Пусть исход управляемого мероприятия зависит от выбранного решения (стратегии управления) и некоторых неслучайных фиксированных факторов, полностью известных лицу, принимающему решение. Стратегии управления могут быть представлены
в виде значений n -мерного вектора , на компоненты которою наложены ограничения, обусловленные рядом естественных причин и имеющие вид
; (2.2)
,
где , некоторый массив фиксированных неслучайных параметров.
Условия (2.2) определяют область допустимых значений стратегий X.
Эффективность управления характеризуется некоторым численным критерием оптимальности F:
, (2.3)
где C — массив фиксированных, неслучайных параметров. Массивы и C характеризуют свойства объектов, участвующих в управлении, и условия протекания управлении.
Перед лицом, принимающим решение, стоит задача выбора такого значения вектора управления из области его допустимых значений, которое максимизирует значение критерия оптимальности F, а также значение этого максимума
|
|
где область представляется условием (2.2).
В (2.4) символы и обозначают максимально достижимое в условиях (2.2) значение критерия оптимальности F и соответствующее ему оптимальное значение вектора управления X.
Совокупность соотношений (2.2), (2.3) и (2.4) представляет собой общий вид математической модели однокритериальной статической детерминированной ЗПР.
Задача в такой постановке полностью совпадает с общей постановкой задачи математического программирования. Поэтому весь арсенал методов, разработанных для решения задач математического программирования, может быть использован для решения задач принятия решений данного класса. Мы не будем здесь из-за недостатка места останавливаться на обзоре соответствующих методов решения.
Рассмотрим пример однокритериальной статической детерминированной ЗПР.
Пусть необходимо отображать некоторое количество информационных моделей (например, картографическую информацию). Для отображения любой из моделей всегда требуется решить п различных задач (отображение символов, отображение векторов, поворот и перемещение изображении, масштабирование и т.п.). Все задачи взаимно независимы. Для решения них задач могут быть использованы т различных микропроцессоров . В течение времени T микропроцессор , может решить , задач типа , т.е. решить задачу , несколько раз по одному и тому же алгоритму, но для различных исходных данных.
Информационную модель можно отображать только в том случае, если она содержит полный набор результатов решения всех задач .
Требуется распределить задачи по микропроцессором так, чтобы число информационных моделей, синтезированные за время Т, было максимально. Иначе говори, необходимо указать, какую часть времени Т микропроцессор должен занимать решением задачи ,.
|
|
Обозначим эту величину через (если эта задача не будет решаться на данном микропроцессоре, то ).
Очевидно, что общее время занятной каждого микропроцессора решением тех задач не должно превышать общего запаса времени T, «доля» — единицы. Таким образом, имеем следующие ограничительные условия:
Общее количество решений задачи , полученных всеми микропроцессорами вместе,
Так как информационная модель может быть синтезирована лишь из полного набора результатов решения всех задач, то количество информационных моделей F будет определяться минимальным из чисел .
Итак, имеем следующую математическую модель: требуется найти такие , чтобы обращалась в максимум функция F
при
Общая постановка однокритериалыюй статической задачи принятия решений в условиях риска. Как отмечалось, каждая выбранная стратегия управления в условиях риска связана с множеством возможных исходов, причем каждый исход имеет определенную вероятность появления, известную заранее человеку, принимающему решение.
При оптимизации решения в подобной ситуации стохастическую ЗПР сводят к детерминированной. Широко используют при этом следующие два принципа: искусственное сведение к детерминированной схеме и оптимизация в среднем.
В первом случае неопределенная, вероятностная картина явления приближенно заменяется детерминированной. Для этого все участвующие в задаче случайные факторы приближенно заменяются какими-то неслучайными характеристиками этих факторов (как правило, их математическими ожиданиями).
Этот прием используется в грубых, ориентировочных расчетах, а также в тех случаях, когда диапазон возможных значений случайных величин сравнительно мал. В тех случаях, когда показатель эффективности управления линейно зависит от случайных параметров, этот прием приводит к тому же результату, что и «оптимизация в среднем».
Прием «оптимизация в среднем» заключается в переходе от исходного показателя эффективности Q, являющегося случайной величиной:
где X — вектор управления; А — массив детерминированных факторов; — конкретные реализации случайных фиксированных факторов к его осредненной, статической характеристике, например к его математическому ожиданию M[Q]:
Здесь В — массив известных статистических характеристик случайных величин — закон распределения вероятностей случайных величин .
При оптимизации в среднем по критерию (2.5) в качестве оптимальной стратегии будет выбрана такая стратегия, которая, удовлетворяя ограничениям на область допустимых значений вектора X, максимизирует значение математического ожидания F = M[Q] исходного показателя эффективности Q, т. е.
В том случае, если число возможных стратегий i конечно и число возможных исходов j конечно то выражение (2.6) переписывается в виде
где — значение показателя эффективности управления в случае появления j -го исхода при выборе i стратегии управления; — вероятность появления j -го исхода при реализации i -й стратегии.
Из выражений (2.6) и (2.7) следует, что оптимальная стратегия X приводит к гарантированному наилучшему результату только при многократном повторении ситуации в одинаковых условиях. Эффективность каждого отдельного выбора связана с риском и может отличаться от средней величины как в лучшую, так и в худшую сторону.
Сравнение двух рассмотренных принципов оптимизации в стохастических ЗПР показывает, что они представляют собой детерминизацию исходной задачи на разных уровнях влияния стохастических факторов. «Искусственное сведение к детерминированной схеме» представляет собой детерминизацию на уровне факторов, «оптимизация в среднем» — на уровне показателя эффективности.
|
|
После выполнения детерминизации могут быть использованы все методы, применимые для решения однокритериальных статических детерминированных ЗПР.
Рассмотрим пример однокритериальной статической задачи принятия решений в условиях риска.
Для создания картографической базы данных необходимо кодировать картографическую информацию. Использование поэлементного кодирования приводит к необходимости использования чрезвычайно больших объемов памяти. Известен ряд методов кодирования, позволяющих существенно сократить требуемый объем памяти [например, линейная интерполяции, интерполяция классическими многочленами, кубинские сплайны и т.д; см. кн. 4 настоящего сериала]. Основным показателем эффективности метода кодирования является коэффициент сжатия информации. Однако значение этого коэффициента зависит от вида кодируемой картографической информации (гидрография, границы административных районов, дорожная сеть и т. д). Обозначим через значение коэффициента сжатия i -го метода кодирования для /го вида информации. Конкретный район, подлежащий кодированию, заранее неизвестен. Однако предварительный анализ картографической информации всего региона и опыт предыдущих разработок позволяют вычислить вероятность появления каждого из видов информации. Обозначим через , вероятность появления j -го вида,
Тогда, используя метод оптимизации в среднем, следует выбрать такой метод кодирования, для которого