книги / Управление проектами и системами в условиях цифровой экономики
..pdf
|
|
|
Окончание табл. 30 |
|||
|
|
|
|
|
|
|
|
Критерии (индикаторы) |
|
|
|
|
wj |
3.2. Число потерянных пользователей за рассматриваемый период |
|
|
|
|
0,06 |
|
4.1. Число переходов на страницы маркет-плейсов |
|
|
|
|
0,06 |
|
4.2. Число позитивных комментариев за рассматриваемый период |
|
|
|
|
0,05 |
|
4.3. Число негативных комментариев за рассматриваемый период |
|
|
|
|
0,06 |
|
5.1. Числоисправленийархитектуры, приводящихкповышениюпроизводительностииустойчивости |
|
0,05 |
||||
6.1. Время, в течение которого средний пользователь проводит в приложении |
|
|
|
0,06 |
||
6.2. Разница в скорости появления новых пользователей после смены дизайна |
|
|
|
0,06 |
||
7.1. Число обновлений приложения |
|
|
|
|
0,04 |
|
8.1. Число тестов, проведенное с приложением после последнего обновления |
|
|
|
0,06 |
||
8.2. Число выявленных дефектов с момента последнего обновления |
|
|
|
|
0,06 |
|
Сумма |
|
|
|
|
1,00 |
|
|
На четвертом шаге вычисляем нормализованную взвешенную |
матрицу (значения |
||||
til |
= rij × wj ) (табл. 31). |
|
|
|
|
|
|
|
|
|
Таблица 31 |
||
|
Нормализованная взвешенная матрица |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Альтернативы (сценарии) |
||||
|
|
1. Локализация приложения на другие языки |
2. Публикация приложения на Huawei Market |
3. Шаринг в соцсетях (Вконтакте; Instagram; Facebook; Twitter). |
4. Разработка предложений лояльности |
|
|
|
|
|
|
|
|
|
1.1. Прирост объема прибыли по сравнению с предыдущим этапом |
0,04 |
0,03 |
0,02 |
|
0,03 |
|
2.1. Количество покупок аккаунта для доступа к сервису |
0,03 |
0,02 |
0,03 |
|
0,03 |
|
2.2. Количество маркет-плейсов, на которых доступно приложение |
0,03 |
0,02 |
0,03 |
|
0,03 |
|
2.3. Количество стран, в которых доступно приложение |
0,03 |
0,02 |
0,04 |
|
0,04 |
|
2.4. Количество удалений приложения |
0,03 |
0,03 |
0,03 |
|
0,04 |
|
2.5. Коэффициент удержания пользователей (число пользователей, |
0,03 |
0,04 |
0,03 |
|
0,02 |
) |
пользующихся приложением 5 и более недель) |
|
|
|
|
|
3.1. Количество активных пользователей (пользователи, которые еже- |
0,04 |
0,03 |
0,03 |
|
0,03 |
|
индикаторы( |
дневно заходят в приложение) |
|
|
|
|
|
|
|
|
|
|
|
|
|
3.2. Число потерянных пользователей за рассматриваемый период |
0,06 |
0,02 |
0,01 |
|
0,01 |
|
4.1. Число переходов на страницы маркет-плейсов |
0,04 |
0,03 |
0,02 |
|
0,04 |
|
4.2. Число позитивных комментариев за рассматриваемый период |
0,03 |
0,02 |
0,02 |
|
0,03 |
Критерии |
4.3. Число негативных комментариев за рассматриваемый период |
0,03 |
0,03 |
0,03 |
|
0,02 |
6.1. Время, в течение которого средний пользователь проводит в при- |
0,04 |
0,04 |
0,02 |
|
0,02 |
|
|
5.1. Число исправлений архитектуры, приводящих к повышению про- |
0,01 |
0,02 |
0,04 |
|
0,02 |
|
изводительности и устойчивости |
|
|
|
|
|
|
ложении |
|
|
|
|
|
|
6.2. Разница в скорости появления новых пользователей после смены |
0,03 |
0,03 |
0,03 |
|
0,04 |
|
дизайна |
|
|
|
|
|
|
7.1. Число обновлений приложения |
0,02 |
0,02 |
0,02 |
|
0,02 |
|
8.1. Число тестов, проведенное с приложением после последнего об- |
0,04 |
0,03 |
0,03 |
|
0,03 |
|
новления |
|
|
|
|
|
|
8.2. Число выявленных дефектов с момента последнего обновления |
0,04 |
0,03 |
0,03 |
|
0,03 |
|
|
|
|
|
|
81 |
На шаге 5 определяем множество индексов согласия и расхождения согласно нумерации альтернатив в табл. 28. Индексы 1 и 2 означают работу с альтернативами «Локализация приложения на другие языки» и «Публикация приложения на Huawei Market» и т.д.
На шаге 6 вычисляем матрицы согласия и расхождения (см. табл. 32 и 33).
Таблица 32
Множество индексов согласия и расчет элементов матрицы согласия
|
12 |
23 |
34 |
13 |
24 |
14 |
21 |
32 |
43 |
31 |
42 |
41 |
|
|
|
||||||||||||
|
с |
с |
с |
с |
с |
с |
с |
с |
с |
с |
с |
с |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
0,06 |
0,00 |
0,00 |
0,06 |
0,00 |
0,06 |
0,00 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,06 |
0,00 |
0,00 |
0,06 |
0,00 |
0,06 |
0,00 |
0,06 |
0,06 |
0,00 |
0,06 |
0,06 |
|
|
0,06 |
0,00 |
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
|
согласия |
0,07 |
0,00 |
0,07 |
0,00 |
0,00 |
0,00 |
0,00 |
0,07 |
0,07 |
0,07 |
0,07 |
0,07 |
|
|
0,00 |
0,06 |
0,00 |
0,00 |
0,00 |
0,00 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
|
|
0,00 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
индексов |
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
0,06 |
0,00 |
0,00 |
0,06 |
0,00 |
0,06 |
0,06 |
|
|
0,05 |
0,05 |
0,00 |
0,05 |
0,00 |
0,05 |
0,00 |
0,00 |
0,05 |
0,00 |
0,05 |
0,00 |
|
|
0,00 |
0,06 |
0,06 |
0,00 |
0,06 |
0,06 |
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
0,00 |
|
Множество |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
|
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
|
0,06 |
0,00 |
0,06 |
0,06 |
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
0,00 |
0,06 |
0,00 |
|
|
0,06 |
0,00 |
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
0,06 |
0,06 |
0,00 |
0,06 |
0,00 |
|
|
0,00 |
0,04 |
0,04 |
0,00 |
0,04 |
0,00 |
0,04 |
0,00 |
0,04 |
0,04 |
0,00 |
0,04 |
|
|
0,00 |
0,06 |
0,00 |
0,06 |
0,00 |
0,00 |
0,06 |
0,00 |
0,06 |
0,00 |
0,06 |
0,06 |
|
|
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
|
0,00 |
0,00 |
0,05 |
0,00 |
0,05 |
0,00 |
0,05 |
0,05 |
0,00 |
0,05 |
0,00 |
0,05 |
|
Элементы матрицы согласия сkl= |
0,67 |
0,64 |
0,65 |
0,72 |
0,45 |
0,72 |
0,40 |
0,49 |
0,06 |
0,06 |
0,06 |
0,06 |
|
Таблица 33 Множество индексов расхождения и расчет элементов матрицы расхождения
Множество индексов расхождения
12 |
23 |
34 |
13 |
24 |
14 |
|
21 |
32 |
43 |
|
31 |
|
42 |
|
41 |
|
|
|
|
|
|
||||||||||||
d |
d |
d |
d |
d |
d |
|
d |
d |
d |
|
d |
|
d |
|
d |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,00 |
0,00 |
-0,01 |
0,00 |
0,00 |
0,00 |
|
-0,01 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
0,00 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,00 |
-0,01 |
-0,01 |
0,00 |
-0,01 |
0,00 |
|
-0,01 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
0,00 |
|
0,00 |
-0,02 |
0,00 |
0,00 |
-0,02 |
0,00 |
|
-0,02 |
0,00 |
0,00 |
|
0,00 |
|
0,00 |
|
0,00 |
|
0,00 |
-0,02 |
0,00 |
-0,01 |
-0,02 |
-0,01 |
|
-0,01 |
0,00 |
0,00 |
|
0,00 |
|
0,00 |
|
0,00 |
|
0,00 |
0,00 |
-0,01 |
0,00 |
-0,01 |
-0,01 |
|
0,00 |
0,00 |
0,00 |
|
0,00 |
|
0,00 |
|
0,00 |
|
-0,01 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
0,00 |
-0,01 |
0,00 |
|
-0,01 |
|
-0,02 |
|
-0,01 |
|
0,00 |
0,00 |
-0,01 |
0,00 |
-0,01 |
0,00 |
|
-0,01 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
0,00 |
|
0,00 |
0,00 |
-0,01 |
0,00 |
0,00 |
0,00 |
|
0,00 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
0,00 |
|
-0,01 |
0,00 |
0,00 |
-0,01 |
0,00 |
0,00 |
|
0,00 |
0,00 |
-0,01 |
|
0,00 |
|
-0,01 |
|
0,00 |
|
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
-0,01 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
-0,01 |
|
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
-0,04 |
-0,01 |
0,00 |
|
-0,05 |
|
-0,01 |
|
-0,05 |
|
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
-0,01 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
-0,01 |
|
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
-0,01 |
0,00 |
0,00 |
|
-0,01 |
|
0,00 |
|
-0,01 |
|
82
Окончание табл. 33
|
12 |
23 |
34 |
13 |
24 |
14 |
21 |
32 |
43 |
31 |
42 |
41 |
|
|
|
||||||||||||
|
d |
d |
d |
d |
d |
d |
d |
d |
d |
d |
d |
d |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
-0,01 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
|
0,00 |
0,00 |
-0,01 |
0,00 |
0,00 |
-0,01 |
0,00 |
-0,01 |
0,00 |
0,00 |
0,00 |
0,00 |
|
|
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
-0,01 |
0,00 |
-0,01 |
-0,02 |
-0,02 |
|
|
-0,01 |
-0,02 |
0,00 |
-0,03 |
0,00 |
0,00 |
0,00 |
0,00 |
-0,03 |
0,00 |
0,00 |
0,00 |
|
Элементы мат- |
|
|
|
|
|
|
|
|
|
|
|
|
|
рицы расхож- |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
0,00 |
|
дения dkl= |
|
|
|
|
|
|
|
|
|
|
|
|
|
На шаге 7 вычисляем матрицы доминирующего согласия и расхождения (табл. 34 и 35). Таблица 34
Матрица согласия
|
1 |
2 |
3 |
4 |
1 |
- |
1 |
1 |
1 |
2 |
0 |
- |
1 |
1 |
3 |
0 |
1 |
- |
1 |
4 |
0 |
0 |
0 |
- |
Таблица 35
Матрица расхождения
|
1 |
2 |
3 |
4 |
|
|
|
|
|
1 |
- |
1 |
1 |
1 |
2 |
1 |
- |
1 |
1 |
|
|
|
|
|
3 |
1 |
1 |
- |
1 |
|
|
|
|
|
4 |
1 |
1 |
1 |
- |
На восьмом шаге вычисляем матрицу полного доминирования, которая является результатом умножения элементов предыдущих матриц (согласия и расхождения) (табл. 36).
Таблица 36
Матрица полного доминирования
|
1 |
2 |
3 |
4 |
|
|
|
|
|
1 |
- |
1 |
1 |
1 |
2 |
0 |
- |
1 |
1 |
|
|
|
|
|
3 |
0 |
1 |
- |
1 |
|
|
|
|
|
4 |
0 |
0 |
0 |
- |
|
|
|
|
|
На последнем, девятом, шаге осуществляем отказ от менее благоприятной альтернативы. Матрица полного доминирования дает предпочтительный порядок каждого варианта, т.е.
если ekl =1, то альтернатива ak лучше, чем al . Таким образом, строки матрицы, в которых ekl =1, могут быть исключены.
83
В нашем случае мы исключаем первую альтернативу (она выделена красным цветом), так как она является наилучшей из всех альтернатив.
Для упрощения расчетной процедуры методом ELECTRE можно использовать программу
J–ELECTRE – https://sourceforge.net/projects/j-electre/.
2.2.3. Метод VIKOR
Метод VIKOR это один из методов многокритериальной оптимизации, разработанный Серафимом Оприковичем в 1979 г. Название метод получил в 1990 г. от сербского –
VIseKriterijumska Optimizacija I Kompromisno Resenje, что означает – многокритериальная оп-
тимизация и компромиссное решение.
Задача многокритериальной оптимизации может быть поставлена следующим образом. Определить наилучшее (компромиссное) решение в многокритериальном смысле из набора j возможных альтернатив a1 , a2 , ..., aj , оцениваемых по набору n критериальных функций.
Входными данными для метода будут элементы fij – значения i-й критериальной функции для альтернативы a j .
Метод состоит из 5 шагов.
|
|
Шаг 1. |
|
Определяем |
наилучшее |
fi + |
и наихудшее fi − |
решения для |
всех i = 1…n : |
||||||||||
fi + = max ( fij , |
j = 1,…, J ), |
fi − = min ( fij , |
j = 1,…, J ), если рассматриваем задачу на максимиза- |
||||||||||||||||
цию и fi + |
= min ( fij , |
j = 1,…, J ), fi − = max ( fij , j = 1,…, J ), если рассматриваем задачу на мини- |
|||||||||||||||||
мизацию. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
Шаг 2. Вычисляем значения S j и Rj , j |
по формулам |
|
|
||||||||||||||
|
|
|
|
n |
|
( fi + − fij ) |
|
|
|
|
|
||||||||
|
|
S j = wi |
|
|
|
|
|
|
|
|
(взвешенное |
и |
нормализованное |
Манхэттенское |
расстояние); |
||||
|
|
( fi |
+ |
− fi |
− |
) |
|
||||||||||||
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|||||||
R |
|
= max w |
|
( fi + − fij |
) |
|
(взвешенное и нормализованное расстояние Чербышева), где w – веса |
||||||||||||
|
|
|
+ − fi − ) |
||||||||||||||||
|
j |
1<i<n |
i ( fi |
|
|
|
|
|
|
|
i |
критериев, отражающие их важность, по мнению ЛПР.
Шаг 3. Вычисляем значение Qj , |
j по формуле Qj = v |
(S j − S+ ) |
+ (1− v) |
(Rj − R+ ) |
, где |
|||
(S− − S+ ) |
(R− − R+ ) |
|||||||
|
|
|
|
|
|
|||
S+ = min S j , |
S− = max S j , |
R+ = min Rj , |
R− = max Rj ; v – вводится как вес максимальной груп- |
|||||
1< j< J |
1< j< J |
1< j< J |
1< j< J |
|
|
|
|
повой полезности, а (1− v) как вес индивидуальной не полезности. Для компромиссной страте-
гии начальное значение v = 0,5, а дальнейшее изменение подчиняется формуле v = v (n2+n1) для
каждого критерия от 1 до n, сопоставленного значениям S и R.
Шаг 4. Сортируем альтернативы по значимости от меньшего значения к большему. В результате получаем три списка ранжирования.
Шаг 5. Предлагаем в качестве компромиссного решения альтернативу A1, которая имеет наилучшее значение по показателю Q (минимальное значение) и удовлетворяет следующим условиям:
84
1) условие приемлемого преимущества Q( A1 ) − Q( A2 ) > Q, где A2 – альтернатива, зани-
мающая следующее место в рейтинге Q, |
Q = |
1 |
|
; |
|
J −1 |
|||||
|
|
|
2)условие стабильности принятого решения – альтернатива A1 должна быть также лучшей
врейтинге по S и/или R. Такое решение будет стабильным как при стратегии максимальной по-
лезности групп ( v > 0,5 ), так и стратегии консенсуса ( v ≈ 0,5 ) и стратегии с вето ( v < 0,5 ).
Если одно из условий не выполняется, то предлагается множество компромиссных решений, в которое включаются альтернативы A1 и A2, если не выполняется только условие 2, или альтернативы A1, A2, …., Am, если не выполняется условие 1, где значение m определяется из
соотношения Q( Am ) − Q < Q для максимального значения m.
Метод прост, он может работать с нечеткими числами и тем самым применяться в условиях оценки и измерения значений с погрешностями.
Рассмотрим пример использования метода. Изначально для выполнения лабораторной работы нами была составлена матрица оценок альтернатив. Начальное ранжирование альтернатив выполнили как было предложено ранее в диапазоне от –8 до +8. Однако алгоритм корректно работает только с положительными оценками, поэтому приведённую таблицу получим после того, как к каждому значению прибавим 8 (см. табл. 28).
На первом шаге определяем наилучшее fi + и наихудшее fi − решения для всех i = 1…n
(см. табл. 28).
На втором шаге вычисляем значения Sj и Rj. Для этого необходимо нормализовать матрицу и определить веса критериев. Wj исходный вес, присвоенный j-му критерию; wi – значения
n
весов, удовлетворяющих следующему равенству wi = 1 (табл. 37). После того как найдены
i=1
нормализованные веса критериев, можно определить значения Sj и Rj.
|
|
|
|
|
|
Таблица 37 |
||
|
|
Расчет весов критерий |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Альтернативы |
|
|
|||
|
|
|
|
(сценарии) |
|
|
|
|
|
|
|
приложенияЛокализация1. на языкидругие |
приложенияПубликация2. на MarketHuawei |
соцсетяхвШаринг3. (Вконтакте; Facebook;Instagram;Twitter). |
предложенийРазработка4. лояльности |
W |
w |
|
|
|
|
|
|
|
j |
j |
|
|
|
|
|
|
|
|
|
|
) |
1.1. Приростобъемаприбылипо сравнениюспредыдущимэтапом |
0,41 |
0,52 |
0,60 |
0,45 |
0,49 |
0,06 |
|
2.1. Количество покупок аккаунта для доступа к сервису |
0,43 |
0,62 |
0,50 |
0,43 |
0,49 |
0,06 |
|
|
2.5. Коэффициент удержания пользователей (число пользовате- |
0,45 |
0,36 |
0,53 |
0,62 |
0,48 |
0,06 |
|
|
Критерии риндикато(ы |
|||||||
|
|
2.2. Количество маркет-плейсов, накоторыхдоступноприложение |
0,38 |
0,76 |
0,38 |
0,38 |
0,45 |
0,06 |
|
|
2.3. Количество стран, в которых доступно приложение |
0,49 |
0,71 |
0,36 |
0,36 |
0,46 |
0,06 |
|
|
2.4. Количество удалений приложения |
0,57 |
0,50 |
0,50 |
0,43 |
0,49 |
0,06 |
|
|
лей, пользующихся приложением 5 и более недель) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
85 |
|
|
|
|
Окончание табл. 37 |
|||
|
|
|
|
|
|
|
|
|
|
Альтернативы |
|
|
|||
|
|
|
(сценарии) |
|
|
|
|
|
|
приложенияЛокализация1. на языкидругие |
приложенияПубликация2. на MarketHuawei |
соцсетяхвШаринг3. (Вконтакте; Facebook;Instagram;Twitter). |
предложенийРазработка4. лояльности |
W |
w |
|
|
|
|
|
|
j |
j |
|
|
|
|
|
|
|
|
|
3.1. Количество активных пользователей (пользователи, кото- |
0,41 |
0,49 |
0,53 |
0.56 |
0.49 |
0.06 |
|
рые ежедневно заходят в приложение) |
|
|
|
|
|
|
|
3.2. Число потерянныхпользователейзарассматриваемыйпериод |
0,09 |
0,27 |
0,63 |
0,72 |
0,32 |
0,04 |
|
4.1. Число переходов на страницы маркет-плейсов |
0,39 |
0,54 |
0,64 |
0,39 |
0,48 |
0,06 |
|
4.2. Число позитивныхкомментариевзарассматриваемыйпериод |
0,43 |
0,51 |
0,58 |
0,47 |
0,49 |
0,06 |
|
4.3. Число негативныхкомментариевзарассматриваемыйпериод |
0,52 |
0,43 |
0,43 |
0,60 |
0,49 |
0,06 |
|
5.1. Число исправлений архитектуры, приводящих к повыше- |
0,67 |
0,44 |
0,22 |
0,56 |
0,44 |
0,05 |
|
нию производительности и устойчивости |
|
|
|
|
|
|
|
6.1. Время, в течение которого средний пользователь проводит в |
0,37 |
0,37 |
0,5 |
0,65 |
0,47 |
0,06 |
|
приложении |
|
|
|
|
|
|
|
6.2. Разница в скорости появления новых пользователей после |
0,51 |
0,47 |
0,58 |
0.43 |
0.49 |
0.06 |
|
смены дизайна |
|
|
|
|
|
|
|
7.1. Число обновлений приложения |
0,59 |
0,43 |
0,48 |
0,48 |
0,49 |
0,06 |
|
8.1. Число тестов, проведенное с приложением после последнего |
0,41 |
0,55 |
0,48 |
0,55 |
0,49 |
0,06 |
|
обновления |
|
|
|
|
|
|
|
8.2. Числовыявленныхдефектовсмоментапоследнегообновления |
0,43 |
0,57 |
0,50 |
0,50 |
0,49 |
0,06 |
|
|
|
|
Сумма |
8,02 |
1,00 |
|
|
Sj |
0,67 |
0,53 |
0,37 |
0,67 |
|
|
|
Rj |
0,06 |
0,06 |
0,06 |
0,06 |
|
|
На третьем шаге вычисляем значение Qi и получаем табл. 38. При вычислениях вводится как вес максимальной групповой полезности v, так и (1–v) – вес индивидуальной неполезности. В нашем случае мы берем v = 0,5, как для компромиссной стратегии.
Таблица 38
Расчет значения Q и определение рейтинга альтернатив
|
|
Альтернативы (сценарии) |
|
|
|
|
|
|
|
|
|
|
|
3. Шаринг |
|
|
|
|
|
|
|
|
1. Локализа- |
2. Публика- |
в соцсетях |
|
4. Разработ- |
|
|
|
|
|
|
ция приложе- |
ция приложе- |
(Вконтакте; |
|
ка предло- |
+ |
|
+ |
– |
– |
|
ния на другие |
ния на Huawei |
Instagram; |
|
жений ло- |
S |
; R |
|
S |
; R |
|
языки |
Market |
Facebook; |
|
яльности |
|
|
|
|
|
|
|
|
Twitter) |
|
0,67 |
|
|
|
|
|
Sj |
0,67 |
0,53 |
0,37 |
|
0,37 |
0,67 |
||||
Rj |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
0,06 |
||||
Qj |
1,00 |
0,76 |
0,00 |
0,98 |
|
|
|
|
|
|
Рейтинг альтернативы |
4 |
2 |
1 |
3 |
|
|
|
|
|
|
86 |
|
|
|
|
|
|
|
|
|
|
На шаге 4 сортируем альтернативы по значимости – от меньшего значения к большему, а на пятом шаге выбираем в качестве компромиссного решения альтернативу «Шаринг в соцсетях (ВКонтакте; Instagram; Facebook; Twitter)», которая имеет наилучшее значение по показателю Q (минимальное значение) и удовлетворяет условиям приемлемого преимущества и стабильности принятого решения.
2.2.4. Метод PROMETHEE
Метод получил название от сокращения Preference Ranking Organization METHod for Enrichment of Evaluations. Метод был разработан в начале 80-х и развивался в последующие годы.
Основные элементы метода Promethee были сформулированы Жан-Пьером Брэнсом в 1982 г. в Брюссельском университете. Далее он был доработан и внедрен профессором ЖанПьером Брэнсом и профессором Бертраном Марешалем. Ими было получено расширение метода, получившее название GAIA.
Дескриптивный подход, названный GAIA, позволяет лицу, принимающему решение, визуализировать основные черты проблемы принятия решения: он способен идентифицировать конфликты или синергию между критериями, определять кластеры действий и выделять выдающиеся результаты.
Метод получил широкое распространение и помимо поиска решения, подходящего наилучшим образом, позволяет находить его альтернативу, которая наилучшим образом соответствует цели и пониманию проблемы. Метод основан на структурировании проблемы и её количественной оценке. Подход, названный Promethee, предоставляет лицу, принимающему решение, как полное, так и частичное ранжирование действий.
Метод широко используется, когда необходимы:
1)выбор одной альтернативы из заданного набора альтернатив;
2)расстановка приоритетов – определение достоинств альтернатив, в отличие от выбора одной или просто их ранжирования;
3)распределение ресурсов среди набора альтернатив;
4)ранжирование набора альтернатив в порядке от большинства до наименее предпочтительного;
5)разрешение споров между сторонами с явно несовместимыми целями.
Пусть дано A = {a1,…, an} – множество действий (альтернатив), F = { f1 ,…, fq } – множе-
ство критериев. Предположим, что критерии необходимо максимизировать, тогда работу алгоритма можно описать следующими шагами.
Шаг 1. Построим таблицу, как приведено в табл. 39.
|
|
|
|
|
|
Таблица 39 |
|
Матрица значений критериев для множества альтернатив |
|
||||
|
|
|
|
|
|
|
|
f1 |
f2 |
… |
fj |
… |
fq |
а1 |
f1(а1) |
f2(а1) |
… |
fj(а1) |
… |
fq(а1) |
а2 |
f1(а2) |
f2(а2) |
… |
fj(а2) |
… |
fq(а2) |
… |
… |
… |
… |
… |
… |
… |
аi |
f1(аi) |
f2(аi) |
… |
fj(аi) |
… |
fq(аi) |
… |
… |
… |
… |
… |
… |
… |
аn |
f1(аn) |
f2(аn) |
… |
fj(аn) |
… |
fq(аn) |
Шаг 2. Посчитаемразницумежду значениямикритериевдлярассматриваемыхальтернатив: dk (ai , aj ) = fk (ai ) − fk (a j ),
87
где dk (ai , a j ) – разница между значениями двух альтернатив по критерию fk. Разница для раз-
ных критериев может быть в разных единицах измерения и шкалах, что может создавать сложности для лиц, принимающих решение.
Шаг 3. Определение функции предпочтений. Функция предпочтения вводится согласно следующе формуле:
πk (ai , aj ) = Pk dk (ai , aj ) ,
где Pk : → [0,1] – положительная функция, для которой Pj (0) = 0 . Для вычисления значения
этой функции используется не менее шести подходов, среди которых один из самых распространённых
|
|
0, если x ≤ qk , |
||
|
x |
− q |
|
|
|
|
|||
Pk (x) = |
|
k |
, если qk ≤ x ≤ pq , |
|
p |
− q |
|||
|
|
|||
k |
k |
|
||
|
|
1, если x ≥ pk , |
||
|
|
где qj и pj – пороги значений, показывающие, после каких значений наступает безразличие
(значение принимает значение нуля) и критерий становится значимым (значение принимает значение единицы).
Введенная на шаге 3 алгоритма функция предпочтений может вычисляться и с использованием других формул, которые получили специальные названия (рис. 25):
|
0 если d j ≤ 0, |
|
|
|
|
||||||||||||||||||||||||||||||||||
1) обычная – Pj (d j ) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
1 если d j > 0. |
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
0 если | d |
j |
|≤ q |
, |
|
|
||||||||||||||||||||||||||||||||
2) U-форма – |
Pj (d j ) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
j |
|
|
|
|
||||||
|
1 если |
|
d j |
|
|
|
|
> qj . |
|||||||||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
d j |
|
если | d j |≤ pj , |
|||||||||||||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||||||||||||||
3) V-форма – |
Pj (d j ) = |
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
pj |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
1 если |
|
d j |
|
|
|
|
|
|
> pj . |
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
0 если |
|
d j |
|
≤ qj , |
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
если qj |
< |
|
|
d j |
|
≤ pj , |
|||||||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
4) с уровнями Pj (d j ) = |
2 |
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
1 если |
|
d j |
|
> pj . |
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
0 если |
|
d j |
|
≤ qj , |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
d j |
|
− qj |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
5) линейная Pj (d j ) = |
|
|
|
|
|
|
|
|
|
|
если qj < |
d j |
≤ pj , |
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
|
pj |
|
− qj |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
1 если |
|
|
d j |
|
> pj . |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−d2j
6)Гауссова Pj (d j ) = 1− e 2s2j .
88
|
|
а |
|
б |
|
|
|
в |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
г |
д |
е |
Рис. 25. Внешний вид функций предпочтения: а – обычная; б – U-форма; в – V-форма; г – с уровнями; д – линейная; е – Гауссова
Шаг 4. Вычисление многокритериальной степени предпочтения. Для сравнения пары альтернатив a и b с учетом всех критериев вычислим значение
q
π (a,b) = Pk (a,b) wk ,
k=1
q
где wk – вес критерия fk . Предположим, что wk > 0 и wk = 1. Тогда из этого следует, что
k =1
π(ai , a j ) ≥ 0,
π(ai , a j )+ π (a j , ai ) ≤ 1.
Шаг 5. Определение потока предпочтений по множеству критериев. Для оценки каждой из альтернатив по отношению ко всем остальным вычислим
ϕ+ (a) |
= |
1 |
|
|
π (a, x), |
|
|
||||
|
|
n −1 x A |
|||
ϕ− (a) |
= |
1 |
|
|
π (x, a). |
|
|
|
|||
|
|
n −1 x A |
|||
Поток положительных предпочтений |
ϕ+ (a ) численно показывает, насколько альтернати- |
||||
|
|
|
i |
||
ва ai предпочтительнее всех остальных, |
в то время как поток отрицательных предпочтений |
||||
ϕ− (a ) показывает, насколько альтернатива |
a |
менее предпочтительна по сравнению с осталь- |
|||
i |
|
i |
|
|
|
ными. Идеальное решение (альтернатива) |
будет иметь, когда ϕ+ = 1 и ϕ− = 0. Эти два потока |
полностью ранжируют альтернативы. Один путем снижения значений оценок, а другой увеличением значений оценок (рис. 26).
Алгоритм PROMETHEE I основан на использовании обеих этих оценок при сравнении альтернатив. Согласно этому подходу, альтернатива ai лучше альтернативы aj , если
89
ϕ+ (ai ) ≥ ϕ+ (aj ) и ϕ− (ai ) ≤ ϕ− (aj ).
Потоки положительных и отрицательных предпочтений могут быть объединены в поток чистых предпочтений:
ϕ(a) = ϕ+ (a) − ϕ− (a),
для которого выполняются условия ϕ(ai ) [−1,1] и ϕ (ai ) = 0.
ai A
a j |
a j |
a i |
a i |
а |
б |
Рис. 26. Потоки предпочтений: а – ϕ+ (a) ; б – ϕ− (a)
Алгоритм, использующий для ранжирования альтернатив значения чистого потока от большего к меньшему, получил название PROMETHEE II.
Для вычисления единого значения потока могут использоваться и другие подходы. Например, приведенный ниже:
|
|
|
|
|
|
|
|
|
|
|
q |
|
|
|
|
|
|
|
|
|
ϕ(ai ) = ϕk (ai ) wk , |
||
|
|
|
|
|
|
|
|
|
|
|
k =1 |
где ϕk |
(ai ) = |
1 |
|
Pk (ai , aj )− Pk |
(aj , ai ) . |
||||||
|
|||||||||||
|
|
n −1 aj A |
|
|
|
|
|
|
|||
Поток ϕk (ai ) [−1,1] |
имеет ту же интерпретацию, что и поток чистых предпочтений |
||||||||||
ϕ (ai ), |
но такая форма ограничена одним критерием. Любая альтернатива ai характеризуется |
||||||||||
вектором ϕ (a ) = ϕ |
(a ),…, ϕ |
k |
(a ),…, ϕ |
q |
(a ) в q-мерном пространстве. Построение и анализ |
||||||
|
|
i |
|
1 |
i |
|
i |
|
i |
альтернатив в таком многомерном пространстве получило название GAIA.
Рассмотрим пример ранжирования альтернатив (табл. 40). Получение такой таблицы реализует первый шаг алгоритма. Начальное ранжирование альтернатив выполним, как было предложено ранее, в диапазоне от –8 до +8. Однако алгоритм корректно работает только с положительными оценками, поэтому приведённую таблицу получим после того, как к каждому значению прибавим 8 (транспонированную табл. 30) (см. табл. 40).
На втором шаге вычисляем разницу между значениями критериев для рассматриваемых альтернатив (табл. 41).
На третьем шаге вычисляем значения функции предпочтений. Полученный результат представлен в табл. 42.
На четвертом шаге необходимо вычислить многокритериальную степень предпочтения. Для сравнения пары альтернатив необходимо задаться коэффициентами важности каждого критерия wk . Для простоты придадим им равные значения – 0,06. Тогда получим значения пред-
почтений, приведенные в табл. 43.
90