- •П.И. Тутубалин, л.Т. Моисеева теория принятия решений
- •Оглавление
- •1. Основные понятия теории принятия решений 2
- •2. Классификация решений 5
- •4. Линейные модели задач принятия решений 16
- •5. Нелинейные модели задач принятия решений 42
- •6. Методы решения двухкритериальных задач принятия решений 53
- •1. Основные понятия теории принятия решений
- •2. Классификация решений
- •3. Общая математическая модель формирования оптимальных решений
- •3.1. Классификация математических моделей в задачах принятия решений
- •3.2. Краткая характеристика математических методов формирования оптимальных решений
- •4. Линейные модели задач принятия решений
- •4.1. Задача выбора оптимальной производственной программы предприятия
- •4.2. Распределительные задачи принятия решений
- •4.2.1. Задача распределения количества заказов по предприятиям
- •4.2.2. Задача распределения грузов по средствам доставки
- •4.2.3. Задача оптимизации перевозок однородного продукта
- •4.2.4. Метод минимальной стоимости для решения закрытой транспортной задачи
- •4.2.5. Задача о назначениях
- •4.3. Задача оптимального выбора
- •4.3.1. Задача о ранце
- •4.3.2. Задача оптимального выбора выполняемых работ
- •5. Нелинейные модели задач принятия решений
- •5.1. Задача о выборе геометрических размеров бака заданного объема
- •5.2. Задача оптимального размещения предприятий
- •5.3. Стохастическая модель выбора оптимальной производственной программы
- •5.4. Стохастическая модель стоимости товаров в торговых центрах
- •6. Методы решения двухкритериальных задач принятия решений
- •6.1. Решение двухкритериальной задачи о баке
- •6.2. Решение двухкритериальной стохастической задачи стоимости товаров в торговых центрах
- •Литература
5.3. Стохастическая модель выбора оптимальной производственной программы
Все рассмотренные выше задачи относились к детерминированным задачам принятия решений, то есть к задачам в которых , и были достоверно известны до решения задач. Существует класс задач, в которых эти параметры описываются случайными векторами. В этом случае соответствующие ММ относятся к классу стохастических задач. Рассмотрим одну из таких задач.
Рассмотренная выше классическая модель выбора оптимальной программы:
; (5.10)
, ; (5.11)
, (5.12)
относится к классу детерминированных моделей, так как предполагалось, что все параметры , и не случайные величины. В реальности за счет нестабильности в экономике и действия в производственных процессах всевозможных факторов эти параметры могут рассматриваться как случайные величины. В этом случае оптимальный выбор производственной программы необходимо осуществить с помощью стохастических моделей.
Рассмотрим случаи, когда прибыль от реализации единицы продукции, запасы сырья и материалов являются случайными величинами.
Пусть значения прибыли от реализации j-й продукции являются случайными величинами. В этом случае суммарная прибыль от реализации продукции:
. (5.13)
Максимизировать это выражение нельзя, так как в этом случае компоненты вектора решения х будут являться случайными величинами. Отметим, что при использовании любых стохастических моделей обязательно получение детерминированных компонент , учитывающих тот факт, что в задаче имеются случайные параметры. Будем считать, что из обработанной статистики нам известны математические ожидания и дисперсии случайных величин.
, , .
Тогда критерий максимума средней прибыли записывается так:
. (5.14)
Здесь было использовано выражение (5.13), в котором все случайные величины были заменены их математическими ожиданиями (свойство линейной комбинации случайных величин). Теперь вид ММ определяют выражения (5.14), (5.11), (5.12).
Можно сформулировать задачу выбора оптимального вектора , обеспечивающего минимальную дисперсию суммарной прибыли (5.13). Для этого используем следующее правило теории вероятности. Пусть случайная величина вычисляется на основе коррелированных случайных величин как сумма линейной комбинации
,
где – неслучайные константы.
Тогда дисперсия случайной величины вычисляется так:
,
где – дисперсия случайной величины Yj.
Применим это правило к выражению (5.13), где роль неслучайных параметров играют компоненты вектора , получаем:
(5.15)
Таким образом, при случайных значениях прибыли можно решать двухкритериальную задачу (5.15), (5.14), (5.11), (5.12), обеспечивающую максимум средней прибыли и минимум ее дисперсии.
Рассмотрим случай, когда случайным является объем ресурсов входящих в условие (5.11). Пусть – случайные величины, описывающие эти объемы. В этом случае условие (5.11) становится случайным неравенством вида:
, . (5.16)
Будем считать, что каждая случайная величина описывается ее функцией распределения:
, . (5.17)
Потребуем, чтобы неравенство (5.16) выполнялись с вероятностью близкой к единице. Это требование можно записать в виде
, (5.18)
– достаточно малая величина, которая в практических задачах принимает значения 0,01; 0,05; 0,1. Из выражения (5.17) следует, что вероятность
. (5.19)
С учетом этого левую часть выражения (5.18) представим в виде
.
Подставим полученное выражение в неравенство (5.18), получим
.
Приводя подобные члены и изменяя вид неравенств, получаем:
, . (5.20)
Таким образом, выражения (5.10), (5.20), (5.12) представляют собой стохастическую однокритериальную модель оптимальной производственной программы при случайной доступности ресурсов.
Рассмотрим пример, когда все случайные величины распределены по равномерному закону в соответствующих интервалах (рис. 5.3).
Рис. 5.3
С учетом этого неравенство (5.18) примет вид:
Проведя преобразования, имеем:
Эти линейные неравенства заменяют неравенства вида (5.16) в конкретных задачах ПР.
Построим конкретный вид неравенства (5.16) для случая, когда случайная величина распределена по показательному закону с функцией распределения вида:
.
Согласно (5.20) . Перенесем «единицу» в правую часть и прологарифмируем обе части неравенства, получим:
.
Отсюда:
.