A TUBBCÉLÚ BAYESI DÓNTESEKRÓL
DR. MOLNÁR SÁNDOR — DR. SZIDAROVSZKY FERENC
A gyakorlati alkalmazások során gyakran merül fel olyan optimalizálási prob- léma, amelyben bizonyos paraméterek bizonytalansággal terheltek. Ezeket a bi- zonytalan paramétereket általában valószínűségi változóként kezeljük. Az egysze—
rűség kedvéért tegyük fel. hogy az optimalizálási probléma lehetséges halmaza
nem függ a sztochasztikus paraméterektől, csak a feladat célfüggvénye sztochasz—
tikus. Az általánosabb eset — amikor a lehetséges halmaz is sztochasztikus — a jelen dolgozatban bemutatott módszer módosításával vizsgálható, amikor a szto—
chasztikus feltételeket valószínűségi szintekkel. a sztochasztikus programozás ,.chance constrained" módszerével kezeljük (1).
Egyetlen sztochasztikus célfüggvény esetén a bayesi döntéselmélet módszerét szokták alkalmazni. amikor a sztochasztikus célfüggvény várható értékét képezik, és az így nyert determinisztikus feladatot oldják meg. Matematikailag ez az eljárás a
következőt jelenti.
Legyen c valószínűségi változó, ekkor az
x EX /1—1/
f(x l?) —— max sztochasztikus problémát a determinisztikus
x 6 X
/1-2/
f(x) : E[f(x !?)1 _. max
feladattal helyettesítik. és azt oldják meg a sztochasztikus probléma helyett. A c valószínűségi változó eloszlását ismertnek tételezzük fel, hiszen enélkül a várható érték képzése nem végezhető el. Tehát. ha ;o jelöli az /1. ?] feladat egy optimális megoldását, akkor az xo döntést tekintik az [1.1/ feladatmegoldásának is. Mint- hogy az X lehetséges halmazc——től független, tetszőleges c érték mellett xo lehetsé—
ges megoldása /1. 1/- nek.
Minthogy a c paraméter ,,pontos" értékét nem ismerjük az /1.1/ feladat ,,pon-
megoldása helyett az xo döntést fogadjuk el. Az xo általában nem optimális egyidejűleg c valamennyi lehetséges értéke mellett. Jelölje xíc) rögzített c :: cérték mellett /1.1/ optimális megoldását, ekkor az ;, döntésből eredően az
"
tos
n Go ! c) : fm?) lc) — f(xo 1?) Mi
150 DR. MOLNÁR SÁNDOR - DR. SZIDAROVSZKY FERENC;
veszteséggel kell számolnunk. A ? bizonytalan ismeretéből adódó várható veszte-
séget pedig ennek a kifejezésnek a várható értéke adja meg (2):BAVV : am?) i?) — fo?o 18] /1.4/
Nyilvánvaló. hogy /1.2/ bármely optimális megoldása esetén [1.4/ értéke min-
dig ugyanaz. Ennek az alapvető tulajdonságnak az az alapja. hogy optimális meg—oldások esetén a célfüggvény mindig azonos (optimális) értékű.
Többcélú programozási feladatok esetén optimális megoldás általában nem létezik, mint azt a következő egyszerű példa illusztrálja.
1. példa. Tekintsük az
xi: x2 ; 0
M "l" Xz § 1 /1-5f
hm, x2) : xi
lexi: X2) : Xrl' 2X2
feladatot. Az f1(x1, xz) célfüggvény az (1, 0) pontban veszi fel maximumát, a máso—
dik célfüggvény szempontjából pedig a (0.1) pont optimális. Minthogy mindkét célfüggvény optimális megoldása egyértelmű és egymástól különböző. nem tudjuk
egyszerre optimalizálni mindkét célfüggvényt.
Több célfüggvény esetén optimális megoldások helyett általában efficiens megoldásokkal dolgozunk (3). '
Tekintsük az
x 6 X
G(x)—max (íz—1, .... n) [1.6/
többcélú programozási feladatot. Egy x* 6 X lehetséges megoldást efficiensnek
mondunk. ha nem létezik olyan x 6 X, amelyre f (x) ; f(x') és? (X) 75 f (x*), ahol f : : (fi, . . . , fn ). Az alkalmazások során az X lehetséges halmaz helyett az általábankisebb dimenziójú
H : (f(x) ! x 5 x; /1-7/
ún. lehetséges kifizetőhalmazt szokták tekinteni. A H halmaz bevezetésének az
adja szükségességét, hogy általában H sokkal kisebb dimenziójú, mint az X lehet- séges halmaz. A H halmaz úgy is felfogható. mint az X halmaz kifizetőfüggvényekáltali transzformáltja. Az efficiens megoldásokhoz tartozó H-beli vektorokat effi—
ciens pontoknak hívjuk. A lehetséges kifizetőhalmaz és efficiens pontok meghatá—
rozását illusztrálja a következő példa.
2. példa. Az 1. példa esetén
fi : xi, íz : xl—l—2x2, amelyből
xi : fi
x2 : fz — fi
2
A BAYESI DUNTÉSEK 151
Ha ezeket a kifejezéseket [1.5/ feltételeibe helyettesítjük, akkor az fi ; 0.
rZ—f1 ; ()
f2—l"f1 § ?
feltételeket kapjuk. Az ezeket kielégítő pontok az 1. ábrán besatírozott tartományt
alkotják. Nyilvánvaló. hogy az (1.1) és (0.2) pontokat összekötő szakasz adja az ef—
ficiens pontok halmazát, és a hozzájuk tartozó efficiens megoldások:
xfzt, x02———1—t (ogtgi)
Nyilvánvaló továbbá az is. hogy különböző efficiens megoldások esetén kü-
lönböző célfüggvényértékeket kapunk.1. ábra. Az /1.5/ feladat lehetséges kifizetőhalmaza
fz
0 7 f,
Az /1.6/ többcélú programozási feladatok megoldására számos módszer isme—
retes. A módszerek túlnyomó többségének az az alapja. hogy alkalmas preferen-
ciákat kielégítő n változás 9 hasznossági függvényt konstruálnak, és a többcélú
feladatot az egyetlen célfüggvénnyel rendelkezőx 6 X
9010!)- ..., fu (X)) -* max /1-3/
problémával helyettesítik (3). Minthogy az /1,8/ feladat már nem többcélú, szto—
chasztikus esetekben _a szokásos sztochasztikus programozási és bayesi döntésel- méleti módszereket alkalmazhatjuk.
Ennek az eljárásnak és koncepciónak azonban van egy nagy hátránya, ugyanis módszerorientált. azaz a megfelelő determinisztikus probléma és a bizonytalan—
ságot mérő BAVV mennyiségek is függenek a választott módszertől. Éppen ezért fontos elméleti problémát jelent a bayesi döntéselmélet többcélú, módszerektől független kiterjesztése.
.
Jelen dolgozatunkban a bayesi döntéselmélet két alapfogalmával foglalko-
zunk több célfüggvény esetén. Az /1.2/ feladat többcélú általánosítását, majd ez
152 DR. MOUNÁR SÁNDOR — DR. SZlDAROMSZKY FERENC
alapján az optimalizálási probléma paramétereinek bizonytalan ismeretéből adódó
várható veszteség [1.4/ tipusú, többcélú általánosítását vezetjük be.
Tekintsük most a sztochasztikus c paramétertől függő x 6 X
/2-1/
f (x l?) —— max
többcélú programozási feladatot. Ha /1.2/-höz hasonlóan képezzük a célfüggvé- nyek várható értékét, akkor az
x E X [2.2]
?, (x) : E[f,- (xl81 _, max
determinisztikus többcélú programozási feladatot nyerjük, amely nyilvánvaló álta- lánosítása az [1.2/ problémának. Minthogy az /1. 2/ feladat célfüggvényét gyakran bayesi kockázatnak is nevezik. a /2. 2/ célfüggvényvektorát bayesi kockázatvektor-
nak hívjuk.Jelölje ezután x_o a [2.2/ determinisztikus feladat egy efficiens megoldását, va-
lamint H0(c) a /2.1/ feladat rögzített És c melletti efficiens pontjainak a halmazát,azaz
H0(c) : (f(x l c) lx efficiens megoldása /2.1/—nek). /2.3/
Legyen továbbá
V(;(0lc) : (fo—rGoic) Ho e H0(c) és r0 ; f(;0lc)) /2.4/
Ekkor Vőrolc) pontjai az :(0 döntésből adódó veszteségek halmazát adják meg. Mint- hogy V(xolc) nem negatív vektorokból áll. csak azokat az fo efficiens megoldásokat vonjuk be az összehasonlitásba, amelyek minden célfüggvényben javítást eredmé-
nyeznek. Vegyük észre. hogy ha iro efficiens c : c mellett. akkor a V(x—0lc) halmaz
tartalmazza a zéró vektort.Legyen végül i : 1 n esetén:
77,— (xgic):inf ti,-Huj, un) evúolc); /2.5/
A 77i(X—0lC) mennyiségek értelmezése a következő: i : 1, . . . , n esetén morblc) adja azt a lehetséges legkisebb javítást az i—edik célfüggvényben, amely mellett az összes többi célfüggvény is javul, vagy nem romlik. Vegyük észre azt is, hogy rögzitett xo mellett 77,(x0lc) a valószínűségi vóltozóból egyszerű transzformációvalc adódik.
A ; bizonytalanságából eredő várható értékvektort a [2.5/ mennyiségek
alapján a következőképpen értelmezhetjük:BAwdo) :(Ermúo !?)1. . . .. E Mn de !?)1) /2.6/
Az n : 1 egycélú esetben /2.ó/ pontosan megegyezik az /1.4/ kifejezéssel, hi-
szen ez esetben Ho(c) az f(xlc) célfüggvény optimális értékével azonos, így 17(x0lc) az optimumtól való eltérést jelenti. Tehát a [2.6/ kifejezést az egycélú eset közvetlen általánosításaként értelmezhetjük.A /2.6/ kifejezés konkrét alkalmazását a következő példa illusztrálja.
A BAYESI DUNTESEK 153
3. példa. Tekintsük most a kétcélú sztochasztikus feladatot:
Xi! Xz ; 0
xi —l—x2 § 1 [2.7/
X1 és Xi—l'a2 -b max.
ahol ? egyenletes eloszlású (: [0.4] intervallumban. A [2.6/ mennyiség kiszámításá—
nak első lépéseként az efficiens pontok halmazát kell meghatároznunk. A lehet- séges kifizetőhalmaz pontjait jellemezzük először. Legyen c : c esetén
fi : Xi. /2-3/
íz : Xt—l'CX2
amelyeket a /2.7/ feladat feltételrendszerébe helyettesítve az
f1 ; 0. /2-9/
fz— ft ; 0—
f2"l'(c""1)f1 § C
egyenlőtlenségeket kapjuk. Az ezeket kielégítő pontok halmazát a 2. ábrán a satí- rozott tartomány jelöli. Vegyük észre. hogy .c § 1 esetén (1.1) az egyetlen effi—
ciens pont. amelyhez tartozó efficiens megoldás [2.8/ alapján (1.0). A c)1 esetben
a (1.1) és (0, c) pontokat összekötő szakasz valamennyi pontja efficiens, és 0 hoz—
zájuk tartozó efficiens megoldások: (t, 1—t), ahol egg.
2. ábra. A /2.7/ feladat lehetséges kifizetőhalmaza
6 f,
ۤ1 637
2— 2.
§
7— (17) 7 (7.7)
5
I — l
a 1 f, 0 1 ;,
Tekintsük ezután a [2.7/ feladathoz tartozó determinisztikus /2.2/ típusú mo—
dellt:
xi! x2 ; 0!
Xi'l—Xz § 1 /2-10/
xi és x1—l—2x2—max.
amely pontosan megegyezik az [1.5/ feladattal. és amely lehetséges kifizetőhalma-
zát az 1. ábra illusztrálja.154 DR. MOLNÁR SÁNDOR — DR. szmmaovszxv FERENC
A 2. példában meghatároztuk az efficiens megoldásokat:
i.,:(t, 1—0.
A Vömlc) halmaz meghatározása jelenti a következő lépést. Két esetet kell meg- különböztetnünk c értéke szempontjából.
Tegyük fel először, hogy Cál. ekkor
vo?0 1 c) : ((1 _— z,), 1 _ c— (1 _ cm [2.11/
hiszen az (1.1) pont az egyetlen efficiens megoldás. Ha c)1, akkor ;0 efficiens meg- oldás. így ekkor
van ! c) : ((o. 0); 12.121
Minthogy VM)! c) mindkét esetben egyetlen pontból áll, _ 1 — t, ha c § 1
m (Xn ! C): [2.13/
0 egyébként
* (1—t)(1—c), ha c§1
772 (Xn [ C):
egyébként
Ennek alapján pedig
Eináíolcn :: E[1—tlc §11-P(c § 1H—E[Olc )1]-P(c ) 1) 2 %(1—0. /2.14/
'
es
517260ch ::E[(1 -—t)(1—c) lc §11'P(c § l)—l—E[O ! c )1]-P(c )1): %(1—0, [2.15/
0202
BAVV(t) : (17 (1 _ t), ; (1 — t)) [2.16/
Ezzel az ko : (t. 1—t) döntésből és a? paraméter bizonytalanságából eredő vár- ható veszteséget mint vektort meghatároztuk. Vegyük észre, hogy [216] értéke függ
attól, hogy melyik xO efficiens megoldást választjuk. Ha t : 0, akkor
BAVV(0) : (%. %) [2.17/
és t : 1 esetén
BAVV(1) : (0, 0) [2.18/
A BAVV(t) értékek közvetlenül felhasználhatók a legmegfelelőbb efficiens meg- oldás kiválasztására. hiszen ha további preferenciákat nem teszünk, akkor t leg-
alkalmasabb értékét a BAVV(t) komponenseinek minimalizálásával kaphatjuk meg.
Esetünkben ez a t : 1 választásnak felel meg. Konkrét számpéldánk esetén a
A BAYESI DUNTESEK 155
BAVV(t) vektorértékű függvény rendelkezett optimális megoldassal. Ha optimális megoldás nem létezik. akkor egy újabb többcélú programozási feladatot kell meg- oldanunk a legalkalmasabb efficiens megoldas kiválasztására.
IRODALOM
(713 7Charíwdes, A. — Cooper, W. W.: Chance constrained programming. Management Science. 1959. évi 1. sz. — 9. o .
(2) de Groot. M. H.: Optimal statistical decisions. McGraw Hill Book Comp. New York. 1970. 412 old.
(3) Szídarovszky Ferenc —— Szabadkai Attila: Döntéselőkészítési módszerek alkalmazása. Mezőgazda- sági Kiadó. Budapest. 1983. 328 old.
(4) Molnár Sándor — Szidarovszky Ferenc: Többkritériumú értékfűggvényekről, Szigma. 1983. évi 3.
sz. 197—207. old.
TÁRGYSZÓ: Döntéselmélet, Bayes-féle becslés
PE3lOME
ABTOPH pacnpocrpanmor Hecxonbxo ocuoeuux, nomnm'i Teopnu pemei—mü Eei'tca Ha cnyuan MHoroueneaux sanau nporpaMMuposar—mn. Bcnyuae neTepMuHucrcnoü suauaanem- Hoü npoőneMu omnnaeMme norepu, nsmepmoume mmm-me MHoroueneaux " Heonpene- neHthx napaMeTpoa. Tome HMeIOT aemopnbiü xapakrep. ABTOpbl omocmenbno pacnona- rammeú p.symn u.eneabmm cpyuxuunmn uucnoaoü saga-m KOHerTHblM oőpaaoM AeMOHCTpH- thOT ssenenubie HMM Hoeme noi-mmm
SUMMARY
The study deals with the generalization of some elements of the Bayesion type decision theory for multiabjective programming tasks. ln the case of multiobjective deterministic eauiv- olent problem the expected losses measuring the effect of uncertain parameters have vector values. The article shows the newly introduced concepts in the special case of a numerical task having two objective functions.