
- •Математические методы системного анализа и теория принятия решений Методическое пособие
- •1. Теория принятия решений 4
- •2. Линейное программирование 9
- •3. Нелинейное программирование 42
- •4. Игровые методы обоснования решений 51
- •5. Задачи распознавания образов 62
- •Предисловие
- •1. Теория принятия решений
- •1.1. Задачи, связанные с принятием решений Проблема оптимальности.
- •Основные понятия и принципы исследования операций.
- •Примеры задач исследования операций.
- •1.2. Математические модели операций Искусство моделирования.
- •1.3. Разновидности задач исследования операций и подходов к их решению Прямые и обратные задачи исследования операций.
- •Пример выбора решения при определенности: линейное программирование.
- •Проблема выбора решений в условиях неопределенности.
- •Выбор решения по многим критериям.
- •«Системный подход».
- •2. Линейное программирование
- •2.1. Краткое представление о математическом программировании Предмет математического программирования.
- •Краткая классификация методов математического программирования.
- •2.2. Примеры экономических задач линейного программирования Понятие линейного программирования.
- •Задача о наилучшем использовании ресурсов.
- •Задача о выборе оптимальных технологий.
- •Задача о смесях.
- •Задача о раскрое материалов.
- •Транспортная задача.
- •2.3. Линейные векторные пространства Основные понятия линейного векторного пространства.
- •Решение систем линейных уравнений методом Гаусса.
- •Реализация метода исключения неизвестных в среде Excel.
- •Различные схемы реализации метода Гаусса.
- •Опорные решения системы линейных уравнений.
- •2.4. Формы записи задачи линейного программирования Основные виды записи злп.
- •Каноническая форма представления задачи линейного программирования.
- •Переход к канонической форме.
- •2.5. Геометрическая интерпретация задачи линейного программирования Определение выпуклой области.
- •Геометрическая интерпретация.
- •2.6. Свойства решений задачи линейного программирования Свойства основной задачи линейного программирования.
- •Графический метод решения задачи линейного программирования.
- •2.7. Симплексный метод Идея симплекс-метода.
- •Теоретические обоснования симплекс-метода.
- •Переход к нехудшему опорному плану.
- •Зацикливание.
- •Алгоритм симплекс-метода.
- •2.8. Двойственность в линейном программировании Прямая и двойственная задача.
- •Связь между решениями прямой и двойственной задач.
- •Геометрическая интерпретация двойственных задач.
- •2.9. Метод искусственного базиса Идея и реализация метода искусственного базиса.
- •3. Нелинейное программирование
- •3.1. Общая задача нелинейного программирования Постановка задачи.
- •Примеры задач нелинейного программирования (экономические).
- •Геометрическая интерпретация задачи нелинейного программирования.
- •3.2. Выпуклое программирование Постановка задачи выпуклого программирования.
- •3.3. Классические методы оптимизации Метод прямого перебора.
- •Классический метод дифференциальных исчислений.
- •3.4. Метод множителей лагранжа
- •3.5. Градиентные методы решения задач нелинейного программирования Общая идея методов.
- •Метод Франка-Вулфа.
- •Метод штрафных функций.
- •4. Игровые методы обоснования решений
- •4.1. Предмет и задачи теории игр Основные понятия.
- •Классификация выборов решений.
- •Антагонистические матричные игры.
- •Чистые и смешанные стратегии и их свойства.
- •4.2. Методы решения конечных игр Упрощение матричной игры.
- •Решение матричной игры размерностью 22.
- •Графическое решение матричной игры.
- •Сведение задач теории игр к задачам линейного программирования.
- •4.3. Задачи теории статистических решений Игры с природой.
- •Критерии принятия решений.
- •5. Задачи распознавания образов
- •5.1. Общая постановка задачи распознавания образов и их классификация Проблема распознавания.
- •Обсуждение задачи опознавания.
- •Язык распознавания образов.
- •Априорные предположения — это записанные специальным образом, накопленные знания специалистов.
- •Общая постановка задачи.
- •Геометрическая интерпретация задачи распознавания.
- •Классификация задач распознавания.
- •5.2. Подготовка и анализ исходных данных Общая схема решения задачи.
- •Общая схема постановки и решения задачи Анализ данных с целью выбора постановки и метода решения
- •5.3. Методы опознавания образов Основные этапы процесса опознавания образов.
- •Методы создания системы признаков.
- •Признаковое пространство.
- •Сокращение размерности исходного описания.
- •Методы построения решающего правила.
- •5.4. Меры и метрики Понятие о сходстве.
- •Меры сходства и метрики.
- •Примеры функций мер сходства.
- •5.5. Детерминированно-статистический подход к познаванию образов Основные этапы детерминированно-статистического подхода.
- •Получение исходного описания.
- •Создание системы признаков.
- •Сокращение размерности исходного описания.
- •Нахождение решающего правила (метод эталонов).
- •Коррекция решающего правила.
- •5.6. Детерминированный метод построения решающего правила (метод эталонов) Идея метода эталонов.
- •Минимизация числа эталонов.
- •Габаритные эталоны.
- •Применение метода эталонов к частично пересекающимся образам.
- •Дополнительная минимизация числа признаков.
- •Квадратичный дискриминантный анализ.
- •Распознавание с отказами.
- •5.8. Алгоритм голотип-1 Назначение
- •Постановка задачи
- •Метод решения задачи.
- •Условия применимости.
- •Условия применимости.
- •5.10. Алгоритм направление опробования Назначение
- •Постановка задачи.
- •Метод решения задачи.
- •Условия применимости.
- •Транспортная задача Математическая постановка.
- •Постановка задачи.
- •Теоретическое введение.
- •Методы нахождения опорного плана транспортной задачи.
- •Определение оптимального плана транспортной задачи.
- •Заключение.
- •Целочисленное программирование Постановки задач, приводящие к требованию целочисленности.
- •Постановка задачи.
- •Методы отсечения.
- •Алгоритм Гомори.
- •Первый алгоритм р. Гомори решения полностью целочисленных задач.
- •Приближенные методы.
- •Заключение.
- •Параметрическое программирование Введение.
- •Формулировка задачи.
- •Теоретическая часть.
- •Общая постановка задачи.
- •Решение задачи.
- •Геометрическая интерпретация задачи.
- •Общая постановка задачи.
- •Решение задачи.
- •Геометрическая интерпретация задачи
- •Постановка задачи.
- •Решение.
- •Геометрическое решение.
- •Решение задачи симплекс-методом.
- •Результат.
- •Некооперативные игры n лиц с ненулевой суммой Введение.
- •Теоретическая часть.
- •Постановка и решение задачи.
- •Заключение.
- •Cписок литературы
Постановка задачи.
Среди совокупности n неделимых предметов, каждый j-й (j=1, 2, … , n) из которых обладает по i-й характеристике показателем aij и полезностью cî, найти такой набор, который позволяет максимизировать эффективность использования ресурсов величины bi (i=1, 2, … , m).
Математическая модель этой задачи может быть представлена следующим образом: в области, определенной условиями
найти решение x=(x1, x2, …, xn), при котором максимизируется (минимизируется) значение целевой функции
(7)
Если n1=n, то (4—7) является моделью задачи целочисленного программирования, если n1<n — моделью задачи частично целочисленного программирования.
Частным случаем задачи целочисленного программирования является задача с булевыми переменными. Ее математическая модель в общем виде записывается следующим образом: в области, определенной условиями
найти решение x=(x1, x2, …, xn), при котором максимизируется (минимизируется) значение функции
(10)
К классу задач целочисленного програмирования примыкают задачи, в которых условие целочисленности всех или части переменных заменено требованием дискретности. А именно, для каждой j-й переменной xj (j=1, 2,… ,n) заранее определен набор значений (не обязательно целых), которые она может принимать:
Предполагается, что Ajlj , j=1, 2, …, n; lj=1, 2, … , kj , проранжированы, т. е. Aj1< Aj2 <…< Ajkj.
Математическая модель общей задачи линейного программирования может быть представлена следующим образом: в области, определенной условиями
найти решение x=(x1, x2,…, xn), при котором максимизируется (минимизируется) линейная функция
(13)
Условие (12) определило название этого класса задач. Если n1=n, то (11— 13) называется задачей дискретного программирования; если n1<n, то (11—13) называется задачей частично дискретного программирования.
П р и м е р. В области, опре-деленной условиями
x1 + x2 7,
4x1– 5x2 5,
x10, x20, x1, x2 — целые
найти максимум функции
Z(x1, x2)=x1+x2.
Р е ш е н и е. Решим задачу геометрически. Область поиска экстремума — многоугольник ODABC, но так как линия уровня целевой функции параллельна стороне АВ многоугольника, экстремум достигается в вершинах А(8/3, 13/3) и В(23/9, 40/9), а также в любой точке отрезка АВ, и равен 7. Однако нас интересуют точки с целочислеными координатами, следовательно, ни А, ни В не являются допустимым решением задачи. Округляя значения координат А, получим А’ (2, 4). Но точка А’ не принадлежит области поиска. Целочисленный оптимум достигается в точках N(3, 2) и M(2, 3) и равен 5. Обе точки внутри области поиска.
Построенный пример показал, что для решения задач с требованием целочисленности необходимо рассмотреть особые методы оптимизации; и, кроме того, оптимальное решенте задач целочисленного программирования не обязательно принадлежит границе многогранника условий, что было характерно для задач линейного программирования.
Методы отсечения.
Запишем общую задачу целочисленного программирования:
в области, определенной условиями
максимизировать функцию
(17)
Назовем задачу (14—17) (Gц, Z)-задачей. Соответствующую ей задачу без требования целочисленности переменных, т. е. задачу (14, 15, 17) назовем (G, Z)-задачей. Возникает вопрос: нельзя ли решение (Gц, Z)-задачи получить путем решения некоторой специальным образом построенной задачи без требования целочисленности переменных и такой, что оптимальные решения исходной (Gц, Z)-задачи и задачи без требования целочисленности переменных будут совпадать. Другими словами: нельзя ли хорошо изученный аппарат решения задач линейного программирования приспособить к решению целочисленных задач. Принципиальный ответ на этот вопрос дает следующая теорема.
Т е о р е м а 1. Пусть G — многогранник, Gц — множество его целых точек, R — выпуклая линейная оболочка множества Gц, тогда:
-
R= Rц — целочисленный многогранник;
-
Rц= Gц;
-
R* — множество опорных решений задачи (Gц, Z) содержится в многограннике Rц.
Следствием этой теоремы является тот вывод, что оптимальоне решение задачи, областью определения которой является выпуклая оболочка, натянутая на область поиска целочисленного решения, совпадает с оптимальным решением исходной целочисленной задачи.
Теорема и следствие из нее показывают принципиальную возможность замены решения задачи типа (Gц, Z) некоторой процедурой построения и решения вспомогательной задачи типа (G, Z), однако не дают алгоритма решений. К тому же построение выпуклой оболочки множества Gц реальных задач — чрезвычайно сложная, а подчас практически неразрешимая задача.