- •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.
6. Решение. Процесс принятия решений и принятие решения. Выбор и исход. Роль человеческого фактора.
Принятие решения – применение критерия или системы предпочтений лицом, ответственным за принятие решения.(ЛПР)
Процесс принятия решения – последовательность действий (алгоритм) при нахождении решения.
Решение – конкретная альтернатива, полученная в процессе принятия решений в соответствии с некоторым решающим правилом, путем выбора или исхода, ведущий к однозначному определению функции-действия.
Выбор или исход – реализация решений.
Выбор – зависит от индивидуума.
Исход – зависит от случайных факторов.
7. Системный подход и системный анализ. Примеры.
Системный анализ — научный метод познания, представляющий собой последовательность операций по установлению структурных и функциональных связей между переменными или элементами исследуемой системы.
Цель системного подхода, — опираясь на изучение объективных закономерностей развития систем, дать правила организации мышления по многоэкранной схеме. Системный подход ориентирует исследователя на раскрытие целостности объекта, на выявление многообразных типов связей в нем и сведение их в единую теоретическую картину. В настоящее время под системным подходом понимают направление методологии научного познания и социальной практики, в основе которого лежит рассмотрение объектов как системНа основании вышеизложенного сформулируем определение сис¬темного подхода. Системный подход — это методологическое направление в науке, основная задача которого состоит в разработке методов исследования и конструирования сложноорганизованных объектов — систем разных типов и классов.
8. Метод Монте-Карло. Случайные и псевдослучайные числа.
Ме́тод Мо́нте-Ка́рло (методы Монте-Карло, ММК) — общее название группы численных методов, основанных на получении большого числа реализаций стохастического (случайного) процесса, который формируется таким образом, чтобы его вероятностные характеристики совпадали с аналогичными величинами решаемой задачи. Используется для решения задач в различных областях физики, химии, математики, экономики, оптимизации, теории управления и др.
Генератор псевдослучайных чисел (ГПСЧ, англ. Pseudorandom number generator, PRNG) — алгоритм, порождающий последовательность чисел, элементы которой почти независимы друг от друга и подчиняются заданному распределению (обычно равномерному).
Современная информатика широко использует псевдослучайные числа в самых разных приложениях — от метода Монте-Карло и имитационного моделирования до криптографии. При этом от качества используемых ГПСЧ напрямую зависит качество получаемых результатов. Это обстоятельство подчёркивает известный афоризм Роберта Р. Кавью из ORNL (англ.): «генерация случайных чисел слишком важна, чтобы оставлять её на волю случая».
С. ч. — это числа, генерируемые посредством случайного процесса, к-рый порождает любое число т. о., что каждая из десяти цифр (0, 1, 2, ... 9) имеет разную возможность оказаться в его составе. В общем, вероятность появления любой конкретной последовательности С. ч., состоящей из п цифр, равна 0,1n. Таблицы С. ч. легко доступны и публикуются в виде приложения в большинстве учебников стат.
Психологи часто пользуются С. ч. для решения разных задач. Напр., можно сформировать случайную выборку, нумеруя потенциальных испытуемых в совокупности, а затем отбирая на основе таблицы С. ч. реальных испытуемых для включения в ее состав. Такой случайный процесс гарантировал бы получение случайной (непредвзятой) выборки — необходимого, по существу, условия всех видов статистического анализа.
С. ч. тж могут использоваться для распределения испытуемых по группам (соответственно условиям) в эксперименте, для выбора уровней предъявления независимой переменной или для эмпирического построения выборочных распределений статистик путем случайного извлечения выборок из совокупности с известным распределением.