- •1. Основные понятия тпр. Основные модели и методы тпр. Основные этапы процесса пр. Основные понятия тпр
- •Основные методы и модели тпр
- •Этапы принятия решений
- •2. Классификация задач пр
- •3. Принятие решений Типы задач, критериев и общая схема решения. Общие группы методов решения многокритериальных задач принятия решений. Типы зпр
- •Типы критериев
- •Общие группы методов решения многокритериальных задач принятия решений
- •Исходная информация
- •Метод группировки критериев – нормализация функции полезности
- •1. Метод равномерной оптимальности
- •2. Метод справедливого компромисса
- •3. Метод свертывания критериев (аддитивный критерий)
- •4. Метод главного критерия
- •5. Метод идеальной точки (метод равномерного сжатия, минимального отличия от идеала)
- •Матрица отклонений
- •6. Метод последовательных уступок
- •Метод последовательных уступок
- •5. Нормализация критериев в условиях полной определенности. Принципы максимальной эффективности и минимизации рисков.
- •Исходная информация
- •6. Постановка задач линейного программирования. Примеры, различные формы задач и подходы решения. Постановка задач линейного программирования
- •Примеры, различные формы задач и подходы решения
- •7. Множества решений неравенств, уравнений и их систем в задачах линейного программирования. Допустимые решения. Допустимые базисные решения.
- •8. Сведения из теории выпуклых множеств. Выпуклые множества в n-мерном пространстве.
- •9. Задача линейного программирования в канонической форме. Основные теоремы о множествах оптимальных решений этой задачи.
- •10. Геометрический метод решения задачи линейного программирования m X n. Пример для задачи m X 2 (на максимум и минимум).
- •11. Аналитический метод решения задачи линейного программирования m X n (симплекс-метод). Для задач на максимум и минимум.
- •16. Ситуации равновесия в игре. Понятие седловой точки. Чистые стратегии двух игроков.
- •17. Смешанные стратегии двух игроков в матричной игре. Выигрыши игроков в игре. Теорема Дж. Фон Неймана о ситуации равновесия.
- •18. Аналитическое решение игры 2´2. Геометрическое решение игры 2´2.
- •Решение игры в смешанных стратегиях геометрическим методом
- •Решение игры 2×2
- •Решение игр вида 2хn и mх2
- •19. Лемма о масштабе. Условия эквивалентности смешанных стратегий двух игр.
- •20. Свойства оптимальных смешанных стратегий в матричной игре.
- •25. Вполне смешанная игра. Решение матричной игры n´n методом обратной матрицы.
- •26. Сведение матричной игры n´m к двойственной задаче линейного программирования. Общий подход. Методика решения матричной игры n´m симплекс-методом.
- •27. Неантагонистические игры. Биматричные игры. Постановка задачи. Функции выигрышей.
- •28. Примеры биматричных игр: дилемма узников, семейный спор, перекресток, ястребы-голуби и др.
- •36. Принятие решений в статистических играх в условиях полной определенности. Статистические методы принятия решений. Критерии Вальда, Сэвиджа, Гурвица, мм-критерий.
- •37. Принятие решений в статистических играх в условиях неопределенности. Статистические методы принятия решений. Критерии Байеса, Лапласа, Ходжа-Лемана.
- •38. Планирование эксперимента в статистических играх в условиях неопределенности.
- •39. Позиционные игры. Дерево решений. Позиционные игры с полной и неполной информацией. Информационное множество.
- •40. Нормализация позиционной игры. Привести общий пример для двухходовой позиционной игры с полной информацией.
- •41. Сведение позиционной игры к матричной в условиях неполной информации. На примере двухходовых и трехходовых игр.
- •42. Сведение позиционных игр к матричным и биматричным в условиях полной информации о стратегиях противника.
- •43. Позиционные игры со случайными ходами.
Метод последовательных уступок
Альтернативы, (возможные рынки) |
Критерии |
|
|
|
f1 (Объем продаж, тыс. ед.) |
f2 (Прибыль, млн. руб.) |
f3 (Доля рынка, %) |
Значимость |
2 |
3 |
1 |
А1 |
500 |
20 |
50 |
А2 |
450 |
22 |
52 |
А3 |
445 |
18 |
62 |
А4 |
440 |
21,6 |
57 |
Таким образом, при использовании метода последовательных уступок многокритериальная задача сводится к поочередной максимизации частных критериев и выбору величин уступок. Величины уступок характеризуют отклонение приоритета одних частных критериев перед другими от лексикографического: чем уступки меньше, тем приоритет жестче.
Недостатками подхода является то, что величины уступок не соизмеримы друг с другом (что исключительно затрудняет их выбор), и то, что в общем случае могут быть получены точки, не являющиеся Парето-оптимальными.
5. Нормализация критериев в условиях полной определенности. Принципы максимальной эффективности и минимизации рисков.
Под нормализацией критериев понимается такая последовательность процедур, с помощью которой все критерии приводятся к единому, безразмерному масштабу измерений.
Любое решение многокритериальной задачи должно начинаться с нормализации критериев (приведения их к безразмерному виду). Чаще всего используется следующий способ получения безразмерной формы критериев – способ естественной нормализации:
Исходная информация
Альтернативы, (возможные рынки) |
Критерии |
|
|
|
|
|
f1 (Объем продаж, тыс. ед.) |
f2 (Прибыль, млн. руб.) |
f3 (Доля рынка, %) |
|
|
Значимость |
*** |
** |
***** |
|
|
А1 |
500 |
20 |
50 |
|
|
А2 |
450 |
22 |
52 |
|
|
А3 |
445 |
18 |
62 |
|
|
А4 |
440 |
21,6 |
57 |
|
|
Альтернативы |
Критерии |
|
|
|
|
f1 |
f2 |
f3 |
fn |
А1 |
x11 |
x12 |
x13 |
x1n |
А2 |
x21 |
x22 |
x23 |
x2n |
А3 |
x31 |
x32 |
x33 |
x3n |
Аj |
xj1 |
xj2 |
xj3 |
xjn |
Так как критерии имеют несопоставимые единицы измерения, то их нужно привести в единый вид – нормализовать. Преобразуем исходные данные задачи в соответствии с формулами естественной нормализации:
f1(A1)=(500-440)/(500-440)=1
f2(A1)=(20-18)/(22-18)=0,5
f3(A1)=(50-50)/(62-50)=0,0
Критерии оптимальности в условиях риска:
критерий Байеса;
критерий Лапласа;
критерий максимальной вероятности
Критерий Байеса относительно выигрышей
Предположим, что игроку А известны не только состояния П1 , П2 ,…Пn в которых случайным образом может находиться природа, но и вероятности (q1 , q2 ,…qn ) наступления этих состояний, при этом ∑qj = 1.
Это говорит о том, что лицо принимающее решение находится в условиях риска.
Критерий Байеса относительно рисков
Показателем эффективности стратегии Аi по критерию Байеса относительно рисков является математическое ожидание рисков, расположенных в i-ой строке матрицы R.
позволяет выбрать минимальное значение из средних рисков при известной вероятности возможных состояний природы:
Критерии Байеса относительно выигрышей и относительно рисков эквивалентны, то есть по обоим критериям оптимальной будет одна и та же стратегия.
Критерий Лапласа относительно выигрышей
Вероятность состояний природы оценивается субъективно как равнозначные.
qj = n-1 ∑qj = ∑n-1 = 1 Этот принцип называется – принцип недостаточного основания Лапласа.
Показателем эффективности чистой стратегии Аi по критерию Лапласа относительно выигрышей является среднеарифметическое выигрышей при этой стратегии.
Критерий Лапласа относительно выигрышей предполагает выбор варианта стратегии с максимальной ожидаемой доходностью при равной вероятности наступления возможных стратегий природы.
Критерий Лапласа относительно рисков
Показателем неэффективности чистой стратегии Аi по критерию Лапласа относительно рисков является среднеарифметическое рисков при этой стратегии.
Критерий Лапласа относительно рисков предполагает выбор варианта стратегии с минимальным риском при равной вероятности наступления возможных состояний природы.
Критерий максимальной вероятности
Максимальная вероятность обозначается следующим образом:
Максимальную вероятность может иметь не одно состояние природы. А также максимальное значение может быть у всех состояний природы при равных вероятностях
qj = n-1