p align="left">Для решения задачи стохастического программирования в Р-постановке и с вероятностными ограничениями переходят к детерминированному эквиваленту. Для целевой функции детерминированный эквивалент имеет вид: · при минимизации целевой функции 2.1 · при максимизации целевой функции 2.2 где ?2j -- дисперсия случайной величины сj Решение таких задач затруднительно, поэтому далее рассматриваем целевая функция только в М- постановке. Детерминированный эквивалент вероятностного ограничения типа (а) 2.3 может быть сведен к виду: 2.4 где ai j , bi -- математические ожидания; , ? i j 2 , ? i 2 -- дисперсии случайных величин aij , bi ; ta = Ф*-1(ai) -- обратная функция нормального распределения при функции распределения: 2.5 где ai -- заданный уровень вероятности (табл. 2.1). Обычно решают задачи при ai > 0,5, поэтому даны значения ta только для положительных ta.. Таблица 2.1 |
ai | 0,5 | 0,6 | 0,7 | 0,77 | 0,84 | 0,89 | 0,93 | 0,96 | 0,98 | 0,987 | 0,994 | | t a | 0,0 | 0,25 | 0,5 | 0,75 | 1 | 1,25 | 1,5 | 1,75 | 2,0 | 2,25 | 2,5 | | |
Если же ai < 0,5; то t1-a = - ta. Так, для а = 0,4; t0,4 = t(1-0,6) = - t 0, 6 =0,25. Детерминированный эквивалент задачи СТП в М-по- становке имеет вид 2.6 Из (2.6) следует, что для решения задачи стохастического программирования в М-постановке необходимы исходные данные, приведенные в предыдущей таблице. Каждое 1-е ограничение в детерминированном эквиваленте (2.6) отличается от аналогичного ограничения задачи линейного программирования следующим: 2.7 · от детерминированных значений aij, bi выполнен переход к математическим ожиданиям случайных величин aij, bi; · появился дополнительный член ( ? ) который учитывает все вероятностные факторы: закон распределения с помощью ta; заданный уровень вероятности ai ; дисперсии случайных величин aij равные ? ij 2; дисперсии случайных величин bi равные ? i 2. 3. Решение задач СТП Детерминированный эквивалент задачи стохастического программирования в М-постановке включает ограничения, которые являются нееепарабельными функциями. Обозначим 3.1 тогда задачу стохастического программирования можно записать в сепарабельной форме: 3.2 где Эта задача является сепарабельной задачей нелинейного программирования и может быть решена с помощью стандартных программных средств. Функция F(x1, х2, хп) называется сепарабельной, если она может быть представлена в виде суммы функций, каждая из которых является функцией одной переменной, т. е. если Если целевая функция и функции в системе ограничений задачи нелинейного программирования сепарабелъные, то приближенное решение может быть найдено методом кусочно-линейной аппроксимации. Пример 1. Рассмотрим задачу распределения двух видов ресурсов для выпуска двух наименований изделий. Решение. Ее модель: где a i j , bi , cj -- случайные. При М-постановке модель запишется: где a1, a2 -- заданные уровни вероятности соблюдения каждого ограничения. Для того чтобы решить задачу в М-постановке, необходимо перейти к ее детерминированному эквиваленту: Исходные данные, необходимые для решения этой задачи, сведены в таблицах 3.3 и 3.4. Таблица 3.3 Таблица 3.4 |
Ограничения | Случайные величины | | | ai1 | ai2 | bi | | |
|
| |
|
| | | 1 | 10 | 2 | 15 | 3 | 100 | 9 | | 2 | 20 | 6 | 14 | 4 | 150 | 12 | | |
Если задать уровни вероятности a1,2 = 0,6, для которых ta = 0,25, то получим после подстановки исходных данных детерминированный эквивалент: Результаты решения этой задачи для детерминированного случая ? i = 0 и при a i = 0,6 (табл. 3.5), где Таблица 3.5 |
Величина | ? i = 0 | a i = 0,6 | Величина | ? i = 0 | a i = 0,6 | | x1 | 2 | 2 | ?1 | 0 | 4,4 | | x2 | 5,3 | 5,04 | ?2 | 0 | 5,8 | | L | 52,4 | 50,3 | ?1 | 0 | 4,4 | | ? | 0 | 4 | ?2 | 0 | 5,1 | | |
Таблица 3.6 |
Величина | a1,2 | | | 0,5 | 0,6 | 0,77 | 0,89 | 0,96 | 0,987 | | x1 | 2 | 2 | 2 | 3,71 | 3,07 | 2,165 | | x2 | 5,3 | 5,04 | 4,51 | 3 | 3 | 3 | | L | 52,4 | 50,3 | 46,1 | 42,6 | 39,3 | 34,8 | | ? | 0 | 4 | 12 | 18,7 | 25 | 33,6 | | ?1 | 0 | 4,4 | 12,3 | 17,9 | 24,3 | 33,3 | | ?2 | 0 | 5,1 | 14,8 | 16,5 | 23,2 | 26 | | |
Рассмотрим теперь, как повлияют на результат решения задачи величины, определяющие ее вероятностный характер. К таким величинам относят заданный уровень вероятности ai, и дисперсий ?ij2 и ?i2. Начнем с анализа влияния ai (табл. 3.6). Из анализа решения этой задачи можно сделать следующие выводы: для обеспечения гарантированного (с вероятностью a = 0,6) выполнения плана необходимо иметь дополнительно около 5% каждого вида ресурса. При отсутствии дополнительного ресурса целевой функции может уменьшиться на величину (? = 4% вследствие возможного сокращения выпуска продукции х2 от 5,3 до 5,04. Этот пример подтверждает тот факт, что в реальных условиях для гарантированного выполнения плана необходимы дополнительные ресурсы в размере ? i противном случае возможно уменьшение выпуска продукции. При этом можно сделать выводы: 1) в целях повышения заданного уровня вероятности выполнения плана ai требуется увеличить дополнительные ресурсы ?i. Так, для выполнения плана с вероятностью, близкой к 1 (а = 0,987), необходим дополнительный ресурс в размере ?i = 26, ..., 33% от величины используемого без учета вероятностных характеристик; 2) отсутствие такого увеличения может привести к ухудшению целевой функции на величину ? = 33,6%; 3) возрастание a отражается на номенклатуре продукции. При этом в интервале a = 0,5, ..., 0,77 значение х1 сохраняется неизменным, а х2 -- уменьшается. При дальнейшем увеличении а = 0,89, ..., 0,987 значение х2 = const, в то время как х1 сначала скачком растет, а затем постепенно уменьшается. Несмотря на то что при а = 0,89 значения x1,2 резко изменяются, целевая функция во всем интервале изменения а уменьшается плавно. Таково влияние заданного уровня вероятности соблюдения ограничений а на результат решения задачи. Для большей реальности и выполнимости планов элементы модели должны постоянно уточняться по фактическим реализациям случайных величин. Заключение При написании курсовой работы по дисциплине «Математические методы» на тему « Стохастическое программирование » у меня возникали непонятности в теоритической части, так как каждый автор пишет по разному, но мне пришлось понимать и разбираться в каждой из книг. Список литературы 1. « Математические методы в программировании » : / Агальцов В.П., Волдайская И.В. Учебник : - М . : ИД «ФОРУМ» : ИНФРА-М, 2006. - 224с. : ил. -(Профессиональное образование). - (Учимся программировать). 2. Лекции по дисциплине « Математические методы ». 3. «Математические методы: Учебник» / Партика Т.Л., Попов И.И. - М: ФОРУМ: ИНФРА, 2005. 4.Интернет сайт: http://ru.wikipedia.org/wiki/ 5.«Математическое программирование» / Костевич Л., издательство «Новое знание», 2003.
Страницы: 1, 2
|