WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 5 | 6 || 8 | 9 |   ...   | 10 |

Замечание. В теории коллективного принятия решений такой способ действий называется манипулированием. В свою очередь, если механизм коллективного принятия решений допускает манипулирование с чьейлибо стороны, то он называется манипулируемым. Рассмотренный только что пример показал, что механизм (5.4) является манипулируемым: искажая свои истинные предпочтения, можно приблизить итоговое коллективное решение к собственному истинному предпочтению.

Вернемся к экспертному опросу. Говоря более строго, i-й эксперт решает задачу, т. е. пытается минимизировать разность x - ri min si между итоговым решением х и своим истинным мнением ri, путем надлежащего выбора сообщаемой оценки si. Опишем механизм выработки решения х*, являющийся механизмом открытого управления (т. е. неманипулируемым механизмом). Напомним, что эксперты сообщают свои оценки si [d, D], i = 1, 2,…, n. Будем считать, не ограничивая общности, что оценки экспертов расположены по неубыванию: s1 s2 … sn (этого всегда можно добиться перенумерацией экспертов). Вычисляются D - d n вспомогательных чисел, I = 1, 2, …, n (эти числа деvi = D - (i -1) n лят отрезок [d, D] на n равных частей). После этого для каждого i берется меньшее из двух чисел si и vi: min{ si, vi}. И, наконец, из всех этих минимумов выбирается наибольший, который и является итоговым решением:

x* = max min{si, vi}.

1in Пример 6. Пусть 6 экспертов сообщили следующие оценки и промежутки [30,90]: 65, 90, 45, 80, 75, 90. Определить итоговое решение в соответствии с описанным механизмом.

D - d 90 - Решение. Выпишем числа vi (здесь = = 10 ):

n v1 = 90, v2 = 90 – 10 = 80, v3 = 90 – 20 = 70, v4 = 90 – 30 = 60, v5 = 90 – 40 = 50, v6 = 90 – 50 = 40.

Дальнейшее удобно изобразить в виде таблицы, в первой строке которой записаны упорядоченные по неубыванию оценки экспертов:

si: 45 65 75 80 90 vi: 90 80 70 60 50 min{ si, vi}: 45 65 70 60 50 В качестве итогового решения берется максимальное число в последней строке: х* = 70.

Замечание. Во всех предыдущих рассуждениях квалификация экспертов предполагается одинаковой. Можно в случае необходимости вводить коэффициенты, позволяющие учитывать мнение разных экспертов различным образом – принципиально это ничего не меняет, лишь несколько усложняется вычисление итогового результата х*.

5.7. Задачи 1. Восемь Потребителей подали Центру заявки в размере 9, 18, 15, 14, 10, 13, 7, 14. Имеющийся в распоряжении Центра ресурс составляет 70. Как должен быть распределен этот ресурс в соответствии с механизмом прямых приоритетов (Ответ: 6,3; 12,6; 10,5; 9,8; 7; 9,1; 4,9; 9,8).

2. Распределение ресурса производится в соответствии с механизмом обратных приоритетов. Приоритеты четырех Потребителей определяются числами 26, 18, 24, 20. Какими являются равновесные стратегии (заявки) Потребителей, если имеющийся в распоряжении Центра ресурс составляет 50 (Ответ: 13,6; 11,3; 13,1; 11,9).

3. Распределение ресурса осуществляется в соответствии с конкурсным механизмом. Пять Потребителей сообщили Центру свои заявки: 5, 8, 6, 9, 8 и показатели эффекта: 12, 21, 18, 23, 23 соответственно. Как должен быть распределен между Потребителями ресурс объемом 25 (Ответ:

0; 8; 6; 0; 8).

4. Восемь Потребителей подали Центру заявки 13, 10, 16, 19, 9, 12, 14, 11. Центр располагает ресурсом объемом 100. Как должен быть распределен этот ресурс в соответствии с механизмом открытого управления (Ответ: 13; 10; 15,5; 15,5; 9; 12; 14; 11).

5. Восьми экспертам было предложено сообщить оценку объема финансирования из промежутка [0,80]. Эксперты сообщили следующие оценки: 45, 10, 35, 80, 65, 35, 60, 55. Определите итоговое решение при помощи механизма открытого управления. (Ответ: 45).

6. МОДЕЛИ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ Динамическое программирование связано с возможностью представления процесса управления в виде цепочки последовательных действий, или шагов, развернутых во времени и ведущих к цели. Таким образом, процесс управления можно разделить на части и представить его в виде динамической последовательности и интерпретировать в виде пошаговой программы, развернутой во времени. Это позволяет спланировать программу будущих действий. Поскольку вариантов возможных планов– программ множество, то необходимо из них выбрать лучший, оптимальный по какому-либо критерию в соответствии с поставленной целью.

6.1. Предмет динамического программирования Динамическое программирование представляет собой математический аппарат, который подходит к решению некоторого класса задач путем их разложения на части, небольшие и менее сложные задачи. При этом отличительной особенностью является решение задач по этапам, через фиксированные интервалы, промежутки времени, что и определило появление термина динамическое программирование. Следует заметить, что методы динамического программирования успешно применяются и при решении задач, в которых фактор времени не учитывается. В целом математический аппарат можно представить как пошаговое или поэтапное программирование. Решение задач методами динамического программирования проводится на основе сформулированного Р. Э. Беллманом принципа оптимальности: оптимальное поведение обладает тем свойством, что каким бы ни было первоначальное состояние системы и первоначальное решение, последующее решение должно определять оптимальное поведение относительно состояния, полученного в результате первоначального решения.

Из этого следует, что планирование каждого шага должно проводиться с учетом общей выгоды, получаемой по завершении всего процесса, что и позволяет оптимизировать конечный результат по выбранному критерию.

Таким образом, динамическое программирование в широком смысле представляет собой оптимальное управление процессом, посредством изменения управляемых параметров на каждом шаге, и, следовательно, воздействуя на ход процесса, изменяя на каждом шаге состояние системы.

В целом динамическое программирование представляет собой стройную теорию для восприятия и достаточно простую для применения в коммерческой деятельности при решении как линейных, так и нелинейных задач.

Динамическое программирование (ДП) является одним из разделов оптимального программирования. Для него характерны специфические методы и приемы, применительные к операциям, в которых процесс принятия решения разбит на этапы (шаги). Методами ДП решаются вариантные оптимизационные задачи с заданными критериями оптимальности, с определенными связями между переменными и целевой функцией, выраженными системой уравнений или неравенств. При этом, как и в задачах, решаемых методами линейного программирования, ограничения могут быть даны в виде равенств или неравенств. Однако если в задачах линейного программирования зависимости между критериальной функцией и переменными обязательно линейны, то в задачах ДП эти зависимости могут иметь еще и нелинейный характер. ДП можно использовать как для решения задач, связанных с динамикой процесса или системы, так и для статических задач, связанных, например, с распределением ресурсов.

Это значительно расширяет область применения ДП для решения задач управления. А возможность упрощения процесса решения, которая достигается за счет ограничения области и количества, исследуемых при переходе к очередному этапу вариантов, увеличивает достоинства этого комплекса методов.

Вместе с тем ДП свойственны и недостатки. Прежде всего, в нем нет единого универсального метода решения. Практически каждая задача, решаемая этим методом, характеризуется своими особенностями и требует проведения поиска наиболее приемлемой совокупности методов для ее решения. Кроме того, большие объемы и трудоемкость решения многошаговых задач, имеющих множество состояний, приводят к необходимости отбора задач малой размерности либо использования сжатой информации. Последнее достигается с помощью методов анализа вариантов и переработки списка состояний.

Для процессов с непрерывным временем ДП рассматривается как предельный вариант дискретной схемы решения. Получаемые при этом результаты практически совпадают с теми, которые получаются методами максимума Л. С. Понтрягина или Гамильтона-Якоби-Беллмана.

ДП применяется для решения задач, в которых поиск оптимума возможен при поэтапном подходе, например, распределение дефицитных капитальных вложений между новыми направлениями их использования;

разработка правил управления спросом или запасами, устанавливающими момент пополнения запаса и размер пополняющего заказа; разработка принципов календарного планирования производства и выравнивания занятости в условиях колеблющегося спроса на продукцию; составление календарных планов текущего и капитального ремонтов оборудования и его замены; поиск кратчайших расстояний на транспортной сети; формирование последовательности развития коммерческой операции и т. д.

6.2. Постановка задачи динамического программирования Постановку задачи динамического программирования рассмотрим на примере инвестирования, связанного с распределением средств между предприятиями. В результате управления инвестициями система последовательно переводится из начального состояния S0 в конечное Sn. Предположим, что управление можно разбить на n шагов и решение принимается последовательно на каждом шаге, а управление представляет собой совокупность n пошаговых управлений. На каждом шаге необходимо определить два типа переменных: переменную состояния системы Sk и переменную управления хk. Переменная Sk определяет, в каких состояниях может оказаться система на рассматриваемом k-м шаге. В зависимости от состояния S на этом шаге можно применить некоторые управления, которые характеризуются переменной хk, которые удовлетворяют определенным ограничениям и называются допустимыми.

Допустим, X = (x1, x2, …, xk, …, xn) – управление, переводящее систему из состояния S0 в состояние Sn, a Sk – есть состояние системы на k-м шаге управления. Тогда последовательность состояний системы можно представить в виде графа, изображенного на рис. 6.1.

xx2 xk-1 xk xk+xn S0 S1... Sk-1 Sk... Sn Рис. 6.1. Граф состояний системы Применение управляющего воздействия хk на каждом шаге переводит систему в новое состояние S1(S, хk) и приносит некоторый результат Wk(S, хk). Для каждого возможного состояния на каждом шаге среди всех возможных управлений выбирается оптимальное управление х*k, такое, чтобы результат, который достигается за шаги с k-го по последний n-й, оказался бы оптимальным. Числовая характеристика этого результата называется функцией Беллмана Fk(S) и зависит от номера шага k и состояния системы S.

Задача динамического программирования формулируется следующим образом: требуется определить такое управление Х*, переводящее систему из начального состояния S0 в конечное состояние Sn, при котором целевая функция принимает наибольшее (наименьшее) значение F(S0, X*) extr.

Особенности математической модели динамического программирования заключаются в следующем:

1) задача оптимизации формулируется как конечный многошаговый процесс управления;

2) целевая функция (выигрыш) является аддитивной и равна сумме n целевых функций каждого шага: F = Fk (Sk-1,xk ) extremum;

k=3) выбор управления хk на каждом шаге зависит только от состояния системы к этому шагу Sk, и не влияет на предшествующие шаги (нет обратной связи);

4) состояние системы Sk после каждого шага управления зависит только от предшествующего состояния системы Sk-1 и этого управляющего воздействия хk (отсутствие последействия) и может быть записано в виде уравнения состояния: Sk = f(Sk-1, хk), k = 1, n;

5) на каждом шаге управление хk зависит от конечного числа управляющих переменных, а состояние системы Sk зависит от конечного числа параметров;

6) оптимальное управление представляет собой вектор X*, определяемый последовательностью оптимальных пошаговых управлений:

X* = (х*1, х*2, …, х*k, …, х*n), число которых и определяет количество шагов задачи.

6.3. Принцип оптимальности и математическое описание динамического процесса управления В основе метода ДП лежит принцип оптимальности, впервые сформулированный в 1953 г. американским математиком Р. Э. Беллманом: каково бы ни было состояние системы в результате какого-либо числа шагов, на ближайшем шаге нужно выбирать управление так, чтобы оно в совокупности с оптимальным управлением на всех последующих шагах приводило к оптимальному выигрышу на всех оставшихся шагах, включая выигрыш на данном шаге. При решении задачи на каждом шаге выбирается управление, которое должно привести к оптимальному выигрышу. Если считать все шаги независимыми, тогда оптимальным управлением будет то управление, которое обеспечит максимальный выигрыш именно на данном шаге. Однако, например, при покупке новой техники взамен устаревшей на ее приобретение затрачиваются определенные средства, поэтому доход от ее эксплуатации в начале может быть небольшой, а в следующие годы новая техника будет приносить больший доход. И наоборот, если принято решение оставить старую технику для получения дохода в текущем году, то в дальнейшем это приведет к значительным убыткам. Этот пример демонстрирует следующий факт: в многошаговых процессах управление на каждом конкретном шаге надо выбирать с учетом его будущих воздействий на весь процесс.

Кроме того, при выборе управления на данном шаге следует учитывать возможные варианты состояния предыдущего шага. Например, при определении количества средств, вкладываемых в предприятие в 1-м году, необходимо знать, сколько средств осталось в наличии к этому году и какой доход получен в предыдущем (i-1)-м году. Таким образом, при выборе шагового управления необходимо учитывать следующие требования:

1) возможные исходы предыдущего шага Sk-1;

2) влияние управления хk на все оставшиеся до конца процесса шаги (n - k).

В задачах динамического программирования первое требование учитывают, делая на каждом шаге условные предположения о возможных вариантах окончания предыдущего шага и проводя для каждого из вариантов условную оптимизацию. Выполнение второго требования обеспечивается тем, что в этих задачах условная оптимизация проводится от конца процесса к началу.

Условная оптимизация. На первом этапе решения задачи, называемом условной оптимизацией, определяются функция Беллмана и оптимальные управления для всех возможных состояний на каждом шаге, начиная с последнего в соответствии с алгоритмом обратной прогонки. На последнем, n-м шаге, оптимальное управление х*n определяется функцией Беллмана: F(S) = max{Wn(S,xn)}, в соответствии с которой максимум выбирается из всех возможных значений хn, причем хnХ.

Pages:     | 1 |   ...   | 5 | 6 || 8 | 9 |   ...   | 10 |



© 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.