- •Тема 1. Классификация моделей.
- •Тема 1. Классификация моделей.
- •Основные признаки классификации моделей.
- •Область использования.
- •Учет в модели временного фактора.
- •Способ представления модели.
- •Тема 2. Классификация языков компьютерного моделирования.
- •Тема 3. Этапы и цели компьютерного математического моделирования.
- •Раздел 1. Задачи линейного программирования.
- •Тема 1. Математическое программирование. Общий вид задач линейного программирования.
- •Формулировка задачи.
- •Геометрическая интерпретация задачи линейного программирования.
- •Найти минимальное значение линейной функции
- •Тема 2. Графический метод решения задач линейного программирования.
- •Примеры задач, решаемых графическим методом.
- •Обобщение графического метода решения задач линейного программирования.
- •Тема 3. Симплекс - метод.
- •Каноническая задача лп на максимум.
- •Вспомогательная задача лп.
- •Алгоритм метода искусственного базиса
- •Вспомогательная задача лп.
- •Алгоритм метода искусственного базиса.
- •Тема 4. Транспортная задача.
- •4.2 Составление опорного плана.
- •4.3 Метод потенциалов.
- •Раздел 2. Теория графов.
- •Тема 1. Основные понятия теории графов.
- •Элементы множества V называются вершинами графа g (или узлами), элементы множества u-его ребрами. Вершины и ребра графа называют также его элементами и вместо VV и u u пишут Vg и ug.
- •1.2 Операции над графами.
- •1.3.Связность графов.
- •1.4 Эйлеровы графы.
- •1.5 Гамильтоновы графы.
- •Тема 2. Поиск пути в графе.
- •2.2 Путь минимальной суммарной длины во взвешенном графе с неотрицательными весами (алгоритм Дейкстры).
- •2.3 .Путь минимальной суммарной длины во взвешенном графе с произвольными весами для всех пар вершин (алгоритм Флойда).
- •2.4 Путь с минимальным количеством промежуточных вершин (волновой алгоритм).
- •2.5 Нахождение k путей минимальной суммарной длины во взвешенном графе с неотрицательными весами (алгоритм Йена).
- •Тема 3. Задачи о минимальном остове.
- •3.1 Деревья.
- •3.1 Построение минимального остовного дерева (алгоритм Краскала).
- •3.1 Деревья.
- •3.1 .Построение минимального остовного дерева (алгоритм Краскала).
- •Раздел 3. Динамическое программирование.
- •Тема 1. Метод динамического программирования.
- •1.2 Идеи метода динамического программирования
- •1.3 Выбор состава оборудования для технологической линии.
- •Исходные данные для примера
- •Тема 2. Задача инвестирования.
- •Тема 3. Замена оборудования.
- •Тема 4. Задача о загрузке.
- •4.2 Рекуррентные соотношения для процедур прямой и обратной прогонки.
- •4.3 Решение задачи о загрузке.
- •Раздел 4. Системы массового обслуживания (смо). (8 часов).
- •Тема 1. Основные понятия теории массового обслуживания.
- •Тема 2. Простейшие смо и нахождение их параметров.
- •Перечень характеристик систем массового обслуживания можно представить следующим образом:
- •2. Одноканальная смо с неограниченной очередью
- •3. Одноканальная смо с неограниченной очередью, простейшим потоком заявок и произвольным распределением времени обслуживания
- •4. Одноканальная смо с произвольным потоком заявок и произвольным распределением времени обслуживания
- •Раздел 5. Имитационное моделирование.
- •Тема 1. Простейшие задачи, решаемые методом имитационного моделирования.
- •Тема 2. Основные понятия теории Марковских процессов.
- •Тема 3. Метод Монте – Карло.
- •Раздел 6. Прогнозирование.
- •Тема 1. Основная идея прогнозирования. Методы прогнозирования
- •Тема 2.Теории экспертных оценок.
- •Раздел 7. Теория игр.
- •Тема 1. Основные понятия теории игр.
- •1. 1 Понятие об играх и стратегиях
- •Тема 2. Простейшие методы решения задач теории игр.
- •Раздел 8. Элементы теории принятия решений. (2 часа).
- •Основные понятия.
- •Принятие решений в условиях полной неопределенности
- •Принятие решений при проведении эксперимента.
- •2. Принятие решений в условиях полной неопределенности
- •2.1 Максиминный критерий Вальда.
- •Критерий равновозможных состояний.
- •3. Принятие решений при проведении эксперимента.
- •3.1. Принятие решений в условиях неопределенности.
- •3.2. Использование смешанной стратегии
- •3.3. Принятие решений в условиях риска
Раздел 8. Элементы теории принятия решений. (2 часа).
-
Основные понятия.
-
Принятие решений в условиях полной неопределенности
-
Принятие решений при проведении эксперимента.
Основные понятия.
Принятие конкретного решения человеком в той или иной области базируется на его практическом опыте, знании существа дела, интуиции.
Математическая теория принятия решения – дополнительное средство, помогающее принимать решение. Полезность этой теории состоит в том, что она дает правильную ориентацию человеку, настраивает его на количественный лад. Она формализует процесс ПР, а это открывает большие возможности применения ЭВМ.
Наиболее важными особенностями ситуации ПР являются следующие:
-
Наличие не менее двух взаимоисключающих вариантов, из которых должен быть выбран только один.
-
Наличие критерия, позволяющего количественно оценивать имеющиеся варианты, и по этим оценкам осуществлять выбор.
Вопрос о критериях является наиболее сложным. Обычно трудно приписать каждому варианту определенное числовое значение. В большинстве практических случаев эти числовые значения можно задавать весьма приближенно и, к тому же, относительно.
Математическую теорию ПР можно рассматривать как часть математической статистики. Раздел «Теория статистической проверки гипотез» относится с точностью до терминов к ТПР. С другой стороны, ТПР можно рассматривать как часть теории исследования операций, поскольку в обеих теориях из множества вариантов согласно некоторому критерию выбирается наилучший.
Теория принятия решений, как и родственная ей теория игр, – раздел прикладной математики, в котором исследуется весьма широкий класс задач оптимизации. Центральное место в ТПР играют байесовские стратегии, позволяющие рассматривать процесс принятия решений как своеобразный обучающий процесс.
2. Принятие решений в условиях полной неопределенности
Для начала возьмем случай полной («дурной») неопределенности, когда вероятности состояний природы либо вообще не существуют, либо не поддаются оценке даже приближенно. Обстановка неблагоприятна для принятия «хорошего» решения — попытаемся найти хотя бы не самое худшее. Здесь все зависит от точки зрения на ситуацию, от позиции исследователя, от того, какими бедами грозит неудачный выбор решения. Опишем несколько возможных подходов, точек зрения (или, как говорят, несколько «критериев» для выбора решения).
Пусть имеется совокупность действий, операций
а1, а2, ..., аm, m 2, (1)
которые может совершить человек для достижения поставленной цели, причем одну и только одну операцию аi, i{1, 2, ..., m}, выбирает человек, принимающий решение.
Кроме того, представлен перечень объективных условий, например, состояний природы
Q1, Q2, ..., Qn, (2)
одно из которых Qj, j{1, 2, ..., n}, будет иметь место в действительности.
Для каждой операции аi, i = 1, 2, ..., m, при любом условии Qj, j = 1, 2, ..., n, задана полезность (выгода, доход) в некоторых единицах ij. Величины ij, играющие роль платежей в теории игр, обычно задаются из эвристических, субъективных соображений. При этом возникают специфические трудности при их числовой оценке, обусловленные такими факторами, как: болезни, удовольствия, престиж, репутация и т.д. Величины ij можно задавать относительно, поэтому их называют показателями предпочтительности.
Все перечисленные условия, при которых принимается решение, представлены в табл. 1.
Таблица 1
Объективные условия Операции |
Q1 |
Q2 |
… |
Qn |
a1 |
11 |
12 |
… |
1n |
a2 |
21 |
22 |
… |
2n |
… |
… |
… |
… |
… |
am |
m1 |
m2 |
… |
mn |
Если ЛПР не располагает никакой информацией о состояниях природы (2), то имеем ситуацию принятия решения в условиях полной неопределенности. Рассмотрим три известных подхода ПР в этой ситуации.