- •1 Информационные технологии. Классификация информационных технологий.
- •2 Классификация и основные характеристики по. Прикладное по.
- •3 Интегрированные пакеты и их характеристика. История появления интегрированных пакетов.
- •4 Примеры интегрированных пакетов и их использование для решения производственных задач.
- •5 Понятие о математическом программировании. История появления математического программирования. Оптимизационные задачи в науке, технике, производстве, экономике.
- •6 Постановка задачи линейного программирования, геометрический смысл, способы решения производственных задач средствами Microsoft Excel и MathCad.
- •8 Общая постановка задачи нелинейного программирования, геометрический смысл, примеры. Классификация методов решения задач нелинейного программирования.
- •9 Корреляционный и регрессионный анализ. Выполнение линейной регрессии с помощью надстройки «Анализ данных» в Microsoft Excel.
- •10 Модели линейной регрессии с двумя коэффициентами. Полиномиальная регрессия. Выполнение линейной регрессии с помощью пакета регрессионного анализа.
- •11 Нелинейная регрессия. Проверка результатов регрессии.
- •12 Множественная регрессия. Прогнозирование данных.
- •13 Характеристика операционной среды системы Matlab. История появления. Возможности системы. Ориентация на матричные операции.
- •14 Matlab как язык инженерных и научных исследований. Интеграция с другими системами.
- •15 Многопользовательский программный комплекс «t-flex». Состав и характеристика комплекса «t-flex». Функциональные возможности программного комплекса «t-flex».
- •1 Найти «r» (маткад, функция, график) Задача 1
- •2 В матлабе построить график функции Задача 2
- •3 Практич и лекц занятия Задача 3
- •4 Определ кол-ва деталей
- •4 Задача
- •5 Задача (условия нет)
6 Постановка задачи линейного программирования, геометрический смысл, способы решения производственных задач средствами Microsoft Excel и MathCad.
Задача линейного программирования (ЛП), состоит в нахождении минимума (или максимума) линейной функции при линейных ограничениях. Ограничения накладываются на переменные. Все переменные в любом допустимом решении задачи должны принимать неотрицательные значения.
Геометрический смысл – ограничения представляют собой полуплоскости. Пресеченная полуплоскость даёт область допустимого решения задачи. Оптимальное решение будет находиться на границе области.
Решение в MathCad: given…minimize(..,..),given…maximize(..,..).Этот способ считается приближенным, а поиск решения в Excel основан на симплекс-методе.
Постановка задачи: Предприятие выпускает два вида продукции. Суммарный объем выпуска 40 ед. Выпуск каждого типа должен быть не менее 15 ед. Единица продукции 1-го типа стоит 10, а второго 15. Найти оптимальный выпуск продукции, чтобы был максимальный доход.
Математическая модель: Целевая функция, которую необходимо минимизировать равна 10*х1+15*х2→max. Максимум целевой функции находится при ограничениях: х1+х2=40; х1≥15; х2≥15; х1≥0; х2≥0.
7 Многошаговые задачи принятия решений. Формулировка задачи динамического программирования. Метод динамического программирования. Принцип оптимальности Беллмана. Решение динамических задач методом динамического программирования.
Пусть рассматривается задача распадающегося на m этапов. Показатель эффективности задачи в целом обозначается через W, а показатель эф-ти на шагах через φi и изменяется 1,m. Соответствующие данные можно связать.
Эф-ть всей задачи будет состоять из суммы эффективности на каждом шаге: W= (1).
Динамическое программирование – это метод оптимизации многошаговых процессов критерий эффективности который обладает св-ом (1).
В задачах ДП критерий эффективности называется выигрышем. Переменная xi от которой зависти выигрыш на i-ом шаге называется шаговым управлением. Управлением процесса в целом X наз-ся последовательностью шаговых управлений: (x1 , x2 , ..., xk , ..., xn ), число которых и определяет количество шагов задачи. Задача оптимизации формулируется как конечный многошаговый процесс управления; целевая функция (выигрыш) является аддитивной и равна сумме целевых функций каждого шага выбор управления xk на каждом шаге зависит только от состояния системы k этому шагу Sk-1, и не влияет на предшествующие шаги (нет обратной связи); состояние системы Sk после каждого шага управления зависит только от предшествующего состояния системы Sk-1 и этого управляющего воздействия xh (отсутствие последействия) и может быть записано в виде уравнения состояния: Sk = fk(Sk-1 , xk), k = 1, n; на каждом шаге управление xk зависит от конечного числа управляющих переменных, а состояние системы зависит Sk – от конечного числа параметров;
Принцип оптимальности и математическое описание динамического процесса управления.
В основе метода ДП лежит принцип оптимальности, впервые сформулированный в 1953 г. американским математиком Р.Э.Беллманом: каково бы ни было состояние системы в результате какого-либо числа шагов, на ближайшем шаге нужно выбирать управление так, чтобы оно в совокупности с оптимальным управлением на всех последующих шагах приводило к оптимальному выигрышу на всех оставшихся шагах, включая выигрыш на данном шаге.
При решении задачи на каждом шаге выбирается управление, которое должно привести к оптимальному выигрышу. Если считать все шаги независимыми, тогда оптимальным управлением будет то управление, которое обеспечит максимальный выигрыш именно на данном шаге. В многошаговых процессах управление на каждом конкретном шаге надо выбирать с учетом его будущих воздействий на весь процесс. Кроме того, при выборе управления на данном шаге следует учитывать возможные варианты состояния предыдущего шага. Например, при определении количества средств, вкладываемых в предприятие в i-м году, необходимо знать, сколько средств осталось в наличия к атому году и какой доход получен в предыдущем (i - 1)-м году.
Таким образом, при выборе шагового управления необходимо учитывать следующие требования:
1)возможные исходы предыдущего шага Sk-1 ;
2)влияние управления xk на все оставшиеся до конца процесса шаги (n-k).
В задачах динамического программирования первое требование учитывают, делая на каждом шаге условные предположения о возможных вариантах окончания предыдущего шага и проводя для каждого из вариантов условную оптимизацию. Выполнение второго требования обеспечивается тем, что в этих задачах условная оптимизация проводится от конца процесса к началу. Постановку задачи динамического программирования рассмотрим на примере инвестирования, связанного с распределением средств между предприятиями.