Принятие решений в условиях неопределенности.

Условиями неопределённости считается ситуация, когда результаты принимаемых решений неизвестны. Неопределенность подразделяется на стохастическую (имеется информация о распределении вероятности на множестве результатов), поведенческую (имеется информация о влиянии на результаты поведения участников), природную (имеется информация только о возможных результатах и отсутствует о связи между решениями и результатами) и априорную (нет информации и о возможных результатах). Задача обоснования решений в условиях неопределённости всех типов, кроме априорной, сводится к сужению исходного множества альтернатив на основе информации, которой располагает лицо, принимающее решение (ЛПР). Качество рекомендаций для принятия решений в условиях стохастической неопределенности повышается при учете таких характеристик личности ЛПР, как отношение к своим выигрышам и проигрышам, склонность к риску. Обоснование решений в условиях априорной неопределенности возможно построением алгоритмов адаптивного управления^[1]

 

11. Классические критерии принятия решения (минимаксный критерий, критерий Байеса-Лапласа, критерий Сэвиджа).

Лаплас

1^о. Минимаксный критерий.

Правило выбора решения в соответствии с минимаксным критерием (ММ-критерием) можно интерпретировать следующим образом:

матрица решений дополняется ещё одним столбцом из наименьших результатов e_ir каждой строки. Необходимо выбрать те варианты в строках которых стоят наибольшее значение e_irэтого столбца.

Выбранные т.о. варианты полностью исключают риск. Это означает, что принимающий решение не может столкнуться с худшим результатом, чем тот, на который он ориентируется. Это свойство позволяет считать ММ-критерий одним из фундаментальных.

Применение ММ-критерия бывает оправдано, если ситуация, в которой принимается решение следующая:

1^o. О возможности появления внешних состояний F_j ничего не известно;

2^o. Приходится считаться с появлением различных внешних состояний F_j;

3^o. Решение реализуется только один раз;

4^o. Необходимо исключить какой бы то ни было риск.

2^o. Критерий Байеса – Лапласа.

Обозначим через q_i – вероятность появления внешнего состояния F_j.

Соответствующее правило выбора можно интерпретировать следующим образом:

матрица решений дополняется ещё одним столбцом содержащим математическое ожидание значений каждой из строк. Выбираются те варианты, в строках которых стоит наибольшее значение e_ir этого столбца.

При этом предполагается, что ситуация, в которой принимается решение, характеризуется следующими обстоятельствами:

1^о. Вероятности появления состояния F_j известны и не зависят от времени.

2^о. Решение реализуется (теоретически) бесконечно много раз.

3^о. Для малого числа реализаций решения допускается некоторый риск.

При достаточно большом количестве реализаций среднее значение постепенно стабилизируется. Поэтому при полной (бесконечной) реализации какой-либо риск практически исключён.

Т.о. критерий Байеса-Лапласа (B-L-критерий) более оптимистичен, чем минимаксный критерий, однако он предполагает большую информированность и достаточно длительную реализацию.

Критерий Сэвиджа — один из критериев принятия решений в условиях неопределённости. Условиями неопределённости считается ситуация, когда последствия принимаемых решений неизвестны, и можно лишь приблизительно их оценить. Для принятия решения используются различные критерии, задача которых — найти наилучшее решение максимизирующее возможную прибыль и минимизирующее возможный убыток.

Критерий заключается в следующем:

1. Строится матрица стратегий. Столбцы соответствуют возможным исходам. Строки соответствуют выбираемым стратегиям. В ячейки записывается ожидаемый результат при данном исходе и при данной выбранной стратегии.

2. Строится матрица сожаления. В ячейках матрицы величина сожаления — разница между максимальным результатом при данном исходе (максимальном числе в данном столбце) и результатом при выбранной стратегии. Сожаление показывает величину, теряемую при принятии неверного решения.

3. Минимаксное решение соответствует стратегии, при которой максимальное сожаление минимально. Для этого для каждой стратегии (в каждой строке) ищут максимальную величину сожаления. И выбирают то решение (строку), максимальное сожаление которого минимально.

12. Производные критерии (критерий Гурвица, Ходжа-Лемана).

 

1^о. Критерий Гурвица.

Стараясь занять наиболее уравновешенную позицию, Гурвиц предположил оценочную функцию, которая находится где-то между точкой зрения крайнего оптимизма и крайнего пессимизма:

e_ir = {C e_ij + (1- C) e_ij },

где С– весовой множитель.

Правило выбора согласно критерию Гурвица, формируется следующим образом:

матрица решений дополняется столбцом, содержащим среднее взвешенное наименьшего и наибольшего результатов для каждой строки. Выбираются только те варианты, в строках которых стоят наибольшие элементы e_ir этого столбца.

При С=1 критерий Гурвица превращается в ММ-критерий. При С = 0 он превращается в критерий “азартного игрока”

e_ir = e_ij,

т.е. мы становимся на точку зрения азартного игрока, делающего ставку на то, что «выпадет» наивыгоднейший случай.

В технических приложениях сложно выбрать весовой множитель С, т.к. трудно найти количественную характеристику для тех долей оптимизма и пессимизма, которые присутствуют при принятии решения. Поэтому чаще всего С:= ¹/₂.

Критерий Гурвица применяется в случае, когда:

1) о вероятностях появления состояния F_j ничего не известно;

2) с появлением состояния F_j необходимо считаться;

3) реализуется только малое количество решений;

4) допускается некоторый риск.

2^о. Критерий Ходжа–Лемана.

Этот критерий опирается одновременно на ММ-критерий и критерий Баеса-Лапласа. С помощью параметра n выражается степень доверия к используемому распределений вероятностей. Если доверие велико, то доминирует критерий Баеса-Лапласа, в противном случае – ММ-критерий, т.е. мы ищем

e_ir = {n + (1-n) e_ir}, 0 £n£ 1.

Правило выбора, соответствующее критерию Ходжа-Лемана формируется следующим образом:

матрица решений дополняется столбцом, составленным из средних взвешенных (с весом nºconst) математическое ожиданиями и наименьшего результата каждой строки (*). Отбираются те варианты решений в строках которого стоит набольшее значение этого столбца.

При n = 1 критерий Ходжа-Лемана переходит в критерий Байеса-Лапласа, а при n = 0 становится минимаксным.

Выбор n субъективен т. к. Степень достоверности какой-либо функции распределения – дело тёмное.

Для применения критерия Ходжа-Лемана желательно, чтобы ситуация в которой принимается решение, удовлетворяла свойствам:

1) вероятности появления состояния F_j неизвестны, но некоторые предположения о распределении вероятностей возможны;

2) принятое решение теоретически допускает бесконечно много реализаций;

3) при малых числах реализации допускается некоторый риск.

 

Задача о назначениях.

 

Задача о назначениях - частный случай транспортной задачи, в которой количество пунктов производства и потребления равны, т.е транспортная таблица имеет форму квадрата, а объем потребления и производства в каждом пункте равен 1.

Данная задача решается с помощью алгоритма, носящего название "Венгерского метода", состоящего из 3 этапов:

1 этап:

1 Формализация проблемы в виде транспортной таблицы

2 В каждой строке таблицы найти наименьший элемент и вычесть его из всех элементов данной строки

3 Повторить ту же процедуру для столбцов

Задачей является распределение всех подлежащих назначению единиц в клетки с нулевой стоимостью. Оптимальное значение целевой функции в этом случае равно нулю.

2 этап:

1 Найти строку, содержащую только одно нулевое значение, в его клетку помещается один элемент (0 обводится квадратиком). Если такие строки отсутствуют, допустимо начать с любой строки.

2 Зачеркнуть оставшиеся нулевые значения данного столбца

3 Повторять пп.1-2, пока продолжение указанной процедуры окажется невозможным

Если окажется, что имеется несколько нулей, которым не соответствуют назначения, и которые остались незачеркнутыми, необходимо:

4 Найти столбец, содержащий только одно нулевое значение, в его клетку помещается один элемент.

5 Зачеркнуть оставшиеся нули в данной строке

6 Повторять пп.4-5, пока продолжение указанной процедуры окажется невозможным

Если выяснится, что таблица содержит неучтенные нули - повторить пп. 1-6

Если решение является допустимым, оно оптимально. Если нет - перейти к этапу 3.

3 этап: (Если решение является недопустимым)

1 Провести минимальное количество прямых через столбцы и строки матрицы таким образом, чтобы они проходили через все нули, содержащиеся в таблице

2 Найти наименьший из элементов, через которые не проходит ни одна прямая

3 Вычесть его из всех элементов, через которые не проходят прямые

4 Прибавить его ко всем элементам, лежащим на пересечении прямых

5 Элементы, через которые проходит только одна прямая, оставить неизменными

В результате в таблице появится как минимум одно новое нулевое значение. Вернуться к этапу 2 и повторить решение заново

 

Транспортная задача.

 

Транспортная задача (задача Монжа — Канторовича) — математическая задача линейного программирования специального вида о поиске оптимального распределения однородных объектов из аккумулятора к приемникам с минимизацией затрат на перемещение.[1][2] Для простоты понимания рассматривается как задача об оптимальном плане перевозок грузов из пунктов отправления в пункты потребления, с минимальными затратами на перевозки. Транспортная задача является по теории сложности вычислений NP-сложной или входит в класс сложности NP. Когда суммарный объём предложений (грузов, имеющихся в пунктах отправления) не равен общему объёму спроса на товары (грузы), запрашиваемые пунктами потребления, транспортная задача называется несбалансированной.

 

Постановка задачи

 

Транспортная задача (классическая) — задача об оптимальном плане перевозок однородного продукта из однородных пунктов наличия в однородные пункты потребления на однородных транспортных средствах (предопределённом количестве) со статичными данными и линеарном подходе (это основные условия задачи).

Для классической транспортной задачи выделяют два типа задач: критерий стоимости (достижение минимума затрат на перевозку) или расстояний и критерий времени (затрачивается минимум времени на перевозку).

 

Задача о ранце

 

Задача о ранце (рюкзаке) — одна из задач комбинаторной оптимизации. Название это получила от максимизационной задачи укладки как можно большего числа нужных вещей в рюкзак при условии, что общий объём (или вес) всех предметов, способных поместиться в рюкзак, ограничен. Подобные задачи часто возникают в экономике, прикладной математике, криптографии. В общем виде, задачу можно сформулировать так: из неограниченного множества предметов со свойствами «стоимость» и «вес», требуется отобрать некое число предметов таким образом, чтобы получить максимальную суммарную стоимость при одновременном соблюдении ограничения на суммарный вес.

Содержание [убрать]

1 Разновидности

2 Решение

3 Задача о ранце с возможностью бесконечного выбора предметов

3.1 Формулировка

3.2 Решение

3.3 Реализация

4 Задача о ранце с возможностью единичного выбора предмета

4.1 Решение

4.2 Реализация

5 См. также

6 Ссылки

7 Литература

[править]Разновидности

 

Каждый предмет из множества можно выбирать произвольное количество раз.

Каждый предмет можно использовать только один раз.

[править]Решение

 

Задача о ранце в случае, когда вес каждого предмета представляет собой целое число, может быть решена с помощью динамического программирования. Но важно отметить, что задача о ранце является NP-задачей (псевдо-полиномиальна).

 

 

Задача коммивояжера.

 

Задача коммивояжёра (англ. Travelling salesman problem, TSP) (коммивояжёр — разъездной сбытовой посредник) — одна из самых известных задач комбинаторной оптимизации, заключающаяся в отыскании самого выгодного маршрута, проходящего через указанные города хотя бы по одному разу с последующим возвратом в исходный город. В условиях задачи указываются критерий выгодности маршрута (кратчайший, самый дешёвый, совокупный критерий и т. п.) и соответствующие матрицы расстояний, стоимости и т. п. Как правило, указывается, что маршрут должен проходить через каждый город только один раз — в таком случае выбор осуществляется среди гамильтоновых циклов.

Существует несколько частных случаев общей постановки задачи, в частности геометрическая задача коммивояжёра (также называемая планарной или евклидовой, когда матрица расстояний отражает расстояния между точками на плоскости), треугольная задача коммивояжёра (когда на матрице стоимостей выполняется неравенство треугольника), симметричная и асимметричная задачи коммивояжёра. Также существует обобщение задачи, так называемая обобщённая задача коммивояжёра.

Общая постановка задачи, впрочем как и большинство её частных случаев, относится к классу NP-полных задач.

 

Задача управлення запасами

Задача управления запасами возникает, когда необходимо создать запас материальных ресурсов или предметов потребления с целью удовлетворения спроса на заданном интервале времени. Для обеспечения непрерывного и эффективного функционирования практически любой организации необходимо создание запасов. В любой задаче управления запасами требуется определить количество заказываемой продукции и сроки размещения заказов.

 

В любой задаче управления запасами требуется определить количество заказываемой продукции и сроки размещения заказов.

 

Спрос можно удовлетворить

 

путем однократного создания запаса на весь рассматриваемый период времени

или

 

посредством создания запаса для каждой единицы времени этого периода.

Эти два случая соответствуют избыточному запасу (по отношению к единице времени) и недостаточному запасу (по отношению к полному периоду времени).

 

При избыточном запасе требуются более высокие удельные (отнесенные к единице времени) капитальные вложения, но дефицит возникает реже и частота размещения заказов меньше.

 

При недостаточном запасе удельные капитальные вложения снижаются, но частота размещения заказов и риск дефицита возрастают.

 

Для любого из этих двух крайних случаев характерны значительные экономические потери. Таким образом, решения относительно размера заказа и момента его размещения могут основываться на минимизации соответствующей функции общих затрат, включающих затраты, обусловленные потерями от избыточного запаса и дефицита.

Метод анализа иерархий.

Метод Анализа Иерархий (МАИ) — математический инструмент системного подхода к сложным проблемам принятия решений. МАИ не предписывает лицу, принимающему решение (ЛПР), какого-либо «правильного» решения, а позволяет ему в интерактивном режиме найти такой вариант (альтернативу), который наилучшим образом согласуется с его пониманием сути проблемы и требованиями к ее решению. Этот метод разработан американским математиком Томасом Саати, который написал о нем книги, разработал программные продукты и в течение 20 лет проводит симпозиумы ISAHP (англ. International Symposium on Analytic Hierarchy Process). МАИ широко используется на практике и активно развивается учеными всего мира. В его основе наряду с математикой заложены и психологические аспекты. МАИ позволяет понятным и рациональным образом структурировать сложную проблему принятия решений в виде иерархии, сравнить и выполнить количественную оценку альтернативных вариантов решения. Метод Анализа Иерархий используется во всем мире для принятия решений в разнообразных ситуациях: от управления на межгосударственном уровне до решения отраслевых и частных проблем в бизнесе, промышленности, здравоохранении и образовании. Для компьютерной поддержки МАИ существуют программные продукты, разработанные различными компаниями. Анализ проблемы принятия решений в МАИ начинается с построения иерархической структуры, которая включает цель, критерии, альтернативы и другие рассматриваемые факторы, влияющие на выбор. Эта структура отражает понимание проблемы лицом, принимающим решение. Каждый элемент иерархии может представлять различные аспекты решаемой задачи, причем во внимание могут быть приняты как материальные, так и нематериальные факторы, измеряемые количественные параметры и качественные характеристики, объективные данные и субъективные экспертные оценки [1]. Иными словами, анализ ситуации выбора решения в МАИ напоминает процедуры и методы аргументации, которые используются на интуитивном уровне. Следующим этапом анализа является определение приоритетов, представляющих относительную важность или предпочтительность элементов построенной иерархической структуры, с помощью процедуры парных сравнений. Безразмерные приоритеты позволяют обоснованно сравнивать разнородные факторы, что является отличительной особенностью МАИ. На заключительном этапе анализа выполняется синтез (линейная свертка) приоритетов на иерархии, в результате которой вычисляются приоритеты альтернативных решений относительно главной цели. Лучшей считается альтернатива с максимальным значением приоритета.

Дерево принятия решений.

 

На рис. 3 задача принятия решения графически представлена в виде так называемого дерева принятия решений.

Рис. 3. Часть дерева принятия решений

Для иллюстрации введенных выше понятий рассмотрим типичную ветвь дерева. Двигаясь слева направо, ЛПР должно сначала либо выбрать эксперимент стоимостью, либо не проводить экспериментов, что обозначается через, а соответствующие затраты (нулевые) –. При условии выбора данного эксперимента наблюдается исход. Эксперимент приводит к различным исходам, вероятности появления которых описываются с помощью распределения условных вероятностей. Если исход известен, должно быть выбрано следующее решение. После такого выбора наличие внешних условий задается распределением условных вероятностей, где индекс r относится к эксперименту, t обозначает исход, а i – решение. В результате этих шагов получается исход х. Вероятность различных исходов численно выражается через распределение условных вероятностей, где индекс j относится к внешним условиям. Относительная предпочтительность возможных rerс0e0сtorerpidjsrtiprtijp

исходов задается функцией полезности u(x).

Заметим, что у дерева принятия решений есть два типа узлов: узлы решений, обозначенные квадратиками, и узлы возможностей, обозначенные кружками. Двигаясь по дереву справа налево, с помощью полученного распределения вероятностей, вычислим ожидаемую полезность, соответствующую рассматриваемому узлу. Для любого узла решений, ЛПР выбирает альтернативу, которая приводит к наибольшей ожидаемой полезности, и приписывает полученную полезность узлу решений

 

 

Тео́рия приня́тия реше́ний — область исследования, вовлекающая понятия и методы математики, статистики, экономики, менеджмента и психологии с целью изучения закономерностей выбора людьми путей решения разного рода задач, а также способов поиска наиболее выгодных из возможных решений.

Принятие решения — это процесс рационального или иррационального выбора альтернатив, имеющий целью достижение осознаваемого результата. Различают нормативную теорию, которая описывает рациональный процесс принятия решения и дескриптивную теорию, описывающую практику принятия решений.