Принятие оптимальных решений в условиях неопределенности - (реферат)
p>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.
Критерий наиболее вероятного исхода.
Этот критерий предполагает замену случайной ситуации детерминированной путем замены случайной величины прибыли (или затрат) единственным значением, имеющимнаибольшую 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; применение критерия невозможно, если несколько значений вероятностей возможного исхода равны между собой.
5. 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.
Методический учет случайных факторов, заданных распределением, может быть выполнен двумя приемами: заменой случайных параметров их математическими ожиданиями (сведением стохастической задачи к детерминированной) и "взвешиванием" показателя качества по вероятности (этот прием иногда называют "оптимизация в среднем").
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.
Второй прием предусматривает определение W в соответствии с зависимостями соответственно для дискретных и непрерывных величин:
Ошибка! Неизвестный аргумент ключа. ; (1. 6)
Ошибка! Неизвестный аргумент ключа. , (1. 7)
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.
1. 2. 1. Постановка задачи стохастического программирования
При перспективном и оперативном планировании работы лесопромышленного 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 лесохозяйственного производства, эффективность которого зависит от климатических условий, урожайности и т. д. Поэтому задачи планирования лесного производства целесообразно ставить и исследовать в терминах и понятиях стохастического программирования, когда элементы задачи линейного программирования (матрица коэффициентов A, вектора ресурсов b, вектора оценок c) 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 одноэтапныхзадачах 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).
При M-постановке целевая функция W записывается в виде
Ошибка! Неизвестный аргумент ключа. , (1. 8)
что означает оптимизацию математического ожидания целевой функции. От математического ожидания целевой функции можно перейти к математическому ожиданию случайной величины cj
Ошибка! Неизвестный аргумент ключа... (1. 9)
При P- постановке имеем:
при максимизации
Ошибка! Неизвестный аргумент ключа. (1. 10)
где
Wmin- предварительно заданное допустимое наихудшее (минимальное) значение целевой функции.
при минимизации
Ошибка! Неизвестный аргумент ключа. (1. 11)
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, называютсяжесткими ограничениями. Часто возникают ситуации, в которых постановка задачи позволяет заменить жесткие ограничения их усреднением по распределению случайных параметров. Такие ограничения называютстатистическими:
Ошибка! Неизвестный аргумент ключа. (1. 12)
В тех случаях, когда по содержательным соображениям можно допустить, чтобы невязки в условиях не превышали заданных с вероятностями, небольшими? i>0, говорят о стохастических задачах с вероятностными ограничениями: Ошибка! Неизвестный аргумент ключа. (1. 13)
т. е. вероятность выполнения каждого заданного ограничения должна быть не менее назначенной величины? i. Параметры ? i предполагаются заданными или являются решениями задачи более высокого уровня. Представленные задачи как в M-, так и в P- постановках непосредственно решены быть не могут. Возможным методом решения этих задач является переход к их детерминированным эквивалентам. В основе этого перехода лежит использование закона распределения случайной величины. В инженерной практике наиболее часто используется нормальный закон распределения, поэтому дальнейшие зависимости приведем для этого случая.
Принимаем, что aij, bi, cjподчинены нормальному закону распределения. В этом случае будет справедлива следующие детерминированные постановки:
P - постановка целевой функции, максимизация:
Ошибка! Неизвестный аргумент ключа. (1. 14)
где
Ошибка! Неизвестный аргумент ключа. и ? j - математическое ожидание и среднее квадратическое отклонение случайной величины cj.
P - постановка целевой функции, минимизация:
Ошибка! Неизвестный аргумент ключа. (1. 15)
Вероятностные ограничения:
Ошибка! Неизвестный аргумент ключа.
где
Ошибка! Неизвестный аргумент ключа. - соответственно, математические ожидания и дисперсии случайных величин aij и bi; Ошибка! Неизвестный аргумент ключа. - значение центрированной нормированной случайной величины в нормальном законе распределения, соответствующей заданному уровню вероятности соблюдения ограничений? i.
Сделаем несколько замечаний к приведенным зависимостям:
задача стохастического программирования сведена к задаче нелинейной оптимизации и может быть решена одним из рассматриваемых ранее методов; сравнение ограничения ресурса в стохастическом программировании и аналогичным ограничением в задаче линейного программирования показывает, что учет случайного характера величин aij и bi приводит к уменьшению располагаемого ресурса на величину Ошибка! Неизвестный аргумент ключа. , (1. 16)
т. е. к необходимости в дополнительном ресурсе. Однако этот дополнительный ресурс может оказаться неиспользованным, но для гарантированного выполнения плана его иметь необходимо.
Применение стохастического программирования в лесном деле
Пример 1. 1. Распределение посевной площади между лесными культурами. Лесничество имеет вырубки площадью в 100 га в различных почвенных условиях (три типа) и заинтересовано как можно более эффективно использовать ее для создания лесных культур. Требуется распределить площадь под посевы лесных культур сосны и ели. Имеются статистические данные по издержкам и всхожести каждой культуры на единице площади с почвой каждого типа. Кроме того, вышестоящей организацией задан минимально необходимый объем лесовосстановления по каждой культуре - 30 для сосны и 40 для ели. Издержки на обработку почвы и всхожесть лесных культур существенно зависят от погодных условий и являются случайными величинами с параметрами риска:
