Целью исследования является создание алгоритма для определения приоритетности критериев в оптимизационной задаче выбора шихтовых материалов для дуговой сталеплавильной печи. Особенность решаемой задачи состоит в том, что шихту необходимо представить в виде смеси, в которой каждый компонент содержит заданное количество химических элементов, трудно удаляемых в ходе плавки. Требования по наличию этих элементов обусловливаются рядом целевых функций. При решении задачи требуется определить приоритетность достижения цели исходя из важности каждого критерия.
В работе представлен алгоритм установления приоритетности критериев и продемонстрировано его функционирование на примере трех критериев по минимизации количества остаточных элементов (хрома, никеля и меди) при выплавке стали в дуговой сталеплавильной печи. Основные этапы работы – классификация требований к качеству шихтовых материалов, упорядочивание списка критериев, построение алгоритма формализации задачи выбора шихтовых материалов, создание методики определения наиболее оптимальных критериев. Ранжи-рование критериев выполнено на основании экспертных заключений.
Авторами статьи проведена оценка компетентности экспертов с помощью алгоритма Л. Г. Евланова и В. А. Кутузова, в ходе которой была выявлена равнозначная компетентность экспертов на различных итерациях. В результате исследования синтезирован список критериев для математического обеспечения задачи многокритериальной оптимизации формирования структуры шихтовых материалов для дуговой сталеплавильной печи. Это позволяет привести задачу к однокритериальному виду и использовать соответствующие методы решения.

Евланов Л. Г., Кутузов В. А. Экспертные оценки в управлении. Москва: Экономика, 1978. 133 с.
Логунова О. С., Сибилева Н. С., Павлов В. В. Результаты сравнительного анализа решения многокритериальной задачи оптимизации для расчета структуры шихтовых материалов дуго-вой сталеплавильной печи // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2014. № 2 (5). С. 54–64.
Логунова О. С., Сибилева Н. С., Павлов В. В. Система интеллектуальной поддержки выбо-ра шихтовых материалов для дуговой сталеплавильной печи: консолидация эмпирической и экспертной информации // Математическое и программное обеспечение систем в промышлен-ной и социальной сферах. 2016. Т. 4, № 2. С. 26–31.
Логунова О. С., Филиппов Е. Г., Павлов В. В., Павлов И. В. Постановка взаимосвязанных задач многокритериальной оптимизации состава шихты для дуговых электросталеплавильных печей // Вестник НТУ «ХПИ». 2012. № 62 (968). С. 121–129.
Павлов В. В., Ивин Ю. А., Пехтерев С. В., Мацко И. И., Логунова О. С. Влияние фракционного состава металлолома на показатели работы дуговой сталеплавильной печи // Электро-металлургия. 2011. № 11. С. 2–6.
Подвесовский А. Г. Методы принятия решений. Методы оптимальных решений. Брянск: БГТУ, 2010. 196 с.
Подиновский В. В. Введение в теорию важности критериев в многокритериальных задачах принятия решений. Москва: ФИЗМАТЛИТ, 2007. 64 c.
Подиновский В. В., Потапов М. А. Важность критериев в многокритериальных задачах принятия решений: теория, методы, софт и приложения // Открытое образование. 2012. № 2. С. 55–61.
Подиновский В. В., Потапов М. А., Нелюбин А. П., Подиновская О. В. Теория важности критериев: современное состояние и направления дальнейшего ее развития // XII Всероссийское совещание по проблемам управления. ВСПУ–2014 (г. Москва, 16–19 июня 2014 г.). Москва: Институт проблем управления им. В. А. Трапезникова РАН, 2014. С. 7697–7702.
Салганик В. М., Полецков П. П., Кухта Ю. Б., Егорова Л. Г. Управление качеством горяче-катаного проката по профилю и плоскостности на базе использования автоматизированной системы // Вестник Магнитогорского государственного технического университета им. Г. И. Носова. 2010. № 1. С. 59–62.
Сибилева Н. С., Логунова О. С. Теория предпочтения и многокритериальность при выборе структуры шихтовых материалов // Актуальные проблемы современной науки, техники и об-разования: тезисы докладов 76-й международной научно-технической конференции / под редакцией С. В. Пыхтуновой. Магнитогорск: Магнитогорский государственный технический университет им. Г. И. Носова, 2018. Т. 1. С. 241–242.
Соловьев В. И. Методы оптимальных решений. Москва: Финансовый университет, 2012. 364 с.
Торчинский В. Е., Сибилева Н. С., Логунова О. С. Особенности применения генетического алгоритма для оптимизационной задачи о структуре шихтовых материалов дуговой сталеплавильной печи // Электротехнические системы и комплексы. 2018. № 3 (40). С. 63–69.
Bai C., Zhang R., Qian L., Wu Y. Comparisons of probabilistic linguistic term sets for multi-criteria decision making // Knowledge-Based Systems. 2017. Vol. 119. P. 284–291. https://doi.org/10.1016/j.knosys.2016.12.020.
Corrales L. C. N., Lambán M. P., Hernandez Korner M. E., Royo J. Overall Equipment Effectiveness: Systematic Literature Review and Overview of Different Approaches // Applied Sciences. 2020. Vol. 10, iss. 18. URL: https://www.researchgate.net/publication/345031959_Over-all_Equipment_Effectiveness_Systematic_Literature_Review_and_Overview_of_Different_Approaches (дата обращения: 15.08.2021).
Logunova O. S., Sibileva N. S. Intelligent Support System of Steel Technical Preparation in an Arc Furnace: Functional Scheme of Interactive Builder of the Multi Objective Optimization Problem // IOP Conference Series: Materials Science and Engineering. 2017. Vol. 287. URL: https://www.researchgate.net/publication/322215964_Intelligent_Support_System_of_Steel_ Technical_Preparation_in_an_Arc_Furnace_Functional_Scheme_of_Interactive_Builder_of_the_Multi_Objective_Optimization_Problem (дата обращения: 15.08.2021).
Lu Y.-Z., Chen Y.-W., Chen M.-R., Chen P., Zeng G.-Q. Extremal Optimization: Fundamentals, Algorithms, and Applications. Boca Raton: Auerbach Publications, 2016. 350 p.
Mittal S., Khan M. A., Romero D., Wuest T. Smart manufacturing: Characteristics, technologies and enabling factors // Proceedings of the Institution of Mechanical Engineers. Part B: Journal of Engineering Manufacture. 2019. Vol. 233, iss. 5. P. 1342–1361. https://doi.org/10.1177/ 0954405417736547.
Panetto H., Iung B., Ivanov D., Weichhart G., Wang X. Challenges for the Cyber-Physical Manufacturing Enterprises of the Future // Annual Reviews in Control. 2019. Vol. 47. P. 200–213. https://doi.org/10.1016/j.arcontrol.2019.02.002.
Peng X., Yang Y. Algorithms for interval-valued fuzzy soft sets in stochastic multi-criteria decision making based on regret theory and prospect theory with combined weight // Applied Soft Computing. 2017. Vol. 54. P. 415–430. https://doi.org/10.1016/j.asoc.2016.06.036.
Qian F., Zhong W., Du W. Fundamental Theories and Key Technologies for Smart and Optimal Manufacturing in the Process Industry // Engineering. 2017. Vol. 3, iss. 2. P. 154–160. https://doi.org/10.1016/J.ENG.2017.02.011.
Wang G.-D. Technology innovation and development direction of iron and steel industry // Kang T'ieh / Iron and Steel. 2015. Vol. 50, iss. 9. P. 1–10. https://doi.org/10.13228/j.boyuan.issn0449-749x.20150319.
Wei G., Alsaadi F. E., Hayat T., Alsaedi A. A Linear Assignment Method for Multiple Criteria Decision Analysis with Hesitant Fuzzy Sets Based on Fuzzy Measure // International Journal of Fuzzy Systems. 2017. Vol. 19, iss. 3. P. 607–614. https://doi.org/10.1007/s40815-016-0177-x.
Wu J.-Z., Beliakov G. Nonmodularity index for capacity identifying with multiple criteria preference information // Information Sciences. 2019. Vol. 492. P. 164–180. https://doi.org/10.1016/ j.ins.2019.04.025.
Xie S., Xie Y., Huang T., Gui W. Multiobjective-Based Optimization and Control for Iron Removal Process under Dynamic Environment // IEEE Transactions on Industrial Informatics. 2021. Vol. 17, iss. 1. P. 569–577. https://doi.org/10.1109/TII.2020.2975273.
Yu K., Liang J., Qu B., Yue C. Purpose-directed two-phase multiobjective differential evolution for constrained multiobjective optimization // Swarm and Evolutionary Computation. 2021. Vol. 60. https://doi.org/10.1016/j.swevo.2020.100799.
Zanoni S., Ferretti I., Zavanella L. E. Energy savings in reheating furnaces through process modelling // Procedia Manufacturing. 2020. Vol. 42. P. 205–210. https://doi.org/10.1016/ j.promfg.2020.02.071.