ности и таким образом обучить ЛПР построению промежуточных однокрите- риальных олтимизационных иоделей. 4. Использовать гибкие стратегии помска парето-оптимальных вариантов, причем целенаправленное движение в определенную часть множества Парето можно осуществлять извне в отличие от движения только по компромиссным точкам, . 5. Выявлять противоречия в ответах ЛПР, к которым приводит выбор от- дельной предцелевой функции в качестве основного критерия оптимальности, и тем самым «высвечивать: последствия принимаемых решений, возникаю- щие при попытке улучшить значения одних предцелевых функций за счет ухудшения качества других, — Если функции — ограничения рк(х), К_= 1, А формирующие абласть поиска О, или предцелевые функции А(2), / = 1, л, необязательно являются выпук- лыми, то область Парето может иметь сложную структуру. Это затрудняет целенаправленное движение в окрестности компромиссных точек в рамках задачи (9.11) и требует принлечения схем перебора, В связи с вышеуказанным необходима более полная формализация ис- ходной задачи МО, основанная на рандомизации переменных и учитывающая требования к госледующей алгоритмизации. Таким образом, приходим к сле- дующей однокритериальной модели СО: мк{мч{00}} - щ (9.7) Здесь () — множество случайных векторов, статистически связанных со слу- чайной величиной / и удовлетворяющих некоторой системе ограничений: м›‹{а'к(Х)} < Вк ко= 1, 7 {9.8) а такаже «жестким» ограничениям на резлизации х случайного вектора & хе В. В качестве функций, задающих ограничения (9.8), могут выступать не- которые предцелевые функции. В этом случае модель СО (9.7)...19,8) яв- ляется адаптивным расширением известной модели главного критерия, Рандомизированная перефоз›мулир‹›вка исходной задачи МО в отличие от априорного (аксиоматического) свертывания предцелевых функций содержит потенциальные возможности по преодолению неопределенности в требова- ниях к качеству наилучших вариантов в нестандартных ситуациях принятия решений. Модель СО (9.7}...{9.8} генерирует «первичную» статистику — наборы значений И(Ж(М)), ‹.., Йа(Ж(И) — полученную на нижнем информационном уровне и отражающую экстремальные тенденции в требованиях к качеству намлучших вариантов лишь по отдельным предцелевым функциям. Пере- строёса случайной величины И связана © накоплением информации о ло- кальных предпочтениях АПР и ее представлении в виде матриц данных Ё = Нп(Х(і/')) Н й = 1, т # = 1, М. Такая «первичная» информация подчи- няется определенным статистическим закономерностям, нахождение которых необходимо для вызвления осредненной тенденции формирования ФГП ( для обучения ЛИР оценке возможностей компромиюса в среднем). Достижение данной цели требует агрегирования «поточечных» знаний ЛПР о ФИП с помощью системы статистических моделей, оперирующих с матрицами данныхи использующих различные понятия «осреднения», Эти модели дают воз- можность получать различные промежуточные формы проявления последствий принимаемых решений, Им соответствуют различные формы описания скрытых статистических закономерностей {(факторов). Для сбработки «первичной» ин- Фформации, заложенной впротиворечивых ответах ЛПР, можно использовать ме- тоды прикладной статистики с целью получения разного рода средних характе- ы