Размещено на http://www.allbest.ru/

25

• Содержание
• Введение
• 1. Постановка задач принятия оптимальных решений
• 2. Принятие решений в условиях риска
• 2.1 Критерий ожидаемого значения (КОЗ)
• 2.2 Критерий предельного уровня
• 2.3 Критерий наиболее вероятного исхода
• 2.4 Учет неопределенных факторов, заданных законом распределения
• 3. Постановка задачи стохастического программирования
• 4. Метод статистического моделирования
• 4.1 Учет неопределенных пассивных условий
• 4.2 Учет активных условий
• Заключение
• Список литературы

Введение

Человек - существо свободное и обречено на выбор решений, стараясь сделать всё наилучшим образом. В наиболее общем смысле теория принятия оптимальных решений представляет собой совокупность математических и численных методов, ориентированных на нахождение наилучших вариантов из множества альтернатив и позволяющих избежать их полного перебора. Ввиду того, что размерность практических задач, как правило, достаточно велика, а расчеты в соответствии с алгоритмами оптимизации требуют значительных затрат времени, то методы принятия оптимальных решений главным образом ориентированы на реализацию их с помощью ЭВМ.

Практическая потребность общества в научных основах принятия решений возникла с развитием науки и техники только в XVIII веке. Началом науки "Теория принятия решений" следует считать работу Джозефа Луи Лагранжа, смысл которой заключался в следующем: сколько земли должен брать на лопату землекоп, чтобы его сменная производительность была наибольшей. Оказалось, что утверждение "бери больше, кидай дальше" неверно. Бурный рост технического прогресса, особенно во время и после второй мировой войны, ставил все новые и новые задачи, для решения которых привлекались и разрабатывались новые научные методы. Можно выделить следующие научно-технические предпосылки становления "Теории принятия решений": удорожание "цены ошибки".

- ускорение научно-технической революции техники и технологии.

Инженерное дело теснейшим образом связано с совокупностями объектов, которые принято называть сложными системами, которые характеризуются многочисленными и разнообразными по типу связями между отдельно существующими элементами системы и наличием у системы функции назначения, которой нет у составляющих ее частей. На первый взгляд каждая сложная система имеет уникальную организацию. Однако более детальное изучение способно выделить общее в системе команд ЭВМ, в процессах проектирования лесной машины, самолета и космического корабля.

1. Постановка задач принятия оптимальных решений

риск стохастический программирование моделирование

- установление границы подлежащей оптимизации системы, т.е. представление системы в виде некоторой изолированной части реального мира. Расширение границ системы повышает размерность и сложность многокомпонентной системы и, тем самым, затрудняет ее анализ. Следовательно, в инженерной практике следует к декомпозиции сложных систем на подсистемы, которые можно изучать по отдельности без излишнего упрощения реальной ситуации;

- определение показателя эффективности, на основе которого можно оценить характеристики системы или ее проекта с тем, чтобы выявить "наилучший" проект или множество "наилучших" условий функционирования системы. В инженерных приложениях обычно выбираются показатели экономического (издержки, прибыль и т.д.) или технологического (производительность, энергоемкость, материалоемкость и т.д.) характера. "Наилучшему" варианту всегда соответствует экстремальное значение показателя эффективности функционирования системы;

- выбор внутрисистемных независимых переменных, которые должны адекватно описывать допустимые проекты или условия функционирования системы и способствовать тому, чтобы все важнейшие технико-экономические решения нашли отражение в формулировке задачи;

- построение модели, которая описывает взаимосвязи между переменными задачи и отражает влияние независимых переменных на значение показателя эффективности.

Несмотря на то, модели принятия оптимальных решений отличаются универсальностью, их успешное применение зависит от профессиональной подготовки инженера, который должен иметь полное представление о специфике изучаемой системы. Основная цель рассмотрения приводимых ниже примеров - продемонстрировать разнообразие постановок оптимизационных задач на основе общности их формы [2, 3].

Все оптимизационные задачи имеют общую структуру. Их можно классифицировать как задачи минимизации (максимизации) M-векторного векторного показателя эффективности Wm(x), m=1,2,...,M, N-мерного векторного аргумента x=(x1,x2,...,xN), компоненты которого удовлетворяют системе ограничений-равенств hk(x)=0, k=1,2...K, ограничений-неравенств gj(x)>0, j=1,2,...J, областным ограничениям xli<xi<xui, i=1,2...N.

Все задачи принятия оптимальных решений можно классифицировать в соответствии с видом функций и размерностью Wm(x), hk(x), gj(x) и размерностью и содержанием вектора x:

- одноцелевое принятие решений - Wm(x) - скаляр;

- многоцелевое принятие решений - Wm(x) - вектор;

- принятие решений в условиях определенности - исходные данные - детерминированные;

- принятие решений в условиях неопределенности - исходные данные - случайные.

Наиболее разработан и широко используется на практике аппарат одноцелевого принятия решений в условиях определенности, который получил название математического программирования.

Математический аппарат одноцелевого принятия решений в условиях неопределенности представляет собой стохастическое программирование (известны законы распределения случайных величин), теории игр и статистических решений (закон распределения случайных величин неизвестен).

Рассмотрим процесс принятия решений с самых общих позиций. Психологами установлено, что решение не является начальным процессом творческой деятельности. Оказывается, непосредственно акту решения предшествует тонкий и обширный процесс работы мозга, который формирует и предопределяет направленность решения. В этот этап, который можно назвать "предрешением" входят следующие элементы:

- мотивация, то есть желание или необходимость что-то сделать. Мотивация определяет цель какого-либо действия, используя весь прошлый опыт, включая результаты;

После этого предварительного этапа следует, собственно, этап принятия решения. Но на нем процесс не заканчивается, т.к. обычно после принятия решения следует оценка результатов и корректировка действий. Таким образом, принятие решений следует воспринимать не как единовременный акт, а как последовательный процесс [3].

2. Принятие решений в условиях риска

Как указывалось выше, с точки зрения знаний об исходных данных в процессе принятия решений можно представить два крайних случая: определенность и неопределенность. В некоторых случаях неопределенность знаний является как бы "неполной" и дополняется некоторыми сведениями о действующих факторах, в частности, знанием законов распределения описывающих их случайных величин. Этот промежуточный случай соответствует ситуации риска [4].

Использование КОЗ предполагает принятие решения, обуславливающего максимальную прибыль при имеющихся исходных данных о вероятности полученного результата при решении. По существу, КОЗ представляет собой выборочные средние значения случайной величины. Естественно, что достоверность получаемого решения при этом будет зависеть от объема выборки [4].

2.2 Критерий предельного уровня

Этот критерий не имеет четко выраженной математической формулировки и основан в значительной степени на интуиции и опыте ЛПР. При этом ЛПР на основании субъективных соображений определяет наиболее приемлемый способ действий. Критерий предельного уровня обычно не используется, когда нет полного представления о множестве возможных альтернатив. Учет ситуации риска при этом может производиться за счет введения законов распределений случайных факторов для известных альтернатив.

Несмотря на отсутствие формализации, критерием предельного уровня пользуются довольно часто, задаваясь их значениями на основании экспертных или опытных данных [4].

2.3 Критерий наиболее вероятного исхода

Этот критерий предполагает замену случайной ситуации детерминированной путем замены случайной величины прибыли (или затрат) единственным значением, имеющим наибольшую вероятность реализации. Использование данного критерия, также как и в предыдущем случае в значительной степени опирается на опыт и интуицию. При этом необходимо учитывать два обстоятельства, затрудняющие применение этого критерия:

- критерий нельзя использовать, если наибольшая вероятность события недопустимо мала;

2.4 Учет неопределенных факторов, заданных законом

распределения

Случай, когда неопределенные факторы заданы распределением, соответствует ситуации риска. Этот случай может учитываться двумя путями. Первый - анализом адаптивных возможностей, позволяющих реагировать на конкретные исходы; второй - методически, при сопоставлении эффективности технических решений. Суть первого подхода заключается в том, что законы распределения отдельных параметров на этапе проектирования могут быть определены с достаточной степенью приближения на основе сопоставления с аналогами, из физических соображений или на базе статистических данных и данных прогнозов.

Первый прием предусматривает определение математического ожидания случайной величины v - M(v) и определение зависимости W(M(v)), которая в дальнейшем оптимизируется по u. Однако сведение к детерминированной схеме может быть осуществлено в тех случаях, когда диапазон изменения параметра u невелик или когда зависимость W(u) линейна или близка к ней.

, (1)

, (2)

где P(ui) - ряд распределений случайной величины ui;

f(ui) - плотность распределения случайной величины u.

При описании дискретных случайных величин наиболее часто используют распределения Пуассона, биноминальное. Для непрерывных величин основными распределениями являются нормальное, равномерное и экспоненциальное [4].

3. Постановка задачи стохастического программирования

При перспективном и оперативном планировании работы предприятия возникает необходимость в учете ряда случайных факторов, существенно влияющих на процесс производства. К таким факторам относятся спрос, который не всегда может быть предсказуем, непредусмотренные сбои в поступлении сырья, энергии, рабочей силы, неисправности и аварии оборудования. Еще больше случайных факторов необходимо учитывать при планировании производства, эффективность которого зависит от климатических условий, урожайности и т.д. Поэтому, например, задачи планирования лесного производства целесообразно ставить и исследовать в терминах и понятиях стохастического программирования, когда элементы задачи линейного программирования (матрица коэффициентов A, вектора ресурсов В, вектора оценок С) часто оказываются случайными. Подобного типа задачи ЛП принято классифицировать как задачи стохастического программирования (СП).

Подходы к постановке и анализу стохастических задач существенно различаются в зависимости от последовательности получения информации - в один прием или по частям. При построении стохастической модели важно также знать, необходимо ли принять единственное решение, не подлежащее корректировке, или можно по мере накопления информации один или несколько раз корректировать решение. В соответствии с этим в стохастическом программировании исследуются одноэтапные, двухэтапные и многоэтапные задачи.

В одноэтапных задачах решение принимается один раз и не корректируется. Они различаются по показателям качества решения (по целевым функциям), по характеру ограничений и по виду решения.

Задача СП может быть сформулирована в M- и P-постановках по отношению к записи целевой функции и ограничений. Случайны элементы вектора С (целевая функция).

(3)

От математического ожидания целевой функции можно перейти к математическому ожиданию случайной величины cj

(4)

(5)

где Wmin - предварительно заданное допустимое наихудшее (минимальное) значение целевой функции;

(6)

где Wmax - предварительно заданное допустимое наихудшее (максимальное) значение целевой функции.

Суть P-постановки заключается в том, что необходимо найти такие значения xj, при которых максимизируется вероятность того, что целевая функция будет не хуже предельно допустимого значения.

Ограничения задачи, которые должны выполняться при всех реализациях параметров условий задачи, называются жесткими ограничениями. Часто возникают ситуации, в которых постановка задачи позволяет заменить жесткие ограничения их усреднением по распределению случайных параметров. Такие ограничения называют статистическими [4, 5].

4. Метод статистического моделирования

В задачах принятия оптимальных решений широкое применение получил метод Монте-Карло. Основными особенностями этого метода, основанного на многократном повторении одного и того же алгоритма для каждой случайной реализации, являются: универсальность (метод не накладывает практически никаких ограничений на исследуемые параметры, на вид законов распределения); простота расчетного алгоритма; необходимость большого числа реализаций для достижения хорошей точности; возможность реализации на его основе процедуры поиска оптимальных параметров проектирования.

Неопределенные факторы, закон распределения которых неизвестен, являются наиболее характерными при исследовании качества адаптивных систем. Именно на этот случай следует ориентироваться при выборе гибких конструкторских решений. Методический учет таких факторов базируется на формировании специальных критериев, на основе которых принимаются решения. Критерии Вальда, Сэвиджа, Гурвица и Лапласа уже давно и прочно вошли в теорию принятия решений.

В соответствии с критерием Вальда в качестве оптимальной выбирается стратегия, гарантирующая выигрыш не меньший, чем "нижняя цена игры с природой":

(7)

Правило выбора решения в соответствии с критерием Вальда можно интерпретировать следующим образом: матрица решений [Wir] дополняется еще одним столбцом из наименьших результатов Wir каждой строки. Выбрать надлежит тот вариант, в строке которого стоит наибольшее значение Wir этого столбца [5].

Выбранное таким образом решение полностью исключает риск. Это означает, что принимающий решение не может столкнуться с худшим результатом, чем тот, на который он ориентируется. Какие бы условия Vj не встретились, соответствующий результат не может оказаться ниже W. Это свойство заставляет считать критерий Вальда одним из фундаментальных. Поэтому в технических задачах он применяется чаще всего как сознательно, так и неосознанно. Однако в практических ситуациях излишний пессимизм этого критерия может оказаться очень невыгодным.

- о вероятности появления состояния Vj ничего не известно;

- с появлением состояния Vj необходимо считаться;

Критерий Байеса-Лапласа в отличие от критерия Вальда, учитывает каждое из возможных следствий всех вариантов решений:

 (8)

Соответствующее правило выбора можно интерпретировать следующим образом: матрица решений [W_ij] дополняется еще одним столбцом, содержащим математическое ожидание значений каждой из строк. Выбирается тот вариант, в строках которого стоит наибольшее значение Wir этого столбца.

Критерий Байеса-Лапласа предъявляет к ситуации, в которой принимается решение, следующие требования:

- вероятность появления состояния Vj известна и не зависит от времени;

В соответствии с критерием Сэвиджа в качестве оптимальной выбирается такая стратегия, при которой величина риска принимает наименьшее значение в самой неблагополучной ситуации:

(9)

Здесь величину W можно трактовать как максимальный дополнительный выигрыш, который достигается, если в состоянии Vj вместо варианта Ui выбрать другой, оптимальный для этого внешнего состояния, вариант.

Соответствующее критерию Сэвиджа правило выбора следующее: каждый элемент матрицы решений [Wij] вычитается из наибольшего результата max Wij соответствующего столбца. Разности образуют матрицу остатков. Эта матрица пополняется столбцом наибольших разностей Wir. Выбирается тот вариант, в строке которого стоит наименьшее значение.

Согласно критерию Гурвица выбирается такая стратегия, которая занимает некоторое промежуточное положение между крайним пессимизмом и оптимизмом:

(10)

Правило выбора, согласно этому критерию, следующее: матрица решений [Wij] дополняется столбцом, содержащим средние взвешенные наименьшего и наибольшего результатов для каждой строки. Выбирается тот вариант, в строках которого стоят наибольшие элементы Wir этого столбца.

- о вероятности появления состояния Vj ничего не известно;

- с появлением состояния Vj необходимо считаться;

Критерий Ходжа-Лемана базируется одновременно на критериях Вальда и Байеса-Лапласа:

(11)

Правило выбора, соответствующее этому критерию, формулируется следующим образом: матрица решений [W_ij] дополняется столбцом, составленным из средних взвешенных (с постоянными весами) математического ожидания и наименьшего результата каждой строки. Отбирается тот вариант решения, в строке которого стоит наибольшее значение этого столбца.

- о вероятности появления состояния Vj ничего неизвестно, но некоторые предположения о распределении вероятностей возможны;

Как правило, решение практических задач, связанных с оценкой качества и надежности изделий лесного машиностроения, зависит не только от оперирующей стороны (допустим, конструктора), но и от действий других субъектов системы (например, технолога-лесозаготовителя). Каждая из сторон преследует собственные цели, не всегда совпадающие друг с другом. Неопределенность такого рода при принятии решений относят к классу поведенческих неопределенностей. Теоретической основой нахождения оптимального решения в условиях неопределенности и конфликтных ситуаций является теория игр. Игра - это математическая модель процесса функционирования конфликтующих элементов систем, в котором действия игроков происходят по определенным правилам, называемых стратегиями. Ее широкому распространению в последнее время способствовало как развитие ЭВМ, так и создание аналитического аппарата, позволяющего находить аналитические решения для широкого класса задач. Основной постулат теории игр - любой субъект системы, по меньшей мере, так же разумен, как и оперирующая сторона и делает все возможное, чтобы достигнуть своих целей. От реального конфликта игра (математическая модель конфликта) отличается тем, что она ведется по определенным правилам, которые устанавливают порядок и очередность действий субъектов системы, их информированность, порядок обмена информацией, формирование результата игры.

- антагонистические (игры со строгим соперничеством) и неантагонистические. В первом случае цели игроков противоположны, во втором - могут совпадать;

- конечные и бесконечные (в первых - конечное число стратегий).

< U, V, W1, W2, R1, R2 >, (12)

где U - множество стратегий оперирующей стороны (конструктора);

V - множество стратегий оппонирующей стороны (технолог и природа);

W1 и W2 - показатели качества игроков;

R1 и R2 - системы предпочтения игроков.

Второй принцип гласит, что рациональным выбором любого игрока считается такая стратегия u$ (или v$), для которой ситуация (u$, v$) обоюдовыгодна: любое отклонение от данной ситуации игры не является выгодным ни для одного из игроков.

Решается парная матричная игра (проектируемое изделие - меры и средства противодействия) с нулевой суммой (выигрыш одной стороны равен проигрышу другой) на основе рассмотрения платежной матрицы, которая представляет собой совокупность значений U и V (пара стратегий (u, v) U x V называется ситуацией игры) а также выигрышей Wij при парном сочетании всевозможных стратегий сторон.

Заключение

Теория статистических методов нацелена на решение реальных задач. Поэтому в ней постоянно возникают новые постановки математических задач анализа статистических данных, развиваются и обосновываются новые методы. Обоснование часто проводится математическими средствами, т.е. путем доказательства теорем. Большую роль играет методологическая составляющая - как именно ставить задачи, какие предположения принять с целью дальнейшего математического изучения. Велика роль современных информационных технологий, в частности, компьютерного эксперимента.

Ситуация с внедрением современных статистических методов на предприятиях и в организациях различных отраслей народного хозяйства внушает оптимизм. На отечественных предприятиях продолжают развиваться структуры, нуждающиеся в статистических методах, - подразделения качества, надежности, управления персоналом, центральные заводские лаборатории и другие. Толчок к развитию в последние годы получили службы контроллинга, маркетинга и сбыта, логистики, сертификации, прогнозирования и планирования, инноваций и инвестиций, управления рисками, которым также полезны различные статистические методы, в частности, методы экспертных оценок. Включенные в учебник методы необходимы органам государственного и муниципального управления, организациям силовых ведомств, транспорта и связи, медицины, образования, агропромышленного комплекса, научным и практическим работникам всех областей деятельности [6].

Список литературы

1. Крамер Г. Математические методы статистики. - М.: Мир, 1948 (1-е изд.), 1975 (2-е изд.). - 648 с.

2. Орлов А.И. Устойчивость в социально-экономических моделях. - М.: Наука, 1979. - 296 с.

3. Орлов А.И. Прикладная статистика. - М.: Экзамен, 2006. - 671 с.

4. Орлов А.И. Эконометрика. Учебник для вузов. - Изд. 3-е, исправленное и дополненное. - М.: Изд-во "Экзамен", 2004. - 576 с.

5. Орлов А.И. Теория принятия решений. - М.: Экзамен, 2006. - 576 с.

6. Гнеденко Б.В., Беляев Ю.К., Соловьев А.Д. Математические методы в теории надежности. - М.: Наука, 1965. - 524 с.