- •Оглавление
- •Постановка задачи.
- •Формализация задачи.
- •Нахождение метода решения.
- •Проверка и корректировка модели.
- •Типичные классы задач исследования операций
- •Некоторые принципы принятия решений в ио
- •Многокритериальные задачи принятия решений в условиях определенности
- •Методика определения полезности для ситуации с качественными критериями
- •Принятие решений в условиях риска
- •Принятие решений в условиях неопределенности
- •Критерии Вальда, Лапласа, Гурвица, Сэвиджа в частном случае принятия решений в условиях неопределенности
- •Принятие решений в условиях конфликтных ситуаций или противодействия.
- •Развернутая форма игры
- •Нормальная форма игры
- •Ситуации равновесия
- •Игры с нулевой суммой. Антагонистические игры. Теорема о ситуациях равновесия.
- •Доказательство. Ситуация равновесна. Следовательно . Т.Е. Выбор любой другой стратегии первым игроком, при условии, что второй сохранит стратегию , приводит к худшему результату.
- •Нормальная форма
- •Смешанные стратегии. Максиминные и минимаксные стратегии игроков.
- •Теорема о минимаксе. Лемма 1 (об опорной гиперплоскости).
- •Поэтому
- •Теорема о минимаксе. Лемма 2.
- •Доказательство теоремы о минимаксе
- •Вычисление оптимальных стратегий (поиск решения в чистых стратегиях, доминирование стратегий, решение игр 22).
- •Решение антагонистических игр методами линейного программирования.
- •Решение методами линейного программирования матричных игр с ограничениями.
- •Решение параметрических задач линейного программирования.
- •Таким образом, можно утверждать, что если , (4)
- •Методы отсечения для решения задач дискретного программирования.
- •Первый алгоритм Гомори для решения полностью целочисленной задачи линейного программирования
- •Блок‑схема алгоритма
- •Второй алгоритм Гомори для решения частично целочисленной задачи линейного программирования
- •Третий алгоритм Гомори (полностью целочисленный)
- •Построение целочисленного правильного отсечения для 3-го алгоритма Гомори.
- •Построение начальной l-нормальной целочисленной симплексной таблицы
- •Построение целочисленного отсечения в третьем алгоритме Гомори
- •Выбор в третьем алгоритме Гомори
- •Метод потенциалов для решения транспортной задачи с ограничениями на пропускные способности
- •Решение задач нелинейного программирования с ограничениями равенствами. Метод множителей Лагранжа
- •Метод множителей Лагранжа
- •Условия Куна-Таккера для задачи выпуклого нелинейного программирования
- •Квадратичное программирование
- •Метод Франка и Вулфа для задачи квадратичного программирования
- •Исходная таблица метода Франка и Вулфа
- •Метод Баранкина и Дорфмана для задачи квадратичного программирования
- •Алгоритм
- •Исходная таблица метода Баранкина-Дорфмана
Таким образом, можно утверждать, что если , (4)
то найденный оптимальный план для t0 будет оставаться оптимальным для всех t, удовлетворяющих (4).
Если область
изменения
параметра t,
заданная в технических условиях, не
накрывается отрезком
,
то возникает необходимость исследования
параметрической модели для
и
.(Это
в том случае, если хотя бы
или
).
Исследуем
для
.
Пусть
Тогда в опорный план (в базис) необходимо ввести переменную, соответствующую столбцу k ( x k ).
Просматривается столбец коэффициентов в таблице, если среди них нет положительных, то при линейная форма не ограничена на допустимом множестве. Если есть положительные, то среди них выбираем тот, для которого отношение свободного члена к соответствующему положительному коэффициенту минимально. Он и берется в качестве разрешающего элемента.
Для
нового плана получаем, что
,
т.е. наше
становится левой границей нового
интервала.
Находится
Если
или правая граница исходного интервала
,
,
то исследование в этом направлении
прекращается. Аналогично проводится
исследование параметрической модели
для
.
В этом случае в базис вводят переменную,
соответствующую
.
В
результате исследования за конечное
число итераций прямая t
разобьется на множества оптимальности,
каждому из которых соответствует свой
оптимальный план.
Случай
20. Необходимо специально
остановиться на этом случае, когда в
результате предварительного анализа
при
обнаружено, что целевая функция не
ограничена.
Это
соответствует
(5)
и все коэффициенты в k-м столбце неположительны.
При
условие (5) соблюдается для любого
значения параметра, а значит задача
неразрешима на всей оси t.
Если
,
то (5) выполняется для всех значений
Если
,
то (5) выполняется при
Т.о. в первом случае наша задача неразрешима слева от t1, а в противном – справа от t1.
Анализ
параметрической задачи на луче
начинается с решения задачи для
,
отправляясь с имеющегося базиса. Если
в этом случае в процессе решения будет
найден оптимальный план для t1,
то решение продолжается как и в первом
случае.
Если и в этом случае процесс окончился выявлением неразрешимости задачи:
и
в столбце коэффициентов
,
то
дальнейший анализ зависит от знака
.
Если
,
то задача неразрешима всюду.
Или если
и
,
и если при
–
задача неразрешима и при
–
неразрешима, то она вообще неразрешима
на всей оси.
Алгоритм
метода последовательного улучшения
плана для параметрической модели
обладает некоторыми особенностями.
Вместо одной строки критерия вводятся
три дополнительные строки
и
для случая 10 и две строки
и
в
случае 20.
Процесс
решения начинается с анализа для
некоторого
.
После выявления случая 10, вводят
строки
и
.
t0 стараются
выбрать таким образом, чтобы при анализе
движение по оси t
происходило в одном фиксированном
направлении.
Тогда
при движении вправо строку
заполняют лишь для позиций, соответствующих
.
Если все позиции последней строки
оказались незаполненными, то текущий
опорный план оптимален для всех
,
.
В противном случае индекс минимального
элемента этой строки определит индекс
переменной, которую надо сделать
базисной, а значение этого элемента
совпадет с правой границей множества
оптимальности текущего опорного плана.
При
движении влево заполняются лишь строки,
соответствующие
.
В этом случае, если последняя строка
останется не заполненной, то текущий
опорный план оптимален для всех
,
.
Незаполненность последней строки при
движении в фиксированном направлении
является признаком прекращения анализа
в этом направлении, т.е. план остается
оптимальным при стремлении t
к
.
Если
в модели
,
то этот процесс может закончиться
раньше, как только область анализа
охватит этот интервал.
