- •1. Основные понятия теории принятия решений. Основные модели и методы теории принятия решений. Основные этапы процесса принятия решений. 4
- •1. Основные понятия теории принятия решений. Основные модели и методы теории принятия решений. Основные этапы процесса принятия решений.
- •1.1 Основные понятия теории принятия решений.
- •1.2 Основные модели и методы теории принятия решений. Модели:
- •Методы:
- •1.3 Основные этапы процесса принятия решений.
- •2. Классификация задач принятия решений.
- •3. Принятие решений в условиях полной определенности. Типы задач, критериев и общая схема решения. Общие группы методов решения многокритериальных задач принятия решений.
- •Допустимые решения.
- •Допустимые базисные решения.
- •8. Сведения из теории выпуклых множеств. Выпуклые множества в n-мерном пространстве. Сведения из теории выпуклых множеств.
- •Выпуклые множества в n-мерном пространстве.
- •9. Задача линейного программирования в канонической форме. Основные теоремы о множествах оптимальных решений этой задачи. Задача линейного программирования в канонической форме.
- •Основные теоремы о множествах оптимальных решений этой задачи.
- •10. Геометрический метод решения задачи линейного программирования m X n. Пример для задачи m X 2 (на максимум и минимум). Геометрический метод решения задачи линейного программирования m X n.
- •Пример для задачи m X 2 (на максимум и минимум).
- •11. Аналитический метод решения задачи линейного программирования m X n (симплекс-метод). Для задач на максимум и минимум.
- •Для задачи на максимум
- •Для задачи на минимум
- •12. Симплекс-таблицы в симплекс-методе для задач на максимум и минимум.
- •13. Метод искусственного базиса в симплекс-методе.
- •14. Двойственные задачи линейного программирования. Теоремы двойственности.
- •17. Смешанные стратегии двух игроков в матричной игре. Выигрыши игроков в игре. Теорема Дж. Фон Неймана о ситуации равновесия. С мешанные стратегии двух игроков в матричной игре.
- •21. Графический метод решения матричной игры (2m).
- •22. Графический метод решения матричной игры (n2).
- •23. Активные (существенные) стратегии игроков. Теоремы об активных стратегиях.
- •24. Принцип доминирования стратегий двух игроков. Теоремы о доминируемых стратегиях.
- •25. Вполне смешанная игра. Решение матричной игры nn методом обратной матрицы.
- •Вполне смешанная игра.
- •Решение матричной игры nn методом обратной матрицы.
Выпуклые множества в n-мерном пространстве.
Р
M3
ассмотрим двумерный случай (n = 2)
M1
M’
Пусть у нас есть четыре точки: M1, M2, M3, M
M2
M
Координаты M можно записать через координаты точек, на отрезкемежду которыми она находится:
M1, M2, M3 – треугольник, а любой треугольник это выпуклое множество.
Пусть точка M’ лежит на отрезке M; M3. Тогда её координаты можно записать следующим образом:
Так при помощи M1, M2, M3 можно записать любую M’ в множестве.
Тогда выпуклым множеством в n-мерном пространстве является любая линейная комбинация вида
9. Задача линейного программирования в канонической форме. Основные теоремы о множествах оптимальных решений этой задачи. Задача линейного программирования в канонической форме.
В общем виде ЗЛП выглядит так: А ограничение на переменные так:
Чтобы привести ЗЛП в каноническую форму, необходимо преобразовать неравенства в уравнения, добавив в каждое в левую часть дополнительные переменные.
Тогда в канонической форме ЗЛП будет иметь вид
Множество всех допустимых решений является выпуклым множеством:
Возьмем выпуклые комбинации X1 X2
Х3 – решение
Решение всегда находится на границе.
Основные теоремы о множествах оптимальных решений этой задачи.
Теорема 1: Если задача ЛП имеет оптимальное решение, то линейная функция F(x) достигает своего оптимума (max/min) в одной из угловых точек многогранника решений.
Теорема 2: Каждому допустимому базисному решению ЗЛП соответствует угловая точка многогранника решений и на оборот, каждой угловой точке соответствует допустимое базисное решение. n>m
10. Геометрический метод решения задачи линейного программирования m X n. Пример для задачи m X 2 (на максимум и минимум). Геометрический метод решения задачи линейного программирования m X n.
ЗЛП можно решить геометрически, если m – n = 2. Известно, что m линейных независимых уравнений можно решить через m базисных переменных, выразив их через остальные переменные.
Например x1, x2 – свободные, x2, x3, x4, … xn – базисные
F(x) = c1x1 + … + cnxn –> max(min) AX = B
Система ограничений состоит из m уравнений, или (если нет – преобразовать) неравенств.
Необходимо построить многоугольник решений в плоскости x1D x2. Необходимо среди точек этого многоугольника найти такую точку, в которой линейная функция F = с1х1 + с2х2 принимает максимальное (или минимальное) значение. Рассмотрим так называемую линию уровня линейной функции F, т.е. линию, вдоль которой функция принимает одно и то же фиксированное значение а, т.е. F = а, или с1х1 + с2х2 = a.
Линии уровня перпендикулярны grad F(x), где grad F(x) {с1, с2}, направление возрастания, а -grad F(x) – направление убывания.
Точка А, являющаяся оптимальным решением, будет соответствовать точке, через которую проходит линия уровня с максимальным (для задач на максимум) или минимальным (для задач на минимум) уровнем.
Оптимальное решение может не существовать, если многоугольник решений не органичен сверху (для задач на максимум) или снизу(для задач на минимум).
Пример для задачи m X 2 (на максимум и минимум).
11. Аналитический метод решения задачи линейного программирования m X n (симплекс-метод). Для задач на максимум и минимум.
При решении ЗЛП с помощью симплекс метода, задача должна иметь вид
F(x) = … -> max/min + система ограничений вида A*x ? B, где A=(aij)m x n – матрица, а x и В – вектора ? – знак неравенства.
Процесс решения:
Для начала необходимо перевести ЗЛП в канонический вид:
Если система ограничений представлена в виде неравенств, необходимо в каждое уравнение добавить новую переменную в правую часть, чтобы сделать неравенство равенством. (Если знак <= переменная с плюсом, если >=, то с минусом).
Затем нужно взять 2 переменные свободными, а остальные добавить в базис.
Базисные переменные в системе ограничений и в F(x) нужно выразить через свободные.
Чтобы проверить оптимальность, необходимо взять свободные переменные = 0.