![](/user_photo/_userpic.png)
книги из ГПНТБ / Голенко Д.И. Статистические модели в управлении производством
.pdf^ |
= {(1,1),(2,1),(3,2)}, |
Л - { ( І Д ) , ( 3 , 2 ) , ( 1 , 3 ) } . |
|||||
Из матриц Т' и П' вычеркиваем |
множество |
элементов |
|||||
П ^і = {(1,1), (3,2)}, при этом |
получаем |
|
|||||
|
IXtf) |
CI ,2) |
(1,3) |
|
SMTf |
Г2.1.) |
(3,1) |
Г 1 = |
(.2,1) |
(2,3) |
(2,2) |
П |
-User |
(1,2) |
(2,2) |
|
ІЯ&Ї |
(3,1) |
(3,3) |
|
(1,3) |
(2,3) |
(3,3) |
На втором шаге по Ті |
и Пі |
формируем L 2 и F2 |
||||||
L2 ={(1,2),(2,1),(3,1)}, |
F 2 = |
{(2,1),(1,2),(1,3)}- |
||||||
Из матриц Т'\ и П'і вычеркиваем множество элемен |
||||||||
тов L 2 |
П F2 = { 1 , 2), (2, 1)}, при этом получаем |
|
||||||
VНа |
|
U ^ T |
|
(і,з) |
|
U-гГТ |
U r n |
(3,1) |
|
(2,3) |
|
(2,2) |
fT |
Ut2) |
X1t2^ (2,2) |
||
І2&> |
(3,1) |
|
(3,3) |
|
(1,3) |
(2,3) |
(3,3) |
|
третьем шаге по Г'2 и П'г формируем L 3 |
и F 3 |
|||||||
L 3 = |
{(1,3),(2,3),(3,1)}, |
F 3 = {(3,1) (2,2) (1,3)}- |
||||||
Из матриц Т'2 и ГГ2 вычеркиваем множество |
элемен |
|||||||
тов L 3 |
П F з = {(1,3), |
(3,1)}, при этом получаем |
|
|||||
|
І ^ П |
Ш21 |
|
U?3fl |
|
U-rf-т |
t a r n |
ІЗГГГ |
|
І2гГТ |
(2,3) |
|
(2,2) |
|
JUT2T Ur2T (2,2) |
||
|
І Д Л |
ХЗгГТ |
|
(3,3) |
|
ЦтЗУ |
(2,3) |
(3,3) |
На |
четвертом |
шаге по Т'3 и ГУ3 формируем L 4 и F 4 |
||||||
|
L 4 = |
{(2,3),(3,3)}, |
^ 4 = { ( 2 , 2 ) , ( 2 , 3 ) } . |
|
||||
Из |
матриц Т'з |
и П ' 3 вычеркиваем множество |
элемен |
|||||
тов Ц П / 7 4 = : {(2,3)}, при этом получаем |
|
|
||||||
|
(МП |
SAtfl |
|
U-r*7 |
|
i - W T |
ІЛг&Г |
Uri-T |
|
|
ІЛгЗТ |
(2,2) |
" і " |
І3г27 |
£-h27 |
(2,2) |
|
|
ІЗ^Г |
ІЖЇ |
|
(3,3) |
Д+ГЗТ |
ІЛтЗГ |
(3,3) |
|
|
|
|
На тіятом шаге по Т\ |
и П'4 формируем L 5 и F 5 |
|
15=1(2,2), |
(3,3)}, |
F 5 = { ( 2 , 2 ) , ( 3 , 3 ) } . |
Из матриц Т\ |
и П/4 (вычеркиваем множество элемен |
тов L 5 П ^5== {(2,2), (3,3} и получаем матрицы Т'$ и ІГ5, у которых все элементы зачеркнуты, этим доказано,
что исходной матрице П соответствует |
допустимое |
рас |
|||||||
писание. |
|
|
|
|
|
|
|
||
Используя предложенный метод, |
можно |
построить |
|||||||
оценки |
размерности области D расписаний общей |
за |
|||||||
дачи |
календарного |
планирования. |
|
|
|
|
|
||
Если любая операция может быть |
выполнена |
на |
од |
||||||
ном из |
станков n{j |
некоторого множества |
Na, |
то, |
очевид |
||||
но, |
(J |
Nij |
cr N, где N — множество всех станков. Введем |
||||||
Оц |
|
~ |
|
|
|
|
|
|
|
множество |
E = NnX...XN\mi |
XN2\X...XN2m2X...XNniX |
|||||||
X...XNnm.n |
|
как прямое произведение множеств Nij. |
Лю |
||||||
бой |
элемент е є £ |
представляет собой |
упорядоченное |
множество станков и определяет закрепление любой де-
талеоперации |
за |
конкретным |
станком. |
|
|
|||
|
Если |
каждое |
из множеств |
состоит |
из единствен |
|||
ного станка |
пі}, |
т. е. операция Oj3- выполняется |
только |
|||||
на станке с номером п^, |
то число всех вектор-перестано |
|||||||
вок |
к= |
(jTi,...,Ttm) |
равно |
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
R= |
П |
(flf c )!, |
|
|
где |
аи — число операций, |
закрепленных за |
k-ш станком. |
|||||
Число R всех перестановок я с учетом всевозможных |
||||||||
закреплений |
деталеопераций |
за станками |
равно |
|
||||
|
|
|
|
|
m |
|
|
|
|
|
|
|
/?= 2 |
П |
(S6« f t (e))!, |
|
|
г д е |
|
|
|
е е Е |
ft=i |
і,) |
|
|
„ |
. |
Г1, если операция Ojj выполняется на k-u |
станке, |
|||||
°ijfe(e) —|oj в противном случае. |
|
|
Если на k-u станке может выполняться bhp операций детали Р, тогда оценка размерности задачи может быть получена по формуле
R= 2 |
П |
• |
spE |
h=l |
n |
|
' |
П bhP |
|
|
2>=1 |
6. Д . И. Голенко |
81 |
Если на любом станке может выполняться не более, чем одна операция по обработке каждой детали, то для за дачи п'Хт можно получить оценку размерности как част ный случай предыдущих формул:
R={n\)m |
• |
|
Естественно, что оценки |
значительно |
превосходят |
число расписаний множества |
D, так как |
они получены |
как число всевозможных порядков обработки деталей на каждом из станков или число всевозможных вектор-пе рестановок я.
Меру завышения полученных оценок можно опреде лить приближенно следующим образом. Согласно опи санному алгоритму, перестановке я соответствует допу
стимое |
расписание |
А , если |
процесс зачеркивания |
эле |
|||
ментов |
в матрицах V и ІГ продолжается |
до тех |
пор, |
||||
пока не останется ни одного элемента. |
|
|
|
||||
Пусть на /г-м шаге зачеркивания элементов в матри |
|||||||
цах Т |
и П оставшееся число |
|
деталеопераций |
равно х, |
|||
число |
элементов |
множества |
Lk равно m |
и |
число |
эле |
|
ментов |
множества |
Fu равно |
п. |
Тогда вероятность |
Ро(х): |
того, что в множествах Lk и Fu не окажется общих эле ментов (деталеопераций), можно подсчитать по фор муле
{x-m) |
\ (х—п)\ |
Р°(х>-' |
'хцх-т-п)1 |
Вероятность р (s, т, п) того, что процесс зачеркива ния продолжается до конца, можно определить по фор муле
р (s, |
т, гс) = |
_Пs |
/( 1 |
(х—т) |
\ (х—п)\ |
|
|
т+п |
\ |
х\ |
(х—т—п)\ |
п |
и mi —число |
всех |
операций детали dt. Под- |
||
где s = 2mi |
|||||
i=i |
|
|
(s, т, |
п) можно рассматривать |
|
считанную вероятность р |
|||||
приближенно как |
коэффициент, показывающий во сколь |
ко раз количество всех вектор-перестановок я некоторой задачи превосходит размерность области D действитель
ных расписаний. |
|
|
Для задачи |
I I I величины 1 0 Х І 0 Х І 0 |
(10 деталей об |
рабатывается |
на 10 станках, причем |
число операций |
любой детали |
равно |
10), величины R |
и |
|
вероятность |
||||
р (100, 10, 10) |
соответственно равны |
|
|
|
|||||
|
|
/?= (10!)1 0 ££ 1066 |
|
|
|
||||
р loo, ю, |
|
юо |
/ |
і - - |
(х—10)! |
(х—10)! |
\ |
^lo-e . |
|
ю ) = п |
|
— |
L |
|
|||||
|
|
х = 2 0 V |
|
*!(*—20)! |
|
/ |
|
||
Последняя |
|
цифра |
показывает, |
насколько мала при |
моделировании случайной вектор-перестановки вероят ность того, что ей соответствует допустимое расписание.
Как указывалось выше, для использования метода Монте-Карло при решении задачи календарного плани рования возникает проблема моделирования расписания, равномерно распределенного в области D. Можно пред
ложить |
алгоритм |
моделирования такого |
|
расписания, |
|||||
включающий следующие |
этапы: |
|
|
|
|
|
|||
1. Для каждой операции моделируем |
номер |
станка, |
|||||||
на котором эта операция может быть выполнена. |
|
Sj |
|||||||
2. Для каждого станка / формируем |
множество |
||||||||
операций, претендующих на обработку на |
этом |
станке. |
|||||||
3. Для каждого станка моделируем |
перестановку |
я;- |
|||||||
из элементов множества |
Sj. |
|
|
|
|
|
|||
4. Составляем расписание, соответствующее вектор- |
|||||||||
перестановке. |
|
А, |
|
|
|
|
|
|
|
5. Если расписания |
соответствующего |
я = |
(яі, |
Яг, |
|||||
... ,я т ), |
не существует, |
то |
переходим к |
п. 1 и |
повторяем |
||||
процедуру. |
|
|
|
|
|
|
|
|
|
Существенным |
недостатком предложенного алгорит |
||||||||
ма является то, что для получения одного |
расписания |
А |
необходимо выполнить большое число «холостых» опе раций.
Этот недостаток можно устранить, если в моменты од новременных простоев всех станков просматривать пос ледние в определенном порядке и для станка / в очеред ности Яг выбрать первую деталь, которая может загрузить этот станок. Эта процедура обеспечивает просматривание всего множества D, но, вообще говоря, не равномерно.
Часто целесообразно моделировать не на всем мно жестве D, а на некотором подмножестве DczD расписа ний, удовлетворяющих следующему дополнительному ог раничению: если станок свободен и имеется множество деталей, готовых к обработке на этом станке, то на ста
нок запускается |
одна из деталей этого множества. |
9* |
83 |
Этот процесс моделирования дает возможность по лучить «хорошее» расписание за гораздо меньшее чис ло испытаний, чем при моделировании -на всем множе стве D. Необходимо отметить, что оптимальное расписа ние в D может не попасть.
Построение расписания можно рассматривать как процесс разрешения конфликтных ситуаций.
Напомним, что |
ситуация считается |
конфликтной, |
если в некоторый |
момент времени на |
освободившийся |
станок претендует несколько деталей. Разрешение кон фликтной ситуации методом Монте-Карло достигается путем случайного отбора некоторой детали из числа «конкурентных». Множество D также может быть пред ставлено в виде множества путей некоторого дерева, которые соединяют исходную вершину с концевыми вершинами. Любая вершина представляет собой множе ство возможных решений о запуске одной из деталей на освободившийся станок.
Размер множества действительных планов сильно растет с ростом «площадей» задач; даже для задач ти па 10X10x4 (10 деталей обрабатывается на десяти станках, причем каждая деталь имеет не более четырех операций) полный перебор нереализуем на существую щих ЭВМ. ^
При использовании метода Монте-Карло, |
основанного |
|||
на описанном выше |
процессе |
моделирования |
случайного |
|
расписания, имеет |
место так |
называемый «эффект |
уси |
|
ления» [2. 5], который заключается в следующем. |
Если |
сравнивать выборочное распределение цикла, получен ного методом Монте-Карло и путем полного перебора, то окажется, что короткие планы чаще встречаются в методе Монте-Карло, поскольку имеют в среднем мень ше конфликтов, нуждающихся в разрешении, чем пла ны длительные. В алгоритме Монте-Карло конфликт разрешается на случайной основе, поэтому вероятность получения конкретного плана приблизительно обратно пропорциональна количеству разрешаемых конфликтов, встречающихся при построении плана. Следовательно, длительные планы, имеющие большое число конфлик тов, требующих разрешения, менее вероятны, чем ко роткие. К сожалению, .коэффициент усиления не всегда имеет место в натуре, поскольку длительность плана не
всегда зависит |
от числа |
конфликтов, |
нуждающихся в |
разрешении для получения плана. |
|
||
Как было |
показано, |
метод Монте-Карло обладает |
|
тем свойством, |
что при неограниченном |
увеличении чис |
ла испытаний календарный план сходится к оптималь
ному с вероятностью, |
равной единице. Метод |
обладает |
|||||||||||
универсальностью и удобен |
для решения |
задач |
кален |
||||||||||
дарного планирования |
независимо |
от вида |
-критерия оп |
||||||||||
тимальности. Основной |
недостаток |
метода |
заключается |
||||||||||
в том, |
что для получения |
удовлетворительных |
резуль |
||||||||||
татов |
число |
испытаний |
должно |
быть |
очень |
большим. |
|||||||
Так, |
например, |
если |
необходимо |
обнаружить |
|
один из |
|||||||
ста |
возможных |
планов |
(р = 0,01), |
то для |
обеспечения |
||||||||
вероятности |
нахождения |
оптимального |
плана, |
равной |
|||||||||
0,933, |
требуется |
произвести |
не менее 500 испытаний. |
§ 2. 5. Методы направленного случайного поиска
Как было отмечено выше, основным недостатком ненаправленного случайного поиска является медленная сходимость к оптимальному расписанию. Ускорение схо димости может быть достигнуто за счет более разумной организации случайного поиска, при котором отдельные испытания становятся уже зависимыми между собой. Ни же рассматриваются следующие разновидности направ ленного случайного поиска: методы локальной оптими зации и методы, позволяющие с каждым испытанием
.пересчитывать вероятностные характеристики случайного расписания так, что вероятность реализации «хорошего» расписания становится больше вероятности реализации «плохого» расписания.
При использовании методов локального случайного поиска необходимо понятие окрестности U(Л) расписа ния А . Наиболее просто вводится понятие окрестности в
метрических пространствах, |
поэтому для описания |
U(Л) |
|||||
чаще всего вводят понятие |
расстояния |
р между |
двумя |
||||
расписаниями из D, точнее, на произведении |
DxD |
опре |
|||||
деляют |
числовую функцию |
р, обладающую |
свойствами: |
||||
1) |
р(А{, Aj)=p(Aj, |
АІ) |
для любых |
Л,-, Aj<=D; |
|
||
2) |
р(Лг , Aj) > 0 при Ai=/=Aj |
и р ( Л і , Л г ) = 0 ; |
|
||||
3) |
р(Лг, Aj) +p(AJt |
Ah) |
^p(Ai, |
Ah) |
для любых |
|
АИ Aj, Ak^D.
Затем |
определяется |
Р-окрестность UR(A) |
для |
любого |
|
Л е й |
как множество |
расписаний Л г е £ ) , |
удовлетворяю |
||
щих условию р(Л, Ai)^.R; |
другими словами |
UR(A) = |
={АГ.Р(А,А{)^Щ.
При таком определении окрестности алгоритм локаль ного случайного поиска можно сформулировать следую
щим образом. |
|
|
|
|
|
Ап. |
|
|
|
1. Пусть на я-м шаге получено расписание |
Выде |
||||||||
ляем /^-окрестность расписания Ап. |
|
|
|
|
|||||
2. |
Моделируем NN |
раз |
случайные |
расписания |
|||||
A£^UR„ |
(An) |
(s=l, |
2, ... , NN); |
обычно |
стараются |
так |
|||
организовать моделирование |
случайного |
расписания |
Asn |
||||||
чтобы все расписания из URfl |
(Ап) |
были |
равновероятны. |
||||||
3. |
Находим |
расписание |
А*, |
такое, |
что |
К |
(А * ) = |
=тіп/С(Л*) .
4.Если К (Ап ) ^К(Ап), то Ап принимаем за локаль ный оптимум.
Если К (Ап )<К(Ап), то в качестве исходного рас
писания принимаем А * и продолжаем процесс.
Таким образом, за конечное число шагов мы получаем расписание, которое с определенной надежностью прини маем за локальный оптимум. В некоторых случаях в п. 4
,при |
К(А*)^К(Ап) |
сужают |
окрестности расписания Ап |
||
и в |
UR ' (Ап) (R'n<Rn) |
просматривают |
все лланы, |
если |
|
|
п |
|
|
|
|
при |
этом план Ап окажется |
лучше, то |
локальный |
опти |
мум найден достоверно. Эффективность описанной про цедуры поиска определяется в основном характером введенной метрики.
При построении той или иной метрики на множестве перестановок (вектор-перестановок) исходят из чисто интуитивных соображений; в настоящее время не сущест вует методов, с помощью которых можно было бы срав нивать между собой две различные метрики в смысле их эффективности для локального поиска. По этой причине направленный случайный поиск для задач календарного планирования является по сути дела комбинацией эври стических методов и метода Монте-Карло.
При разработке статистических методов поиска экст ремума существенно используется понятие непрерывное- _ ти. По аналогии, в комбинаторном пространстве переста-
новок введем понятие о некотором статистическом экви валенте свойства непрерывности для функций дискрет ного аргумента. Назовем новое свойство, дающее важную информацию о поведении функции дискретного аргумен
та, статистической |
непрерывностью. |
|
|
|
|
|
||||||
Пусть |
М—некоторое |
метрическое |
|
пространство, |
||||||||
х^М; |
через Q(x) |
(Q(x)=/=x) |
обозначим |
окрестность |
||||||||
точки х; |
окрестность |
Q(x) |
будем называть |
не |
минималь |
|||||||
ной, если существует окрестность Qi |
(x)czQ(x). |
|
|
|||||||||
Определение. |
Функция |
К, |
определенная |
на |
М, |
назы |
||||||
вается статистически |
непрерывной в точке |
х^М, |
если |
|||||||||
для каждой не |
минимальной |
окрестности |
Qi (х) сущест |
|||||||||
вует окрестность Q2(x)czQl |
(х) |
такая, что |
|
|
|
|
||||||
|
|
|
DK[Q2(x)]^DK[Ql(x)], |
|
К |
на |
множест |
|||||
где через DK[Q(x)] |
обозначена |
дисперсия |
||||||||||
ве Q(x), |
|
при этом подразумевается, что каждая |
точка |
|||||||||
Xi^Q(x) |
|
имеет вероятность—, если |
п — количество то |
|||||||||
чек в Q |
(х). |
|
|
|
|
|
|
|
|
|
|
|
Легко |
понять, |
что |
наличие свойства |
статистической |
непрерывности существенно связано с выбором метрики, определяющей соответствующие окрестности. Метрики, обеспечивающие больший процент точек со статистичес кой непрерывностью, будем называть метриками с луч шей статистической непрерывностью.
Свойство статистической непрерывности является до полнительной информацией о пространстве и позволяет организовать эффективный поиск за счет возможности адаптации к пространству М. При наличии достаточно больших выборок, полученных с помощью некоторых тес товых задач, можно, не прибегая к фактической органи
зации поиска, проверить относительную |
эффективность |
|||
тех или иных метрик. |
|
|
|
|
Ниже приводится описание некоторых метрик и свя |
||||
занных с ними способов машинной реализации |
локально |
|||
го поиска. |
|
|
|
|
Цепная метрика [2.6]. Расстояние |
р (щ, л2) |
между |
пе |
|
рестановками л\ и л2 вводится как |
число |
нарушений |
по |
парного расположения элементов в одной из них относи
тельно другой. Пусть, |
например, |
я і = (1, 2, |
3, 4, 5, 6, 7, |
8) |
|||
и я 2 = і ( 5 , 6, 7, |
8, |
1, 2, |
3, |
4), тогда |
р ( я ь я2 ) |
= 1, так как |
в |
перестановке |
л2 |
имеется |
нарушение попарного располо |
||||
жения элементов |
относительно я ь а именно (8,1). Иначе |
говоря, расстояние между яі и я 2 определяется как мини мальное количество разрезов, которые необходимо сде лать в одной из перестановок, чтобы из нее составить вто
рую |
перестановку. Легко |
проверить, |
что расстояние |
р ( я ь яг) удовлетворяет свойствам 1—3. |
|
||
Процесс моделирования |
случайной |
перестановки из |
|
£ / л (я) |
можно организовать |
следующим |
образом: |
1.Моделируем R раз случайную величину, равномер но распределенную в интервале (0, я + 1 ) , где п — число элементов перестановки я.
2.Полученные реализации упорядочим по возраста нию, т. е.
3.Элемент перестановки я, находящийся на г-ж мес те, попадает в множество Si, если Ui-i<r^Ui. Тогда мно
жество 5 всех элементов |
перестановки |
разбивается на |
||
R + 1 непересекающихся подмножеств, т. е. |
|
|||
S = U |
Si и Si |
П Sj= |
0 при |
іф\. |
4. Моделируется |
перестановка |
я ' = ( ч , . . . , IR+\) чисел |
1, 2, ...,/? + 1 , в соответствии с которой размещают мно жество Si. Ясно, что полученная таким образом переста новка я находится от исходной я на расстоянии, не пре вышающем R.
Другими словами, мы вначале случайным образом вы брали R мест разрезов и разрезанные участки случайным образом переставили между собой.
Например, я = ( 2 , 5, 6, 8, 1, 7, 3, 4), п = 8; # = 3. В ре зультате моделирования случайной величины, равномер но распределенной на (0,9), получены реализации щ =
- 2 , 1 ; и2 = 2,5; и3 = 6,2. Тогда 5 ^ (2,5), S2 = 0 , |
S^(6,8, |
1, 7), 5 4 = (3, 4,). Пусть_далее я ' = (2, 3, 4, 1), тогда я=!(6, 8, 1,7,3, 4,2, 5) и р ( я , я) = 1.
Метод поиска локальных экстремумов на основе вве денной метрики называют цепным методом Монте-Карло. При разумном задании Rn и Nn цепной метод более эф фективен, чем обычный метод Монте-Карло. Так, в зада че 20X10 (20 деталей обрабатываются на 10 станках) [2.6] время обработки детали на станке задавалось двумя способами: путем моделирования случайной величины.
равномерно распределенной |
на (0,10), — в первом слу |
чае, и на (0,100) — во втором. |
|
Цепной метод и метод Монте-Карло дали примерно |
|
одинаковые результаты при |
вычислительных затратах |
для ценного метода примерно в 5—6 раз меньше, чем для метода Монте-Карло.
Лексикографическая |
метрика |
[2.7]. Расстояние р ( я ь |
|
Яг) между двумя |
перестановками |
в лексикографической |
|
метрике вводится |
как |
IN(m) — ЛҐ(л2 )І, где М(я) — цело |
численная функция, определенная на множестве всех пе
рестановок, п объектов со значениями на отрезке R |
нату |
||||||
рального ряда |
от 1 до п\. |
Дальнейшие выкладки связаны |
|||||
с |
построением |
функций |
N(n) =g(g^R) |
и N~l |
(g) |
= |
|
= |
я ( л є П ) . |
|
|
|
|
|
|
|
Определение N(n). |
Пусть имеются две различные |
пе |
||||
рестановки |
|
|
|
|
|
|
|
|
|
Я\ = |
(аг |
GC2>--->(Zn), |
|
|
|
|
|
Я 2 = ( P i , Р2 ' • • • > P n ) • |
|
|
|
||
|
Введем на |
множестве |
перестановок |
отношение |
поряд |
ка следующим образом: я.і<яг, если существует такое і (Is^is^n), что Рі = а ь р 2 = « 2 рг-і = ш-і, но Рг>аг. Легко видеть, что указанное отношение обладает свойст вом транзитивности (если Яі<Яг и яг<яз, то яі<Яз) и, таким образом, все множество перестановок может быть однозначным образом упорядочено. Использованный принцип упорядочения обычно называют лексикографи ческим. Каждой перестановке поставим в соответствие число N(n), которое определим как номер места, зани маемого перестановкой я при лексикографическом упоря
дочении всего множества перестановок. Для |
вычисления |
|||||||
Ы(я) |
введем на |
множестве перестановок п объектов |
П |
|||||
разбиения на классы k-ro порядка. |
|
|
ап) |
|||||
Будем |
считать, что |
перестановки |
я і = ( а і , |
а г , . . . , |
||||
и я 2 |
= (Рь |
р2 , • •-,Р«) |
входят |
в один |
класс |
порядка |
/г |
|
(k= |
1,2,..., |
/г), |
если сії=101, |
0 2 = ^ 2 , - ••, ай=Рь . Очевид-' |
но, что множество П всех перестановок состоит из п клас
сов 1-го порядка, |
п(п—1) классов 2-го |
порядка и т. д. |
Разбиение на классы имеет следующие |
свойства: |
|
1. При любом |
k разбиение 6-го порядка представляет |
собой разбиение на непересекающиеся классы, т. е. клас сы k-vo порядка представляют собой непересекающиеся множества, объединение которых содержит все переста новки из П.