ристик (в частности, матожиданий, главных компонент, регрессионных уравне-
ний}. Так, в качестве промежуточной целевой установки по статистическому
анализу данных может выступать выделение групп противоречивых предцеле-
вых функций для Формирования более точных вопросов 
в ЛПР, касающихся воэ-
можности улучшения знаний одних критериев за счет ухудшения качества дру-
гих, Адаптивные процедуры МО, в которых организация диалога ЛПР — ЭВМ,
базируется на применении статистических моделей.
Отметим, что в адаптивных человеко-машинных прочцедурах АПР проио-
ходит сравнение полученных знаний А(Ж(И)) с некоторы.. ..эрогом, 
— удов:
летворительным уровнем # (а фактически сравнение разностей &(Х(И)) - /
с нулем). При этом пороги & выступают реализациями случайной величины,
отражаюнцей требования ЛПР к качеству наилучших вариантов по /-й пред-
целевой функции (возможно, с учетом неточности, неуверенности ЛПР в сво-
их ответах}. Спедовательно, вводится еще одна степень свободы, которая
позволяет в отличие от более опосредованной стратегии поиска наилучших
вариантов, связанной с корректировкой случайной величины И, воспользо-
ваться непосредственной резкцией ЛПР на неудовлетворительные уровни
предцелевых функций.
Получаемая © помощью модели {(9,7}...(9.8) «первичная» статистика дает
возможность найти средние характеристики порогов й, которые соответст-
вуют компромиссным уребованиям к качеству наилучших вариантов и, таким
образом, отражают осредненную тенденцию формирования ФП. В результате
информация, получаемая от ЛПР и ведущая к изменению /, связана также
с выбором „порогое й в силу Функции предпочтения ЛПР на основании реа-
лизаций ((Х(И). Тогда естественно стремление отыскать компромиссное ре-
шение Х, удовлетворяющее системе уравнений регрессионного типа
м(ло0 - 4) = 0 
(9.9)
мли системе неравенств 
-
м100 - А} = ©, у = Тот. 
(9.10)
Соотношения {(9.9} или {9.10), которые связаны с рандомизированной по-
становкой (9.7)...{9.10), могут рассматриваться как этап более полной Фор-
мализации исходной задачи МО с последующей ориентацией на типовые вё-
роятностные итерационные алгоритмы СО, оперирующие лишь с резлизаци-
ями случайных величин, стоящих под знаком математического ожидания.
Использование моделей регрессионного анализа_для обработки «первич-
ной» статистики позволяет прогнозировать пороги й с целью ознакомления
ЛПР с последствиями принимаемых решений и служить основой для фор-
мирования @ процессе диалога вопросов, более полно раскрывающих эко-
пертное представление о компромиссных требованиях к качеству наилучших
вариантов.
Подход к МО, основанный на решении системы регрессионных уравнений,
позволяет конструировать адаптивные человекомашинные процедурм, в кото-
рых парето-оптимальные варианты генерируются с помощью нелинейных кри-
териев, например,
мп |#60 
— &| = Ми |7но0 
— М 
+ 
,
* 
| 
| = 
{ 
|} Эх о 
(т
где О\ = { х к Е @, 1600 — ] = 4, / = { т); 8 — предельно допустимые
отклонения от удовлетворительных уровней /; у — козффициенты значимо-
сти отклонений; 2 я = 1 да 0, / = 1, т.
}
При рандомизации переменных получаем модель СО вида
150