- •Двусторонние шпоры по файзу
- •Печатай прямо этот файл
- •Теория принятия решений [3, 4]
- •1. Классы задач принятия решений, системный анализ и характеристика его этапов.
- •2. Графы и показатели эффективности смо с простейшими потоками.
- •6. Замкнутые смо.
- •3. Принятие решений в условиях риска, неопределенности и конфликты.
- •4. Основы линейного программирования. Область применения. Постановка задачи
- •Каноническая форма задач лп
- •Стандартная форма задачи лп
- •Основные понятия лп. Свойства задач лп
- •Методы решения задач лп
- •Симплекс-метод. Характеристика метода
- •М одифицированный алгоритм симплекс-метода
- •Модели управления транспортными потоками.
- •Простейшая транспортная задача (т-задача)
- •Транспортная задача с ограниченными пропускными способностями (Td - задача)
- •Задачи с неоднородным грузом
- •Многоиндексные задачи
- •Транспортные задачи по критерию времени
- •6. Оптимизация транспортных потоков. Метод потенциалов
- •Построение начального плана перевозок
- •Правило северо-западного угла
- •Переход от одного плана перевозок к другому
- •Признак оптимальности
- •Алгоритм метода потенциалов
- •7. Методы управления проектом.
- •8. Двойственность задач оптимизации. Двойственность задач лп
- •Интерпретация двойственной задачи
- •Запись двойственной задачи в общем случае
- •Теоремы двойственности
- •Двойственный симплекс-метод
- •9. Декомпозиция задач планирования большой размерности.
- •Метод декомпозиции Данцига - Вулфа
- •10. Методы определения целочисленных решений.
- •Метод отсечений
- •Метод ветвей и границ
- •Аддитивный алгоритм
- •11. Основы динамического программирования. Достоинства и недостатки метода.
- •Работа метода дп
- •Функциональное уравнение дп
- •Многомерные задачи динамического программирования
- •Снижение размерности с помощью множителей Лагранжа
- •12. Оптимизация надежности технических систем, систем распределения ресурсов.
- •4.2.3. Сбалансированная транспортная задача
- •13. Классы задач нелинейного программирования и методы их решения. Х арактеристика задач
- •Условия оптимальности
- •Методы решения задач нп
- •14. Задачи нелинейного программирования, сводящиеся к линейным. Квадратичное программирование
- •Сепарабельное программирование (сп)
- •Задачи дробно-линейного программирования
- •15. Классификация и характеристика методов «спуска».
- •Методы одномерной минимизации. Метод деления шага пополам
- •Квадратичная аппроксимация
- •Метод деления интервала пополам
- •Метод золотого сечения
- •Метод Фибоначчи
- •Метод первого порядка
- •Методы второго порядка
- •Многомерный поиск безусловного минимума Метод Гаусса-Зейделя (покоординатного спуска)
- •Метод Хука-Дживса (метод конфигураций)
- •Симплексный метод
- •Градиентные методы
- •Метод Ньютона
- •М етоды сопряженных направлений
- •Методы условной оптимизации
- •Метод проектирования градиента
- •Метод штрафных функций
- •Метод барьерных функций
- •16. Методы случайного поиска и генетические алгоритмы.
- •8.8.7. Методы случайного поиска
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •8.8.8. Генетические алгоритмы
- •17. Особенности принятия решений при многих критериях.
- •18. Методы свертки и целевого программирования в принятии решений по многим критериям.
- •10.2.1.4. Линейная свертка
- •10.2.1.5. Максиминная свертка
- •10.2.1.7. Целевое программирование (цп)
- •19. Интерактивные методы принятия решений
Переход от одного плана перевозок к другому
Клетки с базисными переменными будут базисными или занятыми, остальные – небазисными или свободными. Для перехода к новому плану используется замкнутая цепь, которая строится в матрице перевозок по следующим правилам.
П
остроение
начинается со свободной клетки, которую
соединяют с базисной в строке (столбце).
Последнюю соединяют с базисной в столбце
(строке). Далее, чередуя движение по
строкам и столбцам, продолжаем соединение
занятых клеток так, чтобы вернуться в
начальную. При этом не требуется, чтобы
цепь включала все базисные клетки.
Угловые клетки цепи - вершины
цепи.
Правило
построения замкнутой цепи
можно сформулировать проще: начальная
вершина должна быть в свободной клетке,
остальные – в занятых. Такая
цепь называется циклом
пересчета.
Он является геометрическим представлением
разложения небазисного вектора условий
при переменной в свободной клетке по
векторам текущего базиса. Если базисная
клетка не попала в цикл пересчета, то
соответствующий базисный вектор имеет
в этом разложении нулевой коэффициент.
Так как любой небазисный вектор выражается
через базис единственным образом, то
для любой небазисной (свободной) клетки
можно построить один и только один цикл
пересчета. Кружком выделена начальная
(небазисная) клетка цикла. Нумеровать
вершины можно в любом направлении. И
начинать можно с любой вершины. На
рисунке нумерация проведена с клетки,
смежной начальной. В этом случае начальная
клетка всегда будет четной.
В
результате цикл пересчета, построенный
в допустимой матрице перевозок, обладает
замечательным свойством: если перемещать
по нему некоторое количество груза
>0,
прибавляя его к Xij
в
четных вершинах и вычитая из Xij
в нечетных, то условия задачи
и
не нарушатся. Чтобы новое решение было
допустимым, то есть выполнялось и условие
неотрицательности переменных, необходимо
ограничить значение :
0=min Xij,
ij
нечет.
(14) Здесь нечет
– множество индексов переменных в
нечетных вершинах цикла.
Для получения базисного решения (нового опорного плана) достаточно взять = 0. При этом переменная свободной клетки, на которой строился цикл, становится базисной со значением 0, а переменная, доставляющая минимум в (14), обнуляется и переходит в небазисные. Переход от одного плана к другому в методе потенциалов заключается в построении цикла пересчета, определении 0 с последующим прибавлением к значениям переменных в четных вершинах и вычитанием в нечетных.
Признак оптимальности
При перемещении по циклу пересчета увеличиваются на эту величину значения переменных Xij в четных вершинах, а следовательно, увеличиваются и затраты на перевозку на Cij. Одновременно уменьшаются на переменные в нечетных вершинах и на Cij соответствующие им затраты. Отсюда следует, что значение критерия в новом, (k+1)-м решении можно определить по критерию в исходном решении и изменениям в клетках цикла:
или
,(15)
где
(16) Δij
– относительная оценка переменной Xij,
на которой построен цикл.
Для базисных переменных оценка всегда
равна нулю. Δij
показывает, как изменится критерий (в
какую сторону и насколько) при перемещении
по циклу единицы груза (
=1).
Если Δij>0,
то введение Xij
в
число базисных приведет к уменьшению
суммарных затрат. Если же Δij<0,
критерий возрастет, что противоречит
цели. Решение
нельзя улучшить, когда среди оценок нет
положительных, и поэтому признак
оптимальности имеет вид Δij0.(17)
Если признак не выполняется, то новое
решение целесообразно строить на основе
клетки с максимальной оценкой.
Поставим в соответствие каждому пункту отправления сбалансированной задачи некоторую величину Ui, i=1, 2,…, m, а каждому пункту назначения – Vj, j=1, 2,…, n так, чтобы для базисных клеток выполнялись равенства Vj - Ui=Cij, i jбаз.(18)
Система (18) содержит m+ n-1 уравнений с m+ n неизвестными.
Зная Ui и Vj, можно вычислить относительную оценку для любого цикла в текущем плане перевозок. Для любой свободной клетки ij относительная оценка может быть вычислена без построения цикла пересчета по формуле Δij=Vj-Ui-Cij. (19)
Для базисных клеток Δij=0.
Ui и Vj - потенциалы пунктов отправления и назначения соответственно.
Потенциалы можно интерпретировать как локальные цены. Если цена в пункте отправления i равна Ui и груз из него доставляется в пункт назначения j по коммуникации ij, то локальная цена в ПН возрастет по отношению к ПО на величину транспортных затрат: Vj=Ui+ Cij. (20)
Рассмотрим конкретно преобразование матрицы (k) в матрицу (k+1) на основе нового решения X(k+1). Новое решение получено вводом небазисной переменной с максимальной оценкой в (k). Пусть max ij=kr. В матрице (k) отмечаем элементы, соответствующие базисным в новом решении X(k+1) (символом *), максимальную оценку отмечаем особо. Далее строим цепочку выделения. Она строится с особо отмеченного элемента, который соединяют с отмеченными в этой строке. Затем отмеченные элементы, попавшие в цепочку, соединяют с отмеченными в их столбцах. Далее снова проводим соединение по строкам, и так до тех пор, пока не оборвутся все ветви.
Переменной
Xkr
будет соответствовать нулевая оценка,
как и тем переменным из решения X(k),
которые сохранили статус базисных.
Таким образом, преобразованная матрица
соответствует новому опорному плану.
Провести выделение можно и иначе: сначала
вычеркивать строку с максимальным
элементом, затем вычеркивать столбцы,
где есть элементы, отмеченные
в этой строке, и т.д. Вычеркнутые строки
и столбцы являются выделенными.
