用于生成具体多准则优化问题的解决方案的方法专利名称：用于生成具体多准则优化问题的解决方案的方法技术领域：本发明涉及一种能够生成具体多准则(multicriteria)优化问题的解决方案的方法。背景技术： 许多的工业问题都涉及多准则决策和优化。一方面，树搜索技术可以解决单目标情况中组合或连续优化的大量问题。另一方面，多准则决策辅助提供了用于建模决策者优选并且用于比较多准则问题解决方案的工具和过程。然而，许多优化系统往往要求多准则建模解决方案之间的优先关系，这将允许更好地建模所遇到的问题，并且将可以以较好质量的解决方案来响应于此。同样地，在由多准则决策辅助处理的问题环境内，解决方案集有时太大而不可能比较其中的所有元素。本发明尤其涉及使用用于解决多准则优化问题的树过程。在单目标情况中，目标函数很大程度上确定构造搜索树的方式以及为探查所采取的策略。构成用于搜索解决方案的策略的这些元素的选择对于有效求解过程具有很大影响。另一方面在多准则情况中，常常很难确定能够在大多数情况下有效解决问题的搜索策略。发明内容本发明目的在于提供一种方法，所述方法可以半自动地或优选自动地生成多准则优化问题的解决方案，所述解决方案在大多数情况下能够有效地适用，即能够加速把搜索过程收敛到最优解决方法。依照本发明的方法是这样的方法建立几个决策准则以及基于这些准则在问题的解决方案之间的优先关系；建立要解决问题的模型并且其特征在于经由树搜索过程构造性地获得解决方案；已经为每个准则建立树搜索策略；更改所述策略以便找到提高质量的解决方案；作为最后找到的解决方案的函数来动态地选择所述策略；继续更改策略直到满足停止条件；把在满足停止条件之前所最后找到的解决方案作为所设置问题的解决方案示出。依照本发明的另一的特征，通过集合函数H，其优选为Choquet整数，来建模在问题的解决方案之间的优先关系。依照本发明的又一特征，每次搜索后，以最后找到的解决方案的函数来为每个准则确定指示符值，并且此指示符可以确定将在下一搜索期间使用的策略。依照本发明的又一特征，用于动态选择策略的指示符是最大效用的指示符。依照本发明的又一特征，用于动态选择策略的指示符是平均效用的指示符。依照本发明的又一特征，对不同的搜索设置局部约束(localconstraint)。有益地是，为基于准则的搜索设置的局部约束是改进此准则的约束，并且在每次搜索上设置此约束。作为选择，为基于准则的搜索设置的局部约束是改进此准则的约束，并且从根据此准则的第二次搜索开始，只有在接连几次选择准则来引导搜索的时候，才设置此约束。依照本发明的又一特征，与各个准则相关联的策略、对搜索的局部约束和搜索过程中的停止条件被用来找到问题的最优解决方法以及用来证明此解决方案的最优性。依照本发明的又一特征，在约束解算装置中执行建模问题以及搜索解决方案。具体实施例方式经由非限制性例子根据实现模式的详细说明将使本发明能够更好地理解。因此本发明的方法是用于解决多准则优化问题的方法，其基于各个单目标策略(每个准则一个)来更改搜索。为了使所述方法有效，在搜索时刻策略的选择必须作为问题数据和搜索状态的函数来自适应地执行。首先，定义了用于理解本发明方法的重要的概念，即在随后描述中使用的符号和术语。按照决策变量集定义优化问题，每个决策变量按照逻辑关系集从称作域的集中提取它们的值，这些变量限制允许的值的组合，称作约束。最后，按照目标函数定义了此问题，所述目标函数特征化了解决方案的质量(在最小化问题的情况下常常谈及成本函数而且如果处理最大化问题常常谈及利润函数或效用函数)。这种问题的解决方案是把来自其域的值分配到满足所有约束的每个决策变量。在最小化问题的情况下，最优解决方法集对应于在现有的解决方案集之间具有成本函数的最小值的解决方案。优化问题的处理在于搜索低成本的解决方案，如果可能最优的话，或者根据证明不存在解决方案的情况而定。当变量域是有限值集时，问题是组合的优化问题。当变量域是真集的区间(intervals of the set of reals)时，问题是连续优化问题。对于给定的优化问题，解决方案搜索空间对应于按照变量域的笛卡尔乘积而形成的空间。解决方案空间对应于问题的解决方案集。通常在工业和服务的许多分支中遇到优化问题。例示性的问题是以最小成本向地理位置分散的客户递送一定数目的订单。问题的决策变量是投递这些货物的日期和次数。所述约束描述了运输网络、接收货物的客户可用性的时间表、递送的交通工具的容量和进行递送的雇员的时间表。作为满足订单所经过距离的函数来计算将要最小化的成本函数。在极度变化的域中遇到运输问题，所述域是无线电通信、航空和防御。其中其它大的优化问题类是调度问题(调度生产线、排序由处理器处理的任务)、配置问题、使用时间和计划问题、划分问题。多准则决策辅助技术目的在于可以以尽可能可靠的方式建模专家级的优先选择(preference)。这种建模允许构造适当的工具，所述工具能够帮助或代替决策者来解决复杂的问题。解决多准则决策问题在于建模一种方式，专家或决策者依照此方式来排列由属性或观点集所描述的可能的解决方案集(每一个都称作“候选”)。为了执行所述排列(甚至只是选择候选)，依照被视为问题相关的每个观点来计算各个可能候选的“性能”(满足等级)。借助于总计各个候选性能的函数来执行建模专家的优先选择。使用两种方法“比较然后总计”(CA)方法在于首先逐个准则地成对比较候选的性能，然后总计这些比较以便建立优先关系；“总计然后比较”(AC)方法对于各个准则通过根据候选性能计算的整个分数来汇总候选值。在专家的优选选择意义上最好的候选称作优选的解决方案。例如，我们考虑上述递送货物问题的各个解决方案。可以递送货物的解决方案的成本可能不是唯一选择的准则。我们还可能想要最小化递送的持续时间(最低廉的解决方案不必是最快的)，给出更重要订单的优先级，最小化递送的数目，所述递送为当不可能保持给定时序表时为晚的或全局延期。然后决策者可能更喜欢在最小成本解决方案的各个准则之间提供折中的解决方案。多准则决策辅助技术可以排列一定数目的已知候选(例如为选择安装核电站的位置)。通常，可以评价个体的情况或适应性(评价响应于支付出价的相关性，学生的评价，等等)。本发明必须建模并解决的问题是多准则优化问题，其特征在于如在传统的优化问题中按照决策变量和约束集建模解决方案空间，以及按照多准则函数来建模所述解决方案之间的优先关系。因此解决多准则优化问题等于找到所述问题的优选的解决方案，或至少良好质量的解决方案。在多准则优化问题的环境内，因此最优解决方案是优选的解决方案。通常不可能比较优化问题的所有解决方案，并且注意到多准则的引入常常提供搜索一种甚至更为复杂的最优解决方法。因此本发明提出一种方法，其可以考虑多准则优化问题的细节并且在合理的次数内得到它们的解决方案。此方法基于使用树过程来搜索问题的解决方案。可以采用各种方式来搜索优化问题的解决方案。大部分普遍求解过程之一是分隔评价(分支定界)过程，所述过程可以借助于搜索树来执行隐式遍历解决方案空间。构造搜索树的原理如下在树的每个节点，把父的子问题分成简单的下一代的子问题直到要解决的子问题是普通的。通过下一代子问题的解决方案是父的子问题的解决方案，而且下一代子问题的合并等价于父的子问题的方式，来执行子问题(称作分割)中的划分。主问题是在树根的节点。因此子问题的任何解决方案是主问题的解决方案。当子问题没有解决方案时，把对应于此子问题的节点从搜索树中剪除(删除)。如果已经剪除了父的子问题的所有的下一代，那么没有所述父的子问题的解决方案并且随后可以将其剪除。分割规则给出了其中节点是被分割的方式(即其中父的子问题被分成下一代子问题的方式)。例如，我们考虑递送问题，其中有一个交通工具和p个表示下一p个订单的递送日期决策变量t1，.，tp。如果我们决定尽快递送，那么只有递送的排序是重要的可以以精确的方式确定进行每次递送的最早日期。因此可以通过对每对i，j，ij，确定是titj还是titj来获得解决方案。因此在对应于子问题P的树的节点，我们选择针对还没有解决的析取的一对变量i，j，并且我们把P分为P1P(titj)和P2P(titj)。在搜索树中存在搜索作为构造节点次序的函数的解决方案的各种方法。在构造中给出搜索树，有必要选择要分离的下一节点和应用于此的分离决策之一。用于确定要分离的下一节点的分量称作探查策略。通常使用的大部分探查策略是“深度优先”策略每当建立节点时，分离节点。在此策略中，只有当已经探查了第一下一代的所有后裔时才探查节点的第二代。因为可以非常迅速地找到解决方案并且可以借助于堆栈来容易地实现，所以此策略是有用的。第二策略是“宽度优先”策略，其中在分离下一节点之前分离树的一个级别的所有节点。在实践中从不使用此策略，这是因为它消耗了太多的内存。最后，第三策略是“最好优先”策略，其中评估函数把分数分配到还没有分离的节点；然后选择已经获得最好分数的节点以便分离。其中把分离决策应用于节点的选择确定排序这些分离的次序(在上面例子中，是选择i，j对的次序，以及是在节点P2P(titj)之前创建节点P1P(titj)反之亦然)。通常按经验选择的此次序常常按照探试性准则给出。其目的通常在于加速找到新的解决方案，或反之更迅速地检测到证明节点没有解决方案。在优化中，使用“分支定界”原理当找到解决方案时，只分离可能产生更优解决方案的节点。在每个节点，评估函数可以为相应子问题确定目标函数的边界(最小化中的下限)这是此子问题将可以获得的最优值。如果此边界具有比已经找到的更优解决方案更糟的质量，那么剪除该节点。此过程可以只找到提高质量的解决方案并且避免不必要地遍历搜索树的大部分。已经证明当不再找到任何能改进目标的解决方案时，已经获得最优解决方法。最后，在搜索树中搜索优化问题的解决方案取决于分离规则、评估函数、探查策略和试探准则。分离规则、探查策略和试探准则确定将构造节点的次序进而将找到解决方案的次序。这些各种元素的组合称作搜索策略。依照目标函数或要优化的准则，重要的是采用可以迅速找到良好质量的解决方案的搜索策略，以便此后能剪除无法产生更优解决方案的搜索树的大部分。在这种意义上，在随后的描述中，确定采用的搜索策略的准则将被认为“引导”搜索。搜索策略可以尽快地向良好质量的解决方案(并且如果可能的话向最优解决方法)操纵搜索。然后找到好的解决方案可以依照“分支定界”原理来剪除无法产生更优解决方案的搜索树的大部分。在多准则情况中，对于一个准则来说可以迅速地获得良好质量的解决方案的策略可能对于另一个准则来说效率非常低。从而，在准则之间补偿并且一般是交互作用的现象常常很难定义全局策略，所述全局策略能够在所有情况下有效地解决问题。许多过程已经被开发出来以便用于解决多准则优化问题。尽管如此，它们中间没有几个提出把树过程的有效性与建模多准则决策辅助技术的优先的能力组合。在这些方法之间，本发明采用CP网体系、灵活约束体系、用于解决多准则调度问题的方法和PBS体系。在各种方法之间，CP网(C.Boutilier等人的“A Constraint-Based Approach to Preference Elicitation and Decision Making”，审议和实际推理中对定性优先的AAAI春季研讨会的工作报告，JonDoyle和Richmond H.Thomason编辑，第19-28页，Menio Park，加利福尼亚，1997)提出一种体系，其中按照规则集来建模，然而所述规则集似乎在建模解决方案之间的优先关系期间和在搜索解决方案期间使问题变得复杂(非常多的规则看起来是必要的并且难于由专家获得)。还通过使用灵活约束来处理建模优先的问题(S.Bistarelli等人的Semiring-Base