- •Математические методы системного анализа и теория принятия решений Методическое пособие
- •1. Теория принятия решений 4
- •2. Линейное программирование 9
- •3. Нелинейное программирование 42
- •4. Игровые методы обоснования решений 51
- •5. Задачи распознавания образов 62
- •Предисловие
- •1. Теория принятия решений
- •1.1. Задачи, связанные с принятием решений Проблема оптимальности.
- •Основные понятия и принципы исследования операций.
- •Примеры задач исследования операций.
- •1.2. Математические модели операций Искусство моделирования.
- •1.3. Разновидности задач исследования операций и подходов к их решению Прямые и обратные задачи исследования операций.
- •Пример выбора решения при определенности: линейное программирование.
- •Проблема выбора решений в условиях неопределенности.
- •Выбор решения по многим критериям.
- •«Системный подход».
- •2. Линейное программирование
- •2.1. Краткое представление о математическом программировании Предмет математического программирования.
- •Краткая классификация методов математического программирования.
- •2.2. Примеры экономических задач линейного программирования Понятие линейного программирования.
- •Задача о наилучшем использовании ресурсов.
- •Задача о выборе оптимальных технологий.
- •Задача о смесях.
- •Задача о раскрое материалов.
- •Транспортная задача.
- •2.3. Линейные векторные пространства Основные понятия линейного векторного пространства.
- •Решение систем линейных уравнений методом Гаусса.
- •Реализация метода исключения неизвестных в среде Excel.
- •Различные схемы реализации метода Гаусса.
- •Опорные решения системы линейных уравнений.
- •2.4. Формы записи задачи линейного программирования Основные виды записи злп.
- •Каноническая форма представления задачи линейного программирования.
- •Переход к канонической форме.
- •2.5. Геометрическая интерпретация задачи линейного программирования Определение выпуклой области.
- •Геометрическая интерпретация.
- •2.6. Свойства решений задачи линейного программирования Свойства основной задачи линейного программирования.
- •Графический метод решения задачи линейного программирования.
- •2.7. Симплексный метод Идея симплекс-метода.
- •Теоретические обоснования симплекс-метода.
- •Переход к нехудшему опорному плану.
- •Зацикливание.
- •Алгоритм симплекс-метода.
- •2.8. Двойственность в линейном программировании Прямая и двойственная задача.
- •Связь между решениями прямой и двойственной задач.
- •Геометрическая интерпретация двойственных задач.
- •2.9. Метод искусственного базиса Идея и реализация метода искусственного базиса.
- •3. Нелинейное программирование
- •3.1. Общая задача нелинейного программирования Постановка задачи.
- •Примеры задач нелинейного программирования (экономические).
- •Геометрическая интерпретация задачи нелинейного программирования.
- •3.2. Выпуклое программирование Постановка задачи выпуклого программирования.
- •3.3. Классические методы оптимизации Метод прямого перебора.
- •Классический метод дифференциальных исчислений.
- •3.4. Метод множителей лагранжа
- •3.5. Градиентные методы решения задач нелинейного программирования Общая идея методов.
- •Метод Франка-Вулфа.
- •Метод штрафных функций.
- •4. Игровые методы обоснования решений
- •4.1. Предмет и задачи теории игр Основные понятия.
- •Классификация выборов решений.
- •Антагонистические матричные игры.
- •Чистые и смешанные стратегии и их свойства.
- •4.2. Методы решения конечных игр Упрощение матричной игры.
- •Решение матричной игры размерностью 22.
- •Графическое решение матричной игры.
- •Сведение задач теории игр к задачам линейного программирования.
- •4.3. Задачи теории статистических решений Игры с природой.
- •Критерии принятия решений.
- •5. Задачи распознавания образов
- •5.1. Общая постановка задачи распознавания образов и их классификация Проблема распознавания.
- •Обсуждение задачи опознавания.
- •Язык распознавания образов.
- •Априорные предположения — это записанные специальным образом, накопленные знания специалистов.
- •Общая постановка задачи.
- •Геометрическая интерпретация задачи распознавания.
- •Классификация задач распознавания.
- •5.2. Подготовка и анализ исходных данных Общая схема решения задачи.
- •Общая схема постановки и решения задачи Анализ данных с целью выбора постановки и метода решения
- •5.3. Методы опознавания образов Основные этапы процесса опознавания образов.
- •Методы создания системы признаков.
- •Признаковое пространство.
- •Сокращение размерности исходного описания.
- •Методы построения решающего правила.
- •5.4. Меры и метрики Понятие о сходстве.
- •Меры сходства и метрики.
- •Примеры функций мер сходства.
- •5.5. Детерминированно-статистический подход к познаванию образов Основные этапы детерминированно-статистического подхода.
- •Получение исходного описания.
- •Создание системы признаков.
- •Сокращение размерности исходного описания.
- •Нахождение решающего правила (метод эталонов).
- •Коррекция решающего правила.
- •5.6. Детерминированный метод построения решающего правила (метод эталонов) Идея метода эталонов.
- •Минимизация числа эталонов.
- •Габаритные эталоны.
- •Применение метода эталонов к частично пересекающимся образам.
- •Дополнительная минимизация числа признаков.
- •Квадратичный дискриминантный анализ.
- •Распознавание с отказами.
- •5.8. Алгоритм голотип-1 Назначение
- •Постановка задачи
- •Метод решения задачи.
- •Условия применимости.
- •Условия применимости.
- •5.10. Алгоритм направление опробования Назначение
- •Постановка задачи.
- •Метод решения задачи.
- •Условия применимости.
- •Транспортная задача Математическая постановка.
- •Постановка задачи.
- •Теоретическое введение.
- •Методы нахождения опорного плана транспортной задачи.
- •Определение оптимального плана транспортной задачи.
- •Заключение.
- •Целочисленное программирование Постановки задач, приводящие к требованию целочисленности.
- •Постановка задачи.
- •Методы отсечения.
- •Алгоритм Гомори.
- •Первый алгоритм р. Гомори решения полностью целочисленных задач.
- •Приближенные методы.
- •Заключение.
- •Параметрическое программирование Введение.
- •Формулировка задачи.
- •Теоретическая часть.
- •Общая постановка задачи.
- •Решение задачи.
- •Геометрическая интерпретация задачи.
- •Общая постановка задачи.
- •Решение задачи.
- •Геометрическая интерпретация задачи
- •Постановка задачи.
- •Решение.
- •Геометрическое решение.
- •Решение задачи симплекс-методом.
- •Результат.
- •Некооперативные игры n лиц с ненулевой суммой Введение.
- •Теоретическая часть.
- •Постановка и решение задачи.
- •Заключение.
- •Cписок литературы
Геометрическая интерпретация двойственных задач.
Если число переменных в прямой и двойственной задачах, образующих данную пару, равно двум, то, используя геометрическую интерпретацию ЗЛП, можно легко найти решение данной меры задач. При этом имеет место один из следующих трех взаимно исключающих друг друга случаев: 1) обе задачи имеют планы; 2) планы имеет только одна задача; 3) для каждой задачи двойственной пары множество планов пусто.
П р и м е р 1. Z(x)=x1–10x2+2x3–x4+7x5 max
2x1–x2 1,
x1–x2+2x3–x4+x5 4,
x2 +x3–x4 = 0,
x1 –x3 +2x5 3,
x10, x30.
Р е ш е н и е. Чтобы записать задачу, двойственную к данной, приведем систему ограничений к виду
2x1 –x2 1,
–x1 +x3 –2x5–3,
–х1+x2 –2x3+x4 –4,
х2 + x3 –x4 = 0,
x10, x30.
Теперь воспользуемся определением 1 и запишем задачу, двойственную к данной: Z*(y)=y1-3y2-4y3 min,
y1–y2 – y3 1,
–y1 + y3+2y4 =–10,
y2–2y3 +y4 2,
–2y2 –y3 = 7,
y10, y20, y30.
2.9. Метод искусственного базиса Идея и реализация метода искусственного базиса.
Выше было показано, что если ограничения ЗЛП содержат единичную матрицу порядка m , то тем самым при неотрицательных правых частях уравнений определен первоначальный план, исходя из которого с помощью симплексного метода находится оптимальный план.
Если ограничения ЗЛП можно преобразовать к виду AXA0 при А00, то система ограничений всегда содержит единичную матрицу. Многие ЗЛП, имеющие решения, не содержат единичной матрицы и не приводятся к указанному виду. В этом случае для решения задач применяется метод искусственного базиса. Рассмотрим общую ЗЛП.
Найти минимальное значение линейной функции Z=C1x1+C2x2+...+Cnxn при ограничениях
,
где bi 0 и система ограничений не содержит единичной матрицы. Для получения единичной матрицы к каждому равенству прибавим по одной переменной хn+i 0 (i=1,2,..., m), которые назовем искусственными, и рассмотрим расширенную задачу, связанную с отысканием наименьшего значения линейной функции при ограничениях
Величина М предполагается достаточно большим положительным числом, если задача решается на отыскание минимального значения линейной функции, и достаточно малым отрицательным числом, если находится максимальное значение линейной функции. Единичные векторы An+1, An+2, ..., An+m, соответствующие искусственным переменным, образуют искусственный базис.
Для отыскания оптимального плана исходной задачи используют следующую теорему.
Т е о р е м а 1. Если в оптимальном плане =(x1, x2, ...,xn, 0, ..., 0) расширенной задачи искусственные переменные xn+i=0 (i=1,2,...,m), то план Х=(x1, x2, ..., xn) является оптимальным планом исходной задачи.
Таким образом, если в найденном оптимальном плане расширенной задачи, значения искусственных переменных равны нулю, то тем самым получен оптимальный план исходной задачи. Поэтому остановимся более подробно на нахождении решения расширенной задачи.
При опорном плане Х=(0, 0, ..., b1, b2, ..., bm) расширенной задачи значение линейной формы есть , а значения i=Zj-cj равны . Таким образом, Z0 и разности Zj-cj состоят из двух независимых частей, одна из которых зависит от М, а другая — нет. После вычисления Z0 и i их значения, а также исходные данные расширенной задачи заносят в таблицу, которая содержит на одну строку больше, чем обычная симплексная таблица, при этом в (m+2)-ю строку помещают коэффициенты при М, а в (m+1)-ю — слагаемые, не содержащие М.
При переходе от одного опорного плана к другому в базис вводят вектор, соответствующий наибольшему по абсолютной величине отрицательному числу (m+2)-й строки. Искусственный вектор, исключенный из базиса в результате некоторой итерации, в дальнейшем не имеет смысла вводить ни в один из последующих базисов и, следовательно, преобразование столбцов этого вектора излишне. Может случиться так, что в результате некоторой итерации ни один из искусственных векторов из базиса не будет исключен.
Процесс нахождения решения задачи методом искусственного базиса включает следующие основные этапы:
1. Составляют расширенную задачу.
2. Находят опорный план расширенной задачи.
3. С помощью обычных вычислений симплекс-метода исключают искусственные векторы из базиса. В результате либо находят опорный план исходной задачи, либо устанавливают ее неразрешимость.
4. Используя найденный опорный план задачи, либо находят симплекс-методом оптимальный план исходной задачи, либо устанавливают ее неразрешимость.
П р и м е р 1. Найти минимум функции Z=–2x1+3x2–6x3–x4 при условиях
Р е ш е н и е. В системе уравнений последней задачи рассмотрим векторы из коэффициентов при неизвестных:
, , ,
,.
Среди векторов А1, А2, А3, А4, А5, А6 только два единичных. Поэтому в левую часть третьего уравнения системы ограничений задачи добавим дополнительную неотрицательную переменную х7 и рассмотрим расширенную задачу, состоящую в максимизации функции
Z=2x1–3x2+6x3+x4–Мх7
при условиях
Расширенная задача имеет опорный план Х=(0, 0, 0, 24, 22, 0, 10), определяемый системой трех единичных векторов: А4, А5, А7.
табл.1
|
2 |
-3 |
6 |
1 |
0 |
0 |
-М |
|
||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
i |
Базис |
Сб |
A0 |
A1 |
A2 |
A3 |
A4 |
A5 |
A6 |
A7 |
|
|||||||||||||
1 |
A4 |
1 |
24 |
2 |
1 |
-2 |
1 |
0 |
0 |
0 |
|
|||||||||||||
2 |
A5 |
0 |
22 |
1 |
2 |
4 |
0 |
1 |
0 |
0 |
|
|||||||||||||
3 |
A7 |
-М |
10 |
1 |
-1 |
2 |
0 |
0 |
-1 |
1 |
|
|||||||||||||
4 |
|
|
24 |
0 |
4 |
-8 |
0 |
0 |
0 |
0 |
|
|||||||||||||
5 |
|
|
-10 |
-1 |
1 |
-2 |
0 |
0 |
1 |
0 |
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Составляем таблицу 1-й итерации (табл.1), содержащую пять строк. Для заполнения 4-й и 5-й строк находим Z0 и значения разностей Zj–cj :
Z0=24–10M; Z1–c1=0-M; Z2 –c2=4+M;
Z3–c3= –8–2M; Z4–c4=0; Z5–c6=0+M; Z7– c7=0.
Значения Z0 и Zj–cj состоят из двух слагаемых, одно из которых содержит М, а другое — нет. Для удобства итерационного процесса число, состоящее при М, записываем в 5-й строке, а слагаемое, которое не содержит М, — в 4-й строке.
В 5-й строке табл.1 в столбцах векторов Аj имеется два отрицательных числа. Наличие этих чисел говорит о том, что данный опорный план расширенной задачи не является оптимальным. Переходим к новому опорному плану расширенной задачи. В базис вводим вектор А3. Чтобы определить вектор, исключаемый из базиса, находим min(22/4; 10/2)=10/2. Следовательно, вектор А7 исключаем из базиса. Этот вектор не имеет смысла вводить ни в один из последующих базисов, поэтому в дальнейшем столбец данного вектора не заполняется (табл.2 и 3).
Составим таблицу 2-й итерации (табл.2). Она содержит только четыре строки, так как искусственный вектор из базиса исключен.
табл.2
|
2 |
-3 |
6 |
1 |
0 |
0 |
|
|
|
|
||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
i |
Базис |
Сб |
A0 |
A1 |
A2 |
A3 |
A4 |
A5 |
A6 |
|
||||
1 |
A4 |
1 |
34 |
3 |
0 |
0 |
1 |
0 |
-1 |
|
||||
2 |
A5 |
0 |
2 |
-1 |
4 |
0 |
0 |
1 |
2 |
|
||||
3 |
A3 |
6 |
5 |
1/2 |
-1/2 |
1 |
0 |
0 |
-1/2 |
|
||||
4 |
|
|
64 |
4 |
0 |
0 |
0 |
0 |
-4 |
|
Как видно из табл.2, для исходной задачи опорным является план Х=(0, 0, 5, 34, 2). Проверим его на оптимальность. В 4-й строке в столбце вектора А6 имеется отрицательное число (–4). Следовательно, данный опорный план не является оптимальным и может быть улучшен благодаря введению в базис вектора А6. Из базиса исключается вектор А5. Составляем таблицу 3-й итерации.
табл.3
|
2 |
-3 |
6 |
1 |
0 |
0 |
|
|
|
|
||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
i |
Базис |
Сб |
A0 |
A1 |
A2 |
A3 |
A4 |
A5 |
A6 |
|
||||
1 |
A4 |
1 |
35 |
5/2 |
2 |
0 |
1 |
1/2 |
0 |
|
||||
2 |
A6 |
0 |
1 |
-1/2 |
2 |
0 |
0 |
1/2 |
1 |
|
||||
3 |
A3 |
6 |
11/2 |
1/4 |
1/2 |
1 |
0 |
1/4 |
0 |
|
||||
4 |
|
|
68 |
2 |
8 |
0 |
0 |
2 |
0 |
|
В 4-й строке табл.3 среди чисел j нет отрицательных. Это означает, что найденный новый опорный план исходной задачи Х*=(0, 0, 11/2, 35, 0, 1) является оптимальным. При этом плане значение линейной формы Zmax=68.