- •Предисловие
- •Лекция 1 Общие сведения о стохастических системах
- •1.1 Общие сведения о системах
- •1.2. Основные задачи теории стохастических систем
- •1.3. Моделирование сложных (стохастических) систем
- •Лекция 2 Случайные события
- •2.1 Испытание. Поле событий. Операции над событиями [4]
- •2.2 Частость и вероятность [4]
- •2.3 Основные аксиомы теории вероятностей [4]. Из того, что
- •2.4 Элементы теории вероятностей [4]
- •Лекция 3 Случайные величины
- •3.1 Определение случайной величины [5]
- •Контрольные вопросы
- •Лекция 4. Непрерывные случайные величины
- •4.1. Экспоненциальный закон распределения
- •Контрольные вопросы.
- •Лекция 5
- •5.3. Закон больших чисел
- •5.4. Основные предельные законы теории вероятностей
- •Контрольные вопросы
- •Лекция 6
- •Лекция 7Случайные процессы и их аналитическое описание
- •7.4 Определение статистических оценок математического ожидания и корреляционной функции случайного процесса
- •7.5 Стационарные случайные процессы
- •Контрольные вопросы
- •Лекция 8 Корреляционный анализ
- •1. Функциональные и корреляционные связи между переменными
- •2. Корреляционный анализ
- •Контрольные вопросы
- •Лекция 9 Дисперсионный и регрессионный анализы
- •9.1 Дисперсионный анализ
- •9.2 Регрессионный анализ. Множественная регрессия
- •Приложение 9.1. D-статистика Дарбина - Уотсона: d1 и d2, уровень значимости в 5%
- •Контрольные вопросы
- •Лекция 10 стохастическое программирование
- •1. Линейное программирование.
- •2. Стохастическое программирование
- •3. Формальная постановка стохастической задачи
- •4. Методы решения задач стохастического программирования
- •Контрольные вопросы
- •Лекция 11 Особенности решения одноэтапных задач стохастического программирования
- •1. Моделирование систем массового обслуживания
- •2. Основы теории статистических решений. Статистические игры
- •Контрольные вопросы
- •2. Задача достижения нечеткой цели
- •Контрольные вопросы
- •2. Методы анализа больших систем, планирование экспериментов
- •Контрольные вопросы
- •Лекция 14 Адаптационная оптимизация
- •1. Постановка задачи адаптационной оптимизации [14]
- •2. Симплекс планирование
- •Лекция 15 Имитационное моделирование стохастических систем
- •1. Модели и моделирование. Общие понятия
- •2. Методы статистического моделирования
- •3. Имитационное моделирование непрерывных процессов
- •4. Имитационное моделирование процесса стекловарения в производстве листового стекла флоат-способом
- •Контрольные вопросы
- •Список литературы
Контрольные вопросы
1. Модели систем массового обслуживания. Область применения.
2. Определение вероятности длины очереди заявок и математического ожидания длины очереди.
3. Особенности статистических игр, в каких практических ситуациях они используются, приведите примеры.
4. Понятия чистой и смешанной стратегий статиста. Определение наилучшей стратегии действий.
Лекция 12
Введение в теорию нечетких множеств.
Выбор при нечеткой исходной информации
1. Введение в теорию нечетких множеств
Для начала дадим определение нечеткого множества, чтобы определить тот объект, с которым мы будем работать на протяжении всех лекций.
В математике давно используется понятие множества – совокупности объектов, выделенных по некоторому признаку. Это понятие является базовым в современной математике и потому не определяется строго, формально. Так, если задано некоторое базовое множество X (конечное или бесконечное), то его подмножеством (четким подмножеством) A называется любое множество, содержащее в себе только элементы множества X (хотя, может быть, и не все его элементы).
Любое подмножество A множества X можно описать его функцией принадлежности μA : X →{0; 1} , значение которой для элемента x€X равно единице в том случае, если этот элемент принадлежит множеству A, и нулю – в противном случае.
Соответствие между подмножествами множества X и всевозможными функциями принадлежности μ : X →{0; 1} является взаимно однозначным, то есть, определив некоторое подмножество, мы можем определить его функцию принадлежности, и обратно, задание функции μA : X →{0; 1} задает и подмножество множества X.
В четком множестве любой элемент может или принадлежать ему, или не принадлежать, поэтому функция принадлежности принимает лишь два возможных значения ноль или единица.
В нечетком же множестве (точнее, в нечетком подмножестве базового множества X) любой элемент x € X может принадлежать множеству с некоторой степенью достоверности, принимающей значения от нуля (элемент достоверно не принадлежит множеству) до единицы (элемент достоверно принадлежит множеству). Соответственно и функция принадлежности нечеткого множества может принимать любое значение из отрезка [0; 1].
Мы определим понятие нечеткого множества через его функцию принадлежности. Пусть X – некоторое обыкновенное (четкое) множество. В дальнейшем мы будем рассматривать его нечеткие подмножества.
Определение 1. Нечетким множеством A~ в X называется функция
μA : X →{0; 1}, которая каждому из элементов множества X ставит в соответствие степень его принадлежности нечеткому множеству A~ .
Нечеткое множество A~ называется нормальным, если sup μ A~ (х)
x X
В противном случае оно называется субнормальным. Носителем
supp A ~ нечеткого множества A~ называется обычное множество
supp A~ := {x€ X : μ A~ (x) > 0} .
Пример 1. Пусть множество X – это множество всех действительных чисел. Множество A чисел, больших нуля, будет его четким подмножеством с функцией принадлежности
x μ
A(x)
0,
x
Мы можем определить нечеткое множество A~ чисел, «много больших нуля», задав его функцию принадлежности μ A~ , например, следующим образом:
x μ
A~
(x)x
0,5-
0,5cos(πx/100) , 0<x≤100
Действительно, числа, меньшие нуля, достоверно не являются много большими нуля, поэтому функция принадлежности в этих точка равна нулю.
(Далее нечеткие объекты (множества, отношения и т.д.) будут обычно обозначаться волной).
Числа, большие ста, в большинстве приложений (будем считать, что и в нашем случае), достоверно считаются много большими нуля, поэтому функция принадлежности для таких чисел равна единице. По поводу же чисел в интервале между 0 и 100 достоверно сказать, что они являются много большими нуля, нельзя, поэтому функция принадлежности на этом интервале принимает значения между нулем и единицей. В то же время понятно, что чем больше число, тем больше у нас оснований считать его много большим нуля. Поэтому на интервале от нуля до ста функция принадлежности монотонно возрастает.
Носителем нечеткого множества A~ является интервал (0; + ∞) .
Функции принадлежности множеств A и A~ приведены на рисунке 1.
A
1,0
A~
0,0 x
100
Рисунок 1. Сравнение функций принадлежности четких и нечетких множеств
Теория нечетких множеств была впервые предложена американским математиком Лотфи Заде в 1965 г. и предназначалась для преодоления трудностей представления нечетких понятий, анализа и моделирования систем, в которых участвует человек [11].
Подходы на основе нечетких множеств имеют три основные отличительные черты:
1) вместо и в дополнение к числовым переменным используются нечеткие величины и так называемые «лингвистические» переменные;
2) простое отношение между переменными описывается с помощью нечетких высказываний;
3) сложные отношения описываются нечеткими алгоритмами.
Такой подход дает приближенный, но в то же время эффективные способы описания поведения системы, настолько сложных и плохо определенных, что они не поддаются точному математическому анализу.
Пример 2. В теории принятия решений часто приходится оценивать различные величины, имеющиеся в распоряжении лица, принимающего решение (ЛПР): ресурсы, параметры внешней среды и др. Рассмотрим, например, коммерческую фирму, которая рассматривает возможность проведения рекламной кампании своей продукции. Для того чтобы принять обоснованное решение, фирме необходимо предсказать, как проведение кампании скажется на продажах. Таким образом, руководству фирмы необходимо оценить изменение суммы продаж в результате проведения рекламной кампании.
Если фирма имеет обширный опыт подобной деятельности, у нее могла накопиться статистика динамики продаж в зависимости от проводимых рекламных акций. В этом случае можно считать увеличение продаж случайной величиной и положить в основу оценки ее вероятностное распределение [12].
Однако понятно, что статистика, необходимая для построения диаграммы распределения, огромна. Стоит также учитывать, что каждая рекламная кампания уникальна – меняется товар, изменяются конкуренты, вкусы и доходы потребителей, и для принятия обоснованного решения необходимо учитывать существующую в данный момент комбинацию этих факторов, которая даже в фирмах-долгожителях раньше встречалось не более нескольких раз. Таким образом, использование методов теории вероятностей при принятии подобного решения является необоснованным – информации слишком мало.
Достоверность
1,00
0 100000
300000
Рисунок 2. Функция принадлежности нечеткого множества «увеличение продаж»
Тем не менее, даже «бедная» статистика в сочетании с экспертными оценками позволяет сформулировать прогноз динамики продаж в терминах нечетких множеств. Пусть, например, эксперты считают, что текущие рыночные условия примерно соответствуют одной из проводимых ранее кампаний, в результате которой продажи поднялись на $100000. Таким образом, достоверно известно, что результатом кампании может быть увеличение прибыли на $100000, и, следовательно, степень принадлежности точки $100000 нечеткому множеству «увеличение продаж» равна единице. Также эксперты считают, что, с одной стороны, кампания не приведет к уменьшению продаж, с другой же стороны, не стоит рассчитывать на увеличение прибыли более $300000. Нечеткое множество «увеличение продаж» тогда могло бы выглядеть так, как показано на рисунке 2.