Работа продолжает серию публикаций, посвященных адаптивным методам решения непрерывной конечномерной задачи многокритериальной оптимизации, использующим аппроксимацию функции предпочтений лица, принимающего решения.

Исследуется применение различных сверток критериев оптимальности в задачах многокритериальной оптимизации. Приводятся некоторые результаты сравнительного анализа эффективности сверток при решении тестовых задач многокритериальной оптимизации.

Работа открывает серию публикаций, посвященных адаптивным методам решения непрерывной конечномерной задачи многомерной многокритериальной оптимизации. Рассматриваются методы аппроксимации функции предпочтений лица, принимающего решения, основанные на планах первого порядка

Рассматривается интерпретация задачи линейного программирования как пошаговой задачи многокритериальной оптимизации. Приводится векторная интерпретация аддитивного критерия оптимальности как приведенной длины проекции вектора варианта на идеальный вектор качества в пространстве критериев, откуда вводится векторная интерпретация задачи линейного программирования. Рассматривается метод решения задачи в рамках приведенной векторной интерпретации.

Рассматривается интерпретация задачи линейного программирования как пошаговой задачи многокритериальной оптимизации. Приводится векторная интерпретация критерия оптимальности, гарантирующего поиск оптимального решения. Предлагается пошаговый метод усечения получаемого на каждом шаге решения задачи множества "нехудших решений" и метод решения задачи, гарантирующий нахождение оптимального решения при снижении сложности вычислений за счет усечений множеств "нехудших решений".

Статья посвящена проблеме многокритериального выбора перспективных (рациональных) альтернатив на конечном множестве заданных альтернатив. Предлагаемый в статье подход базируется на последовательном применении т.н. табличного метода и широко известного в мировой практике Метода Анализа Иерархий (МАИ). Для обоих методов авторами создана комплексная диалоговая программная система, позволяющая решать задачи многокритериального выбора, и расширяющая возможности каждого из методов посредством разработанных диалоговых средств. Это делает предлагаемую в статье процедуру доступной для применения на практике с целью решения своих задач рационального многокритериального выбора.

В работе рассматривается информационная модель и основные функции программной системы многокритериальной оптимизации ╚Парето╩

В работе исследуется погрешность аппроксимации и экстраполяции многомерных функций с помощью нейронных сетей с радиальными базисными функциями.

Исследуется погрешность нейросетевой аппроксимации функции предпочтения лица, принимающего решение,  в задаче многокритериальной оптимизации. Приводятся результаты исследования эффективности метода при решении двух- и трехкритериальных тестовых задач.

В работе рассматривается использование аппарата нечетких множеств для аппроксимации функции предпочтений лица, принимающего решения. Производится исследование точности аппроксимации квадратичной функции по методу нечеткого логического вывода Мамдани.

В работе рассматривается метод пчелиного роя в задаче глобальной многопараметрической оптимизации. Изложены бионические предпосылки метода, схема используемого варианта метода, а также организация программного обеспечения, реализующего этот метод. Приведены результаты тестирования метода и программного обеспечения, а также результаты исследования их эффективности для ряда тестовых задач.

Рассмотрена задача приближенного построения границы области достижимости многосекционного робота-манипулятора типа «хобот». Предложен метод SPSO решения этой задачи. Идейной основой метода является известный метод MOPSO, предназначенный для решения задачи многокритериальной оптимизации. Метод SPSO, как и метод MOPSO, использует алгоритм роя частиц (PSO) для решения задачи глобальной оптимизации и -алгоритм для отбора недоминируемых решений. Эффективность метода SPSO продемонстрирована на нескольких задачах построения области достижимости, как в случае отсутствия препятствий, так и в случае их наличия.

В работе рассматривается многокритериальная задача оптимизации автономного электрогидравлического следящего привода и ее решение одним прямым адаптивным методом

Рассматривается прямой адаптивный метод многокритериальной оптимизации на основе аппроксимации функции предпочтения лица, принимающего решение, с помощью аппарата нейро-нечеткого вывода. Приводятся результаты исследования эффективности метода при решении 2-х и 3-х критериальных тестовых задач.

В работе рассматривается прямой адаптивный метод многокритериальной оптимизации на основе аппроксимации функции предпочтений лица, принимающего решения, с помощью аппарата нечеткой логики. Приводятся результаты исследования эффективности метода при решении 2-х и 3-х критериальных тестовых задач.

Рассматривается метод роя частиц для приближенного построения множества Парето в задаче многокритериальной оптимизации. Приводится постановка задачи, описание алгоритма, схема и результаты исследования эффективности метода при решении двухкритериальной тестовой задачи.

Работа посвящена разработке модуля однокритериальной оптимизации для системы многокритериальной оптимизации ╚Парето╩.

Рассматривается распределенная программная система PRADIS//FRONT для приближенного построения множества Парето в задаче многокритериальной оптимизации динамических систем с использованием параллельных генетических алгоритмов. В качестве среды моделирования динамических систем используется программный комплекс PRADIS.

Рассматривается задача непрерывной многомерной глобальной условной оптимизации и алгоритм CIAC (алгоритм непрерывно взаимодействующей колонии муравьев) решения этой задачи. Приводятся результаты широкого исследования эффективности указанного алгоритма при решении ряда тестовых многоэкстремальных и овражных задач оптимизации. На основе результатов исследования даны рекомендации по оптимизации выбора свободных параметров алгоритма. Рассматривается также задача приближенного построения множества Парето при многокритериальной оптимизации. Исследуется эффективность комбинации алгоритмов CIAC и MOPSO для решения указанной задачи.