- •1. Основные понятия и этапы са. Основные понятия са
- •Этапы системного анализа
- •2. Операция и ее составляющие. Этапы ио.
- •3. Применение научных методов Этапы операционного проекта
- •6. Внедрение результатов исследования.
- •3. Виды математических моделей ио, примеры.
- •4. Состязательные задачи. Решение игры 2-х лиц.
- •5. Классификация и характеристики смо. Понятие системы массового обслуживания
- •Поток событий и его свойства
- •Транспортная задача
- •8. Формы представления задач лп и способы приведения к ним. Каноническая форма задач лп
- •Стандартная форма задачи лп
- •9. Основные понятия лп, свойства задач лп. Постановка задачи
- •Основные понятия лп. Свойства задач лп
- •10. Геометрия задач лп, базисные решения, вырожденность. Геометрия задач лп
- •Выделение вершин допустимого множества
- •11. Понятие базиса, переход от одного базисного решения к другому.
- •Построение начального базисного решения
- •13. Алгоритм симплекс-метода.
- •14. Двойственность в лп, построение моделей двойственных задач. Двойственность задач лп
- •Запись двойственной задачи в симметричном случае
- •Запись двойственной задачи в общем случае
- •15. Экономическая интерпретация двойственной задачи. Двойственный симплекс-метод. Интерпретация двойственной задачи
- •Двойственный симплекс-метод
- •16. Теоремы двойственности.
- •17. Учет двусторонних ограничений, модифицир. Симплекс-метод. Учет двусторонних ограничений
- •М одифицированный алгоритм
- •18. Параметрический анализ вектора ограничений.
- •19. Параметрический анализ коэффициентов линейной формы.
- •20. Модели транспортных задач и их хар-ка, условия разрешимости. Простейшая транспортная задача (т-задача)
- •Транспортная задача с ограниченными пропускными способностями (Td - задача)
- •Многоиндексные задачи
- •Транспортные задачи по критерию времени
- •21. Построение начального плана перевозок т-задачи
- •Правило северо-западного угла
- •Правило минимального элемента.
- •Метод Фогеля
- •22. Обоснование метода потенциалов. Переход от одного плана перевозок к другому
- •Признак оптимальности
- •23. Алгоритм метода потенциалов
- •24. Двойственность т-задач, эконом. Интерпретация потенциалов. Двойственная пара транспортных задач
- •Экономическая интерпретация потенциалов
- •25. Метод потенциалов для Td-задачи.
- •26. Приведение открытой модели транспортной задачи к закрытой.
- •27. Трансп. Задачи в сетевой постановке, задача о кратчайшем пути. Транспортные задачи в сетевой постановке (транспортные сети)
- •Алгоритм Дейкстры-Форда:
- •28. Задача о максимальном потоке.
- •29. Метод декомпозиции Данцига-Вулфа в общем случае.
- •30. Метод декомпозиции транспортных задач
- •31. Постановка задач стохастического программирования
- •32. Целочисленное программирование: Особенности, концепции точных и приближенных методов решений.
- •Проблема целочисленности
- •33. Методы отсечений.
- •34. Метод ветвей и границ.
- •35. Аддитивный метод.
- •36. Нелинейное программирование (нлп): постановка, классы задач нлп, условия оптимальности. Характеристика задач
- •Условия оптимальности
- •37. Квадратичное программирование.
- •38. Сепарабельное и дробно-линейное программирование. Сепарабельное программирование (сп)
- •Задачи дробно-линейного программирования
- •39. Методы покоординатного спуска и Хука-Дживса. Метод Гаусса-Зейделя (покоординатного спуска)
- •Метод Хука-Дживса (метод конфигураций)
- •40. Симплексный метод поиска.
- •41. Градиентные методы.
- •Методы сопряженных направлений
- •Методы Пауэла, Флетчера-Ривса, Девидона-Флетчера-Пауэла
- •43. Методы случайного поиска.
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •44. Метод проектирования градиентов.
- •45. Генетические алгоритмы
- •46. Методы штрафных и барьерных функций. Метод штрафных функций
- •Метод барьерных функций
- •47. Динамическое программирование (дп): принцип оптимальности, функциональное уравнение, процедура дп.
- •Как работает метод дп
- •Функциональное уравнение дп
- •48. Дп: задача распределения ресурсов, достоинства дп.
- •49. Дп: задача о кратчайшем пути и с мультипликативным критерием. Задача о кратчайшем пути
- •Задача с мультипликативным критерием
- •50. Дп: организация выпуска m видов продукции.
- •51. Дп: задача об инвестициях.
- •52. Дп: многомерные задачи и проблемы решения.
- •53. Дп: снижение размерности с помощью множителей Лагранжа
- •54. Задачи спу: построение сети и временной анализ.
- •Временной анализ (для детерминированной сети)
- •55. Задачи спу: оптимизация.
- •56. Многокритериальные задачи: постановка, проблемы, основные понятия, методы.
- •Методы многокритериальной оптимизации
- •57. Многокрит. Задачи: функция полезности, лексикографический метод. Функция полезности
- •Решение на основе лексикографического упорядочения критериев
- •58. Методы главного критерия, свертки, идеальной точки, целевого програм-я. Метод главного критерия
- •Линейная свертка
- •Метод идеальной точки
- •Целевое программирование (цп)
- •59. Диалоговые методы решения задач по многим критериям.
- •Метод уступок
- •Интерактивное компромиссное программирование
Построение начального базисного решения
Начальное базисное решение может быть получено из модели, представленной в канонической форме. При этом выбор базисных переменных зависит от вида условий исходной модели, каждому условию соответствует своя базисная переменная (предполагается линейная независимость m условий). Варианты построения:
1. Исходная модель
представлена неравенствами “”:
.
Для приведения к каноническому виду в
каждое неравенство вводится дополнительная
переменная:
Если положить
xj=0,
j=1,2,…,n,
то дополнительные переменные xn+i=bi0
(i=1,2,…,m)
удовлетворяют всем требованиям
допустимого базисного решения: выполняются
все условия задачи и число базисных
переменных равно m.
Этому базисному решения соответствует
единичный
базис {Ai}(0)={An+1,
An+2,…,An+m}.
Не надо вычислять коэффициенты разложения
небазисных векторов по базису. В системе
уравнений
каждый
коэффициент входит только в одно
уравнение с множителем +1. Поэтому ее
решением будет n+i,j=
aij,
то есть коэффициенты разложения равны
соответствующим компонентам раскладываемого
вектора условий.
2
.
Исходная модель - “”:
.
каноническая модель:
Если из доп.
переменных образовать базисное решение,
то оно будет недопустимым, тк. из модели
следует
Строится искусственное базисное решение, в котором все переменные неотрицательные, но не выполняется часть функциональных ограничений. Здесь возможны два варианта.
в
каждое равенство канон. модели вводится
искусств.
переменная
:
Полагая
все исходные и дополнительные переменные
равными 0, получаем искусственное
базисное решение
В нем все исходные неравенства не
выполняются. Векторы с одноименными
индексами образуют начальный единичный
базис. Это приводит к значительному
увеличению числа переменных.
Найдем в канон. модели уравнение с наибольшей правой частью. Пусть таким будет последнее уравнение, то есть.
.
Вычитая из него каждое уравнение
получаем :
где
Если теперь положить xj=0
(j=1,2,...,m)
и xn+m=0,
то дополнительные переменные xn+i=b`i0
(i=1,2,…,m-1)
могут быть приняты в качестве базисных.
Не хватает одной базисной переменной
и последнее уравнение не выполняется.
Введем в него искусственную переменную
xm+n+1.
Получено искусственное базисное решение,
содержащее независимо от числа ограничений
только одну искусственную переменную.
Соответствующий ему базис является
единичным:
.
При переходе от
одного базисного решения к другому
допустимое решение достигается только
тогда, когда все
искусственные переменные
станут равными нулю. Для ускорения
вывода этих переменных из числа базисных
(обнуления) рекомендуется придавать им
большой негативный вес путем модификации
критерия:
,
для 1 варианта,
для 2 варианта, где М
- большое
положительное число, такое, что M>>max|Cj|.
Если при выполнении признака оптимальности
хотя бы одна искусственная переменная
останется положительной - задача
неразрешима из-за противоречивости
условий: не выполняться будут те условия,
в которые входят ненулевые искусственные
переменные.
3.В исходной модели условия заданы в виде равенств
Для построения
базисного решения введем в каждое
равенство искусственную переменную:
Базисное решение
будет состоять из искусственных
переменных
базис – из единичных векторов при этих
переменных, а исходный критерий
модифицируется:
Число искусственных переменных может быть меньше, если в исходной системе есть переменные, входящие со знаком плюс только в одно уравнение. Такие переменные принимаются за базисные, а искусственные переменные в соответствующие условия не вводятся..
4.Исходная модель содержит все виды ограничений (общий случай).
Предварительно условия группируются по виду. В каждой группе определяются базисные переменные одним из способов, описанных выше. Очевидно, что при таком подходе начальный базис будет единичным и, следовательно, не потребуется вычислять коэффициенты разложения небазисных векторов в начальном решении.
