- •1.Определение и общая характеристика предмета.
- •2.1 Тпр: Связь с другими научными направлениями.
- •2.Основные понятия системного анализа и исо.
- •3.Организация, операция, оператор, решение.
- •1.Исходные понятия и определения.
- •1.1 Организация, управление, операция, оператор, решение.
- •4. Ошибки подмены цели и проблема критерия эффективности.
- •5. Цель, альтернатива, критерий. Рационализация и реорганизация.
- •1.2. Основные понятия: цель, альтернатива, критерии, процессы, связанные с принятием решений.
- •6. Решение. Процесс принятия решений и принятие решения. Выбор и исход. Роль человеческого фактора.
- •7. Системный подход и системный анализ. Примеры.
- •8. Метод Монте-Карло. Случайные и псевдослучайные числа.
- •9. Моделирование дискретных событий {Si} по их вероятностям {p(Si)}. Пример. Равновероятный закон распределения для Ксобытий.
- •10. Моделирование непрерывных событий во времени по заданному закону плотности распределения.
- •11. Системы массового обслуживания :два подхода к решению задач.
- •§ 18. Задачи теории массового обслуживания. Классификация систем массового обслуживания
- •12. Альтернативная схема процесса выбора решения.
- •13. Моделирование процесса выбора решений.
- •14. Разработка механизма случайного выбора для следующих событий: - числа заявок; времени поступления заявок; времени обслуживания заявок.
- •15. Граф состояний и переходов для смо. (клпр № 3)
- •16. Смо. Основные понятия и параметры системы.
- •Основные понятия смо
- •17. Вероятностный смысл параметров смо.
- •18. 0Бозначения по Кендалу.Смо типа м/м/n/m. Базовая модель смо и классификация по Кендалу
- •19. Граф гибели – размножения, марковская цепь событий.
- •20. Реальные системы (процессы) и их представление в смо (на примере объекта с ограниченным множеством состояний).
- •21. Дифференциальные уравнения Колмогорова для смо.
- •§ 17. Уравнения Колмогорова для вероятностей состояний. Финальные вероятности состояний
- •22. Потоки событий и их свойства (стационарность, отсутствие последействия, ординарность).
- •§ 16. Потоки событий
- •23. Экспоненциальное распределение, как частный случай распределения Пуассона.
- •24. Элемент вероятности события.
- •25. Потоки Пальма и Эрланга для многоканальной смо с отказами. Многоканальная смо с отказами
- •Потоки Пальма и Эрланга
- •26. Формулы Эрланга.
- •19.9. Установившийся режим обслуживания. Формулы Эрланга
- •27. Уравнение Эрланга для многоканальной смо с отказами.
- •34. Основные понятия теории статистических решений (природа, выбор стратегии, смешанная стратегия, средние потери, минимакс, априорные и апостериорные данные, эксперимент).
- •40. Розыгрыш решений и функция потерь в играх средствами имитационного моделирования. Тайна хода.
- •41. Априорные вероятности и принцип Байеса (на примере задачи о технологической линии). Принцип Байеса
- •42. Построение априорной прямой по принципу Байеса для s - игры.
- •43. Понятие о линейном программировании (л.П.) на примере задачи 2 завода 3 стройки (2x3) (задача о бетоне).
- •1. Основные свойства и модели линейного программирования
- •Граф-схема решения задачи линейного программирования
- •1.2. Алгебраическая модель решения
- •1.3. Геометрическая форма представления
- •46. Транспортная задача.
- •47. Матричная игра, как пример двойственности задач л.П.
- •48. Экономическое содержание двойственности.
- •3.4. Экономическое содержание двойственности
- •49. 03Лп. Геометрическая интерпретация (одр и основная прямая).
- •2.1. Иллюстрация процесса поиска решения
- •50. Выпуклость одр и анализ плоскостной задачи озлп. Вырожденный случай.
- •51 Переход от неравенств к озлп.
- •52. Идея симплекс метода. Стандартная таблица.
- •53. Транспортная таблица и метод Северо-Западного угла.
- •4.1. Составление опорного плана тз по методу северо-западного угла (сзу)
- •54. Вырожденный и невырожденный случаи транспортной — задачи, циклический перенос и цена цикла.
- •4.5. Улучшение плана по методу циклических перестановок
- •55. Метод потенциалов. Псевдостоимость. Условия оптимальности плана.
- •4.4. Проверка лучшего опорного плана на оптимальность
- •2. Трудности решения злп.
- •3. Классификация задач оптимизации.
34. Основные понятия теории статистических решений (природа, выбор стратегии, смешанная стратегия, средние потери, минимакс, априорные и апостериорные данные, эксперимент).
Статистические модели представляют собой игру двух лиц (человека и природы) с использованием человеком дополнительной статистической информации о состояниях природы.
Она существенно отличается от антагонистической игры двух лиц с нулевой суммой, где выигрыш одного равен проигрышу другого.
В статистической игре природа не является разумным игроком, который стремится выбрать для себя оптимальные стратегии. Этот игрок не заинтересован в выигрыше. Другое дело -человек, в данном случае статистик. Он имеет целью выиграть игру с воображаемым противником, т. е. с природой.
Игрок-природа не выбирает оптимальной стратегии, но статистик должен стремиться к определению распределения вероятностей состояния природы. Следовательно, основными отличиями статистической игры от стратегической являются:
• отсутствие стремления к выигрышу у игрока-природы, т. е. отсутствие антагонистического противника;
• возможность второго игрока - статистика провести статистический эксперимент для получения дополнительной информации о стратегиях природы.
В теории игр стратегия игрока в игре или деловой ситуации — это полный план действий при всевозможных ситуациях, способных возникнуть.
Понятие стратегии иногда (ошибочно) путают с понятием хода. Ход является действием одного из игроков в какой-то момент игры.
Чистая стратегия даёт полную определённость каким образом игрок продолжит игру. В частности, она определяет результат для каждого возможного выбора, который игроку может придётся сделать. Пространством стратегий называют множество всех чистых стратегий доступных данному игроку.
Смешанная стратегия — является указанием вероятности каждой чистой стратегии. Это означает, что игрок выбирает одну из чистых стратегий, в соответствии с вероятностями заданными смешанной стратегией. Выбор осуществляется перед началом каждой игры и не меняется до её конца. Каждая чистая стратегия является частным случаем смешанной, когда вероятность данной чистой стратегии 1 и у всех других нулевая вероятность.
Информация Априорная (до эксперимента) — предварительные данные о процессе, источником которых могут быть теоретические соображения или статистические исследования.
Апостериорные данные-данные, полученные в процессе эксперимента.
Экспериме́нт (от лат. experimentum — проба, опыт) в научном методе — метод исследования некоторого явления в управляемых условиях.
Минимакс — правило принятия решений, используемое в теории игр, теории принятия решений, исследовании операций, статистике и философии для минимизации возможных потерь из тех, которые лицу принимающему решение нельзя предотвратить при развитии событий по наихудшему для него сценарию[1][2][3]. Критерий минимакса первоначально был сформулирован в теории игр для игры двух лиц с нулевой суммой в случаях последовательных и одновременных ходов, впоследствии получил развитие в более сложных играх и при принятии решений в условиях неопределённости. С понятием минимакса связано понятие максимина (значение минимакса не меньше значения соответствующего максимина).
35. Принцип минимакса в статистических и стратегических играх. Цена игры (верхняя и нижняя).
36. Смешанная игра без седловой точки.
37. Усреднение игры.
Игра, полученная путем усреднения случайных исходов, не полностью эквивалентна исходной игре, так как она характеризует не частный результат отдельной партии, а средние исходы большого числа партий.
38. Верхняя и нижняя цена усреднения игры.
39. Правила S – игры. Геометрия принципа минимакса.
Топология S-игры.
Игра, заданная множеством точек {с1, …, cn}, где с1 = (q11, …, qm1), …, cn = (q1n, …, qmn), qij = L(xi, yj), получила название S-игры.
Обозначим через S* выпуклую оболочку конечного множества точек {с1, …, cn}. Для S-игры это пространство S-стратегий.
Найдем нижнюю и верхнюю цены игры.
Нижняя цена S-игры будет определяться формулой:
Lг = , |
(C.0) |
где S – скалярное произведение векторов = ((1), …, (m)) и S = (S (1), …, S(m)).
Стратегия 0, удовлетворяющая такому соотношению, называется максиминной стратегией первого игрока, максимизирующего гарантированный выигрыш.
Предположим, что второй игрок применяет стратегию
S S*. Нижняя цена игры будет определяться соотношением:
г = , |
(C.0) |
Стратегия S0, удовлетворяющая данному соотношению, называется минимаксной стратегией второго игрока, минимизирующего гарантированный проигрыш. Соответственно формула имеет вид:
г = max ( , …, ) , |
(C.0) |
Верхняя цена игры г равна максимальной из координат точки S0, определяющей минимальную стратегию второго игрока.
Если г = г = cг, то минимальные стратегии игроков 0 и S0 будут оптимальными – основное свойство теории конечных матричных игр.
Подставив значение множества точек {с1, …, cm} S-игры в формулу, можно определить графически оптимальную стратегию 0 и Lг.
Рассмотрим множество T, состоящее из точек t = (t(1), …, t(m)), таких, что t(i) г при i = 0, 1, … m. Область T определена в евклидовом пространстве n-размерности Еn и для нашего случае имеет вид прямоугольного гиперклина с вершиной, лежащей на прямой, проведенной из начала координат под углом 45 к каждой из осей абсцисс гиперпространства (см. Pиc. Ошибка! Стиль не определен. .1). Точка S0, определяющая минимаксную стратегию второго игрока, является граничной точкой области S*, причем такой, в которой гиперобласть T касается области S*.
Другими словами, в эвклидовом пространстве размерности Еm (для второго игрока) определяется СО (на множестве точек стратегий второго игрока, т.е. ) и специфическая область Т, равноудаленная от осей координат Еm. Область Т выдвигается по биссектрисе первого квадранта гиперпространства Еm до касания с (точка ). Максимальная координата точки касания определяет минимаксные потери игрока Y (потери по max проекция на Еm).
Двойственным алгоритмом действий определяется решения для игрока Х:
Еn CO = min , проекция точки на Еn
Rб – по Байесу.
Pиc. Ошибка! Стиль не определен..1 Пример топологии S-игры.