- •1. Дайте определение и перечислите основные принципы системного анализа.
- •Принципы:
- •Классификация систем
- •8. Дайте описание системной модели поддержки принятия решений
- •5. Перечислите основные принципы принятия решений, сформулируйте проблему принятия решений
- •6. Сформулируйте постановку задач принятия оптимальных решений
- •7. Перечислите этапы принятия решений
- •9. В чем состоит назначение и какова область использования систем поддержки принятия решений
- •2. Дайте определение системы и перечислите основные характеристики системы
- •10.Приведите приемы формализации задач системного анализа
- •12. Проанализируйте роль целей и стратегий в процессе формирования управленческих решений
- •13. Рассмотрите пример структурирования целей стратегического управления предприятием
- •14. Опишите процесс формирование критериев принятия решений
- •22.Рассмотрите содержательные постановки задач, приводящие к моделям линейного программирования
- •Задачи распределения ресурсов
- •16. Дайте определение и приведите описание модели онтологического анализа.
- •17.Дайте определение и приведите описание модели онтологии
- •18.Рассмотрите методику разработки онтологии
- •20.Дайте определение и сформулируйте поставку задач математического программирования
- •23.Дайте общую математическую формулировку задачи линейного программ-ния
- •24.Рассмотрите пример графического решения задачи линейного программирования
- •26.Сформулируйте принципы постановки двойственных задач линейного программирования
- •Основная теорема двойственности:
- •Метод ветвей и границ для задачи целочисленного программирования.
- •27.Опишите процесс решения задач линейного программирования с использованием программного обеспечения matlab
- •Метод ветвей и границ для задачи целочисленного программирования.
- •32.Дайте общую математическую формулировку задач нелинейного программирования
- •28.Дайте общую формулировку задач дискретного программирования
- •34.Дайте общую математическую формулировку задач квадратичного программирования
- •Если одна из задач двойственной пары разрешима, то и другая задача также разрешима; причем экстремальные значения обеих задач равны.
- •35.Поясните понятия: задача многокритериальной оптимизации, множество допустимых решений, оптимальное решение. Дайте общую математическую формулировку задач многокритериальной оптимизации
- •36.Сформулируйте условие Парето-оптимальности
- •38.Опишите алгоритм поиска решений методом анализа иерархий
- •47.Приведите пример моделирования системы массового обслуживания на эвм
- •Листинг программы:
- •39.Дайте определение типовых математических схем массового обслуживания, укажите основные соотношения математической схемы процесса обслуживания
- •40.Дайте характеристику метода статистического моделирования систем на эвм
- •2. Пакеты, использующие язык физического моделирования.
- •42.Опишите, что представляют собой конгруэнтные процедуры генерации последовательностей
- •К онгруэнтный метод генерации последовательности случайных чисел
- •43.Укажите, какие функции используются для генерации случайных чисел с различными законами распределения в системе matlab
- •44.Дайте определение и приведите основные соотношения для моделирования разомкнутых систем массового обслуживания с отказами
- •Одноканальная смо с ожиданием, без ограничений на вместимость накопителя
- •46.Дайте определение и приведите основные соотношения для моделирования замкнутых систем массового обслуживания
- •53.Укажите принципы разработки схем моделирующих алгоритмов
- •54.Дайте общую математическую формулировку игровых моделей
- •56. Опишите метод Байеса-Лапласа нахождения оптимальной стратегии
- •Лапласа.
56. Опишите метод Байеса-Лапласа нахождения оптимальной стратегии
Метод Байеса это аналитический метод, который очень полезен при сравнении гипотез. В этом методе вероятности всех возможных исходов эксперимента объединяются с гипотезами, известными до проведения эксперимента, и затем исчисляется вероятность того, что данные гипотезы подтвердятся в ходе эксперимента. Метод исчерпывающе описывается теоремой Байеса: p(Hi|UiI)=p(Hi|I)*p(Ui|HiI)/p(Ui|I)
где: p(Hi|I) – начальная вероятность того, что гипотеза H верна, исходя из имеющегося опыта I; p(Ui|I) – вероятность наблюдения события Ui, исходя только из опыта I. p(Ui|HiI) – вероятность наблюдения события Ui, исходя как из опыта I, так и из гипотезы Hi. p(Hi|UiI) – апостериорная вероятность истинности гипотезы Hi на основании опыта I и полученных экспериментальных наблюдений Ui.
Теория Бэйеса. Пусть пространство элементарных событий представлено в виде =Н1+Н2+Н3+...+Нn+..., где Нk- попарно несовместные события, которые часто называют гипотезами. Если событие Р(Нk)>0 при k=1,2,..., то для любого события А справедливы: формула полной вероятности
и формулы Байеса где i=1,2,...
Неопределенные факторы, закон распределения которых неизвестен, яв-ся наиболее характерными при исследовании качества адаптивных систем. Именно на этот случай следует ориентироваться при выборе гибких конструкторских решений. Методический учет таких факторов базируется на формировании специальных критериев, на основе которых принимаются решения. Критерии Вальда, Сэвиджа, Гурвица и Лапласа уже давно и прочно вошли в теорию принятия решений. Критерий Байеса-Лапласа в отличие от критерия Вальда, учитывает каждое из возможных следствий всех вариантов решений: Соответствующее правило выбора можно интерпретировать следующим образом: матрица решений [Wij] дополняется еще одним столбцом, содержащим математическое ожидание значений каждой из строк. Выбирается тот вариант, в строках которого стоит наибольшее значение Wir этого столбца. Критерий Байеса-Лапласа предъявляет к ситуации, в которой принимается решение, следующие требования:
- вероятность появления состояния Vj известна и не зависит от времени; - принятое решение теоретически допускает бесконечно большое количество реализаций;
- допускается некоторый риск при малых числах реализаций.
Критерий Байеса-Лапласа. Этот критерий отступает от условий полной неопределенности - он предполагает, что возможным состояниям природы можно приписать определенную вероятность их наступления и, определив математическое ожидание выигрыша для каждого решения, выбрать то, которое обеспечивает наибольшее значение выигрыша: vBL = maxi ? aij yj. Этот метод предполагает возможность использования какой-либо предварительной информации о состояниях природы. При этом предполагается как повторяемость состояний природы, так и повторяемость решений, и прежде всего, наличие достаточно достоверных данных о прошлых состояниях природы. То есть основываясь на предыдущих наблюдениях прогнозировать будущее состояние природы (статистический принцип). Возвращаясь к нашей игре "Поставщик" предположим, что руководители фирмы-потребителя, прежде чем принять решение, проанализировали, насколько точно поставщие ранее выполнял сроки поставок, и выяснили, что в 25 случаях из 100 сырье поступало с опозданием. Исходя из этого, можно приписать вероятность наступления первого состояния природы вероятность yj=0,75=(1-0,25), второго - yj=0,25. Тогда согласно критерию Байеса-Лапласа оптимальным яв-ся решение А1. Стратегии ? aij yj А1 - 175* А2 -187,5 А3 – 215 А4 - 297,5 Перечисленные критерии не исчерпывают всего многообразия критериев выбора решения в условиях неопределенности, в частности, критериев выбора наилучших смешанных стратегий, однако и этого достаточно, чтобы проблема выбора решения стала неоднозначной: Решение Критерии Стратегии Вальда maxmax Гурвица Сэвиджа Лапласа Байеса-Л А1 * * * А2 * * * А3 * * * А4 Из таблицы видно, что от выбранного критерия (а в конечном счете - от допущений) зависит и выбор оптимального решения. Выбор критерия ( как и выбор принципа оптимальности) яв-ся наиболее трудной и ответственной задачей в теории принятия решений. Однако конкретная ситуация никогда не бывает настолько неопределенной, чтобы нельзя было получить хоты-бы частичной информации отностительно вероятностного распределения состояний природы. В этом случае, оценив распределение вероятностей состояний природы применяют метод Байеса-Лапласа, либо проводяд эксперимент, позволяющий уточнить поведение природы.
56. Опишите метод Байеса-Лапласа нахождения оптимальной стратегии Критерий Байеса. 1) Пусть А является матрицей выигрышей игрока А.
2) Известны вероятности qj=p(Пj), j=1,…,n, состояний природы Пj, j=1,…,n, удовлетворяющие условию (1). Следовательно, речь идет о принятии решения в условиях риска. 3) Полагаем l=n и матрицу В выбираем равной матрице А, т.е. bij=aij для всех i=1,…,m и j=1,…,n. 4) Коэффициенты l1,…,ln, выбираем равными соответствующим вероятностям q1,…,qn, т.е. ll=qi, i=1,…,n. Этим самым игрок А выражает полное доверие к истинности распределения вероятностей q1,…,qn, состояний природы.
Из (1) следует, что коэффициенты lj, j=1,…,n удовлетворяют условию (3).
5) Показатель эффективности стратегии Аi по критерию Байеса обозначим через Вi и находим его по формуле (3):
. |
(6) |
Очевидно, что Вi – средневзвешенный выигрыш при стратегии Аi с весами q1,…,qn.
Если стратегию Аi трактовать как дискретную случайную величину, принимающую значения выигрышей при каждом состоянии природы, то вероятности этих выигрышей будут равны вероятностям состояний природы и тогда Вi есть математическое ожидание этой случайной величины (см. (6)).
6) Цена игры по критерию Байеса, обозначаемая нами через В, определяется по формуле (4):
7) Оптимальной среди чистых стратегий по критерию Байеса является стратегия Аk, для которой показатель эффективности максимален:Вk=В.