жеству парето-олтимальных вариантов (компромиссных точек}. Поэтому для совершенствования проектируемых вероятностных адаптивных процедур МО к полному перебору вариантов необходимо добавить параметрические спо- собы целенаправленного движения в множестве Парето. Процесс обучения ЛПР в оценке возможностей компромисса в среднем должен базироваться на его ознакомлении с различными промежуточными формами проявления последствий принимаемых решений. Унлверсальный способ проявления таких последствий — обнажение противоречий в ответах ЛИР, к которым приводит выбор отдельной предцелевой функции в качестве основного критерия оптимальности. Наиболее ярко такие противоречия про- являются на парето-оптимальных варизнтах или в их окрестности. Таким образом, диалог ЛПР — ИО на нижнем информационном уровне дол- жен сопровождаться тенденцией выхода в определенную часть множества Парето. Данную тенденцию необходимо «вынести» на уровень постановки некоторой задачи СО, отражающей неопределенность в выборе. критерия оп- тимальности. Известно, что целенаправленное движение в множестве эффективных то- чек можно определять путем решения задач Н д 600 — уе ; хе @ (9,5) выбрав различные наборы параметров @ = (р1, ..., Рт), удовлетворяющие условию о = % п 20 /= 1от. 3 Дополнительную экспертную информацию о приоритете предцелевых фун- кций часто не удается застабилизировать из-за наличия ошибок в ответах ЛПР. В этом случае «окончательная» свертка (9.11} не всегда имеет прак- тический смысл. Сформулируем задачу СО, эквивалентную в определенном смысле задаче {9.10} и приводящую к более полной формализации исходной задачи МО (9.71}, Для удобства последующей алгоритмизации числовые оцен- ки приоритета р) будем интераретировать как вероятности выбора /-й пред- целевой функции @ качестве основного критерия олтимальности соответст- вующей однокритериальной модели. Введем в рассмотрение дискретную случайную величину И, отвечающую за организацию диалога ЛПР — ЭВМ, который поддерживается процедурами целенаправленного движения в определенную часть множества Парето. Она принимает значения 1, ..., и? с вероятностями /л, ..., ра и СООТВОТСТВОННО характеризует неопределенность в выборе единого критерия оптимальности. С величиной # саязана функция А(х), принимающая в качестве реализаций набор предцелевых функций А(х), ..., #в (0). Тогда задача (9.10} приобретает вид т момоо} - уе о: (9,6) Случайные величины И (вероятности др 7 = Т, ) являются непосредст- венно управляемым параметрами (параметрами обучения) этих алгоритмов, причем реализации к случайной величины И в качестве основного критерия соответствует привлечение предцелевой функции {х). Располагая приближенным рещением к(У) задачи (9.6) и, следовательно, на- бором значений /(х(И)}, ..., б (Х(И)) ИПР поставляет дополнительную инфор- мацию, которую исплользуют при корректировке И. Для получения данной ин- формации используют ответь ЛПР на вопросы, связанные с реализациями его оценочной функции предпочтения. Например: «Укажите номер предцелевой Функции, по которой достигнут неудовлетворительный уровень» или «Укажите. номера предцелевых функций, значения которых необходимо улучшить для пе- 147