WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 |
-- [ Страница 1 ] --

В.И. Бодров, Т.Я. Лазарева, Ю.Ф. Мартемьянов МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ ИЗДАТЕЛЬСТВО ТГТУ Министерство образования Российской Федерации Тамбовский государственный технический

университет МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ Учебное пособие Тамбов Издательство ТГТУ 2004 УДК 519.7(075) ББК В183я73 Б75 Р е ц е н з е н т ы:

Доктор технических наук, профессор ТГТУ Ю.В. Литовка Доктор физико-математических наук, профессор ТГУ им. М. Державина С.М. Дзюба Бодров В.И., Лазарева Т.Я., Мартемьянов Ю.Ф.

Б7 Математические методы принятия решений: Учеб.

5 пособие. Тамбов: Изд-во Тамб. гос. тех. ун-та, 2004.

124 с.

ISBN 5-8265-0259-2 Изложены основные методы, используемые в при нятии решений экономического и технического пла на, основными из которых являются классические ме тоды, методы линейного и нелинейного программи рования, динамическое программирование, игровые методы.

Учебное пособие предназначено для студентов курса очного обучения специальности 351400 "При кладная информатика (в экономике)", и студентов, обучающихся по направлению магистратуры "Автоматизация и управление".

УДК 519.7(075) ББК В183я ISBN 5-8265-0259-2 Бодров В.И., Лазарева Т.Я., Мартемьянов Ю.Ф., © Тамбовский государствен ный технический университет © (ТГТУ), Учебное издание БОДРОВ Виталий Иванович ЛАЗАРЕВА Татьяна Яковлевна МАРТЕМЬЯНОВ Юрий Федорович МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ Учебное пособие Редактор Т. М. Федченко Инженер по компьютерному макетированию М. Н. Рыжкова Подписано к печати 16.02. Формат 60 84 / 16. Бумага офсетная. Печать офсетная Гарнитура Тimes New Roman. Объем: 7,21 усл. печ. л.;

7,19 уч.-изд. л.

Тираж 450 экз. С. Издательско-полиграфический центр Тамбовского государственного технического университета 392000, Тамбов, Советская, 106, к. ВВЕДЕНИЕ В тех случаях, когда объективной информации оказывается недостаточно для определения числен ных значений требуемого критерия при принятии решения, должны использоваться субъективные оценки, основанные на накопленном опыте, знаниях, идеях, мнениях и догадках специалистов, привле ченных к выработке субъективной оценки.

Получение объективных оценок базируется на следующих общих положениях:

1) аксиома несмещенности, которая утверждает, что мнение большинства компетентно;

2) аксиома транзитивности, утверждающая, что субъективные оценки транзитивны.

Из этого следует, что мерой качества субъективных оценок является их рассеяние.

Для качественного ознакомления с особенностями определения человеком субъективной оценки и формирования логической модели этого определения целесообразно рассмотреть ряд примеров.

Без сомнения известны методы оценки результатов в спортивных соревнованиях: гимнастике, прыжках в воду, фигурном катании и т.п. судьями-экспертами;

оценки качества сортов вина, чая, духов и пр. специалистами-экспертами и т.д. Рассмотрим пример, принадлежащий Е.С. Вентцель [5].

Пусть требуется определить субъективную оценку (весовые коэффициенты) факторов (T - 1) и (C - 1) критерия некоторой испытательной системы, имеющей вид E = 1T + 2C, где T – время (длительность испытаний);

С – стоимость испытаний;

1, 2 – весовые коэффициенты, определяющие влияние T и С на эффективность испытаний.

Можно ожидать, что 1 и 2 будут меняться в соответствии с обстановкой, в которой проходят ис пытания и степенью влияния ее на личность эксперта. Так, если судьба эксперта от успешности испы таний, то он будет считать, что 1 << 2, тогда для обеспечения испытаний будет закуплено большое ко личество оборудования, что резко увеличит их стоимость. Если непосредственной ответственности за испытания эксперт не несет, то результат оценки "веса" может быть другим.

Отсюда вытекает, что субъективная оценка подвержена влиянию конъюнктуры. Если эксперт в чем либо лично заинтересован или в данное время считается популярным определенное мнение, то эксперт ная оценка может отражать эту конъюнктуру. Кроме того, в процессе определения субъективной оценки могут вмешиваться те или иные авторитеты так, что оценка может быть деформирована за счет их влияния и появятся ошибки, если авторитет руководствуется предвзятым мнением. Способность экс перта противостоять воздействию конъюнктуры, назовем это объективностью, которая является одним из важнейших факторов, определяющих достоверность субъективной оценки.

В следующим примере предположим, что определение субъективной оценки С (см. рис. 1) поруча ется одному эксперту Э, который базируется при определении оценки на информации, полученной из двух независимых источников A и B.

Эксперт выдает оценку С только в том случае, когда оба источника дают одинаковую информацию.

Будем считать, что каждый источник информации обеспечивает возможность правильной оценки проблемы с вероятностью, равной 0,7. Эта вероятность обусловлена компетентностью эксперта и его информированностью о характере поставленной перед ним задачи.

Ограниченность компетентности и информированности, свойственная любому человеку, обуслав ливает возможность ошибки эксперта. Предположим, что он может ошибиться один раз из двухсот. То гда вероятность правильного определения им субъективной оценки, обусловленная приведенными вы ше факторами, равна 0,995.

Рис. 1 Схема определения субъективной оценки при A двух независимых источниках информации и одном эксперте:

C A и B – независимые источники B Э информации;

Э – эксперт;

С – субъективная оценка Отсюда общая вероятность правильности субъективной оценки, данной экспертом равна P1 = 0,7 · 0,7 · 0,995 = 0,487, а вероятность выдачи им ошибочной оценки P2 = 1 – 0,487 = 0,513.

Таким образом, следующими важными факторами, определяющими правильность субъективной оценки, являются компетентность и информированность эксперта.

Следующий пример отличается от предыдущего только тем, что в нем определение оценки поруча ется четырем экспертам.

В данном случае для руководства действиями экспертов назначается лицо а (см. рис. 2), которое принимает решение С, соответствующее решениям экспертов в случае их единогласия.

Простота функций руководителя позволяет считать, что вероятность его ошибки равна нулю. В этом случае вероятность получения ошибочной оценки (на основе одновременного принятия ошибоч ной оценки всеми экспертами) определяется как P2 = [1 - (1 - 0,3)2 0,995] 149 10-6.

Очевидно, что увеличение числа экспертов редко снижает вероятность принятия ошибочного реше ния и, следовательно, увеличение числа экспертов, придающее оценке статический характер и допус кающее ее усреднение является важным фактором, определяющим правильность субъективной оценки.

Таким образом лингвистическую модель определения субъективных оценок можно представить в виде (A B C D) P, Рис. 2 Схема определе ния субъективной оценки при двух независимых источниках Э информации и четырех A экспертах:

Э A и B – независимые источ a C ники Э B информации;

Э1, Э2, Э3, Э4, Э Э5 – эксперты;

а – лицо, опреде ляющее правило формиро вания субъективной оценки;

С – субъективное решение где A – информированность эксперта – совокупность представлений эксперта о задачах экспертизы, ос новывающаяся на внешней информации;

В – компетентность эксперта – совокупность научных гипотез и конкретных идей относительно характера поведения и развития оцениваемой альтернативы;

С – объ ективность эксперта – адекватность его представлений о факторах, определяющих характер и поведение объекта экспертизы, а также условие его развития;

D – усредненность мнений эксперта, предусматри вающая усреднение как по множеству экспертов, так и по множеству поставленных перед ним задач или по времени;

P – имплицируемая указанными логическими предпосылками субъективная оценка.

Из вышеуказанной модели следует, что источниками ошибок при субъективной оценке могут быть:

- недостаточная информированность эксперта, связанная с неточностью формулировки задач экс пертизы, неясностью и неоднозначностью используемой терминологии, недостаточной эффективно стью предложенных шкал оценок;

плохо составленной анкетой эксперта;

- недостаточная компетентность эксперта, определяемая слишком высокой степенью сложности задач, недостаточностью совокупности его научных гипотез и конкретных идей относительно характера и поведения объекта экспертизы, малой научной любознательностью;

- недостаточная объективность эксперта, вследствие нежелания участвовать в экспертизе, нали чием прямой заинтересованности его в некоторых определенных результатах экспертизы;

наличием мо рального давления на эксперта со стороны остановки или некоторых лиц;

отсутствием материального стимулирования;

отсутствием научного интереса и возможности повышения научной, технической либо иной квалификации эксперта в результате работы;

большая трудоемкость заполнения анкет и т.п.;

- недостаточная усредненность мнений экспертов, связанная с ошибками анкетирования, по строением процесса экспертизы;

недостаточным количеством экспертов.

Таким образом, мерами для получения достоверных оценок является устранение вышеперечислен ных источников ошибок. Методы реализации этих мер определяются ресурсами, находящимися в рас поряжении лица, проводящего экспертизу (временем и средствами, отведенными на экспертизу, коли чеством экспертов и т.п.).

Формально любая экспертиза может быть разделена на три этапа: подготовка, проведение и обра ботка результатов.

Этап подготовки экспертизы имеет целью создание условий для получения объективных и точ ных оценок альтернатив. Он обычно включает в себя:

- определение задачи экспертизы;

- составление анкеты (вопросника), по которому будут опрашиваться эксперты;

- определение шкалы оценок, которой должны пользоваться эксперты;

- определение состава (списка) экспертов, привлекаемых к участию в экспертизе;

- определение порядка проведения экспертизы, показателей компетентности оценок (характери стики их точности) и метода обработки результатов.

Этап проведения экспертизы – имеет целью получение от экспертов конкретных оценок альтер натив, определенных анкетами опроса. Компетентность индивидуальных оценок обычно обеспечивает ся использованием митерационной процедуры с "обратной связью" на экспертов. В этом случае прове дения экспертизы разделяется на несколько циклов опроса. Полученная информация, сообщаемая экспер там ("обратная связь" на экспертов) служит основанием для корректирования анкет опроса. Кроме того, эксперты могут ознакомиться с мнением своих коллег (возможна открытая дискуссия). Опрос повторяет ся на новом, более высоком информационном уровне. Объективность заключений достигается за счет не зависимости экспертов, их незаинтересованности в предмете экспертизы и отсутствия непосредственной связи между ними в ходе экспертизы. Опросы прекращаются, как только будут получены удовлетвори тельные значения показателей компетентности оценок.

Этап обработки результатов опроса имеет целью повышение компетентности оценки альтернати вы за счет учета степени конкретной компетентности экспертов, психологических особенностей вы работки индивидуальных оценок, а также социального и статистического характера процесса экспер тизы. Учет компетентности эксперта может осуществляться методом "взвешивания" индивидуаль ных оценок.

Учет психологических особенностей выработки человеком субъективных оценок альтернатив при их разработке может базироваться на общих положениях теории полезности, учет социальных особенно стей – на теоретических положениях группового выбора. Учет статистического характера оценок вы ливается в использование при их обработке в целях повышения компетентности метода усреднения.

Каждый из этих типов обработки субъективных оценок может быть реализован в соответствующей конкретной ситуации оценивания. Таких ситуаций может быть три:

- когда оценка должна быть дана одним человеком;

в этом случае ее обработка проводится с ис пользованием общих положений теории полезности;

- когда число привлеченных экспертов недостаточно для обеспечения статистической эффектив ности их оценок;

в этом случае для получения групповой оценки следует базироваться на теории груп повых решений;

- когда для формирования оценки может быть привлечено такое число экспертов, которое обес печивает статистическую эффективность результатов экспертизы;

в этом случае средством получения объективных оценок является их усреднение.

Методы усреднения и экспертиз детально описаны во многих литературных источниках, поэтому нет необходимости останавливаться на них подробно. Необходимо, однако, отметить, что использование усреднения оценок требует предварительного анализа причин, вызывающих нивелирования мнения отдельных экспертов. Усреднение не должно быть абсолютным, т.е. не должно приводить к сглажи ванию индивидуальных оценок, именно того, что в них есть самостоятельного, основанного на инди видуальном опыте эксперта.

1 ВВЕДЕНИЕ В ТЕОРИЮ ПРИНЯТИЯ РЕШЕНИЙ Вся наша жизнь пронизана проблемами. Каждый человек ежедневно сталкивается с необходимостью принятия решений. Их так много и принимают их так часто, что в большинстве случаев это просто не осознается. Только наиболее важные и трудные решения как-то выделяются и становятся предметом анализа. При этом основной подход всегда один: собирается точная, надежная и адекватная инфор мация, а затем делается выбор среди возможных решений.

Принятие решений – это важная функция управления, являющаяся умением, которым должен овла деть каждый человек, работающий как в бизнесе так и науке.

Принятие неоптимальных решений в жизненных и производственных ситуациях уменьшает значи тельную долю возможностей и ресурсов. И чем сложнее ситуация, тем больше потери. Принятию реше ний необходимо учиться, и учит этому наука, называемая "Теория принятия решений", которая включа ет в себя комплекс знаний, содержащих изрядную долю математики.

1.1 КРАТКАЯ ИСТОРИЧЕСКАЯ СПРАВКА Научно-техническая революция привела к существенным преобразованиям в организационном управлении.

Усложнение технологии и укрупнение производств привело к необходимости применять различные математические расчеты при решении вопросов управления.

Совокупность математических дисциплин, относящихся к организационному управлению, состав ляют теорию принятия решений или теорию исследования операций.

Исследование операций как наука сформировалась и развилась в период второй мировой войны, хотя термин появился раньше – в 1939 году. Первые работы по теории принятия решений были связаны с ор ганизацией ПВО Великобритании и вообще с планированием операций по защите страны от вторжения.

После окончания войны специалисты-операционники (так называли специалистов в области иссле дования операций) стали увольняться из армии. К счастью, в этот период для развития промышленно сти потребовалось принимать не менее сложные решения, чем в военной области, и эти специалисты были затребованы для решения производственных, экономических задач. И наука "Исследование опе раций" продолжила свое бурное развитие.

Неразвитое производство, примером которого являются некоторые наши коммерческие фирмы, мало нуждается в решении задач планирования, принятия наилучших решений, так как решения оче видны. Применение системного подхода для лучшей организации дела в этом случае представляет большие сложности.

На развитом предприятии владелец или лицо, управляющее им, не может самостоятельно принять решения – слишком большое число вопросов надо рассмотреть. Поэтому возникают отделы: произ водственный, отдел сбыта, финансовый, отдел кадров и пр. Эти отделы имеют разные цели функцио нирования, во многом взаимно противоположные.

Производственный отдел хочет, чтобы продукция была однообразной (мало номенклатуры), и, если даже нет сбыта, этот отдел хочет производить продукцию, его цель – как можно больше продукции узкой но менклатуры (чтобы не перенастраивать станки для удешевления продукции).

Отдел сбыта требует широкой номенклатуры продукции (чтобы было легче продать), чтобы были товары, даже редко пользующиеся спросом (они могут понадобиться все равно). Поэтому этот отдел не возражает против запасов (если и производства нет). Однако, финансовый отдел выступает против запа сов, так как это связанные деньги, и его задача минимизировать эти связанные деньги (т.е. деньги в то варе), а это значит минимизировать запасы. Финансовый отдел требует сохранения производства даже, если не идет продажа товара.

Отдел кадров против сохранения производства, если продажа товара не идет, так как это связано с увольнением людей, что является очень неприятной процедурой.

Задача отдела исследования заключается в том, чтобы найти правильное решение, которое принесет пользу (выгоду) всей системе в целом (всей фирме в целом), а не отдельным его подразделениям.

Таким образом, исследование операций связано с организацией, управлением системами, т.е. с ис следованием оказания влияния на системы с точки зрения повышения их эффективности.

Наука, которая занимается управлением, называется кибернетикой. Теория операций – часть кибер нетики. Иногда ее называют операционной кибернетикой.

Теория операций имеет синонимы: теория принятия решений, анализ операций, оценка операций, ис следование операций, теория системной оценки, теория системных исследований, теория организаци онного управления. Наиболее часто используют названия теория операций, теория оптимальных реше ний, теория принятия решений.

Задачи этой теории можно разделить на классы: поисковые, распределенные, управления запасами, массового обслуживания, календарного планирования, состязательные задачи.

1.1 Классы и методы решения задач теории принятия решений Классы задач Методы решения Поисковые Нелинейное программирование Распределенные Линейное программирование Управление запасами Теория управления запасами Массовое обслужива- Теория массового обслужива ние ния Календарное планиро- Теория расписания вание Состязательные задачи Теория игр Классы задач и методы их решения представлены в табл. 1.1.

1.2 ЭТАПЫ ПРИНЯТИЯ РЕШЕНИЙ Принятие решений не является каким-то обособленным, единовременным актом. Это процесс, про текающий во времени и состоящий из несколько этапов.

Любой процесс в природе – физический, химический, социальный, мыслительный и т.д., будучи предоставленный сам себе, развивается и протекает по некоторым присущим ему закономерностям. Но на этот процесс воздействуют другие процессы, также как и сам он воздействует на них в силу всеоб щей связи явлений в природе, что приводит к отклонениям от первоначального развития рассматривае мого процесса, т.е. он протекает по более сложным закономерностям.

Все внешние воздействия подразделяются на случайные и управляющие. Случайные воздействия яв ляются следствием взаимодействия рассматриваемых процессов, в то время как управляющие воздей ствия изменяют ход того процесса, на который они направлены, в желаемом направлении. В связи с этим должен существовать некоторый орган, систематически или по мере необходимости вырабаты вающий управляющие воздействия. Такой орган принято называть системой управления.

В общем случае под системой понимают объективное единство закономерно связанных друг с дру гом предметов и явлений в природе и обществе. Характеристики такой системы определяются как ха рактеристиками составляющих систему элементов, так и характеристиками взаимосвязей между ними.

Качество и эффективность работы системы оценивается критерием эффективности, который позво ляет оценить достижение желаемой цели. Проблема принятия решений возникает только тогда, когда существуют затруднения в достижении необходимой цели.

В процессе принятия решений система управления должна располагать ресурсами, обеспечиваю щими реализацию выбранных управляющих воздействий. Так, в экономических системах решение, на правленное на интенсификацию производства должно сопровождаться выделением дополнительных ресурсов – материальных, финансовых и т.д. Но система управления и сама затрачивает некоторые ре сурсы, процесс выбора решения из множества возможных также связан с определенными затратами.

Ранние теории по принятию решений были основаны на концепции "экономического человека", ос новным положением которого было то, что все люди знают альтернативы, имеющиеся в данной си туации, и все последствия, которые они вызовут. Теория экономического человека предполагает, что люди будут вести себя рационально, т.е. выбор будет делаться таким образом, чтобы максимизиро вать какую-либо ценность. Естественно, что лицо, принимающее решение не всегда ведет себя ра циональным образом, поэтому в теорию экономического человека был внесен принцип ограниченной рациональности: "Возможности человеческого ума в формулировании и решении сложных проблем весьма малы по сравнению с размерами проблем. Очень трудно достичь объективно рационального поведения в реальном мире или даже разумного приближения к такой объективной рациональности".

Процесс принятия решения начинается с осознания того состояния или ситуации, в которой находит ся принимающий решение человек. Этот первый начальный этап можно считать в определенном смысле предварительным, предшествующим процессу решения. Здесь выявляется удовлетворенность или неудовлетворенность тем состоянием, в котором находится система.

На втором этапе формируется желание изменить или сохранить существующее состояние системы определенным образом, т.е. устанавливается цель принятия решения.

Третий этап заключается в определении всех возможных способов или путей достижения цели, пе рехода в желаемое состояние. Здесь важно в минимальной степени обеспечить полноту возможных ре шений вплоть до их избыточности. Впоследствии лучше исключить непривлекательное решение, чем пропустить эффективное.

Четвертый этап заключается в выборе из множества возможных решений эффективного, в смысле достижения желаемой цели, с соблюдением при этом некоторых правил выбора. Результатом именно этого этапа является единственное принятое решение. Этот этап является центральным, но он не воз можен без первых трех.

Весь процесс принятия решения завершает пятый этап – реализация принятого решения.

Процесс принятия решения можно условно представить схемой, изображенной на рис. 1.1.

1.3 ОБЩИЕ ПОДХОДЫ И РАЦИОНАЛЬНЫЕ ПРОЦЕДУРЫ ПРИНЯТИЯ РЕШЕНИЙ Процесс принятия решения развивается по спирали. Первой стадией является предварительное принятие решения, которое аналогично процессу планирования. Следующей стадией является превен тивное разрешение проблем – это процесс предвосхищения ситуаций сбоя.

И последней стадией является процесс разрешения проблемы, который и позволяет принять оконча тельное решение.

Проблема – это различия между тем, что должно происходить, и тем, что происходит на самом де ле, поэтому она должна быть четко сформулирована. Для разрешения проблемы может быть предложен следующий подход, основными этапами которого являются:

1) формулирование проблемы;

2) анализ настоящего состояния дел;

3) формулирование цели;

4) анализ возможных причин нежелательной ситуации;

5) выбор основной причины критической ситуации;

6) определение альтернативных решений;

7) анализ альтернативных решений;

8) принятие решения;

9) составление плана действий.

При выборе окончательного решения из множества альтернативных необходимо обратить внимание на психологические аспекты принятия решения, постараться извлечь пользу для достижения личных целей, используя систематический подход, делая акцент на конкретность и ясность поставленных це лей.

В настоящее время для принятия решения используется научный подход, который заключается в по строении математической модели управляемой системы и последующем ее анализе. Как видно из рис. 1.1, эта модель занимает центральное место.

Современным научным методом изучения сложных систем является системный анализ, под которым понимается всестороннее, систематизированное, т.е. построенное на основе определенного набора правил, изучение сложного объекта в целом, вместе со всей совокупностью его сложных внешних и внутренних связей, проводимое для выяснения возможностей улучшения функционирования этого объекта.

Незапрашиваемые Сбор Память системы источники данных управления Запрашиваемые Осознание Математическая модель управля источники состояния системы емой системы Определение целей Формирование и критериев множества решений эффективности Выбор решения Реализация решения Оценка результатов Рис. 1.1 Схема принятия решения Укрупненный системный анализ состоит из этапов постановки задачи, структуризации системы, по строения и исследования модели. Так как не все перечисленные этапы имеют формальный аппарат, то, следовательно, на современном уровне системный анализ не является строгим научным методом, некоторые этапы и задачи выполняются на содержательном уровне, на основе логики, здравого смысла, инженерного опыта и интуиции.

В подходе анализа систем и исследования операций можно выделить следующие пять логических элементов:

- цель или совокупность целей;

- альтернативные средства, при помощи которых можно достичь цели;

- ресурсы, необходимые при использовании каждой системы;

- математическую модель при подходе исследования операций или логическую модель при под ходе анализа систем;

- критерий выбора предпочитаемой альтернативы.

Наиболее известными подходами при принятии решений являются следующие.

• Эмпирический подход, согласно которому решения могут существовать независимо от конкрет ных ситуаций. Решения, которые были хороши, могут быть плохи в настоящем времени. Данный под ход позволяет изучать методы принятия решений отдельными личностями, накопить определенный опыт.

• Подход с точки зрения поведения человека. При принятии того или иного решения должны во едино соединиться существующие и разрабатываемые теории, методы и методика наук о поведении, ос нованные на здравом смысле понимания людей. Этот подход концентрируется на человеческом аспекте управления – принятия решений. Лицо, принимающее решения, должно сочетать качества ученого и ру ководителя и поддерживать равновесие между ними с помощью здравого смысла.

• Подход с точки зрения социальной системы. При управлении необходимо знать не только инди видуальные аспекты, но и понимать динамику работы группы, рассматривая последнюю с позиции сис темного подхода, рассматривая отношения и взаимные зависимости разных подзадач в общей задаче.

Существуют два типа систем: закрытые, которые не приспосабливаются и не взаимодействуют с окру жающей средой, и открытые, которые постоянно взаимодействуют с окружающей средой. Системы по зволяют сохранить общую картину, взаимодействие, но в то же время такой подход не являются все объемлющим методом объединения разных частей в единое целое. Объединяющими факторами явля ются ум, рассудительность, а также мастерство.

• Подход с точки зрения принятия решения. Он, в основном, ориентируется на системы и позволяет научно описать, рассчитать каждый фактор, которым можно управлять. Однако, существуют решения, которые не могут быть определены качественно и которые нельзя изложить в терминах экономической ценности, например, эстетические решения.

• Математический подход, который позволяет дать большой эффект. Математика является инст рументом для управления, для принятия решений.

• Операционный подход стремится оценить управленческую операцию и использовать любую информацию или теоретические знания, которые дадут наилучшие результаты.

Задачу управления можно рассчитать в трех аспектах: производство, человеческие отношения, ад министрация.

Одним из универсальных средств решения любых проблем в настоящее время являются математи ческие модели. В исследовании операций модели описывают поведение систем, включающие во многих случаях в себя коллективы людей, которые ведут себя определенным рациональным образом и могут быть адекватно описаны. Критерий сравнения альтернатив, называемый также критерием оптимизации или целевой функцией, рассматривается как единственный и очевидный.

При принятии решений необходимо решить ту или иную проблему. Все существующие проблемы подразделяются на три класса:

1) хорошо структурированные или количественно сформулированные проблемы, в которых полу чают численные оценки;

2) неструктурированные или качественно выраженные проблемы, в которых количественные зави симости между признаками и характеристиками совершенно неизвестны;

3) слабо структурированные или смешанные проблемы, содержащие как количественные, так и ка чественные элементы, причем последние имеют тенденцию к доминированию.

Методы исследования операций предназначены для хорошо структурированных проблем. Эти ме тоды позволяют принять обоснованное решение в той или иной задаче в зависимости от ее постановки.

1.4 МАТЕМАТИЧЕСКАЯ ПОСТАНОВКА ЗАДАЧИ ПРИНЯТИЯ РЕШЕНИЙ При решении задачи принятия решения исследуется система, которая условно изображается прямо угольником, рис. 1.2.

Определение системы уже было дано. В дальнейшем под системой будем понимать совокупность объектов, предприятий, характеризующихся некоторыми показателями. Все эти показатели или пара метры подразделяются прежде всего на входные и выходные.

Выходные показатели уi графически обозначаются стрелками, выходящими из прямоугольника – системы (рис. 1.2, б);

к ним относятся такие показатели, как, например, качество продукта, себестои мость, производительность, количество и др.

Параметры, которые можно изменить в соответствии с нашим желанием, обозначаются u1, u2,..., um (рис. 1.2, б) и называются входными воздействиями. Такими параметрами могут быть количество фи нансовых средств, которые вкладываются в то или иное производство, оборудование, поставляемое в тот или иной цех, людские ресурсы и т.п. Входные параметры являются "рулями", которыми управля ют, изменяя их значение, соответственно изменяются и выходные параметры уi.

Рис. 1.2 Сис тема:

а) б) а – исследуе u1 y мая;

u2 y б – с входны u3 y ми и выход ными параметрами Выбор тех или иных величин ui и является решением задачи принятия решений.

Если принято решение, следовательно, определены значения выходных параметров уi, и в этом случае говорят, что система перешла в некоторое новое состояние.

Оператор, отражающий зависимость выходных параметров у от входных управляющих параметров u, называется моделью у = f (u). (1.1) Математическая модель представляет собой математическую зависимость, позволяющую без экспе риментов, зная управляющие воздействия, определить выходные параметры. Использование моделей очень удобно, так как не всегда можно провести эксперименты, при их проведении можно даже разо рить предприятие, однако, имея модель, можно проиграть различные ситуации на ней.

После того как принято решение, хорошее или плохое, его необходимо охарактеризовать численно.

Для этого вводится целевая функция, позволяющая численно оценить насколько принятое решение хо рошо. Эта функция зависит от входных и выходных параметров и обозначается Q = Q (u, y).

Так как выходные параметры у можно выразить через входные u, что часто и делают, то тогда целе вая функция будет зависеть только от управляющих показателей – Q = Q (u). И задача заключается в нахождении таких управлений u (или таких решений u), при которых целевая функция достигала бы своего минимального (максимального) значения.

Например, целевой функцией является прибыль – требуется, чтобы она была максимальной, если целевая функция представляет собой себестоимость, то необходимо, чтобы она была минимальной.

В конкретных задачах часто накладываются ограничения, например, требуют, чтобы при нахожде нии максимума целевой функции себестоимость была бы не выше заданной, количество товара по каж дой номенклатуре также было бы не меньше заданного и т.д.

Таким образом, задача состоит в том, чтобы найти такое решение, при котором целевая функция при нимает максимальное (минимальное) значение и удовлетворяются все ограничения экономического, тех нологического планов, которые принято записывать в виде i (u) 0, i = 1, k.

Принимая различные решения, вычисляют в соответствии с ними по модели (1.1) значения выход ной переменной у, а затем целевой функции Q. После этого среди всех принятых решений ищется такое решение u, при котором значение Q будет наилучшим. Варьировать значениями управляющей перемен ной u можно только в определенных пределах. Например, денежный вклад должен быть, с одной сторо ны, больше нуля, а, с другой стороны, меньше некоторого предельного значения, определяемого финан совыми возможностями конкретного лица, т.е. 0 ui uiпред, или, если U – область допустимых значе ний варьируемых управлений ui, то ui U.

Таким образом, задача заключается в том, чтобы найти такие управления из области допустимых U, при которых будут выполнены технологические ограничения, а целевая функция примет минимальное значение. Математически данная задача записывается следующим образом: требуется принять такое решение u*, принадлежащее области допустимых решений, u* U, при котором целевая функция дос тигает своего минимального значения.

Q (u*) = min Q(u, y) uU и выполняются связи, определяемые математической моделью у = f (u), а также ограничения в виде не равенств i (u) 0, i = 1, k, которыми задаются технологические ограничения.

В некоторых задачах связи могут отсутствовать, тогда требуется найти такое u* U, что Q (u*) = min Q (u), при выполнении ограничения i (u) 0, i = 1, k.

uU Управляющие переменные, удовлетворяющие требованиям u U и i (u) 0, называются допусти мым решением. Все остальные решения недопустимы.

Допустимые решения u*, при котором целевая функция минимальна, называется оптимальным ре шением.

Основной задачей теории принятия решения является нахождение оптимального решения. Для это го необходимо: построить модель у = f (u), определить целевую функцию Q (y, u), определить область допустимых управлений U, опреде лить технологические ограничения.

На практике встречаются задачи нахождения не оптимального, а допустимого решения, т.е. реше ния, удовлетворяющего системе ограничений. В этом случае задача ставится следующим образом: най ти такие u* U, при которых i (u) 0, i = 1, k. Такие задачи могут иметь не единственное решение.

Некоторые задачи теории принятия решения пассивны, для них характерно, что входные управ ляющие параметры u не влияют на целевую функцию, они не являются рулями. В таких задачах только проверяют допустима полученная система или нет, и решением является "да" или "нет". Если у = f (u), то проверяется у Y, и задача заключается в том, чтобы по построенной модели проверить при всех ли u показатели у хорошие, и на основании этого сделать вывод о пригодности системы или ее непригод ности.

Для решения всех перечисленных задач применяют различные методы, которые и рассмотрим да лее.

2 КЛАССИЧЕСКИЕ МЕТОДЫ РЕШЕНИЯ ЭКСТРЕМАЛЬНЫХ ЗАДАЧ ПРИНЯТИЯ РЕШЕНИЙ Математическая формулировка задачи принятия решения часто эквивалентна задаче отыскания экстремума функции одной или многих переменных. Поэтому для решения подобных задач могут быть использованы различные методы исследования функций классического анализа, в частности, методы поиска экстремума. Эти методы применяют в тех случаях, когда известен аналитический вид зависимо сти оптимизируемой функции Q от независимых переменных u.

2.1 ЭКСТРЕМУМ ФУНКЦИИ ОДНОЙ ПЕРЕМЕННОЙ Большинство простейших задач принятия решений эквивалентно задачам отыскания экстремума функции одной переменной.

Пусть требуется найти экстремум функции одной переменной Q (u) при отсутствии ограничений на диапазон изменения переменной u.

Необходимым условием существования экстремума непрерывной функции Q (u) является равенство нулю первой производной (dQ / du = 0) или ее отсутствие. Графически равенство нулю производной оз начает, что касательная к кривой Q (u) в этой точке параллельна оси абсцисс (рис. 2.1, а), на рис. 2.1, б изображен случай, когда производные в точках экстремума не существуют.

Q а) Q б) µ µ µ µ u2 u u2 u u1 u Рис. 2.1 Различные типы экстремума функции одной переменной:

а – производная в точке экстремума существует;

б – производная в точке экстремума не существует а) б) в) Q Q Q u1 u1 u u u u Рис. 2.2 Функции Q(u), удовлетворяющие необходимым условиям экстремума:

а – производная равна нулю;

б – производная не существует;

в – производная равна бесконечности Названные условия являются лишь необходимыми условиями. Их выполнение не означает еще, что в данных точках функция имеет экстремум (рис. 2.2).

Для того, чтобы определить, действительно ли в исследуемой точке существует экстремум, необхо димо проверить выполнение достаточных условий одним из методов, приведенных ниже.

1 Сравнение значений функций. Этот способ сводится к определению значений функции в точках, расположенных слева и справа в достаточной близости от исследуемой точки, т.е. в точках (u1 – ), (u1 + ), где – малая положительная величина. Если Q(u1) > Q(u1 – ) и Q(u1) > Q(u1 + ), то в точке u1 существует максимум (рис. 2.3). Если Q(u1) < Q(u1 – ) и Q(u1) < Q(u1 + ), то в точке u1 существует минимум (рис. 2.3, б). Если же Q(u1) будет занимать промежуточное положение между Q(u1 – ) и Q(u1 + ), например, Q(u1) > Q(u1 – ) и Q(u1) < Q(u1 – ), то в точке u1 экстремума не бу дет (рис. 2.3, в).

2 Сравнение знаков производной. При этом способе определяется знак первой производной функ dQ ции Q(u) - в точках (u1 – ) и du (u1 + ). Если знаки производных различны, то в точке u1 имеется экстремум функции Q(u), причем, ес ли при переходе от точки (u1 – ) к точке (u1 + ) знак производной изменяется с "+" на "–", то в точке u1 – максимум (рис. 2.3, а). Если же знак меняется с "–" на "+", то в точке u1 – минимум (рис. 2.3, б).

Если же знаки производных в точках (u1 – ) и (u1 + ) одинаковы, то в точке u1 экстремума нет (рис.

2.3, в).

3 Исследование знаков высших производных. Этот способ применяется в тех случаях, когда ис следуемая функция имеет производные высших порядков. Если в точке u1 выполняется необходимое dQ d2Q условие экстремума, т.е. = 0 и существует вторая производная –, значение которой вычисля du du u d2Q ется в "подозреваемой" точке u1, то точка u1 является точкой максимума, если < 0, и точкой ми du u нимума, d2Q если > 0.

du u а) б) в) Q Q Q (+) (+) (+) (–) (–) (+) u– u+ u– u+ u– u+ u u u u u u Рис. 2.3 Проверка достаточных условий экстремума:

а – максимум;

б – минимум;

в – экстремума нет d2Q d3Q d4Q Если же = 0, то для дальнейших исследований вычисляются, и т.д.

du2 du3 du u При решении практических задач, как правило, приходится исследовать функции, имеющие не сколько экстремумов. В этом случае говорят о нахождении наибольшего и наименьшего значения функции, которые называют глобальными экстремумами. Остальные экстремумы называются локаль ными. Также в практических задачах диапазон изменения переменной u часто бывает ограничен задан ным интервалом [a, b], поэтому в число "подозреваемых" точек должны быть включены и крайние точ ки этого интервала, так как в них может достигаться глобальный экстремум.

2.2 ЭКСТРЕМУМЫ ФУНКЦИЙ МНОГИХ ПЕРЕМЕННЫХ В большинстве задач оптимизации критерий оптимальности является функцией нескольких незави симых переменных – Q(u1, u2,..., un). Если он является непрерывной функцией, имеющей непрерывные частные производные первого и второго порядка по всем переменным u ( = 1, n), то необходимым усло вием экстремума в точке {u*} является равенство нулю в этой точке первых производных по всем пере менным, т.е. точки, в которой функция Q(u1, u2,..., un) может достигать экстремума, определяются ре шением системы уравнений Q(u1, u2,..., un ) = 0, = (1, n). (2.1) u u* Достаточные условия существования экстремума определяются в результате анализа знака квадра n n тичной формы B= xi x, коэффициенты которой определяются соотношениями ai j j i=1 j= 2Q(u1, u2,..., un ) 2Q(u1, u2,..., un ) aij = = = a, i, j =1, n.

ji ui u u ui j j Квадратичная форма может быть положительно определенной и отрицательно определенной. Ответ о знаке квадратичной формы дает теорема, которая формулируется следующим образом: для положи тельной определенности квадратичной формы необходимо и достаточно, чтобы были выполнены ус ловия Сильвестра 1 = a11>0;

a11 a = > 0;

a21 a...

(2.2) a11 a12... a1n a21 a22... a2n n = > 0,............

an1 an2... ann т.е. все главные миноры матрицы a11 a12... a1n a21 a22... a2n A =............

an1 an2... ann должны быть строго положительны.

Квадратичная форма будет отрицательно определенной, если все главные миноры матрицы A, имеющие нечетный порядок, отрицательны, а, имеющие четный порядок, положительны, т.е. 1 < 0, < 0,..., 2 > 0, 4 > 0.

Если квадратичная форма является положительно определенной, то исследуемая точка является точкой минимума, если же квадратичная форма будет отрицательно определенной, то в точке {u} имеет место мак симум.

Возможен случай, когда все главные миноры отличны от нуля, но условия положительной или от рицательной определенности квадратичной формы не выполняются, в этом случае в исследуемой точке функция не имеет ни максимума, ни минимума. В случае обращения в нуль главных миноров матрицы A, вопрос о наличии экстремума в исследуемой точке решается более сложно с использованием произ водных более высокого порядка.

П р и м е р 2.1.

Пусть в реакторе идеального смешения протекает реакция первого порядка (A P). Требуется оп ределить оптимальные условия – время пребывания и температуру, при которой себестоимость продук та P будет минимальной.

Критерий оптимальности – себестоимость задается функцией Cq 1 Cv Q (u1, u2) = + +1 + (u1u2 +1), CA UxA0 u1u2 u2xA где u1 – время пребывания, u2 – константа скорости химической реакции, связанная с температурой уравнением Аррениуса u2 = exp(– E / RT), E и R – константы;

СА – стоимость единицы расходуемого сы рья;

Сq – стоимость дополнительного оборудования реактора, исчисляемая с учетом амортизации;

Сv – стоимость единицы объема реактора, исчисляемая с учетом его амортизации;

U – нагрузка реактора по исходному сырью;

xA0 – начальная концентрация вещества А.

Необходимые условия экстремума функции Q(u1, u2) дают систему уравнений:

Cq 1 Cv Q = - + + = 0;

u1 CA UxA0 2 xA u1 u Cq 1 Cv Q = - + - = 0.

u2 CA UxA0 2 u1u2 u2 xA Последнее уравнение не удовлетворяет ни каким значениям u1, u2, поэтому разумно выдерживать максимально возможную температуру ведения процесса, что определит значение u2. Оптимальное зна чение времени пребывания, соответствующее принятому значению температуры в этом случае опреде лится как CAUxA0 + Cq 0, u1опт =.

CvUu Минимальная себестоимость составит 0, Cv CAUxA0 + Cq Qопт = 1+ u2.

u2xA0 CvUu П р и м е р 2.2.

4 Найти экстремум функции Q (u1, u2) = u1 + u2 - 4u1u2.

Необходимые условия экстремума записываются в виде системы:

Q(u1u2 ) 4u1 - 4u2 = 0;

= u (u1u2) Q = 4u2 - 4u1 = 0.

u Решение полученной системы уравнений дает три подозрительные точки на экстремум: (0, 0);

(1, 1);

(–1, –1). Для определения существования экстремума в найденных точках требуется проверить доста точные условия. С этой целью составляется матрица 2 Q Q u1 u1u 12u - A = =.

2 Q Q - 4 12u u2u1 u В найденных точках - 4 -, A(1,1) = A(-1, -1) = A(0, 0) =.

- 4 0 - 4 Матрица А(0, 0) – знаконеопределена, следовательно, точка (0, 0) не является экстремальной. Мат рицы А(1, 1) и А(–1, –1) положительно определенные (1 = 12 > 0, 2 = 128 > 0), поэтому в точках (1, 1) и (–1, –1) будет минимум – Qmin = –2.

2.3 Метод неопределенных множителей Лагранжа Условия экстремума функции, которые рассмотрены выше, позволяют найти, так называемый, без условный экстремум. Однако, в большинстве практических задач принятия решения требуется принять решение – определить экстремум критерия оптимальности при условии, что на независимые перемен ные наложены ограничения, имеющие вид равенств. Типичными примерами подобных задач служат задачи, в которых требуется оптимальным образом распределить заданное количество ресурсов, чтобы принятая оценка эффективности процесса имела при этом максимальное или минимальное значение.

Для решения таких задач в классическом анализе используется метод неопределенных множителей Лагранжа. Сами задачи получили название задач на условный экстремум.

2.3.1 ОСНОВНЫЕ ПОЛОЖЕНИЯ Пусть требуется найти экстремум функции, например, минимум Q (u1, u2,..., un) min (2.3) при условии (u1, u2,..., un) = 0, = 1, k. (2.4) Согласно методу Лагранжа для решения задач на условный экстремум функции составляется вспо могательная функция Лагранжа, которая определяется соотношением k Q (u1, u2,..., un1,..., k ) = Q (u1,..., un ) + (u1,..., un ), (2.5) = где, = 1, k – неопределенные множители Лагранжа.

Таким образом, задача нахождения условного экстремума функции (2.3) сводится к задаче нахожде ния безусловного экстремума функции (2.5), но число неизвестных в ней n + k (u, = 1, n ;

j, j = 1, k ).

Как известно из п. 2.2 необходимым условием безусловного экстремума функции является равенство нулю частных производных, которые для данного конкретного случая записываются в виде Q(u1,..., un ) 1(u1,..., un ) k (u1, un ) + 1 +...+ k = 0;

=1, n.

u u u (2.6) и дает n уравнений для определения неизвестных. Эта система уравнений дополняется к уравнениям (2.4) и, следовательно, получается (n + k) неизвестных и (n + k) уравнений.

Метод множителей Лагранжа дает лишь необходимые условия существования условного экстрему ма для непрерывных функций, имеющих также непрерывные производные, поэтому найденные значе ния переменных могут и не давать экстремума функции Q (u1,..., un), их надо проверить с использова нием достаточных условий экстремума функции многих переменных.

В окончательном решении задачи фактически множители Лагранжа не известны, поэтому задача совместного решения системы (2.4), (2.6) иногда ставится как задача исключения "k" неизвестных пере менных u с последующим решением остающейся системы n уравнений с n неизвестными.

Задача Лагранжа имеет "n – k" степеней свободы.

2.3.2 ГЕОМЕТРИЧЕСКАЯ ИНТЕРПРЕТАЦИЯ МЕТОДА МНОЖИТЕЛЕЙ ЛАГРАНЖА Интерес представляют геометрический смысл множителей Лагранжа. Для такой интерпретации лучше рассмотреть задачу с двумя неизвестными и одним ограничением.

Пусть требуется найти минимум функции Q = Q(u1, u2) min при условии (u1, u2) = 0. Если ми нимум существует, то в пространстве функция Q должна иметь вид воронки, а условие связи – это не которая поверхность (рис. 2.4).

На рис. 2.4, б изображены на плоскости переменных u1, u2 линии уровня функции Q (u1, u2) и огра ничение (u1, u2) = 0, представляю- щее собой линию. Составляется вспомогательная функция Q (u1, u2) = = Q (u1, u2) + (u1, u2). Необходимое условие экстремума дает:

а) б) Q u (u1, u2) = A Q u Q = const u u u Рис. 2.4 Геометрический смысл множителей Лагранжа:

а – пространственное изображение;

б – изображение проекции на плоскость u2 – u Q Q Q u = + = 0;

u = - ;

u1 u1 u 1 или. (2.7) Q Q Q u = + = 0;

u2 = -.

u u2 u В точке А (рис. 2.4) – точке касания линии (u1, u2) = 0 с линией равного уровня функции (u1, u2) и Q (u1, u2) имеют общую касательную и необходимое условие (2.7) минимума представляет собой ус Q Q ловие пропорциональности двух векторов: вектора Q =, – градиента функции Q (u1, u2) и век u u тора =, – градиента функции (u1, u2).

u u Два вектора пропорциональны друг другу лишь в том случае, если они коллинеарные. Так как гра диент функции перпендикулярен касательной к линии уровня, то в точке А выполняется условие (2.7), и множитель является коэффициентом пропорциональности между векторами Q и.

2.3.3 ЭКОНОМИЧЕСКАЯ ТРАКТОВКА МЕТОДА МНОЖИТЕЛЕЙ ЛАГРАНЖА В некоторых задачах множители Лагранжа допускают и экономическое толкование. Если толковать целевую функцию Q (u1,..., un) как прибыль, получаемую некоторым предприятием при использовании ресурсов, а условия (u1,..., un) = 0, = 1, k ограничения на дефицит ресурсов, то при (u1,..., un) < прибыль, то максимум целевой функции будет расти.

Экономист такую задачу будет решать следующим образом. Он назначит некоторые цены на единицы ресурсов и предложит потребителю купить их по этой цене. Последний, максимизируя чис k тую прибыль Q (u1,..., un ) = Q (u1,..., un ) - (u1,..., un ), найдет (u1,..., un) и скажет, сколько ресурсов он хо = тел бы купить. В экономике почти всегда бывает так, что чем больше, тем меньше (u1,..., un), и чем меньше, тем больше (u1,..., un). Если окажется, что (u1,..., un) > 0, то экономист повысит цену, если (u1,..., un) < 0 – понизит. Так будет происходить до тех пор, пока при некоторой цене, называемой равновесной, потребителю будет выгодно, чтобы дефицит ресурсов (u1,..., un) был равен нулю, при этом чистая прибыль будет максимальна, т.е. будут выполняться условия k Q (u1,..., un ) (u1,..., un ) - = 0.

u u = Таким образом, равновесная цена с точностью до знака равна множителю Лагранжа.

2.3.4 ОСОБЫЕ СЛУЧАИ В заключение следует отметить особые случаи, когда градиент функции Q (u1,..., un) равен нулю (Q = 0) и когда градиент (u1,..., un) равен нулю ( = 0).

В первом случае решение может достигаться в точке экстремума функции Q (u1,..., un), множители равны нулю, и задача сводится к задаче безусловного экстремума и условия (u1,..., un) = 0 роли не играют. Во втором случае подозрительные на экстремум точки находятся из уравнений (u1,..., un) = 0, в которых затем вычисляется значение критерия Q (u1,..., un).

Для того, чтобы условия экстремума были справедливы и в особых случаях, функцию Лагранжа за писывают в виде k Q (u1,..., un ) = 0Q (u1,..., un ) + (u1,..., un ), = тогда можно утверждать, что для условного экстремума Q (u1,..., un) необходимо существование таких чисел 0,, одновременно не равных нулю, что в точке предполагаемого решения выполнены условия 0 Q (u1,..., un ) Q (u1,..., un ) Q (u1,..., un ) =... = =... = = 0, u1 u un (u1,..., un) = 0.

Если 0 0, то его можно выбрать положительным числом, обычно полагают 0 = 1, это никак не отражается на решении.

П р и м е р 2.3.

2 Требуется найти минимум функции Q (u1, u2) = u1 + u2 при условии u1 + u2 = 1.

Для решения записывается функция Лагранжа 2 Q (u1, u2) = u1 + u2 + (u1 + u2 -1), для которой уже необходимо определить безусловный экстремум. Необходимое условие экстремума даст следующую систему уравнений:

Q (u1, u2) = 2u1 + = 0;

u Q (u1, u2) = 2u2 + = 0, u откуда u1 = –/2, u2 = –/2. Используя уравнение связи u1 + u2 = 1, получают = –1, u1 = 1/2, u2 = 1/2 и соответственно minQ (u1, u2) = 1/2.

П р и м е р 2.4.

По плану производства продукции предприятию необходимо изготовить 180 изделий. Эти изделия могут быть изготовлены двумя технологическими способами. При производстве u1 изделий первым спо собом затраты равны (4u1 + u1 ) р., а при изготовлении u2 изделий вторым способом они составляют (8u + u2 ) р. Определить, сколько изделий каждым из способов следует изготовить, так чтобы общие затраты на производство продукции были минимальными.

Математическая постановка задачи состоит в определении минимального значения функции 2 Q (u1, u2) = 4u1 + u1 + 8u2 + u2 при условиях u1 + u2 = 180, u1 0, u2 0.

Задача может быть решена методом множителей Лагранжа. Для этого без учета требования неотри 2 цательности переменных составляется функция Лагранжа Q (u1, u2) = 4u1 + u1 + 8u2 + u2 + (180 - u1 - u2).

Необходимое условие экстремума функции Лагранжа дает Q (u1, u2) = 4 + 2u1 - = 0;

u Q (u1, u2) = 8 + 2u2 - = 0, u - 4 - откуда u1 =, u2 =.

2 - 4 - Подстановка найденных значений в условие u1 + u2 = 180 дает + = 180 и, следовательно, = 2 186 и, соответственно, u1 = 91, u2 = 89.

По вторым частным производным можно показать, что найденная точка доставляет минимум функ ции Q (u1, u2), т.е. если будет изготовлено 91 изделие первым технологическим способом и 89 изделий вторым технологическим способом, общие затраты будут минимальны и составят Qmin = 17 278 р.

2.4 ОСОБЕННОСТИ РЕАЛЬНЫХ ЗАДАЧ Рассмотренные классические методы анализа предполагают известное аналитическое выражение критерия оптимальности, имеющего производные по всем переменным, и позволяют найти экстре мум только внутри области изменения независимых переменных. Реальные задачи решать этими ме тодами практически невозможно, так как они имеют ряд особенностей.

1 Целевая функция не является гладкой, она может быть "колючей" (рис. 2.5), и тогда применять необходимые условия экстремума не представляется возможным.

2 При наличии ограничений на независимые переменные минимум целевой функции может быть на границе (рис. 2.6). Необходимое условие оптимальности позволяет найти минимум только внутри допустимой области, и в этом случае механизм нахождения экстремума (определение первых производ ных и приравнивание их нулю) теряет смысл, так как минимум таким образом определен не будет.

Q Q u1 u2 u3 u4 u5 u1 u2 u3 u4 u u Рис. 2.5 "Колючая" Рис. 2.6 Целевая функ целевая функция ция с минимумом на границе 3 Критерий оптимальности задается алгоритмически, производные тогда можно рассчитывать только численными методами. Примером такого критерия является прибыль, которую нельзя анали тически связать с капиталовложениями.

4 Метод множителей Лагранжа предполагает наличие связей в виде равенств. В реальных задачах существуют ограничения и в виде неравенств.

Во всех перечисленных случаях экстремум целевой функции может быть определен, но другими методами, которые рассматриваются далее.

3 НЕЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ Математическая формулировка задачи принятия решения, как уже отмечалось, эквивалентна задаче отыскания наибольшего или наименьшего значения функции одной или нескольких переменных.

В большинстве практических задач критерий оптимальности Q (u), где u – вектор управляющих пере менных, не может быть записан в явном виде, его значение обычно находится в результате решения системы уравнений математического описания оптимизируемого объекта. На независимые переменные ui, i = 1, n могут быть наложены связи и ограничения как в виде равенств (u) = 0, = 1, m, так и в виде неравенств i (u) 0, i = 1, l, которые, как правило, являются нелинейными и трудно вычислимыми со отношениями. Задачи такого типа являются предметом рассмотрения специального раздела математики, называемого нелинейным программированием. Обычно, решения задач нелинейного программирования могут быть найдены только численными методами.

3.1 ОБЛАСТИ ПРИМЕНЕНИЯ НЕЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ Задача нелинейного программирования встречается в естественных науках, технике, экономике, ма тематике, в сфере деловых отношений и в науке управления государством.

Нелинейное программирование, например, связано с основной экономической задачей. Так в задаче о распределении ограниченных ресурсов максимизируют либо эффективность, либо, если изучается потребитель, потребление при наличии ограничений, которые выражают условия недостатка ресур сов. В такой общей постановке математическая формулировка задачи может оказаться невозможной, но в конкретных применениях количественный вид всех функций может быть определен непосредст венно. Например, промышленное предприятие производит изделия из пластмассы. Эффективность производства здесь оценивается прибылью, а ограничения интерпретируются как наличная рабочая сила, производственные площади, производительность оборудования и т.д.

Метод "затраты – эффективность" также укладывается в схему нелинейного программирования.

Данный метод был разработан для использования при принятии решений в управлении государством.

Общей функцией эффективности является благосостояние. Здесь возникают две задачи нелинейного программирования: первая – максимизация эффекта при ограниченных затратах, вторая – минимизация затрат при условии, чтобы эффект был выше некоторого минимального уровня. Обычно эта задача хо рошо моделируется с помощью нелинейного программирования.

Результаты решения задачи нелинейного программирования являются подспорьем при принятии го сударственных решений. Полученное решение является, естественно, рекомендуемым, поэтому необ ходимо исследовать предположения и точность постановки задачи нелинейного программирования, прежде чем принять окончательное решение.

Задачи нелинейного программирования часто возникают и в других отраслях науки. Так, например, в физике целевой функцией может быть потенциальная энергия, а ограничениями – различные уравне ния движения. В общественных науках и психологии возникает задача минимизации социальной на пряженности, когда поведение людей ограничено определенными законами.

Преобразование реальной задачи в задачу нелинейного программирования является в значительной степени искусством, но это искусство направляется теорией.

3.2 Общая характеристика методов решения задач нелинейного программирования Нередко методы нелинейного программирования могут быть охарактеризованы как многошаговые методы или методы улучшения исходного решения. Разнообразие методов решения задач нелинейного программирования объясняется стремлением найти оптимальное решение за наименьшее число шагов, чтобы избежать необходимости многократного вычисления значений целевой функции.

В большинстве методов нелинейного программирования используется идея движения в n-мерном пространстве в направлении оптимума. При этом из некоторого исходного или промежуточного состоя ния ui осуществляется переход в следующее состояние ui+1 изменением вектора ui на величину ui, на зываемую шагом.

ui+1 = ui + ui. (3.1) При поиске минимума целевой функции Q (u) для удачно выбранного шага должно выполняться условие Q (ui+1) < Q (ui), в противном случае переход в состояние ui+1 нецелесообразен.

В значительной части методов шаг определяется как некоторая функция состояния ui : ui = ui(ui), и, следовательно, новое состояние можно рассматривать как функцию исходного состояния ui+1 = ui + ui (ui).

В этом смысле шаговые методы поиска оптимума называются итеративными.

Методы нелинейного программирования в зависимости от способа задания шага u подразделяют ся на три основных класса: 1) градиентные методы;

2) безградиентные методы;

3) методы случайного поиска. Некоторые методы организуются как комбинированные алгоритмы, использующие достоинства методов различных классов. Кроме того различают методы одномерной оптимизации (u-скаляр) и мно гомерной оптимизации (u-вектор).

Задача нелинейного программирования в общем случае рассматривается в n-мерном пространстве, где наглядное графическое изображение отсутствует, в связи с этим используется следующий прием графического представления.

Если целевая функция Q (u) непрерывна в области U, то вокруг точки uопт всегда можно провести в данной плоскости замкнутую линию, вдоль которой значение Q (u) постоянно (рис. 3.1, а). Эти замкну тые линии называются линиями равного уровня функции Q (u) и отвечают различным значениям Q (u) = q. Вокруг точки uопт можно провести сколько угодно линий уровня, причем каждая из них будет целиком охватывает любую линию, для которой значение целевой функции Q (u) меньше (или больше).

При наличии связи (u) = 0, что в n-мерном пространстве определяет (n – 1)-мерную поверхность, пересечение которой с рассматриваемой поверхностью определяет область (рис. 3.1, б), в которой и ищется оптимальное решение.

Ограничения типа неравенств независимо от их числа наглядно представлены на рис. 3.1, в. Здесь захо дить в заштрихованную область нельзя.

а) в) б) 1 (u) = • uопт • • (u) = 2 (u) = Рис. 3.1 Геометрическое представление целевой функции:

а – линии равного уровня;

б – линии равного уровня и связи типа равенств;

в – линии равного уровня и ограничения типа неравенств Особенностями целевой функции являются седловые точки, так называемые "овраги" и многоэкс тремность. В седловых точках функция Q (u) по одному или нескольким направлениям имеет минимум, в то время как по остальным – максимум. При наличии оврагов вдоль определенных направлений вели чина функции Q (u) изменяется очень слабо. Целевая функция может иметь не один, а несколько опти мумов. Оптимум называется глобальным, если для него справедливо условие Q (uопт) Q (u), u U, которое выполняется для любых допустимых значений u. Если существуют дру гие оптимумы, то они называются локальными, и соотношения типа Q (uопт ) Q (u) выполняется только в uопт.

окрестностях точек Для отыскания глобального оптимума необходимо найти и проверить, вообще говоря, все без исключения локальные оптимумы, имеющейся целевой функции.

Среди методов, применяемых для решения задач нелинейного программирования значительное ме сто занимают методы поиска решения, основанные на анализе производных оптимизируемой функции.

Эта функция должна быть непрерывно дифференцируемой. Для этого вводится понятие производной по направлению l Q (u) Q (u)-Q (u) = lim, (3.2) l u u u- u где u, u* – точки, расположенные на прямой l. Эта производная (3.2) характеризует скорость изменения функции Q (u) в точке и в направлении l, она может быть выражена через производные по координатам, число которых конечно и равно размерности n. Согласно правилу дифференцирования сложных функ ций, можно записать n Q(u) = (3.3) Q(u) u.

l u l = Рассмотрим расчет u / l в пространстве двух переменных (рис. 3.2).

du Из прямоугольного треугольника АВС можно записать = cos (u1l), dl du = cos(u2l), dl = (du1)2 + (du2)2. Таким образом, величины u / dl есть не что иное, как направляющие dl косинусы выбранного направления l по отношению к осям координат. Следовательно, (3.3) можно пе реписать следующим образом n Q (u) Q (u) = cos (uil). (3.4) l u = Если теперь рассмотреть поверхность равного уровня, которая имеет (n – 1) независимых перемен ных, то в каждой точке этой поверхности, называемой гиперповерхностью, можно провести (n – 1) вза имно перпендикулярных касательных в соответствии с числом измерений этой поверхности. Кроме то го, в этой же точке можно провести ось, перпендикулярную всем касательным и, следовательно, на правленную по нормали к поверхности. Подобное построение для случая (n = 3) изображено на рис. 3.3.

u B l du A C du u Рис. 3.2 К определению направляющих косинусов u3 l Q(u1, u2, u3) = u u Рис. 3.3 Система координат, связанная с произвольной точкой поверхности постоянного уровня Касательные и нормаль могут рассматриваться как система координат с началом в выбранной точке поверхности. Данная система координат обладает тем важным свойством, что частные производные от функции Q (u) по направлениям осей равны нулю, так как вдоль этих направлений функция Q (u) со храняет постоянное значение. В соответствии со сказанным производная по произвольному направле нию l запишется как Q(u) Q(u) = cos(ul), (3.5) l u что следует из (3.4), где производные по всем осям, за исключением нормали, оказываются равными нулю.

Максимальное значение cos по абсолютной величине не превышает единицы, аргумент при этом равен нулю, следовательно, направление, по которому производная Q / l имеет максимальное значе ние, совпадает с направлением нормали к поверхности постоянного уровня функции Q (u). Если теперь Q по направлению нормали отложить вектор длиной равной, то полученный вектор называется гра u диентом скалярной функции Q (u) в точке u и обозначается Q (u) (читается "набла ку") или ( gradQ(u) ).

Q(u) Формулу (3.5) можно записать как = l = l Q (u), где l Q (u) – проекция градиента функции Q (u) по направлению l. Отсюда следует, что про екции вектора градиента на оси координат равны производным функции Q (u) по соответствующим пе Q Q Q ременным, т.е. Q (u) =,,...,.

u1 u2 un Основным свойствам градиента целевой функции является то, что вектор градиента по направлению совпадает с направлением наискорейшего возрастания этой функции. Именно это свойство обусло вило применение градиентных методов при решении задач нелинейного программирования.

3.3 МЕТОДЫ ОДНОМЕРНОЙ ОПТИМИЗАЦИИ Задача поиска экстремума функции одной переменной возникает при оптимизации целевой функции, зависящей от одной скалярной переменной. Такие задачи входят составной частью во многие итера ционные методы решения задач многомерной оптимизации.

Например, численные методы поиска экстремума имеют особенность в том, что их применение не позволяет определить точное значение координат, при котором достигается экстремум функции. В этом случае определяют интервал неопределенности, в котором локализуется экстремум функции.

Величина этого интервала –, определяется исходя из требований точности результата решения при постановке задачи (быстродействие, точность и пр.). Таким образом, численное решение задачи по иска экстремума функции сводится к уменьшению интервала неопределенности от исходного до.

3.3.1 Метод прямого сканирования Задача заключается в локализации экстремума функции одной переменной, заданной на интервале [a, b] с точностью до. При решении этой задачи весь интервал разбивается на участки величиной. В узлах разбиения вычисляются значения функции Q и из них выбирается экстремальное. Этот метод тре бует больших затрат времени (зависящего от значения ), но главное его преимущество – это определе ние глобального экстремума. Блок-схема алгоритма поиска Q (x) представлена на рис. 3.4, б.

Q а) a b u б) Начало ввод a, b, x = a вычисление Q(x) x = x + да x = a нет да Q < Qmin Qmin = Q;

xmin = x нет да x < b нет вывод xmin, Qmin Останов Рис. 3.4 Локализация экстремума методом сканирования:

а – геометрическая интерпретация;

б – блок-схема алгоритма 3.3.2 Метод половинного деления Естественным и наиболее распространенным на практике методом поиска экстремума функции од ной переменной является метод последовательного деления отрезка пополам. Этот метод был извес тен еще в древней Греции как метод дихотомии.

Пусть требуется определить экстремум унимодальной функции Q (u) на отрезке [a, b] с точностью. Отрезок [a, b] делится пополам и вычисляются значения функ a + b ции Q (x1) = F1 и Q (x2) = F2 в точках x1,2 = ±.

2 На основе анализа значений F1 и F2 вдвое уменьшается интервал неопределенности и процесс по вторяется пока b – a >. Блок-схема этого метода приведена на рис. 3.5, б.

3.3.3 Метод "золотого сечения" Гораздо эффективнее, с точки зрения уменьшения затрат на вычисления, метод "золотого сечения":

интервал неопределенности делится не пополам, как в методе дихотомии, а в определенном иррацио ac cb нальном соотношении = =.

cb ab 1+ Это соотношение выполняется при = = 1,618033989...

Метод заключается в том, что по заданным a и b как можно точнее определяется значение внутрен ней точки x1 (см. рис. 3.6, б) по формуле x1 = b – (b – a) / 1,618033989… (3.6) Точка x2 определяется как точка, симметричная точке x1 на отрезке (a – b).

На основе анализа значений F1 = Q (x1) и F2 = Q (x2) интервал неопределенности сокращается пу тем отбрасывания из рассмотрения отрезка в котором экстремум исключен, исходя из условий унимо дальности Q (u). Далее мы определим симметричную точку внутри новых границ, вычисляем значение Q в этой точке, проводим анализ и т.д. до тех пор, пока разность между симметричными точками внут ри интервала неопределенности больше. Блок-схема алгоритма метода "золотого сечения" представ лена на рис. 3.7.

Q F F x1 x a a+b b u а) Начало ввод a, b, a + b a + b b = x2 x1 = - ;

x2 = + ;

a = x 2 2 2 Qmin = F1 Qmin = F F1 = Q(x1);

F2 = Q(x2) xmin = x1 xmin = x да a – b < нет вывод xmin, Qmin Останов да F1 < F2 нет б) Рис. 3.5 Метод деления отрезка пополам:

а – геометрическая интерпретация;

б – блок-схема a c b а) F F x1 x a b б) Рис. 3.6 Метод "золотого сечения":

а – золотое сечение;

б – геометрическое представление Начало ввод a, b, x2 = a + (b - a) / 1,618033989;

x1 = b - (x2 - a);

F1 = Q(x1);

F2 = Q(x2) да нет F1 F да да нет нет x2-x1 x2-x min = x2,F2 min = x1,F a = x1;

x1 = x2;

b = x2;

x2 = x1;

x2 = b - (x1 – a);

x1 = a + (b – x2);

Вывод min F1 = F2;

F2 = Q(x2) F2 = F1;

F1 = Q(x1) Конец Рис. 3.7 Блок-схема метода "золотого сечения" 3.3.4 Метод Фибоначчи Метод, использующий числа Фибоначчи, позволяет наиболее эффективно достичь заданной точно сти в поиске экстремума функции Q (u). Числа Фибоначчи определяются соотношением F0 = F1 = 1;

Fk = Fk–1 + Fk–2;

k = 2, 3, … При большом "k" отношение соседних чисел Фибоначчи близко к отношению "золотого сечения".

Этот метод делит интервал неопределенности не в постоянном соотношении, а в переменном и предполагает некоторое, вполне определенное, зависящее от, число вычислений значений функции Q (u).

Начало ввод a, b, Определение n и F(n), соответствующее заданному да нет n = F(n) b - a x1 = a + (b - a);

min = ;

Q(min) F(n + 2) F(n +1) x2 = a + (b - a);

Вывод min F(n + 2) F1 = Q(x1);

F2 = Q(x2) Конец да нет n = да да F1 F2 нет F1 F2 нет min = x1 min = x2 b = x1;

x2 = x1;

a = x1;

x1 = x2;

n = n – 1;

n = n – 1;

F(n) F(n +1) x1 = a + (b - a);

x2 = a + (b - a) Вывод min F(n + 2) F(n + 2) F1 = Q(x1) F2 = Q(x2) Конец Рис. 3.8 Блок-схема метода Фибоначчи По заданному определяется количество вычислений n и соответствующее ему число Фибоначчи Fn, исходя из соотношения b - a =.

2Fn+ В остальном схема метода близка к методу "золотого сечения" в котором значение x1 и x2 (см. рис.

3.8) определяются отношением соответствующих чисел Фибоначчи.

3.4 МЕТОДЫ МНОГОМЕРНОЙ ОПТИМИЗАЦИИ В настоящее время разработано огромное число методов многомерной оптимизации, охватываю щие почти все возможные случаи. Здесь рассматривается лишь несколько основных, считающихся классическими, методов поиска экстремума функции многих переменных.

Смысл всех методов нахождения безусловного экстремума функции нескольких переменных заклю чается в том, что по определенному правилу выбирается последовательность значений {u} вектора u та кая, что Q (ul+1) () Q (ul). Так как целевая функция предполагается ограниченной, то такая последова тельность ее значений стремится к пределу.

В зависимости от принятого алгоритма и выбора начальной точки этим пределом может быть локальный или глобальный экстремум функции Q (u).

3.4.1 Метод Гаусса-Зайделя Метод заключается в последовательном определении экстремума функции одной переменной с точностью до вдоль каждой координаты, т.е. фиксируются все координаты, кроме одной, по которой и осуществляется поиск экстремума Q. Потом та же процедура осуществляется при фиксации следующей координаты.

После рассмотрения всех n координат выполняется возврат к первой и вновь производится поиск локального экстремума вдоль каждой из n координат до тех пор, пока экстремум не будет локализован с заданной точностью (см. рис. 3.9).

3.4.2 Метод градиента В этом методе используется градиент целевой функции, шаги совершаются по направлению наибы стрейшего уменьшения целевой функции, что, естественно, ускоряет процесс поиска оптимума.

u u Рис. 3.9 Характер движения к оптимуму в методе Гаусса-Зейделя Идея метода заключается в том, что находятся значения частных производных по всем независи мым переменным – Q / u, = 1, n, которые определяют направление градиента в рассматриваемой Q Q Q точке Q = 1 + 2 +... + n, и осуществляется шаг в направлении обратном направлению градиен u1 u2 un та, т.е. в направлении наибыстрейшего убывания целевой функции (если ищется минимум). Итерацион ный процесс имеет вид uk +1 = uk - kQ(uk), (3.7) где параметр k 0 задает длину шага.

Алгоритм метода градиента при непосредственном его применении включает в себя следующие этапы.

0 0 1 Задается начальное значение вектора независимых переменных (u1, u2,..., un), определяющего точку, из которой начинается движение к минимуму.

0 0 2 Рассчитывается значение целевой функции в начальной точке Q0(u1, u2,..., un).

3 Определяется направление градиента в начальной точке (рис. 3.10).

u • u u u u Рис. 3.10 Характер движения к оптимуму в методе градиента 4 Делается шаг в направлении антиградиента при поиске минимума, в результате чего попадают в точку u1.

5 Процесс поиска продолжается, повторяя все этапы с п. 2, т.е. вычисляется Q1(u1, u1,..., u1), опре 2 деляется направление градиента в точке u1, делается шаг и т.д.

Важной задачей в этом методе является выбор шага. Если размер шага слишком мал, то движение к оптимуму будет долгим из-за необходимости расчета целевой функции и ее частных производных в очень многих точках. Если же шаг будет выбран слишком большим, то в районе оптимума может воз никнуть "рыскание", которое либо затухает слишком медленно, либо совсем не затухает. На практике сначала шаг выбирается произвольно. Если окажется, что направление градиента в точке u1 существен но отличается от направления в точке u2, то шаг уменьшают, если отличие векторов по направлению мало, то шаг увеличивают. Изменение направления градиента можно определять по углу поворота гра диента рассчитываемого на каждом шаге по соответствующим выражениям.

Итерационный процесс поиска обычно прекращается, если вы- полняются неравенства uk -uk -1, Q(uk)- Q(uk -1) / Q(uk -1), Q(uk )/ u, где,, – заданные числа.

Недостатком градиентного метода является то, что при его использовании можно обнаружить толь ко локальный минимум целевой функции. Для нахождения других локальных минимумов поиск необ ходимо производить из других начальных точек.

3.4.3 Метод наискорейшего спуска При применении метода градиента на каждом шаге вычисляются значения всех частных производ ных оптимизируемой функции Q по всем независимым переменным U, что при большом числе этих переменных приводит к весьма большому времени поиска оптимума. Сократить время поиска позво ляет метод наискорейшего спуска, блок-схема которого отображена на рис. 3.4, где – точность вы числения, H – величина шага, n – размерность вектора u, Q – алгоритм вычисления целевой функции Q (u), L – количество шагов по конкретному направлению градиента функции Q.

Q Таким образом, в начальной точке u0 определяется градиент целевой функции и, следовательно, на ui правление ее наибыстрейшего убывания;

далее делается шаг спуска в этом направлении. Если значение це левой функции уменьшились, то делается следующий шаг в этом же самом направлении. Процедура повто ряется до тех пор, пока в этом направлении не будет найден минимум, после чего только вычисляется гради ент и определяется новое направление наибыстрейшего убывания целевой функции.

По сравнению с методом градиента метод наискорейшего спуска оказывается более выгодным из-за сокращения объема вычислений. Чем менее резко изменяется направление градиента целевой функции, тем выгоднее использовать метод наискорейшего спуска, т.е. вдали от оптимума. Вблизи оптимума рас сматриваемый метод автоматически переходит в метод градиента. Окончание поиска происходит в со ответствии с теми же критериями, что и в методе градиента.

3.4.4 Метод квантования симплексов Симплексный метод относится к группе безградиентных методов детерминированного поиска. Ос новная идея метода заключается в том, что по известным значениям функции в вершинах выпуклого мно гогранника, называемого симплексом, находится направление, в котором требуется сделать следующий шаг, чтобы получить наибольшее уменьшение (увеличение) критерия оптимальности. Примером сим плекса на плоскости является треугольник, в трехмерном пространстве – четырехгранная пирамида, в n мерном пространстве – многогранник с n + 1 вершиной. Основным свойством симплекса является то, что против любой из вершин симплекса расположена только одна грань, на которой можно построить новый симплекс, отличающийся от прежнего расположением новой вершины, остальные вершины обоих сим плексов – совпадают.

Начало задание u0, H,, n, Q вычисление Q вычисление Q/ui L = L = L + u1 = u0 – HQ/u Q0 = Q1;

u0 = u Q1 = Q(u1) да Q0

1 Определяются значения целевой функции в трех точках S10, S20, S30, соответствующих вершинам симплекса. Из найденных значений выбирается наибольшее. В рас сматриваемом примере – это S10 (рис. 3.12).

2 Строится новый симплекс, для этого вершина S10 исходного симплекса заменяется вершиной S11, расположенной симметрично вершине S10 относительно центра грани, расположенной против вершины S10. Построение нового симплекса S20 S30 S11 осуществляется определением центра А стороны S20 S30 тре угольника S10 S20 S30, после чего проводится прямая S10A, на продолжении которой откладывается отре зок АS11 равный S10А.

3 Вычисляется значение целевой функции в вершине S11, которое сравнивается с известными зна чениями в вершинах S20 и S30. В результате определяется вершина S30 с наибольшем значением целевой функции, подлежащая исключению при построении следующего симплекса S11 S20 S31, и т.д.

S31 S S S S11 S А S10 S Рис. 3.12 Поиск оптимума симплексным методом Исключение из рассмотренных вершин симплексов с наибольшим значением целевой функции приводит к сходимости процесса к минимальному значению.

При использовании симплексного метода возможно зацикливание вблизи оптимума, которое приводит к тому, что при исключении вершины образуется не новый, а предыдущий симплекс. Для устранения за цикливания достаточно изменить размеры симплекса в сторону его уменьшения, т.е. уменьшить шаг спуска в районе оптимума. Если зацикливание возникает вновь, то размеры симплекса уменьшаются до тех пор, пока не будет достигнута требуемая точность определения оптимума.

Критерием окончания поиска могут служить размеры симплекса. Поиск можно прекратить, если все ребра симплекса станут меньше заданной достаточно малой величины.

3.4.5 Поиск при наличии "оврагов" целевой функции Если целевая функция имеет "овраги", то рассмотренные методы поиска экстремума этой функции малоэффективны, так как будет найдено дно "оврага", и далее применяемые методы застрянут на этом дне. Поэтому для решения оптимальных задач, в которых целевая функция имеет особенности типа "оврагов" разработаны специальные методы. Одним из таких методов является метод шагов по "оврагу", алгоритм которого заключается в следующем.

1 Все независимые переменные разбиваются на две группы: первая группа включает в себя пере менные, изменение которых существенно влияет на значение целевой функции, вторая группа содержит переменные, при изменении которых значение целевой функции изменяется не столь значительно.

2 Выбирается начальная точка u0, из которой производится поиск, будем считать для определен ности, минимума любым методом локального поиска. Этот поиск закончится на дне "оврага", в резуль тате чего будет найдена некоторая критическая точка u1 (рис. 3.13).

3 Из выбранной начальной точки u0 делается шаг в направлении наибольшего изменения пере менных, несущественно влияющих на значение целевой функции, При этом получается некоторое со стояние u1 (рис. 3.13).

4 Из состояния u1 производится поиск минимума, в результате которого определяется еще одна критическая точка u2, расположенная на дне "оврага" (рис. 3.13).

u u u u Форма "дна оврага" u u u u Рис. 3.13 Метод "оврагов" 5 Две найденные критические точки u1 и u2 соединяются прямой и выполняется "шаг по оврагу" в направлении убывания целевой функции. Это дает новое исходное состояние u1.

6 Из состояния u1 производится спуск на "дно оврага" и находится критическая точка u3. Далее определяется состояние u1 и т.д. (рис. 3.13).

Процесс поиска продолжается до тех пор, пока значение целевой функции во вновь найденной кри тической точке uk+1 Q (uk+1) не окажется больше, чем в предыдущей точке uk – Q (uk). Минимум в этом случае находится между точками uk–1 и uk+1. Далее процесс поиска можно повторить, но уже с меньши ми "шагами по оврагу", пока не будет достигнута требуемая точность.

В результате поиска могут возникнуть различные ситуации. Например, когда все переменные при мерно одинаково влияют на значение оптимизируемой функции, но, тем не менее, "овраг" существует. В этом случае для поиска состояния u1 можно сделать любой шаг из начального состояния u0, далее поиск продолжается по описанному выше алгоритму.

3.5 ПОИСК УСЛОВНОГО ЭКСТРЕМУМА При рассмотрении реальных задач оптимизации на переменные состояния накладываются условия типа равенств или неравенств, которые задают область изменения независимых переменных.

Задача нелинейного программирования в этом случае формулируется следующим образом: требу ется найти оптимум (минимум) функции Q(u1,..., un) при u U и условия, что (u1,..., un ) 0, = 1, k.

Число условий типа неравенств может быть любым, т.е. меньше или больше числа независимых пе ременных. Если при решении такой задачи экстремум целевой функции будет находится внутри допус тимой области изменения независимых переменных u, = 1, n, ограниченной неравенствами (u1,..., un ) > 0, то в некоторых случаях эту задачу можно решить рассмотренными выше методами по иска без учета ограничений. Вести поиск подобным образом при наличии условий типа равенств обыч но невозможно. Если же экстремум целевой функции будет расположен на границе допустимой облас ти, то для его отыскания применяют специальные методы.

3.5.1 Метод проектирования вектора-градиента При решении задач поиска максимума функции Q (u1,..., un) с ограничениями типа неравенств вида (u1,..., un ) > 0, = 1, k часто используется метод проектирования вектора-градиента.

Согласно этому методу движение к оптимуму происходит вдоль границы допустимой области. Сте k (u), при (u) > пень нарушения ограничений определяется функцией H (u) = (u), где =, т.е.

= 0, при внутри допустимой области U функция H (u) тождественно равна нулю. При таком подходе к решению задачи положение точки при выполнении очередного шага должны оставаться за пределами области U, где градиент функции H (u) отличен от нуля. Если в результате выполнения очередного шага произой дет слишком большое нарушение ограничений, то коррекция этого нарушения должна осуществляться до того положения, пока функция H (u) еще отлична от нуля.

Движение вдоль границы ограничений будет продолжаться до тех пор, пока не будет выполняться условие (Q, ) < 0, т.е. пока искомый оптимум находится за пределами касательной плоскости, про веденной через рассматриваемую точку, расположенную на границе. Иллюстрация метода представлена на рис. 3.14.

Если условие (Q, ) < 0 оказывается нарушенным, то происходит "отрыв" от границы области U и дальнейший подъем будет происходить уже без влияния ограничений (рис. 3.14, точка u3).

–Q(u3) –(u2) u –(u2) –Q(u3) u –(u1) –Q(u1) u u Рис. 3.14 Поиск оптимума методом проектирования вектора-градиента при наличии ограничений типа неравенств 3.5.2 Метод ажурной строчки Этот метод заключается в зигзагообразном движении вдоль границы. Идея этого метода при ис пользовании его в задачах с ограничениями типа неравенств, а также равенств заключается в следую щем.

Без учета ограничений ищется оптимум любым методом спуска до тех пор пока некоторые нера венства не будут нарушены. Как только произойдет нарушение одного или нескольких ограничений спуск прекращается и осуществляется возврат в допустимую область изменения переменных ui по на правлению антиградиентов к тем гиперповерхностям, ограничения которых оказались нарушенными.

Таким образом, выбирая в качестве поискового метода метод градиента, движемся до границы и попадаем в запрещенную точку. Далее забываем о целевой функции и движемся вдоль границы (рис. 3.15).

= Вычисляется градиент функции (u) и осуществляется возврат в до = пустимую область. Следующий шаг делается опять по градиенту целевой функции Q (u) и т.д.

Рис. 3.15 Поиск оптимума методом ажурной строчки Сложность метода заключается в выборе алгоритма уменьшения ша га и правила остановки. Это зависит от опыта и способностей программиста и определяется его творче ством.

3.6 ГЛОБАЛЬНЫЙ ЭКСТРЕМУМ Исследуемая функция может иметь несколько экстремумов. Если для всех значений независимых переменных выполняется условие Q (uопт) Q (u), u U, то экстремум в точке uопт называется глобаль ным, другие экстремумы называются локальными.

Поскольку заранее число экстремумов функции Q (u) неизвестно, то для нахождения глобального экстремума необходимо, вообще говоря, найти и проверить все без исключения локальные экстремумы, имеющиеся у целевой функции решаемой задачи. С этой целью осуществляется поиск из различных на чальных точек, для чего область изменения независимых переменных ui покрывается сеткой и началь ная точка ui0 выбирается из областей, полученных в результате проведенного сканирования.

Также для поиска глобального экстремума используют случайный поиск, в частности, методы Мон те-Карло. Здесь экстремум находится с какой-то вероятностью.

В заключение следует отметить, что большое разнообразие методов нелинейного программирова ния свидетельствует, прежде всего, о сложности проблемы поиска и трудностях в оценке эффективно сти использования того или иного метода при решении конкретной задачи. Следует сопоставлять прак тическую эффективность вычислительных возможностей разных методов.

Методы нелинейного программирования служат не только для решения специфических задач, но яв ляются также необходимым средством, к которому обращаются при решении оптимальных задач, а также задач вычислительной математики.

По мере развития математического моделирования роль этих методов будет несомненно вырастать, что приведет к более глубокой разработке существующих и созданию новых алгоритмов поиска экс тремума в задачах нелинейного программирования.

3.7 ПРИМЕРЫ РЕШЕНИЯ ЗАДАЧ НЕЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ П р и м е р 3. 2 Найти максимум функции Q(u1, u2) = -2u1 + 2u1, u2- u2 при условии 1(u1, u2) = -2u1 + 5u2 - 30 0, 2(u1, u2) = 4u1 + 5u2 - 60 0, 3(u1, u2) = 4u1 - 5u2 - 20 0, 4(u1, u2) = -u1 0, 5(u1, u2) = -u2 методом наискорейшего спуска.

В качестве начального приближения выбирается точка u0(1, 0), для которой условия принимают следую щие значения 1 (u0) = –32, 2 (u0) = –56, 3 (u0) = –16, 4 (u0) = –1, 5 (u0) = 0, т.е. выполняются.

Для нахождения направления спуска u1= (u1, u2) необходимо найти частные производные функ ции Q (u1, u2) в точке u0:

Q(u1, u2) Q(u1, u2) = -4u1 + 2u2, u0 = -4;

u1 u Q(u1, u2) Q(u1, u2) = +2u1 - 2u2, u0 = 2, u2 u и решить следующую задачу линейного программирования.

Q Q Найти минимум функции F = U1 + U2 для нашего u1 u случая F = –4u1 + 2u2 при условиях –u2 0 (так как 5 (u0) = 0), u1 1, u2 1.

Решение этой задачи дает, что u1 = 1, u2 = 0, minF = –4.

Новое приближение u1 определяется как u1 = u0 + tu1, где min F t – величина шага, определяемая из соотношения t = min(t', t"), где t =, t" – наименьшее поло 2[Bu1, u] t'>0, t"> жительное число среди отношений (u0), =1, 2, 3, 4, 5.

n ui aj i= В – матрица, состоящая из коэффициентов функции Q (u1, u2): b11 = –2, b12 = 1, b21 = 1, b22 = –1;

aj – коэффициент функций ().

Таким образом, имеем, что 2(u0) 56 3(u0)= 4 = 4, t = –1 < 0, t = min = ;

2 u u a2 j a3 j j j j =1 j = отсюда t = 4.

Координаты точки u2: u1 = 1+ 4 = 5, u1 = 0. Значения условий для этой точ ки:1(u1)= -40, 2(u1)= -40, 3(u1)= 0, 4(u1)= -5, 5(u1)= 0.

Для нахождения очередного направления спуска u2 = (u1, u2) необходимо решить следующую зада чу линейного программирования: найти минимум функции F = –20 u1 + 10u2 при условиях 4u1 – 5u 0, –u2 0, u1 1, u2 1.

4 Решение этой задачи дает u1 = 1, u2 = -, при этом min F = -.

5 Величина шага t: t = - < 0, t = min(20;

5) = 5, следовательно новое приближение u2 = u1 + t u2, или 2 u1 = 10, u2 = 4.

Значение условий для точки u2:

1(u2)= -30, 2(u2)= 0, 3(u2)= 0, 4(u2)= -10, 5(u2)= -4.

Для определения следующего направления решается задача линейного программирования: найти минимум F = –32u1 + 12u2 при условиях 4u1 + 5u2 0, 4u1 – 5u2 0, u1 1, u2 1.

Решением этой задачи будет u1 = 0, u2 = 0, min F = 0. Следовательно u2 = (10,4) является оптималь ным решением min Q (u1, u2) = –136.

П р и м е р 3. 2 Найти максимальное значение функции Q(u1, u2) = -u1 - u2 при услови ях: (u1-7)2+(u2-7)2 18, u1 0, u2 0 методом штрафных функций.

На рис. 3.16 представлена область допустимых решений и линии уровня, определяемые целевой функцией Q (u1, u2). Этими линиями являются окружность с центром в точке (0, 0). Точка касания одной из этих окружностей с областью допустимых решений и является точкой максимального движения це левой функции.

Используя штрафную функцию, последовательно переходят от одной точки к другой до тех пор, пока не получат приемлемое решение.

При этом координаты последующей точки находят по формуле (uk)+ di g(uk).

0;

Q uk +1 = max uk + j j u x j j = 2 Положим u0 = (6,7), = 0,1, g(u1,u2) = 18 -(u1-7) -(u2-7) и определим частные производные от целе вой и штрафной функций Q g Q g = -2u1, = -2u1 +14;

= -2u2, = -2u2 +14.

u1 u1 u2 u u u E u u u u u 0 u 1 3 5 7 9 Рис. 3.16 Допускаемая область и линии уровня целевой функции I итерация. Так как точка u0 = (6,7) принадлежит области допустимых решений задачи, то второе слагаемое в квадратных скобках формулы для определения последующей точки равно нулю. Следова тельно координаты точки u1 вычисляются по формулам:

Q(u0) = max{0;

6 + 0,1(- 2)6}= 4,8;

1 u1 = max u1 + 0;

u Q(u0) = max{0;

7 + 0,1(- 2)7 }= 5,6.

u1 = max u2 + 0;

u Для определения принадлежности этой точки области допустимых решений задачи необходимо найти g(u1) = 11,2, так как g(u1) > 0, то u1 принадлежит области допустимых решений. В этой точке Q (u1) = –54,4.

II итерация. Находим:

u1 = max{0;

4,8 + 0,1(- 2)4,8}= 3,84;

u2 = max{0;

5,6 + 0,1(- 2)5,6}= 4,48;

g(u2)= 1,664 > 0;

Q(u2)= -34,816.

III итерация. Находим:

u1 = max{0;

3,84 + 0,1(- 2)3,84}= 3,072;

u2 = max{0;

4,48 + 0,1(- 2)4,48}= 3,584;

g(u3) -9,096.

IV итерация. Найденная точка u3 не принадлежит области допустимых решений задачи. Следова тельно Q (u3)+ g(u3) = max{0;

2,4576 + 0,7856 };

4 u1 = max 0;

u1 + u1 u Q (u3)+ g(u3) = max{0;

2,8672 + 0,6832 }.

4 u2 = max 0;

u2 + u2 u Здесь возникает вопрос о выборе числа. Наиболее целесообразно взять его так, чтобы точка u4 не слишком далеко удалялась от границы области допустимых решений и вместе с тем принадлежала этой области. Этим требованием удовлетворяет = 1,9 и следовательно:

u1 = max{0;

2,4576 +1,90,7856} 3,95;

u2 = max{0;

2,8672 + 1,90,6832} 4,165;

g(u4) 0,66 > 0;

Q(u4) -32,95.

V итерация. Находим u1 = max{0;

3,95 + 0,1(- 2)3,953}= 3,16;

u2 = max{0;

4,165 + 0,1(- 2)4,165}= 3,33;

g(u5) -10,2 < 0.

VI итерация. Находим u1 = max{0;

3,16 + 0,1[(- 2) 3,16 +1,9 ((- 2) 3,16 +14)]} 3,987;

u2 = max{0;

3,33 + 0,1[(- 2) 3,33 +1,9 ((- 2) 3,33 +14)]} 4,06;

g(u6) 0,272 > 0;

Q(u6) -32,37.

VII итерация.

7 u1 3,189;

u2 3,247;

g(u7) -10,61 < 0.

VIII итерация.

8 u1 3,999;

u2 4,024;

g(u8) 0,137 > 0;

Q(u8) -32,185.

IX итерация.

9 u1 = 3,201;

u2 = 3,219;

g(u9) -10,728 < 0.

Х итерация.

u1 = 4,004;

u10 = 4,012;

g(u10)= 0,096 > 0;

Q(u10)= -32,128.

XI итерация.

u1 = 3,203;

u11 = 3,21;

g(u11)= -10,781 < 0.

XII итерация.

u1 = 4,005;

u12 4,008;

g(u12)= 0,079;

Q(u12)= -32,104.

Сравнивая значения целевой функции, найденные в точках, полученных после Х и ХII итераций, видно, что они с точностью до 0,1 совпадают. Это говорит о близости точки, найденной на последней итерации, к точке максимального значения целевой функции. Эта точка u12 находится вблизи границы области допустимых решений и ее можно считать приемлемым решением задачи. При необходимости можно уточнить дальнейшими шагами найденное решение.

4 ЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ Линейное программирование является составной частью задач математического программирования, в которых критерий оптимальности задается в виде линейной функции от входящих в него перемен ных, кроме того, на эти переменные накладываются некоторые ограничения в форме линейных ра венств и неравенств.

4.1 КРАТКИЙ ИСТОРИЧЕСКИЙ ОЧЕРК Математические исследования отдельных экономических проблем, математическая формализация статистического материала проводилась еще в XIX веке. Так, при математическом анализе процесса расширенного воспроизводства использовались преимущественно алгебраические соотношения. По требности планируемой управляемой экономики, характерной для ХХ века, привели к необходимости располагать конкретными экономическими показателями и характеристиками. Это привело к созданию системы межотраслевого баланса, послужившего толчком в разработке и исследовании математических моделей экономических систем и ситуаций.

В 1936 году появилась первая публикация американского экономиста и статистика В.В. Леонтьева о межотраслевой модели производства и распределении продукции США, которая вошла в литературу под названием метода анализа экономики "затраты – выпуск".

В 1938 году русский математик Л.В. Канторович, изучая практическую задачу выбора наилучшей производственной программы загрузки лущильных станков, отметил, что эта задача на максимум при ограничениях в виде линейных неравенств весьма своеобразна и не поддается решению известными средствами классического анализа. Эта задача не является случайной, как стало ясно, а является типич ным представителем нового, не исследованного класса задач, к которым приводят различные вопросы нахождения наилучшего производственного плана. В 1939 году появилась работа Л.В. Канторовича "Математические методы организации и планирования производства", открывшая новый этап в разви тии экономико-математических методов – методов линейного программирования, которые долгое вре мя почти не разрабатывались и в практику не внедрялись.

Термин "линейное программирование" появился впервые только в 1951 году в работах Дж. Б. Дан цига и Т. Купманса (США). В эти же годы Дж. Б. Дансингом разработан эффективный метод решения задач линейного программирования – симплекс метод.

Наиболее эффективно линейное программирование развивалось в СССР и США в 1955 – 65 годах, именно в этот период оно было одним из наиболее "модных" разделов прикладной математики. В на стоящее время линейное программирование стало важным инструментом современной теоретиче ской и прикладной математики.

4.2 ТИПИЧНЫЕ ЗАДАЧИ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ Задача об оптимальном выпуске продукции Эта задача возникает при составлении планов выпуска продукции предприятием и поэтому имеет важное практическое значение.

Предприятие выпускает n наименований продукции. Затраты -го вида ресурсов ( = 1, m ) на произ водство единицы продукции j-го вида ( j = 1, n) составляют аj ;

полный объем имеющихся ресурсов – b ( = 1, m );

прибыль, получаемая предприятием при изготовлении и реализации единицы -го вида про дукта – с ;

а и А – задаваемая нижняя и верхняя границы по объему выпуска -го вида продукции.

Требуется составить такой план выпуска продукции, который был бы технологически осуществлен по имеющимся ресурсам всех видов, удовлетворял бы задаваемым ограничениям на выпуски каждо го вида продукции и в то же время приносил бы наибольшую прибыль предприятию.

Таким образом, задача математически заключается в следующем: найти такой план выпуска про n дукции U = (u1,..., un), чтобы выполнялись технологические ограничения u bi, = 1, m, и ограниче aij j j= ния на объемы отдельных видов выпускаемой продукции aj uj Aj, j = 1, n и при этом достигалась бы n максимальная общая прибыль от производства и реализации продукции – max ui.

ci j= Задача оптимизации межотраслевых потоков Каждая из n отраслей хозяйства производит только свой один специфический вид продукции, ис пользуемый в дальнейшем в производстве во всех n отраслях (в частности, в нулевом количестве). Если yi – объем производства в -й отрасли, u – объем продукта -го вида для внепроизводственного потреб ления, аj – коэффициенты прямых затрат продукции j-го вида на производство в -й отрасли единицы продукции -го вида, N – максимально возможный объем производства в -й отрасли, d – требуемое для внепроизведенного потребления количество продукции -го вида, С – стоимость единицы продукции го вида, то задача ставится следующим образом.

Требуется найти такие объемы производства y и такой план выпуска конечной продукции u ( = 1, n), при котором максимизируется общая стоимость произведенного конечного продукта – n max u при выполнении ограничений на объем производства 0 y N, = 1, n;

на выпуск конечного C = n продукта u d, = 1, n;

технологических ограничений на выпуск продукции y x + u, = 1, n.

aj j j = Транспортная задача Подобная задача возникает в своем простейшем варианте, когда речь идет о рациональной перевозке некоторого однородного продукта от производителей к потребителю. Поэтому здесь естественно возникает задача о наиболее рациональном прикреплении транспорта, правильном направлении пе ревозок груза, при котором полностью удовлетворяются потребности при минимальных затратах на транспортировку. Итак, задача формулируется следующим образом.

Имеется m пунктов производства с объемами производства в единицу времени а, = 1, m и n пунк тов потребления b, = 1, n, естественно, что потребление не должно превышать возможностей произ m n водства, затраты на перевозку единицы продукции из -го пункта производства в j-й пункт a b =1 = потребления составляют Сj, а количество перевезенного продукта uj.

Требуется составить такой план перевозок, при котором суммарные затраты на них были бы мини m n мальны min uij при условиях, что в каждый пункт потребления завозится требуемое количество Cij i=1 j= m продукта bj, j = 1, n, из каждого пункта производства вывозится не более произведенного количе uj = n ства продукта a, = 1, m и перевозимый объем продукта не может быть отрицательным uj = uj 0, = 1, m, j = 1, n.

Задача о выборе производственной программы Эта задача была одной из первых практических задач линейного программирования, решенная в 1939 году известным русским математиком Л.В. Канторовичем.

На m предприятиях нужно произвести n продуктов в заданном ассортименте l1, l2,..., ln. Если uij, = 1, m, j = 1, n – рабочее время -го предприятия, отводимое под j-й продукт, аij – производительность го предприятия в единицу времени по выпуску j-го продукта, то задача о выборе производственной про граммы для случая, когда продукция дефицитна, производственные мощности ограничены и должны использоваться максимально полно, ставится следующим образом.

Требуется составить программу работы предприятий – указать время uj, отведенное на производст во каждого вида продукции на данном предприятии таким образом, чтобы получить максимальный суммарный объем продукции в заданном ассортименте в единицу времени, т.е. необходимо найти uj из условий, что время не может быть отрицательным uj > 0, сумма всех временных долей не превосходит пол n ного времени работы предприятия 1, количество ассортиментных наборов продуктов максимально uj j = m y j, max Z = max,min где yj = uj – aj l j = количество j-го продукта, произведенного на всех предприятиях.

Рассмотренные типы задач, решаемые методом линейного программирования, относятся к классу экономических задач. Этим методом решаются также задачи и других классов, например, о выборе дие ты или определении лучшего состава смеси, о рациональном использовании посевных площадей, о ра циональном использовании трудовых ресурсов. Линейное программирование используется в различных расчетах химической технологии и т.д.

Несмотря на различное содержание задач, их физическую суть, математические постановки этих за дач имеют много общего. В каждой из них требуется максимизировать или минимизировать некото рую линейную функцию нескольких переменных, ограничения, положенные на совокупность этих переменных являются либо линейными уравнениями, либо линейными неравенствами. Поэтому ни же рассматривается только математическая постановка задачи линейного программирования и мето ды ее решения.

4.3 ПОСТАНОВКА ЗАДАЧИ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ Общая задача линейного программирования [2] заключается в отыскании вектора (u1, u2,..., un) мак симизирующего критерий оптимальности (функцию цели задачи) Q (u) = C1u1 + C2u2 +... + Cnun (4.1) при ограничениях линейного типа в виде равенств:

a11u1 + a21u2 +... + a1nun = b1, a u1 + a22u2 +... + a2nun = b2, (4.2)...

a u1 + am2u2 +... + amnun = bm, m в виде неравенств:

am+11u1 + am+12u2 +... + am+1nun bm+1,... (4.3) ac1u1 + ac2u2 +... + acnun bc, и ограничениях на переменные состояния u1 0, u2 0, …, un 0. (4.4) Эта задача при наличии двух переменных u1 и u2 имеет наглядное геометрическое представление.

Пусть целевая функция имеет вид Q (u) = C1u1 + C2u2. На плоскости переменных u1 и u2, если придать Q (u) некоторое постоянное значение Q (u) = const, например, является не чем иным как линиями равного значения уровня. Причем, при u2 = u1 = 0 эта линия сжимается в точку (рис. 4.1), при Q0 = 0 имеем C1u1 + C2u2 = 0 и линия равного уровня Q0 Q является прямой линией, проходящей через точки, 0 и 0,.

C C u Q Q возрастает C Q0 u Q = C Рис. 4.1 Геометрическое представление целевой функции Если теперь эту линию перемещать параллельно самой себе (рис. 4.1), то величина Q0, а, следовательно, и значение целевой функции Q (u) будет изменяться. Увеличению целевой функции соответствует пе ремещение в направлении, указанном на рис. 4.1 стрелкой.

Ограничения или условия типа равенств, называемые также связью, на плоскости u1, u2 изобража ются так же, как целевая функция, прямыми линиями (рис. 4.2).

u Если связь a11u1 + a12u2 = b1, то ей "убивается" одна степень свободы, т.е.

число переменных, которыми можно варьировать, определяется разно b стью между числом переменных u, = 1, n и числом ограни a чений типа равенств (m) – = n - m (m < n). Эти переменные называются свободными переменными, а число определяет число степеней свободы.

Ограничения типа нера- венств оставляют ту же степень свободы, b1 u поэтому их может быть сколько угодно. Эти ограничения опреде a Рис. 4.2 Геометрическое представление связей типа равенства ляют только область допустимых решений.

u Неравенства a21u1 + +a22u2 b2, a31u1 + a32u2 b3 разделяют всю плос кость b (u1, u2) на две области: запрещенную и разрешенную a (рис. 4.3). Как правило, при геометрическом представлении ограниче b ний типа неравенств на плоскости наносят штриховку в сторону запре a A щенной области. На рис. 4.3 разрешенной областью является область B АВС0, эта область всегда представляет собой выпуклый многогранник.

В задачах линейного программирования принято максимизиро C вать функцию цели Q, поэтому оптимальное решение всегда лежит в b3 u 0 b2 вершине допустимого многогранника, образованного ограничения a a ми.

Рис. 4.3 Геометрическое представле- П р и м е р 4.1.

Пусть Q(u) = u1 + u2 max, при наличии ограничений на пере менные состояния 2u1 + u2 1, u1 + 2u2 1, u1 0, u2 0.

На фазовой плоскости U определяется область допустимых решений АВС0, которая ограничивается прямыми линиями 2u1 + u2 = 1, u1 + 2u2 = 1, u1 = 0, u2 = 0 (рис.

4.4).

u 2u1 + u2 = l A B C 1 u u1 + u2 = Q0 u1 + 2u2 = Рис. 4.4 Геометрическая интерпретация задачи линейного программирования Q Q Необходимое условие экстремума функции дает, что = 1, = 1, эти производные непрерывны и u1 u не обращаются в нуль, следовательно, экстремальное значение Q достигается лишь на границе области U.

Критерий оптимальности имеет постоянное значение Q0 вдоль линии l, определяемой уравнением u1 + u = Q0. Если эту линию перемещать параллельно самой себе, то величина Q0, а, следовательно, и значение критерия Q(u) будет изменяться. Увеличению критерия оптимальности соответствует перемещение линии в направлении, указанном стрелкой, ее предельное положение, когда она проходит через точку В, являющуюся вершиной многоугольника АВС0 допустимых решений, отвечает максимальному значению Q(u). Это максимальное значение определяется координатами вершины В, т.е. координатами точки пере 1 1 сечения уравнений 2u1 + u2 = 1, u1 + 2u2 = 1;

u1опт = ;

u2опт = Qmax =.

3 3 Если одна из границ допустимой области будет параллельна линии l, то в этом случае задача ли нейного программирования имеет в качестве решения бесконечный набор независимых переменных u и u2. Критерий оптимальности достигает своего максимального значения вдоль всей линии соответст вующего ограничения.

Если допустимая область решений является незамкнутой областью, то максимальное значение кри терия оптимальности обеспечивается при бесконечно больших значениях переменных u1 и u2.

4.4 КАНОНИЧЕСКАЯ ФОРМА ЗАДАЧИ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ Различные методы задач линейного программирования предъявляют определенные требования к типам ограничений. Так, некоторые из них требуют, чтобы ограничения были только типа равенств, т.е.

Q(u) = C1u1 + C2u2+... + Cnun max, при условии a11u1 + a12u2 +..., + a1nun = b1;

a21u2 + a22u2 +..., + a2nun = b2;

...

am1u1 + am2u2 +..., + amnun = bm;

u1 0, u2 0, un 0.

Задача линейного программирования в такой постановке получила название канонической формы задачи линейного программирования.

Общую задачу линейного программирования (4.1) – (4.4) можно свести к канонической форме вве дением дополнительных переменных un+, i = 1, l -m. Для этого в каждом неравенстве прибавляется до полнительная переменная, которая превращает неравенство в равенство am+11u1 + am+12 +.., + am+1n un + un+1 = bm+1,..., al1u1 + al2 u2 +..., + aln un + un+l -m = bl тогда система ограничений может быть записана в единой форме n+l -m u = b, = 1, l.

aj j j = Дополнительные переменные формально могут быть включены в критерий оптимальности исходной задачи, т.е.

n+l-m Q(u) = u, где С = 0 для > n.

C = Таким образом, общую задачу линейного программирования (4.1) – (4.4) свели к канонической форме n+ j -m Q(u) = u max (4.5) C = при ограничениях n+l -m u = b, = 1, l, u 0, j = 1, n + l - m. (4.6) aj j j j = Геометрическое представление можно осуществить только в случае двух переменных. Пусть требу ется найти максимум функции Q(u) = C1u1 + C2u2 при ограничениях a1u1 + a2u2 < b, u1 0, u2 0.

В рассмотрение вводится дополнительная переменная u3, которая неравенство u3 0 превращает в равенство a1u1 + a2u2 + u3 = b или a1u1 + a2u2 = b - u3.

Геометрическое представление получаемой области допустимых решений после введения дополни тельной переменной u3 изображено на рис. 4.5.

u b a Рис. 4.5 Геометри- u3 < ческое представле ние сведения огра u3 > ничений типа неравенств к огра b u ничениям типа ра u3 = a венств Полученная каноническая задача Q (u) = C1u1 + C2u1 max при ограничениях a1u1 + a2u2 + u3 = b, u1 0, u2 0, u3 0 является равноценной задачей по отношению к исходной.

4.5 СИМПЛЕКСНЫЙ МЕТОД РЕШЕНИЯ ЗАДАЧИ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ Основным методом решения задач линейного программирования является симплексный метод. Для его изложения необходимо ввести некоторые определения.

Переменные (u1, u2,..., un), удовлетворяющие условиям (4.2) – (4.4) общей задачи линейного про граммирования называются планом задачи линейного программирования.

n План (u1, u2,..., un) = U называется опорным, если в разложении P0= при u > 0, – линейно u = независимы.

План, максимизирующий линейный критерий оптимальности (4.1) называется оптимальным пла ном или решением задачи линейного программирования.

В теории линейного программирования строго доказывается [2], что множество всех планов задачи линейного программирования выпукло. Критерий оптимальности (4.1) достигает своего максимума в крайней точке этой выпуклой области.

Каждой крайней точке выпуклой области соответствует m линейно независимых векторов из систе мы 1, 2,..., n.

Симплексный метод позволяет, отталкиваясь от известного опорного плана задачи линейного про граммирования, за конечное число итераций получить ее решение. Так как оптимальный план связан с системой m линейно независимых векторов – базисами плана, то поиски разумно ограничить опорными n!

m планами, число которых конечно и равно числу сочетаний из n по m Cn =. Как видно, при больших m!

значениях m и n отыскать решение путем перебора всех опорных планов невозможно. Симплексный ме тод упорядочивает переход от одного опорного плана к другому таким образом, чтобы критерий опти мальности принимал значение большее или равное предыдущему. Суть алгоритма симплексного метода сводится к следующему.

1 Определяется некоторый опорный план, которому соответствует вершина области допустимых решений ( u1, u2,..., un ).

2 Найденный опорный план (вершина) проверяется на оптимальность. Пусть этот план не оптима лен.

3 Определяется следующий опорный план (вершина) лучший по отношению к предыдущему в ре зультате движения по ребру. Найденная таким образом вершина проверяется на оптимальность.

4 Процесс поиска продолжается до тех пор, пока не будет найдена оптимальная вершина, т.е. ре шение задачи линейного программирования.

Использование симплексного метода удобно рассматривать на примере решения задачи линейного программирования для случая двух переменных.

Пусть требуется изготовить два продукта из четырех видов сырья – S1, S2, S3, S4. Требуется опреде лить сколько должно быть изготовлено продукта П1 – u1, продукта П2 – u2, чтобы стоимость их (при быль) была максимальна Q(u) = 7u1 + 5u2 max, где коэффициенты 7 и 5 характеризуют стоимость изго товления единицы продукта П1 и П2 соответственно. Нормы расхода сырья на единицу соответствую щего продукта представлены в табл. 4.1.

Количество каждого вида сырья, имеющегося в запасе конечно, поэтому в соответствии с расход ными нормами (табл. 4.1) накладываются ограничения на возможность использования того или иного вида сырья.

Таблица 4. Продукт Запас сы П1 П рья Сырье S1 2 3 S2 2 1 S3 0 3 S4 3 0 Цена 7 2u1 + 3u2 19, 2u1 + u2 13, 3u2 15, 3u1 18, u1 0, u2 0.

Симплексный метод, как уже отмечалось раньше, работает с канонической формой задач линейного программирования. Для сведения исходной задачи к канонической вводятся дополнительные перемен ные u3, u4, u5, u6, позволяющие ограничения типа неравенств u1 0, u2 0, u3 0, u4 0, u5 0, u6 0 преобразовать в ограничения типа равенств 2u1 + 3u2 + u3 = 19, 2u1 + u2 + u4 = 13, 3u2 + u5 = 15, 3u1 + u6 = 18.

Таким образом имеем 6 неизвестных, 4-связи, = 6 – 4 = 2 степени свободы. В качестве свободных переменных выбираются u1 и u2. Полагая u1 = 0, u2 = 0, определяют вершину, дающую базисное реше ние. Остальные неизвестные находятся из равенств u3 = 19 - 2u1 - 3u2, u4 = 13 - 2u1 - u2, u5 = 15 - 3u2, u6 = 18 - 3u1.

Строится область допустимых решений, которая изображена на рис. 4.6, на этом же рисунке нано сится линия l, соответствующая критерию оптимальности Q.

При u1 = u2 = 0 критерий оптимальности Q = 0. Если u, – 1,2 увеличиваются, то и критерий Q уве личивается, следовательно, данная вершина оптимальной не является. Далее необходимо изменять u1, u таким образом, чтобы критерий увеличивался, т.е. двигаться по ребру, изменяя одну из переменных, а другую оставлять без изменения.

u u4 = u6 = u5 = B 0 C 2 4 6 8 10 12 u Q = u3 = Рис. 4.6 Геометрическое решение задачи линейного программирования Коэффициент в критерии оптимальности при u1 больше, чем при u2, поэтому увеличивать надо u1 до тех пор, пока не будет достигнута следующая вершина, в которой u6 = 0, а u1 = 6, u2 = 0, u3 = 7, u4 = 1, u5 = 15, Q = 42. На этом заканчивается первая итерация.

На второй итерации свободной переменной является u6, u2 = 0. Все переменные выражаются через u6 и u 1 2 u1 = 6 - u6, u3 = 7 + u6 - 3u2, u4 = 1+ u6 - u2, 3 3 u5 = 15 - 3u2, Q = 42 - u6 + 5u В качестве базиса принимается u2 = 0, u6 = 0. Коэффициент в критерии оптимальности при u6 отри цателен, поэтому для его увеличения необходимо изменить u2 до значения, при котором u4 = 0, тогда в полученной вершине u1 = 6, u2 = 1, u3 = 4, u5 = 12, u6 = 0, Q = 47. Критерий увеличился, можно перехо дить к третьей итерации.

На третьей итерации в качестве базиса выбираются переменные u6 = 0, u4 = 0. Все переменные выражаются через них:

1 2 u1 = 6 - u6, u2 = 1+ u6 - u4, u3 = 4 - u6 + 3u4, 3 3 u5 = 12 - 2u6 + 3u4, Q = 47 + u6 - 5u4.

Движение до следующей вершины осуществляется по ребру u4 = 0, т.е. изменяется в сторону увеличения u6 до значения, при котором u3 = 0. Другие переменные принимают значения u1 = 5, u2 = 3, u5 = 6, u6 = 3, Q = 50. Критерий увеличился, следовательно, можно проводить четвертую итерацию.

На четвертой итерации за базис берется u3 = 0, u4 = 0, движение проводится по ребру u3 = 0 до зна чения, при котором u5 = 0, тогда, выражая переменные через u3 и u4, получают 1 3 1 1 3 u1 = 5 + u3 - u4, u2 = 3 - u3 + u4, u5 = 6 - u4 + u3, 4 4 2 2 2 9 3 3 u6 = 3 + u4 - u3, Q = 50 + u3 - u4.

4 4 4 В вершине u3 = 0, u5 = 0 имеем u1 = 2, u2 = 5, u4 = 4, u6 = 12, Q = 27.

Критерий оптимальности уменьшается, следовательно, оптимальной вершиной является предыду щая, в которой Q = 50.

5 ДИНАМИЧЕСКОЕ ПРОГРАММИРОВАНИЕ Целый ряд интересных и важных видов деятельности можно трактовать как многошаговые процессы решения. Применение классических методов в этих новых областях оказалось полезным, но их диа пазон и гибкость явно недостаточным, особенно, когда речь шла о получении численных результа тов.

Все это привело к созданию новых математических методов и теорий, среди которых была и теория динамического программирования, представляющая собой новый подход, основанный на использова нии функциональных уравнений и принципа оптимальности [7].

Одними из основных задач, которые решаются с помощью метода динамического программирова ния являются задачи о распределении ресурсов.

5.1 ОСНОВНЫЕ ПОНЯТИЯ В динамическом программировании рассматриваются многостадийные процессы принятия реше ния.

Многостадийные процессы – это такие процессы, в которых решения принимаются на каждой из последовательных стадий.

Динамическое программирование является средством оптимизации математически описанных про цессов.

При постановке и решении задачи динамического программирования формулируется некоторый критерий, подлежащий удовлетворению, рассматриваемый процесс разбивается на стадии во времени или в пространстве и на каждой стадии принимаются решения, при которых достигается поставленная цель.

При рассмотрении вопросов динамического программирования принята следующая терминология:

а) стадия – единичный элемент, на которые делится весь процесс во времени или в пространстве;

ступень – часть стадии. В любом случае стадия и ступень – это математические конструкции, приме няемые для представления в дискретном виде непрерывной переменной;

б) состояние системы характеризуется совокупностью переменных, последние описывают состоя ние системы на любой стадии процесса;

в) переход от стадии к стадии и от состояния к состоянию описывается функциональными уравне ниями;

г) стратегия определяется системой решений функционального уравнения;

оптимальная стратегия выражается системой функций, максимизирующих правую часть уравнения.

Стадии процесса могут быть однородными и неоднородными. Процесс с однородными стадиями представляет собой последовательное изменение состояния объекта во времени, он состоит из после довательности однотипных стадий.

Процесс с неоднородными стадиями состоит из разнородных стадий. Состояние отдельной стадии характеризуется совокупностью величин, которые называются выходом или переменными состояния стадии. Если выход стадии является входом для следующей стадии, то для последней совокупность вы ходных переменных предыдущей стадии определяет состояние входа.

Кроме входных и выходных переменных на каждой стадии определяется группа управляющих пе ременных (управление), а также предполагается известным математическое описание каждой стадии.

Рассматриваемый многостадийный процесс условно изображается схемой, изображенной на рис. 5.1.

u1 u2 u um-1 um ym-1 ym y0 y1 2 y2 ym-2 m-1 m … y-1 y … Рис. 5.1 Многостадийный процесс Краеугольным камнем метода динамического программирования является принцип оптимальности:

оптимальная стратегия обладает таким свойством, что, каково бы ни было начальное состояние и на чальные решения, последующие решения должны приниматься, исходя из оптимальной стратегии с учетом состояния, вытекающего из первого решения.

Использование принципа оптимальности является гарантией того, что решение, принимаемое на каждой стадии, является наилучшим с точки зрения всего процесса в целом.

В динамическом программировании используется также принцип вложения, под которым понима ется рассмотрение исходной задачи с позиций более широкого класса задач (например, рассматривать не 10, а m стадий). Это позволяет изучить целый класс задач, включая и исходную. Исходя из принципа вложения, представляется возможным изучить как структуру, так и "чувствительность" решения.

5.2 МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ.

ФУНКЦИОНАЛЬНОЕ УРАВНЕНИЕ БЕЛЛМАНА Как уже говорилось, математическое описание процесса известно.

Пусть состояние системы на каждой стадии описывается уравнением y = f (y-1, u ), (5.1) где y-1, y – переменные состояния – 1 и стадий соответственно, u – управление на -й стадии.

Уравнение (5.1) связывает выходные переменные стадии с выходными переменными предыдущей стадии y-1 и управлением u, используемым на этой стадии.

На переменные состояния и управляющие воздействия могут быть наложены ограничения, выра жающиеся в виде равенств или неравенств Fj (y1,..., ym, u1,..., um) 0, j = 1, J. (5.2) Кроме того, используется запись y Y, u U (5.3) смысл которой заключается в том, что переменные принадлежат к допустимым областям, ограничен ным соотношениями (5.2).

Эффективность каждой стадии процесса оценивается скалярной величиной Q (y, u), которая на зывается функцией полезности – критерием оптимальности Q = Q(y, u), (5.4, а) с учетом (5,1) функциональная зависимость (5.4, а) может быть представлена как Q= Q(y–1, u). (5.4, б) Результирующая оценка эффективности многостадийного процесса в целом определяется как адди тивная функция результатов, получаемых на каждой стадии m Q = (y-1, u ). (5.5) Q - Естественно, что критерий оптимальности Q зависит от совокупности управляющих воздействий на всех стадиях процесса (u1, u2,..., um).

Таким образом, задачу оптимизации многостадийного процесса можно сформулировать как задачу отыскания оптимальной стратегии uопт = (u1опт, u2опт,..., umопт ), для которой критерий оптимальности Q принимает максимальное или минимальное значение.

Процедура применения принципа оптимальности для оптимизации m-стадийного процесса должна начинаться с последней стадии, для которой не существует последующих стадий, могущих повлиять на выбор управления um опт на этой стадии. После этого приступают к определению оптимального управле ния для предыдущей m – 1 стадии, для которой оптимальная стратегия на последующих стадиях, т.е. на последней m-й известна и т.д. В результате может быть найдена оптимальная стратегия управления для всего многостадийного процесса, являющаяся функцией начального состояния процесса um (y0).

При применении любой стратегии управления величина критерия оптимальности Q зависит только от состояния входа первой стадии у0 Q = Q(y0).

Пусть оптимальное значение целевой функции (для определенности минимальное) на участке от m до m будет B (y-1), и оно зависит от состояния на – 1 стадии m m B (y-1) = min (y-1, u). (5.6) Q u,...,um = Соответственно Bm(y0) = min Q(y0), (5.7) uU =1, m здесь оптимизация проводится по всем возможным управлениям, принадлежащим области допустимых значений U, на всех стадиях процесса. Соотношение (5.7) по существу является математической форму лировкой задачи оптимизации m-стадийного процесса, но не содержит указаний как нужно минимизи ровать критерий Q, чтобы получить оптимальную стратегию uопт = (u1опт, u2опт,..., um опт ).

Так как Q является аддитивной функцией критериев оптимальности отдельных стадий, то его мож но представить в виде Q(y0)= Q1(y0, u1)+ Qm-1(y1), (5.8) тогда (5.7) перепишется в виде Bm(y0) = min [Q1(y0, u1) + Qm-1(y1)]. (5.9) u U =1,m Выражение (5.9) может быть также переписано в виде Bm(y0) = min Q1(y0,u1)+ min Qm-1(y1), (5.10) u U u1U &=&2, m & где минимизация первого слагаемого Q1 (y0, u1) проводится только по управлению u1, а второе миними зируется выбором управлений на всех стадиях, причем каждое слагаемое в (5.10) нельзя минимизиро вать в отдельности, так как они оба зависят от u1.

Минимизацию второго слагаемого в (5.10) можно рассматривать как задачу оптимизации (m – 1) ста дийного процесса с критерием оптимальности Qm-1(y1) и оптимальной стратегией um-1опт = (u2опт, u3опт,..., umопт). Таким образом, можно записать, что Bm-1(y1) = min Qm-1(y1). (5.11) u U =2, m Выражение (5.9) с учетом (5.11) может быть представлено в виде Bm(y0) = min [Q1(y0, u1)+ Bm-1(y1)]. (5.12) u1U Если математическое описание первой стадии y1 = f1(y0, u1), то Bm(y0) = min [Q1(y0, u1)+ Bm-1[ f (y0, u1)]]. (5.13) u1U Последнее уравнение является математической формулировкой принципа оптимальности и называ ется рекуррентным соотношением Беллмана.

Для начала расчетов необходимо задать начальную функцию f0 (ym), которая может быть принята равной нулю, что естественным образом соответствует отсутствию процесса за пределами последней стадии.

Уравнение (5.13) можно трактовать как оптимальные потери, причем Q1(y0, u1) – потери на первом участке, а Bm–1 – оптимальные потери на всех последующих участках. Минимизируя сумму этих потерь, необходимо найти правильное соотношение между ними.

5.3 ОБЩАЯ ПРОЦЕДУРА РЕШЕНИЯ ЗАДАЧ МЕТОДОМ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ Согласно общему подходу к решению задач методом динамического программирования определе ние оптимальных управлений начинается с последней стадии процесса, для которой рекуррентное соот ношение Беллмана с учетом, что B0 (ym) = 0, записывается в виде B1(ym-1) = min Qm(ym-1, um ). (5.14) um U Для этой стадии можно построить зависимость целевой функции Qm от управления um для различ ных значений переменной состояния ym–1 (рис. 5.2).

Эта зависимость позволяет найти зависимость оптимального управления на последней стадии um опт от входной переменной этой стадии ym–1 (рис. 5.3).

Qm y m- ym- B B u1 um um mопт опт Рис. 5.2 Зависимость Qm от um um опт um опт u mопт y1 ym- ym- m- Рис. 5.3 Зависимость оптимального управления um от входной переменной ym- Одновременно определяется минимальное значение целевой функции B1 данной стадии от ее входа, т.е. ym–1 (рис. 5.4).

Таким образом можно получить зависимости оптимального управления на m-й стадии от входной переменной этой стадии umопт = um(ym-1), а также критерия оптимальности на этой m-й стадии от ее входа B1 = B1(ym-1). Кроме того, можно определить зависимость выходной переменной при оптимальном управлении от входной переменной ymопт = ym(ym-1) (рис. 5.5).

B B B y1 ym- ym- m- Рис. 5.4 Зависимость B1 от ym– ym опт ym опт y mопт y1 ym-1 ym- m- Рис. 5.5 Зависимость ym от ym- опт Для определения оптимального управления um–1 на (m – 1)-й стадии из всех полученных результатов необходима зависимость B1(ym–1), с учетом которой рекуррентное соотношение для (m – 1)-й стадии за писывается как B2(ym-2) = min {Qm-1 (ym-2, um-1)+ B1[ fm-1(ym-2, um-1)]}. (5.15) um-1U Далее необходимо построить зависимость (Qm-1 + B1) от управления um–1 для различных значений ym–2 переменных состояний входа (m – 1) стадии (рис. 5.6).

Qm-1 + B y m- ym- B B u1 um-1 um– m-1опт опт Рис. 5.6 Зависимость (Qm–1 + B1) от um– um-1опт um- опт u m-1опт y1 ym-1 ym– m- Рис. 5.7 Зависимость оптимального управления от входа ym–2 на (m – 1) стадии Также как и для m-й стадии в результате минимального значения выражения (5.15) находятся зави симости um-1опт = um-1(ym-2), B2 = B2(ym-2 ), а также ym-1опт = ym-1(ym-2), которые представлены соответствен но на рис. 5.7, 5.8, 5.9.

B B B y1 ym- ym– m- Рис. 5.8 Зависимость B2 от ym– ym- опт ym- опт y m-1опт y1 ym-2 ym– m- Рис. 5.9 Зависимость ym -1опт от ym– Далее появляется возможность записать рекуррентные соотношения на (m – 2) стадии, и т.д. Про должая процесс вычислений можно дойти до первой стадии, для которой также будут получены соот ношения u1опт = u1(y0), Bm= Bm(y0), y1опт = y1(y0). Возможный вид кривых для них представлен на рис. 5.10 – 5.13.

Q1 + Bm- y Bm y Bm 1 u u1 u опт опт Рис. 5.10 Зависимость (Q1 + Bm-1) от u u опт u опт b u опт a y1 y y Рис. 5.11 Зависимость оптимального управления u1опт от входа на 1-й стадии На этом первый этап решения задачи оптимизации многостадийного процесса заканчивается. Полу ченные соотношения определяют оптимальную стратегию управления m-стадийного процесса для лю бого возможного состояния входа первой стадии.

Bm Bm Bm a y1 y0 y Рис. 5.12 Зависимость Bm от y На втором этапе решения оптимальной задачи находятся оптимальные управления всех стадий u, = 1, m, для чего необходимо принять соответствующее значение состояния входа y0. В том случае, если оно в постановке задачи не задано, его можно определить из условия минимума величины Bm как функ ции значения y0 (рис. 5.12). В рассмотренном случае зависимость Bm от y0 имеет минимум, что позволя ет найти оптимальное значение состояния входа y0 = a0. Минимальное значение Bm может достигаться и на концах.

После определения переменной состояния входа из условия минимума функции Bm(y0), преступают к определению оптимальных управлений для всех стадий процесса, соответствующих выбранной вели чине y0 = a0 (рис. 5.12). Вторым этапом решения задачи оптимального управления методом динамиче ского программирования является определение оптимальных управлений для всех стадий. Здесь поря док расчета следующий.

Определяется оптимальное управление на первой стадии (рис. 5.11) u1опт = b1 и значение выходной переменной этой стадии y1опт = a (рис. 5.13), отвечающее оптимальному управлению. После этого переходят ко второй стадии, и вся про цедура повторяется и т.д. В результате решения задачи доходят до последней m-й стадии и имеют зна чения uVопт для всей рассматриваемой задачи по стадиям.

y опт y1опт a y1опт a y1 y0 y Рис. 5.13 Зависимость y1опт от y Динамическое программирование является одним из методов решения задач оптимизации при при нятии решений. Основные преимущества этого метода: прежде всего, он позволяет найти глобальное оптимальное решение;

оптимизация ведется по одной переменной;

Pages:     || 2 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.