- •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
-
Критерий равновозможных состояний.
По этому критерию выбирается та операция ai0, для которой сумма полезностей
максимальна,
.
Решение конкретной задачи
Рассмотрим на конкретном примере принятие решений по трем описанным критериям. Пусть m=3, n=2, и матрица полезностей представлена в табл. 3.
Таблица 3 Таблица 4
Qs ai |
Q1 |
Q2 |
|
Qs ai |
Q1 |
Q2 |
a1 |
1 |
11 |
|
a1 |
9 |
3 |
a2 |
10 |
6 |
|
a2 |
0 |
8 |
a3 |
0 |
14 |
|
a3 |
10 |
0 |
Например, ai – i-ый вариант технологического процесса для изготовления некоторых изделий, Q1 – возникновение дефицита в ближайшие два года на сырье, из которого изготовляются детали, Q2 – отсутствие такого дефицита.
1. Применяя операцию максимина, получим
Максиминной операцией является операция а2, гарантирующая 6 единиц полезности.
2. Для использования критерия минимакса сожалений необходимо для данных табл. 3 найти матрицу сожалений. Сначала находим максимальный элемент каждого столбца этой таблицы:
Тогда матрица сожалений примет вид, представленный в табл. 4. Применяя к данным этой таблицы критерий минимакса, получим:
max(9, 3) = 9, max(0, 8) = 8, max(10, 0) = 10, min(9, 8, 10) = 8.
Следовательно, операцией, соответствующей минимаксу сожалений, является операция а2.
По критерию равновозможных состояний для данных табл. 3 имеем:
Аi = 1+11 = 12, A2 = 10+6 = 16, A3 = 0+14 = 14, .
Значит, оптимальной операцией по критерию равновозможных состояний природы является операция а2. В рассмотренном примере все три критерия дали один и тот же ответ: операция а2 является оптимальной, она гарантирует 6 ед. полезности.
Если выбрать операцию а1, то в случае везения получим 11 ед. полезности, а в случае невезения – всего 1 ед. полезности. Если выбрать операцию а3, то в случае везения имеем 14 ед. полезности, а в случае невезения – 0 ед. полезности. Операция а2 гарантирует наибольшую полезность, 6 ед. Конкурирующие операции а1 и а3 гарантируют меньшие полезности: 1 ед. и 0 ед., соответственно.
Принятие решений в условиях риска
Самый простой случай неопределенности — т.н. «доброкачественная» или стохастическая неопределенность, когда состояния природы имеют какие-то вероятности. Тогда естественно выбрать ту стратегию, для которой среднее значение выигрыша, взятое по строке, максимально.
Ситуация ПР в условиях риска возникает в случаях, когда известны априорные вероятности состояний природы
р(Q1), р(Q2), … , р(Qn),
. (5)
Естественно воспользоваться этой дополнительной информацией. С этой целью для каждой операции аi находят взвешенные суммы полезностей
i=1,2, …, m , (6)
и выбирают в качестве наилучшей ту операцию , для которой взвешенная сумма полезностей в (6) максимальна,
Любопытно отметить, что та же стратегия, которая обращает в максимум средний выигрыш, обращает в минимум в средний риск. Так что в случае стохастической неопределенности оба подхода («от выигрыша» и «от риска») дают одно В то же оптимальное решение.
Пусть в рассмотренном выше примере р(Q1)=0.25, р(Q2)=0.75.
По данным табл. 3 имеем = 10.25 + 110.75 = 8.5,
= 100.25 + 60.75 = 7.0,
= 00.25 + 140.75 = 10.5,
max (8.5; 7.0; 10.5) = 10.5.
Следовательно, наилучшей операцией является операция а3, если р(Q1)=0.25, р(Q2)=0.75. Но при других значениях априорных вероятностей состояний природы возможен и другой выбор. Используя данные табл.3 и формулу (6) для каждой операции аi, i = 1,2,3, имеем
= р +11(1 – p) = 11 – 10p,
= 10p +6(1 – p) = 6 + 4p,
= 14(1 – p) = 14 – 14p.
Н а рис.1 даны графики функций , i = 1, 2,
Прямые , пересекаются в точке В, при , вычисленного из равенства 6 + 4р = 14 – 14р. Из рис. 1 следует, что при лучшей операцией является а3, а при лучшей операцией является а2. При безразлично, какую операцию а2 или а3 использовать. Операцию а1 применять невыгодно.
Если р=0 или 1, то имеем ситуацию ПР в условиях достоверности. При р=0 лучшая операция – а3, при р=1 лучшая операция – а2.