- •1.1. Введение.
- •1.2. Оптимизационные задачи в 2.
- •1.4. Понятие о nр-полноте.
- •Условие целочисленности решения задачи лп.
- •Критерий полной унимодулярности.
- •Задача о назначениях.
- •Задача коммивояжера.
- •2. Принятие решений и элементы теории игр.
- •2.1. Задачи многокритериальной оптимизации.
- •2.3. Игры.
- •Дележи.
- •3. Сетевые модели.
- •3.1. Способы задания графов.
- •3.2. Изоморфизм графов.
- •П оиск простейших узких мест графа за o(|e|).
- •3.3. Остовные деревья.
- •Описание алгоритма Прима:
- •Корректность алгоритма Прима.
- •3.4. Кратчайшие пути в графах. Волновой алгоритм построения дкп (Дейкстра)
- •Нахождение кратчайшего пути для ациклического орграфа
- •3.5. Потоковые задачи Задача о максимальном потоке (змп).
- •На входе: матрицы а –пропускных способностей, и c – цен, c ij 0 - стоимость пропуска единицы потока по ребру (I,j), f0 - ограничение на величину потока.
- •3.6. Приближенное решение np-полных задач.
- •Задача о максимальной клике.
- •3.7. Точные методы решения np-полных задач.
- •4. Элементы теории массового обслуживания.
- •4.1. Пуассоновский поток событий
- •4.2. Моделирование простейшего потока.
- •4.3. Процессы гибели и размножения.
- •Классификация систем массового обслуживания:
- •4.4. Открытая система м | м | 1 (один врач).
- •4.5. Замкнутые системы с резервированием. Будем различать горячий и холодный резервы, т.Е. Исправные, но включенные или выключенные приборы.
- •4.6. Задачи проектирования сетей технического обслуживания.
- •3.5. Алгоритм Тарьяна (для планарных графов мод строится за o(n)).
2. Принятие решений и элементы теории игр.
2.1. Задачи многокритериальной оптимизации.
Пусть xX, и f1(x),…,fn(x) различные критерии.
Пример. При проектировании самолета (x) возникают критерии: надежность f1, скорость f2, стоимость f3, комфортабельность f4, и т.п. Какой проект выбрать?
Принципы принятия решения:
Выбор главного критерия |
Свертка критериев |
Принцип Парето |
|
extr |
все критерии желательно максимизировать |
ii0 (вводим ограничения на другие критерии) |
Для оценки весовых коэффициентов i привлекают экспертов, но конкретную величину назвать невозможно |
i fi(x)fi(y) i0: fi0(x)fi0(y) x y т.е. x лучше y (предпочтительнее). |
№10. Построение свертки критериев. Пусть эксперт указал, что х "лучше" y,
причем zxy={fi(x)-fi(y)} известные вектора, а в качестве вектора ={i} возьмем точку выпуклой оболочки множества Z, ближайшую к началу координат. Если точка G (некоторой грани оболочки), то вектор (-0)G. Задача не имеет решения, если =0.
Пример. Есть 4 факультета, оцененные по двум показателям f1 и f2, и по мнению эксперта Х1 Х2, X1 X3, X3 X2. На какое место поместить Х4?
-
Факультеты
Критерии
Свертка критериев F(X)=1 f1(X)+2 f2(X)
Место
f1
f2
Х1
X2
X3
X4
25
30
10
45
25
20
30
15
F(X1)=3*25+7*25=250
F(X2)=3*30+7*20=230
F(X3)=3*10+7*30=240
F(X4)=3*45+7*15=240
1
4
2-3
2-3
Решение:
Построим свертку критериев ; X1 X2z12=(f1(Х1)f1(Х2), f2(Х1)f2(Х2))=(5,5), X1 X3z13=(f1(Х1)f1(Х3), f2(Х1)f2(Х3))=(15,5), X3 X2z32=(f1(Х3)f1(Х2), f2(Х3)f2(Х2))(20,10). Ближайшая к началу координат точка выпуклой оболочки множества Z лежит на отрезке [z32 z13]. (z32z13)=(35,15) =(15,35) или (3,7) Значения свертки критериев см. в таблице. |
|
Ответ: По свертке критериев факультет Х4 делит 2-3 место.
Заметим, что ограничения - строгие линейные неравенства, а функционал – квадратичная функция, т.е. мы имеем задачу квадратичного программирования.
Л инейный алгоритм построения свертки в 2.
Ближайшая к нулю точка может лежать на отрезке, и концы его в процессе поиска отбрасывать нельзя. Поэтому бинарный поиск аналогично алгоритму Меджидо ведем не по исходным объектам - точкам, а по парам объектов.
Найдем минимальный конус, содержащий исходные точки, т.е. опорные прямые l и r и точки L и R. Если угол L0R > 180°, то 0 conv(L,1,R) и задача не имеет решения.
Удалим точки, лежащие над хордой LR, а остальные разобьем на пары. Замкнутый конус K[l,r] с направляющими l и r задает на каждой паре x:y одно из 4-х отношений: “x ВЫШЕ y“ “y НИЖЕ x“ x y+K[l,r], “x ПРАВЕЕ y“ “y ЛЕВЕЕ x“ x y+K(r,-l). В парах с отношениями ВЫШЕ и ПРАВЕЕ сменим ориентацию на НИЖЕ и ЛЕВЕЕ.
В парах с отношением НИЖЕ удалим более далекие от нуля точки. Для остальных пар найдем медиану m, опорную q, параллельную m, и множество Z крайних на q точек.
Основание P опущенного из 0 на q перпендикуляра дает решение, если P conv (Z). Иначе перпендикуляр надо повернуть в сторону Z. При вращении в половине пар (слева или справа от m) одна из точек заведомо не будет крайней и мы ее отбросим.
Коррекция конуса: опорную l и точку L (если P справа от Z на q) или r и R (если P слева от Z) меняем на q и Z и повторяем шаги 2-5 с оставшимися точками, пока n > 2.
Вместо поиска точки на участке [L, R] границы выпуклой оболочки мы продолжим поиск на участке [L, Z’] или [Z’, R] с числом точек, уменьшенном на ¼ (ради чего и ищем медиану). При сокращении участка поиска угол между направляющими конуса l и r растет, стремясь к 180°. Трудоемкость алгоритма линейна, т.к. .
Пример. Результаты счета см. в таблице. На рисунках медиана отмечена красным цветом. Она выбирается по значению синуса угла между хордой LR и направлением пары, ориентированной вправо.
i |
X |
Y |
|
S |
0 |
0 |
Удаления |
Пары |
Sin |
m |
Z |
P |
|
1 |
0 |
3 |
|
l |
1 |
-5 |
Шаг 2 (над хордой): 8 |
3 |
4 |
0 |
6 5 |
2 |
справа от Z |
2 |
0 |
2 |
|
r |
-4 |
1 |
Шаг 3: 1 (выше 2) |
2 |
7 |
0,1688 |
|
|
|
3 |
-1 |
5 |
|
R-L |
5 |
-6 |
Шаг 4: 3, 6 |
6 |
5 |
0,0501 |
|
|
|
4 |
4 |
-1 |
|
|
|
|
|
|
|
|
|
|
|
5 |
3 |
0 |
|
S |
2⅔ |
-⅔ |
|
|
|
|
|
|
|
6 |
1 |
2 |
|
l |
2 |
-2 |
Шаг 2: 7, 5 |
2 |
4 |
0 |
2 4 |
2, 4 |
P conv(Z) |
7 |
2 |
1 |
|
r |
-4 |
1 |
|
|
|
|
|
|
0,96 |
8 |
2 |
3 |
|
R-L |
4 |
-3 |
|
|
|
|
|
|
1,28 |
№11. 2.2. Принятие решений в условиях неопределенности.
Функция f зависит от неизвестного y, избавиться от которого можно так:
a) Принцип пессимиста . Пример – при строительстве моста.
b) Принцип оптимиста . Пример – снятие вратаря в хоккее.
c) Принцип прагматика:
–информированный прагматик , Myматематич. ожидание;
неинформированный прагматик или .
Пример: Лыжные соревнования. Пусть {Xi} – виды лыжной мази, {Yi} –состояния погоды с известными информированному прагматику вероятностями: р1=0,3, р2=0,6, р3=0,1.
|
погода |
F(x) для каждого типа критерия |
|||||
---|---|---|---|---|---|---|---|
|
Y1 |
Y2 |
Y3 |
Пессимист |
Оптимист |
Информ.прагматик |
Неинформ.прагматик |
X1 |
0,6 |
0,8 |
0,4 |
0,4 |
0,8 |
3*0,6+6*0,8+1*0,4 =7 |
0,6+0,8+0,4=1,8 |
X2 |
0,5 |
0,3 |
0,85 |
0,3 |
0,85 |
3*0,5+6*0,3+1*0,85=4,15 |
0,5+0,3+0,85=1,65 |
X3 |
0,6 |
0,7 |
0,5 |
0,5 |
0,7 |
3*0,6+6*0,7+1*0,5=6,5 |
0,6+0,7+0,5=1,8 |
X4 |
0,2 |
0,4 |
0,95 |
0,2 |
0,95 |
3*02+6*0,4+1*0,95=3,95 |
0,2+0,4+0,95=1,55 |
Так как чаще встречаются Х1 и Х3, то лучше использовать одну из этих мазей.
Вероятностный подход к ЗРО. Байесовский классификатор
Будем считать, что для любого класса есть функция плотности .
- вероятность класса , если мы попали в точку . . Разделяющей гиперплоскости не может быть в принципе, т.к. любая точка может попасть в любой класс со своими вероятностями. Возможен только вероятностный подход. Рассмотрим байесовскую модель принятия решения.
П
P(Kj) – априорные вероятности. не зависит от
решающее правило Байеса: ,
Пусть есть 2 класса и .
Относим
Будем считать, что для и . Тогда ,
.
Байесовский классификатор: . Частный случай: матрица L стандартная.
П
Правило: .
Рассмотрим байесовский классификатор для случая нормального распределения.
,
где
Если , то , где
- уравнение гиперплоскости.
М
Байесовский
классификатор для двух нормально
распределенных классов строит линейную
(при
)
или квадратичную ( при
)
разделяющую поверхность.