一种能够同时处理这两种不确定性的统一方法。本研究正是为了解决这一问题,提出了一种新的模糊随机目标规划(FSGP)模型,将模糊随机变量(FRV)同时引入目标函数和约束条件,以更真实地反映决策环境中的双重不确定性。

**研究内容与结论**

研究人员提出了一种结构化方法,将多目标模糊随机规划问题转化为等价的加权目标规划模型。该方法首先通过期望模型处理目标函数中的随机性,将模糊随机系数转化为三角模糊数;然后利用机会约束规划(CCP)将概率约束转化为确定性等价形式。接着,通过构建支付矩阵并基于Zimmermann线性隶属函数评估每个目标的满意度。为了确定目标之间的冲突程度,研究人员采用基于梯度向量的成对冲突分析,计算目标函数梯度向量之间的角度,并据此构建非冲突矩阵。该矩阵用于导出每个目标的优先级权重和适当的期望水平。最后,将问题转化为一个加权目标规划模型,通过最小化加权负偏差来求解。为验证所提方法,研究人员采用了一个已有的数值算例,并与Biswas等人和Pal等人的方法进行了比较。结果表明,所提方法在不同β(可行性水平)下获得的目标期望值均优于现有方法,因为该方法通过冲突分析客观确定了期望水平,避免了主观假设。

**关键技术与方法**

研究人员主要采用了以下关键技术方法:(1)模糊随机变量(FRV)建模,将目标函数和约束中的参数表示为服从正态分布N(0,1)的FRV,其均值和方差为三角模糊数(TMF);(2)期望模型,对目标函数中的FRV取期望值,得到确定性等价目标;(3)机会约束规划(CCP),将概率约束转化为包含期望和方差的确定性不等式;(4)Zimmermann线性隶属函数,用于评估每个目标相对于其最大最小期望值的满意度;(5)基于梯度向量的冲突与非冲突分析,通过计算目标函数梯度间的夹角余弦来确定冲突程度,并构建非冲突矩阵;(6)加权目标规划(GP),根据非冲突矩阵导出的权重,最小化各目标期望值与期望水平之间的负偏差。

**研究结果**

**Section 4: Numerical Illustration(数值算例)**
研究人员采用了Biswas等人提出的数值问题,包含两个目标函数和两个机会约束,参数均为服从N(0,1)的FRV,其均值和方差以三角模糊数形式给出。通过所提算法逐步求解:首先建立目标函数的期望模型,得到以三角模糊数表示的线性目标;然后利用CCP将机会约束转化为确定性等价形式;接着求解不同α-cut下的单目标优化问题,得到支付矩阵,并计算每个目标的期望值(EV)。通过计算,得到z1的期望最大值为7.0633,最小值为5.9893;z2的期望最大值为8.8077,最小值为6.9530。随后构建Zimmermann线性隶属函数。接着进行冲突分析:计算目标函数梯度间的夹角θ?12约为(21.56°, 16.26°, 8.10°),得到非冲突系数η?z1z2的期望值为0.905。由此构建非冲突矩阵,并计算每个目标的权重:w1=0.9525,w2=0.9525。基于隶属函数反函数,得到期望水平:EV(b?1)=7.0122,EV(b?2)=8.7196。最后,引入β可行性水平,将问题转化为加权目标规划模型,并求解不同β值下的优化结果。

**Section 5: Results and Discussion(结果与讨论)**
研究人员将不同β值下所提方法得到的目标期望值与Biswas等人和Pal等人的现有方法结果进行比较。比较结果显示,所提方法在所有β值下均获得更高的目标期望值(例如,当β=0.9时,z1的期望值为7.0633,z2为7.6170,均优于对比方法)。这是因为该方法通过冲突分析客观确定了每个目标的期望水平,考虑了目标之间的妥协程度,从而得到更优的折中解。

**结论总结**

研究人员开发了一种求解模糊随机目标规划问题的新方法,该问题涉及目标函数和机会约束中的FRV参数。研究人员采用了目标函数的期望模型,并应用了机会约束方法。为同时实现多个目标,研究人员获得了目标之间的冲突与非冲突程度。该方法包含一个求解过程,可获得决策向量,使决策者能够在模糊随机系数和不同风险因子下逼近目标。该方法有效计算了每个目标的权重及其关联的期望水平。最终,所需的模糊随机机会约束规划问题转化为等价的加权目标规划问题,可通过任何已建立的方法轻松求解。该方法为寻求解决方案提供了逐步过程,使决策者在考虑不同不确定性水平时能够明确定义目标。该方法确定了最重要的目标及其重要程度,以及追求的具体实现程度。这表明即使在模糊条件下,且某些目标比其他目标更重要时,该方法也能有效辅助决策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号