Green-sell.info

Новые технологии
6 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Методы оптимизации проектных решений

Методы оптимизации проектирования

Основные понятия и определения

Прежде чем приступить к обсуждению вопросов оптимизации, введем ряд определений и рассмотрим основные понятия.

Оптимизация — это процесс или последовательность операций, которые позволяют получить уточненное решение. Конечной целью оптимизации является нахождение наилучшего (оптимального) решения. Зачастую оптимальное решение является недостижимым, и проходится довольствоваться только лишь улучшением существующего решения. В связи с этим, оптимизацию можно рассматривать, как стремление к совершенству, даже если оно не может быть достигнуто.

Задачей принятия решения является выбор в определенном смысле оптимального решения среди множества возможных. Как правило, этот выбор производит некоторое лицо, принимающее решение (ЛПР), которым может являться как отдельный человек (инженер или научный сотрудник), так и группа лиц (группа специалистов или научный коллектив).

Для принятия определенного решение необходимо сформулировать цели, которых нужно достичь. В соответствии с этим подходом у ЛПР есть свои представления о приоритете одних целей над другими, на основании которых одно решение является предпочтительней другому.

Оптимальное решение с точки зрения лица, принимающего решение — это решение, которое является предпочтительнее других возможных решений. Отсюда следует, что поиск оптимального решения напрямую связан с расстановкой приоритетов. Расстановка приоритетов является довольно-таки сложной задачей и плохо поддается математической формализации, так как зачастую ЛПР не может однозначно сформулировать свои предпочтения в рамках существующей математической модели. Для поиска оптимального решения необходимо разработать методики, помогающие ЛПР в расстановке однозначных приоритетов.

Проектные параметры — это независимые значения, которые однозначно определяют решаемую задачу проектирования. Значения проектных параметров вычисляются в ходе процесса оптимизации. Проектными параметрами могут быть любые основные или производственные показатели, которые дают возможность качественно описать проектируемый объект, например показатели надежности, рабочей температуры, массы и др. Сложность решаемой задачи проектирования определяется количеством проектных параметров. Оптимальным решением является такой набор проектных параметров, которые в полной мере удовлетворяет предпочтения лица, принимающего решения.

Целевая функция — выражение, которое в процессе решения задачи оптимизации необходимо сделать максимальным или минимальным. Иными словами, целевая функция является абсолютным критерием качества проектируемого объекта, а с математической точки зрения она представляет собой (n+1)-мерную поверхность, где n — количество проектных параметров. Если количество проектных параметров равно 1, то целевую функцию можно изобразить в виде кривой на плоскости. При двух проектных параметрах целевая функция представляется поверхностью в трехмерном пространстве. Если n > 2, то целевая функция является гиперповерхностью, и её невозможно изобразить при помощи обычных средств. Стоит учитывать, что целевая функция может являться кусочно-гладкой функцией и не вписываться в рамки замкнутой математической формы. Для задания целевых функций такого вида используются таблицы зависимостей.

Поиск минимума или максимума целевой функции сводится к применению алгоритмов оптимизации. Независимо от типа решаемой задачи существует возможность воспользоваться одним и тем же алгоритмом, просто заменив знак целевой функции на противоположный.

Множество допустимых решений — область, которая определяется всеми возможными вариантами векторов проектных параметров. Пространство решений уменьшается за счет ограничений на входные и выходные параметры, а также за счет применения различных методов поисковой оптимизации. Некоторые задачи могут вовсе не иметь решений, которые бы соответствовали требованиям технического задания.

Локальный оптимум — одна из точек пространства решений, в которой целевая функция имеет наибольшее или наименьшее значение в районе некоторой области. Зачастую пространство решения имеет несколько локальных минимумов, что в значительной степени осложняет поиск оптимального решения.

Глобальный оптимум — точка пространства решений, в которой целевая функция принимает оптимальное значение. Однако бывают случаи, когда пространство решения имеет несколько одинаковых глобальных минимумов. В этой ситуации целевая функции будет иметь несколько равнозначных решений, или же можно задать дополнительные ограничения для поиска наиболее предпочтительного набора параметров.

Методы оптимизации проектных решений

Постановка задачи оптимизации

Одна из главных целей проектирования систем управления состоит в оптимизации решений, т. е. в достижении заданных характеристик систем при наименьших затратах или наилучших характеристик при ограниченных затратах ресурсов. Под ресурсами при этом понимается время, материалы, персонал, производство, денежные средства и.т. д.

Сущность оптимизации сводится к отысканию при наложенных ограничениях таких значений переменных х1, х2. хn, которые обращают в минимум (или максимум)

Здесь х1, х2, . хn — проектные параметры (не зависимые переменные), полностью и однозначно определяющие решаемую задачу проектирования.

Проектные параметры представляют собой неизвестные величины, значения которых определяют в процессе оптимизации. В качестве проектных параметров могут служить любые основные или производные величины, служащие для количественного описания систем управления: размеры, массы, время и т. д.

КЛАССИФИКАЦИЯ МЕТОДОВ ОПТИМИЗАЦИИ

Математические методы оптимизации, обычно используемые при проектировании систем управления, можно классифицировать так, как это показано на рис. 3.7.Поисковые методы применены для решения любых задач оптимизации при проектировании систем управления как для унимодальных целевых функций, так и для функций многих переменных, однако весьма трудоемки. Унимодальной называется целевая функция, имеющая в заданном интервале значений проектных параметров одно экстремальное. Так, функция f(х) на интервале [О, а] будет унимодальной, если она строго возрастает (или убывает) при х ≤ хm и х ≥ хm где хm — точка эстремума из интервала [О,а), т. е. о ≤ хm ≤ a . Очевидно, что всякая выпуклая функция на интервале изменения [О,а] одновременно и унимодальна. Однако обратное утверждение может быть и несправедливо. Следует иметь в виду, что во многих случаях целевые функции в задачах проектирования систем управления являются унимодальными.

Аналитические методы предпочтительнее других, поскольку позволяют получить достаточно полное и общее представление об исследуемом объекте, наглядно установить влияние проектных параметров и ограничений на

Рис. 2 Классификация математических методов оптимизации

целевую функцию. Однако их применение во многих случаях ограничивается характером целевой функции и ограничений.

Численные методы являются наиболее универсальными, хорошо ориентированы на использование ЭВМ, весьма продуктивны при оптимизации многошаговых процессов, какими, в частности, являются процессы проектирования систем управления. Особенно хорошо развиты методы оптимизации линейных целевых функций при линейных ограничениях.

Комбинаторные методы получили бурное развитие начиная с 60-х годов нашего столетия в связи с решением задачи о коммивояжере. Эти методы хорошо ориентированы на использование ЭВМ.

Эвристические методы направлены на решение задач, недостаточно четко формализованных, например задача трассировки, используются также в случаях, когда применение других методов ограничивается возможностями вычислительной техники.

Теоретико-игровые методы используются в конфликтных ситуациях, т. е. для решения задач с неполной информацией, когда исход процесса зависит от действия двух или более сторон, преследующих различные цели. При этом результат действия одной из сторон зависит от образа действия других.

Читать еще:  Методы оптимизации метод половинного деления

Стохастические методы позволяют решать условно экстремальные задачи при вероятностной информации о параметрах исследуемого процесса. Как отмечалось выше, исходная информация для проектирования систем управления недостаточно достоверна и изменяется в процессе проектирования. При этом отдельные или все проектные параметры, критерии качества и ограничения могут оказаться неопределенными и случайными.

МЕТОДЫ ОПТИМИЗАЦИИ ПРОЕКТНЫХ РЕШЕНИЙ

Оптимальные РЭУ могут быть построены либо методами классического синтеза, либо методами оптимизации на ЭВМ с применением пакетов прикладных программ автоматизации проектирования.

Классический синтез позволяет проектировать относительно несложные, в основном, пассивные устройства, для которых существуют аналитические способы синтеза оптимальных схем. К ним относятся оптимальные частотные фильтры с аппроксимацией Чебышева, Кауэра и др., оптимальные широкополосные согласующие устройства с аппроксимацией Фано, а также различного класса частотно-разделительные и мостовые устройства [1,6].

Большинство же устройств из-за отсутствия аналитических методик синтеза проектируется методами оптимизации на ЭВМ. При этом различают структурную и параметрическую оптимизацию.

При структурной оптимизации определяется наилучшая структура РЭУ, удовлетворяющая заданным требованиям.

При параметрической оптимизации определяется такая совокупность внутренних параметров РЭУ, при которой заранее выбранные выходные параметры принимают наилучшие возможные значения.

Полное решение задачи проектирования РЭУ методами параметрической оптимизации на ЭВМ производится в три этапа:

• составление целевой функции с выбором тех или иных критериев его качества;

• минимизация (максимизация) целевой функции для получения оптимальных внутренних параметров устройства.

При проектировании РЭУ широко применяются методы оптимизации проектных решений, основанные на решении задач математического (линейного и нелинейного) программирования.

В этих задачах производится поиск минимума или максимума некоторой целевой функции, зависящей от многих переменных при наличии ограничений на эти переменные.

При проектировании РЭУ целевая функция отображает качество работы, стоимость аппаратуры и иные характеристики, зависящие от параметров компонентов, оптимальные значения которых требуется найти в результате решения задачи.

Ограничения же формулируются в виде системы соотношений, сужающих допустимую область изменения параметров компонентов при решении задачи оптимизации РЭУ.

Если минимизируемая (максимизируемая) целевая функция и ограничения линейно зависят от переменных, то оптимизация проектных решений может быть выполнена на основе известных из курса математики методов линейного программирования. К этим методам относятся симплекс-метод и методы целочисленного линейного программирования.

При нелинейной зависимости целевой функции и ограничений от переменных оптимальное проектирование РЭУ производится на основе решения задачи нелинейного программирования методами одномерного поиска оптимального решения, а также градиентными или статистическими методами оптимизации.

Проектирование РЭУ в соответствии с новой технологией основывается на следующих пяти принципах.

Первый принцип предполагает комплексное решение общей задачи проектирования за счет взаимной увязки процедур решения частных задач и этапов проектирования. При этом установление тесной информационной связи между этапами и процедурами позволяет создавать более эффективные РЭУ с точки зрения комплекса функциональных и конструкторско-технологических требований.

Второй принцип заключается в интерактивном режиме проектирования, при котором осуществляется непрерывный процесс диалога «человек-машина». При этом системы автоматизации проектирования выступают в качестве мощного средства обеспечения творческой активности проектировщика, а не заменяют его. Ибо невозможно создать или модернизировать сложную радиоэлектронную аппаратуру без творческого участия специалиста, сколь ни велика была бы мощность вычислительных средств и сколь ни сложны (и изощрены) были бы формальные методы проектирования.

Третий принцип заключается в широком применении имитационного моделирования радиоэлектронных систем и средств с воспроизведением условий работы, близких к реальным. Имитационное моделирование дает возможность предвидеть реакцию проектируемого объекта на самые различные возмущения, позволяет специалисту в процессе проектирования «видеть» плоды своего труда в действии без макетирования и натурного моделирования. Имитационное моделирование дает возможность проводить испытания различных вариантов проектных решений и в приемлемые сроки выбирать лучший из них с учетом всевозможных случайных факторов и помех.

Четвертый принцип состоит в привлечении для решения задач проектирования новейших высокоэффективных аппаратурных и информационно-программных средств обеспечения проектирования и моделирования РЭУ.

И, наконец, пятый принцип состоит в замкнутости процесса автоматизированного проектирования РЭУ.

Методы оптимизации проектных решений и технология искусственного интеллекта в интегрированных САПР Текст научной статьи по специальности «Математика»

Аннотация научной статьи по математике, автор научной работы — Бондаренко Игорь Борисович

В работе разработан математический аппарат с использованием технологии искусственного интеллекта для оптимизации проектных решений на начальной стадии проектирования автоматизированных технологических комплексов, который реализован в виде программной подсистемы САПР.

Похожие темы научных работ по математике , автор научной работы — Бондаренко Игорь Борисович

Текст научной работы на тему «Методы оптимизации проектных решений и технология искусственного интеллекта в интегрированных САПР»

МЕТОДЫ ОПТИМИЗАЦИИ ПРОЕКТНЫХ РЕШЕНИЙ И ТЕХНОЛОГИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ИНТЕГРИРОВАННЫХ САПР И.Б. Бондаренко

В работе разработан математический аппарат с использованием технологии искусственного интеллекта для оптимизации проектных решений на начальной стадии проектирования автоматизированных технологических комплексов, который реализован в виде программной подсистемы САПР.

С использованием в интегрированных САПР автоматизированных технологических комплексов (САПР АТК) математического аппарата методов оптимизации проектных решений перед разработчиком встает задача сохранения и оперативной обработке потоков данных [1]. Из-за варьирования типов данных и их структур возникает потребность в создании интеллектуальных баз данных (БД) и баз знаний (БЗ) с использованием технологии искусственного интеллекта (ИИ).

Для описания сложных технологических систем (ТС), в которых можно выделить различные уровни подчиненности, используются иерархические структуры (рис. 1(а)). Для рассмотрения иерархических структур используется теория графов, где вершины представляют собой отдельные подсистемы, а связи между вершинами — информационные потоки общения подсистем между собой [2].

Рис. 1. Примеры иерархических структур

При описании сложных ТС, например, относящихся к оптической промышленности, необходимо учитывать, что:

• в систему входят горизонтальные связи, определяющие их функциональную взаимосвязь;

• возможен информационный поток, связывающий подсистемы не ступенчато, а через один или несколько уровней;

• возникает необходимость многократного циклирования между подсистемами одного или разных уровней;

• ветви дерева могут отсекаться на любом уровне;

• вся структура в целом представляет несимметричную конструкцию связей и подсистем (рис. 1(б)).

Из-за этого работа интегрированных САПР АТК с подобными иерархическими структурами становится сложной как при внесении дополнительной информации (дополнительных вершин и связей), так и при поиске необходимой информации. Поэтому, несмотря на рост возможностей вычислительной техники, организация работы с деревьями и вершинами сложных иерархических структур может стать «узким местом», тормозящим работу всей системы в целом. Особенно это касается предварительного или начального этапа проектирования, на котором количество уровней стремительно растет при движении к цели. Современные программные средства создания иерархических структур не учитывают аспектов, изложенных выше, и поэтому не позволяют работать с максимальным быстродействием. Вследствие этого разработка методов оптимизации по работе со сложными иерархическими структурами является актуальной и подлежит раскрытию в данной работе.

Читать еще:  Easybcd аналог для linux

Так как скорость обработки информации в исследуемых системах зависит от оптимальности их структуры, то для организации хранения и быстрого поиска информации по деревьям была разработана подсистема с использованием следующих теоретических аспектов [4].

Порядок вхождения подсистем в иерархическую систему определяет морфологию сложной ТС [5]. Для построения морфологической структуры использовано математическое описание иерархической системы, которое выглядит следующим образом для п подсистем:

Для каждой из подсистем характерно наличие:

• множества векторов состояния объекта проектирования Ху, где г — уровень иерархической системы, ау — номер подсистемы в г-м уровне;

• множества векторов локальных выходных переменных У у, по которым производится управляющие действия в данной подсистеме;

• множества векторов обобщенных выходных переменных ‘Zl^+j, обеспечивающих поток информации, передаваемый в у-ю подсистему, находящуюся на (г+1)-м уровне;

• множества векторов обобщенных выходных переменных ‘глу — поток информации, поступающий из у-й подсистемы, находящейся на (г-1)-м уровне;

• множества векторов самоуправления Ц-;

• множества векторов управления и’г+1- данной подсистемой г-го уровня посредством у-х подсистем нижестоящих (г+1)-х уровней;

• множества векторов управления Цм-, с помощью которых данная подсистема /-го уровня управляет—ми подсистемами (/-1)-го уровня;

• множества векторов внешних возмущений действующих на данную подсистему, задаваемых в виде детерминированных постоянных либо в виде случайных величин с известными законами распределения;

• множества векторов связей Б-, идущих в —ю подсистему от других подсистем этого уровня.

Тогда отображение критерия оптимальности Фу —й подсистемы имеет вид

Ф. и’. х У х и’ — х ^ ^ V’

где V’ — — множество значений критерия Ф-, а отображение критерия, при оптимизации которого данная подсистема определяет управляющие воздействия и^у, на подсистемы (/-1)-го уровня имеет вид

Кроме того, подсистемы описываются отображениями, характеризующими ограничения на вектор локальных выходных переменных, вектор состояния, вектор самоуправления и на вектор управляющих воздействий, которые, соответственно, будут иметь вид

Е- ^ С., д: X. ^ б., И’и . ^ Н ., к :и . ^ Н.,

где Gij О- И’у Н- — множества значений соответствующих ограничений.

Аналогично описываются все подсистемы п-уровневой иерархической системы, кроме подсистем 1-го и п-го уровней. Подсистемы 1-го, наивысшего уровня, не имеют выходных переменных, поступающих в верхний по отношению к ним уровень, а подсистемы последнего, п-го уровня не соединены информационным потоком с нижним по отношению к ним уровнем, что влечет за собой отсутствие вектора управляющих воздействий Н -.

Таким образом, иерархическая система представляет собой набор подсистем, имеющих развитую сеть информационных потоков взаимодействия друг с другом, что приводит к необходимости рассмотрения всех подсистем.

Рис. 2. Бинарное дерево (а) и его представление с помощью узлов (б)

В связи с большой размерностью векторов воздействий и информационных потоков, а также с многопараметрическими временными характеристиками подсистем иерархическую структуру принятия решений необходимо оптимизировать для удобства дальнейшего использования. Для этого в нашем рассмотрении перейдем от обычного

описания деревьев поиска к бинарному (рис.2, а, б). Бинарные деревья содержат информационное поле и указатели местоположения корней левого и правого поддеревьев. Знак Л означает, что узел является конечным и левого и/или правого поддерева не существует.

Для обработки узлов необходимо прохождение бинарного дерева в симметричном порядке: левое поддерево — корень — правое поддерево.

Идея метода бинарного поиска состоит в поиске имени г в интервале, ограниченном низом / и верхом к. Текущий указатель т устанавливается приблизительно посередине интервала [/, к] , образуя подынтервалы [/, т-7] и [т+7, к]. Если интервалы пусты, то поиск заканчивается неудачей. Поиск ведется на дереве бинарного поиска, которое представляет собой расширенное бинарное дерево, все внутренние узлы которого помечены именами из списка х, х2, . хп таким образом, что симметричный порядок узлов совпадает с естественным порядком.

Взвешенная длина пути дерева бинарного поиска определяется по формуле [3]:

Т = Е в ■ р( X) + Еа • р(у),

где р — уровень расположения узлов х или листьев у в дереве Т; Ъ — частоты обращения к узлам х; аг — частоты обращения к листьям дерева Т с неудачным поиском. Тогда среднее время поиска по дереву Т определяется следующим образом:

Для интерпретации частот Ъ и а как вероятностей их необходимо нормировать по соотношению

Для использования в составе САПР АТК необходимо, чтобы алгоритм нахождения узла выполнялся за более короткое время. Время выполнения приближается к оптимальному при условии оптимальности или почти оптимальности дерева бинарного поиска Т. При этом оптимальные деревья бинарного поиска практически неприменимы из-за большой величины множества узлов, а также из-за неопределенности по значениям частот Ъ и ах [5]. К тому же существуют эвристические алгоритмы построения почти оптимальных деревьев, среднее время поиска по которым близко к оптимальному варианту.

Для построения почти оптимального дерева необходимо выполнение следующих требований при включении/удалении узлов:

1. поддерживать дерево сбалансированным. Если полученное дерево является асимметричным, то среднее время поиска будет линейным вместо логарифмического. Для балансировки бинарного дерева необходимо выбирать корни всего дерева и поддеревьев так, чтобы у левого и правого поддеревьев были приближенно равные число узлов либо суммы весов Ъг.;

2. помещать узлы с наибольшими весами Ъг около корня, тогда после выполнения этой операции получается дерево, у которого веса узлов монотонно не возрастают вдоль любого пути от корня к листу. Тогда деревья будут монотонными.

С другой стороны, для разветвленных деревьев с большим числом узлов в среднем сбалансированные деревья так же хороши, как оптимальные, а монотонные деревья так же плохи, как случайные, так как все узлы дерева равновероятно являются претендентами на то, чтобы стать корнем. Поэтому при построении почти оптимального дерева будем добиваться максимальной сбалансированности, а затем подвергать дерево монотонности лишь локально, чтобы не ухудшить балансировку.

Читать еще:  Linux ubuntu команды терминала

Процедуры включения и удаления узлов влияют на вид дерева бинарного поиска, что увеличивает среднее время поиска. Для последующей балансировки может потребоваться перестройка всего дерева с обработкой всех узлов, что при большой мощности дерева Т потребует значительных временных затрат. Поэтому проводятся локальные изменения вдоль пути корень-лист с тем, чтобы добиться балансировки по высоте деревьев при помощи вращения и двойного вращения.

Так как максимально сбалансированное по сумме весов дерево не всегда оптимально, но при условии, что дерево сбалансировано и монотонно, среднее время поиска отличается от оптимального на несколько процентов, то для практической реализации изложенных выше теоретических выкладок программно был реализован алгоритм построения почти оптимального дерева Т.

Также программно были реализованы процедуры вращения и двойного вращения для восстановления сбалансированности и монотонности деревьев после удаления/добавления в него вершин г. Сформированная таким образом подсистема, организующая хранение и быстрый поиск необходимой информации, позволяет управлять процессами обработки новых вершин и отыскания альтернативных вариантов, используя интеллектуальные алгоритмы оптимизации.

Разработанные и описанные выше программные процедуры: преобразования неоптимальных деревьев в оптимальные, быстрого поиска информации по деревьям и восстановления сбалансированности деревьев после включения и удаления узлов (вершин) позволяют на каждом этапе проектирования АТК с помощью разработанного математического аппарата минимизировать время выбора и принятия технических решений. Использование такого подхода позволяет придать процессу выбора требуемых вариантов при проектировании сложных систем, таких как АТК, интеллектуальную компоненту, позволяющую ускорить такие внутрисистемные процессы, как добавление, поиск и удаление подсистем в БД и БЗ, что, в конечном счете, ускоряет процесс проектирования АТК и упрощает работу с их структурами.

1. Бондаренко И.Б., Гатчин Ю.А.. Оптимизация проектных решений в САПР автоматизированных технологических комплексов. // Научно-технический вестник СПБ ГИТМО (ТУ). Выпуск 6. Информационные вычислительные и управляемые системы. СПБ ГИТМО (ТУ) 2002.. С.127-135.

2. Александров В.В., Горский Н.Д. Алгоритмы и программы структурного метода обработки данных. Л.: Наука, 1983.

3. Сибуя М., Ямамото Т. Алгоритмы обработки данных / Пер. с япон. М.: Мир, 1986.

4. Алексеев А.В. Интеллектуальные системы принятия проектных решений. Рига, 1997.

5. Нагао М., Катаяма Т., Уэмура С. Структуры и базы данных / Пер. с япон. М.: Мир, 1986.

ОПТИМИЗАЦИЯ ПРОЕКТНЫХ РЕШЕНИЙ

Принятие оптимальных проектных решений в строительстве является одним из наиболее действенных средств улучшения качества проектирования и повышения эффективности инвестиций. Оптимизация отличается от выбора вариантов тем, что предполагает рассмотрение всех допустимых решений, тогда как при выборе вариантов рассматривается лишь несколько вариантов, назначаемых проектировщиком.

Задача оптимизации проектных решений

Как правило, оптимизационный процесс включает в себя формулировку задачи, выбор оптимизируемых параметров, установление ограничений, выбор и оценку влияния внешних факторов, выбор критериев оптимальности, определение целевой функции по каждому критерию, поиск и принятие решения с учетом неопределенности и риска.

Опыт показывает, что для многих задач в области строительства недостаточно применять один критерий оптимальности — необходим многогранный комплекс критериев, позволяющий выбрать наилучшее решение. Однако многокритериальная оптимизация весьма сложна и на практике применяется мало. Из критериев, учет которых целесообразен для обоснованной оценки проекта, можно назвать:

  • — стоимостные критерии: минимум чистой приведенной стоимости, минимальный срок окупаемости инвестиций, максимальная внутренняя норма доходности;
  • — критерии безопасности: снижение аварийности объекта, улучшение условий труда, снижение заболеваемости и травматизма;
  • — функциональные критерии: максимум надежности, адаптивности, регулируемости функций объекта, долговечности;
  • — технологические: максимальная технологичность возведения и организационно-технологическая надежность, ремонтопригодность, эргономичность, минимальная продолжительность строительства;
  • — ресурсные: минимум расхода трудовых, природных, материальных, энергетических ресурсов при строительстве и эксплуатации;
  • — социальные: организация дополнительных рабочих мест, улучшение качества жизни, в том числе маломобильных групп населения;
  • — экологические: минимум отрицательного воздействия на окружающую природу (биосферу, атмосферу, гидросферу, почву, недра);
  • — эстетические критерии: положительное эмоциональное воздействие, архитектурная выразительность строительных комплексов, зданий, интерьеров.

Одновременное удовлетворение всем критериям, как правило, невозможно. Не всегда можно составить единый комплексный критерий, так как многие из них плохо формализуются. Следует отметить, что применение некоторых критериев в отсутствие остальных критериев может привести к абсурдным результатам. Так, попытка создать «абсолютно безопасный» или «абсолютно надежный» объект приводит к резкому увеличению расхода ресурсов, производство которых само по себе не вполне безопасно.

Единого общего метода решения многокритериальных задач не существует. Наиболее часто применяется «свертка» критериев в один комплексный, выражаемый в условных единицах (баллах). Такие подходы разработаны в квалиметрии 1 . Особенностью многокритериальных задач является предположение о наличии некоторого компромиссного решения, при отклонении от которого «качество» решения в целом ухудшается (оптимальность по Парето [1] [2] ).

Наибольшее развитие получил стоимостный критерий оптимальности (чистый доход, т.е. доход за вычетом расходов), обладающий рядом достоинств:

  • — критерий совпадает с экономической эффективностью проекта;
  • — численная величина имеет наглядное денежное выражение;
  • — могут быть учтены как единовременные, так и длительные по времени затраты и эффекты;
  • — путем добавления дополнительных слагаемых могут быть учтены разнообразные факторы, получающие стоимостную оценку.

В то же время стоимостный критерий не учитывает такие важные аспекты проекта, как адаптивность (гибкость принимаемого решения по отношению к меняющимся условиям), технологичность, затраты невозобновляемых природных ресурсов, архитектурно-художественное восприятие и др. Продолжают оставаться спорными стоимостные оценки социальных и экологических мероприятий, продолжительности и качества строительства. Кроме того, расчет затрат аккумулирует имеющиеся недостатки ценообразования.

Таким образом, напрашивается вывод о том, что в строительстве стоимостный критерий все же может быть признан ведущим при выборе проектного решения. Учитывать же остальные критерии можно двояким образом: заранее установить их граничную величину (критериальные ограничения) или же ориентироваться на дополнительные критерии в тех случаях, когда разница между стоимостью по сравниваемым вариантам незначительна.

Критериальные ограничения могут устанавливаться на нормативной основе, например по показателям безопасности и экологическим критериям, а также но показателям лучших объектов-представителей (технологические и функциональные критерии).

Дополнительные критерии могут учитываться в тех случаях, когда приведенные стоимости по двум или нескольким вариантам близки между собой. В этих случаях целесообразно говорить об интервале равноэкономичных решений или зоне экономической неопределенности оптимальных решений, т.е. совокупности вариантов, мало различимых по ведущему стоимостному критерию. Метод выбора решения внутри такого интервала, очевидно, должен учитывать специфику задачи.

  • [1] Лзгальдов Г. Г. Квалиметрии в архитектурно-строительном проектировании. М.: Строй-издат, 1989.
  • [2] Вильфредо Парето (Vilfredo Pareto, 1848—1923) — итальянский экономист и инженер.
Ссылка на основную публикацию
ВсеИнструменты
Adblock
detector