- •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.
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
При задаВ байесовском статистическом выводе априорное распределение вероятностей (англ. prior probability distribution, или просто prior) неопределённой величины p — распределение вероятностей, которое выражает предположения о p до учёта экспериментальных данных. Например, если p — доля избирателей, готовых голосовать за определённого кандидата, то априорным распределением будет предположение о p до учёта результатов опросов или выборов.
Согласно теореме Байеса, нормализованное произведение априорного распределения на функцию правдоподобия является условным распределением неопределённой величины согласно учтённым данным.
Априорное распределение часто задается субъективно опытным экспертом. При возможности используют сопряжённое априорное распределение, что упрощает вычисления.
Параметры априорного распределения называют гиперпараметрами, чтобы отличить их от параметров модели данных. Например, если используется бета-распределение для моделирования распределения параметра p распределения Бернулли, то:
p — параметр модели данных (распределения Бернулли)
α и β — параметры априорного распределения (бета-распределения), то есть гиперпараметры.
нном априорном распределении любая стратегия статистика характеризуется ожидаемыми потерями из (17.14). Это позволяет рассмотреть задачу выбора стратегии , минимизирующей риск при заданном распределении , т.е.
|
(17.18) |
Стратегия из (17.18) называется байесовской решающей функцией (относительно заданного априорного распределения ), а соответствующий ей риск
|
(17.19) |
- байесовским риском .1) Из (17.15), (17.18) выводим, что
Следовательно, байесовское решение az, соответствующее конкретному исходу испытания z, может быть получено из условия:
|
(17.20) |
где есть апостериорный риск, соответствующий решению a при исходе испытания z.
Поскольку множества и A являются конечными, то условие (17.20) может быть представлено системой неравенств
которую, учитывая (17.10), можно привести к виду:
|
(17.21) |
удобному для определения решения az при заданных априорном распределении и исходе испытания z. Заметим, что приведение условий (17.20) к виду (17.21) с использованием соотношения (17.10) предполагает положительность значения p(z) из (17.11). В случае исходов z, вероятность реализации которых является нулевой, в качестве байесовского значения az может быть использовано любое решение . Потери от такого решения не дают вклада в функцию риска - см. (17.11) и (17.14).
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
Линейное программирование – это метод математического моделирования, разработанный для оптимизации использования ограниченных ресурсов. ЛП успешно применяется в военной области, индустрии, сельском хозяйстве, транспортной отрасли, экономике, системе здравоохранения и даже в социальных науках. На алгоритмах ЛП (учитывая их компьютерную эффективность) базируются оптимизационные алгоритмы для других, более сложных типов моделей и задач, включая целочисленное, нелинейное и стохастическое программирование.
Первое знакомство с задачами линейного программирования человек получает еще на уроках алгебры из школьного учебника.
Рассмотрим, например, следующую задачу.
Условия задачи
Имеются две бетономешалки {A, B} и три стройки {1, 2, 3} (потребители бетона). В сутки стройкам требуется 700 т бетона, соответственно: 200 т, 280 т, 220 т. Производительность источников А и В равна 320 т и 380 т. Удельная стоимость доставки за тонну определена матрицей , в условных единицах.
Требуется. Определить неизбежные суточные затраты на операцию доставки грузов.