- •Часть 3
- •Содержание
- •1. Планирование маркетинговой политики. Методы оптимизации маркетинговых затрат (реклама, товародвижение и сбыт)
- •1.1. Основные элементы маркетинга.
- •1.2. Игровая модель управления конкурентоспособностью продукции.
- •1.2.1. Прямая задача.
- •1.2.2. Обратная задача.
- •1.3. Марковская модель управления затратами на рекламу.
- •1.3.1. Типовой пример.
- •1.3.2. Марковские цепи с доходами (платежами).
- •1.3.3. Рекуррентный алгоритм поиска решения мцп.
- •1.3.4. Итерационный алгоритм поиска решения мцп
- •1.3.5. Модели частоты рекламных воздействий
- •2. Модели планирования уровня жизни
- •2.1. Система моделей уровня жизни
- •2.1.1. Группы моделей уровня жизни
- •2.1.2. Индикаторы дифференциации доходов населения
- •3. Модели размещения производства
- •3.1. Задача размещения без ограничений
- •3.2. Задача размещения с ограничениями по мощности предприятий
- •3.3. Многостадийная задача размещения
- •4. Моделирование инвестиций
- •4.1. Элементы диверсификации
- •4.1. Модель одношагового распределения средств
- •2.1. Вычисление весов по мпс
- •2.2. Вычисление весов непосредственно по ранжировкам.
- •Литература
1.2.2. Обратная задача.
Пусть в дискретные моменты измерены смешанные стратегии игроков , и выигрыш И1 .
Построим алгоритм оценивания элементов матрицы в рекуррентной форме.
Уравнение измерений для произвольного (k-го) наблюдения, с учетом (1), примет вид:
, (2)
откуда невязка
, (3)
где - случайная составляющая (невязка), обусловленная как неточностью измерений, так и степенью соответствия модели игры (матрицы А) реальной ситуации на рынке.
Для оценки элементов матрицы А воспользуемся методом наименьших квадратов (МНК). Согласно МНК критерий оптимальности оценок можно представить в следующем виде:
, (4)
где N – число наблюдений в выборке.
Приведем уравнение (2) к матричной форме. Для этого представим скаляр , или, что то же самое, в несколько ином виде - переформируем матрицу А в вектор , для чего обозначим:
, (5)
где вектор - это -й столбец матрицы , тогда для всех :
. (6)
С учетом этих обозначений выразим 1-е слагаемое в (2):
. (7)
Здесь
, (8)
где - i-й компонент вектора , ,
.
С учетом этих обозначений выигрыш на k-ом шаге (уравнение измерений (2)) примет вид:
. (9)
Для N шагов эти уравнения можно представить в векторной форме следующим образом:
, (10)
или, иначе:
. (11)
Отсюда сумму квадратов отклонений (невязок) можно представить в таком виде:
. (12)
Тогда критерий оптимальности оценок, аналогичный (4), но построенный для новой формы ЦФ (12), можно представить в следующем виде:
, (13)
Далее в соответствии с алгоритмом построения МНК-оценок по совокупности N измерений вектор платежей примет вид:
, (14)
где нижний индекс отражает количество измерений, по которым выполняется оценивание, а «крышка» над означает, что вычислена оценка вектора платежей, а не истинные их значения.
Обозначим:
. (15)
Представим алгоритм оценивания (14), (15) в рекуррентной форме:
, (16)
. (17)
Алгоритм (16), (17) позволяет ЛПР накапливать положительный опыт принятия решений путем подстройки (уточнения) элементов платежной матрицы по мере появления новых наблюдений. А полученные на основе этой матрицы решения (стратегия ) путем решения прямой АМИ будут основаны на этом опыте и обеспечат достижения желаемой конкурентоспособности выпускаемой продукции.
Пример. Рассмотрим случай, когда АМИ размерности mxn = 2х2:
Для нахождения решения прямой АМИ, т.е. , и цены игры можно свести АМИ к паре задач линейного программирования (ЗЛП) – прямой и двойственной. Тогда прямая задача примет вид:
Решив эту задачу, получим и решение для И1:
Двойственная задача примет вид:
Решив эту задачу, получим и решение для И2:
Для упрощения расчетов при решении обратной задачи элементы формул (16) и (17) для АМИ 2х2 (индексы номера шага опустим):
Введем обозначения:
;
С учетом этого после преобразований формулы (16) по компонентам векторов можно представить в таком виде:
где номер итерации показан в скобках, i - номер компонента вектора;
, где
Формулу (17) можно представить в таком виде:
где компоненты вектора можно представить в таком виде:
.
Приведенные соотношения позволяют вычислить все компоненты векторов и матриц для обратной задачи по текущим измерениям и затем прямой задачи по полученным оценкам матрицы АМИ не только 2х2, но и произвольной размерности.