В рассматриваемой модели у = у , у У 1>у = у у, У/j, У г Детерминированные векторы, определяющие величины соответствующих коррекций вероятностных ограничений модели на t-гл этапе планового периода dt=i df , dfj, d — детерминированный вектор ограничений на абсолютные значения математических ожиданий невязок стохастических уравнений модели, описывающих условия производства за t-fi интервал времени Б/, d ril-, Ъг, g , т/- математические ожидания соответствующих случайных параметров задачи. [c.87]
Пусть 1 з0(со, х) —случайная функция г з(ш,л )—случайная вектор-функция <а— набор случайных параметров условий задачи Ь — детерминированный вектор G° — некоторое множество (детерминированное или случайное) Mf (to, х) — математическое ожидание случайной функции f(o>,x). В этих обозначениях различные стохастические модели со статистическими, вероятностными и смешанными ограничениями записываются в однообразной форме [c.10]
В большинстве известных работ по стохастическому программированию целевая функция и ограничения задачи записываются в классических вероятностных понятиях и терминах. В тех случаях, когда целесообразно искать оптимальный план в виде случайного вектора, запись задачи в классических терминах становится мало обозримой и чрезмерно сложной для анализа. По-видимому, это не последняя причина ограниченных достижений в стохастическом программировании. [c.18]
Чтобы гарантировать существование M( hX)z, й=0,, 1,. .., s следует потребовать, чтобы компоненты случайных векторов съ. были почти наверное ограниченными величинами. Содержательные постановки многих задач стохастического программирования не требуют ограниченных дисперсий случайных параметров условий и компонент решения. При постановке и анализе таких задач естественно не ограничиваться рамками гильбертова пространства. Параметры условий и составляющие плана могут быть элементами более широких функциональных пространств. Выбор вероятностного пространства, среди элементов которого определяются решения задачи, — важный этап построения модели стохастического программирования, отвечающей изучаемому явлению. [c.20]
В 1—2 рассматриваются стохастические задачи с вероятностными ограничениями, порожденные моделями линейного программирования. В 1 оператор вероятности применяется к каждой строке ограничений в отдельности, а в 2 — одновременно к совокупности всех ограничений. В обоих параграфах рассматриваются такие распределения случайных параметров условий, при которых эквивалентные детерминированные задачи оказываются задачами выпуклого программирования. Параграф 3 посвящен построению эквивалентных детерминированных моделей для общей одноэтапной стохастической задачи с вероятностными ограничениями, порожденной, вообще говоря, нелинейной моделью математического программирования. В 4 рассматриваются две простые, но представляющие интерес для приложений частные модели стохастических задач, в которых решения определяются в детерминированных векторах. Параграфы 5—6 посвящены стохастическим моделям оценки невязок с детерминированными оптимальными планами. В 5 рассматривается классификация таких моделей. В 6 исследуются условия, при которых соответствующие детерминированные эквивалентные задачи являются задачами выпуклого программирования. Ясно, что только в таких случаях можно говорить о конструктивных методах решения задачи. [c.62]
В стохастических задачах с вероятностными ограничениями можно определять решение в виде детерминированных или случайных векторов х, в чистых или смешанных стратегиях. [c.62]
В п. 1.2 рассмотрена линейная стохастическая задача с вероятностными ограничениями, в которых случайными были только независимые между собой составляющие вектора Ь. Эквивалентная детерминированная задача (1.5) — (1.7) в этом случае оказалась линейной. Несколько сложнее обстоит дело в том случае, когда вероятностное ограничение задано в форме (б), даже если при этом отдельные компоненты вектора b независимы между собой. Эквивалентная детерминированная задача в этом случае формулируется следующим образом. Требуется вычислить детерминированные векторы х и g(x) (или х и 5), при которых [c.71]
Таким образом, детерминированная задача, эквивалентная стохастической задаче с вероятностными ограничениями, в которой случайные составляющие вектора Ъ независимы между собой и распределены по экспоненциальному закону, оказывается задачей. линейного программирования. [c.73]
Пусть распределение Рь(Б) — компонент случайного вектора в задаче с вероятностными ограничениями — приводит к эквивалентной задаче выпуклого программирования. Тогда и распределение Fb[h(B)], где h(S) — неотрицательная выпуклая вниз возрастающая функция, не равная тождественно постоянной, сводит стохастическую задачу к эквивалентной детерминированной задаче выпуклого программирования. [c.74]
Здесь обсуждаются стохастические модели с вероятностными ограничениями. Предполагается, что решающие правила представляют собой линейные функции случайных параметров условий задачи. Принятое допущение о нормальном распределении случайных составляющих вектора ограничений позволяет свести вычисление детерминированных параметров решающих правил к схемам выпуклого программирования. [c.84]
Здесь t - число этапов хт = (x,, X2,. . . , XT) - вектор переменных (план) <лт = (со,, j2>.. ., ыг) - вектор случайных событий M t pt(xt, ы ) ш 1 -условное математическое ожидание случайной вектор-функции
Во многих задачах управления в условиях неполной информации, свя занных с повторяющимися ситуациями, нет необходимости в том, чтобы ограничения задачи удовлетворялись при каждой реализации случая (или, как говорят, при каждой реализации состояния природы). Затраты на накопление информации или другие затраты, обеспечивающие исключение невязок в условиях задачи, могут превышать достигаемый при этом эффект. Часто конкретное содержание задачи требует лишь, чтобы вероятность попадания решения в допустимую область превышала некоторое заранее заданное число а>0. В тех случаях, когда возможные невязки в отдельных ограничениях вызьшают различный ущерб, целесообразно дифференцированно подходить к разным условиям. Чтобы уравновесить ущерб, определяемый невязками в разных условиях задачи, естественно ограничить снизу вероятность выполнения каждого из них различными числами а >0. Обычно аг>]/2- Подобные постановки задач стохастического программирования называются моделями с вероятностными ограничениями. Если коэффициенты линейной формы сх задачи детерминированы, то показатель 1 качества (1.1) является в то же время и целевой функцией задачи с вёроятност-ными ограничениями. Если компоненты вектора с случайны , TQ в качестве целевой функции задачи с вероятностными ограничениями обычно выбирают математическое ожидание линейной формы (1.1) или вероятность превышения линейной формой сх некоторого фиксированного порога. [c.9]
В настоящей главе обсуждаются методы построения решающих правил для одноэтапных задач стохастического программирования, а для отдельных моделей приводятся и явные выражения для решающих правил. В 1 рассматриваются частные модели первого класса, в которых предполагается, что решающие правила — линейные функции случайных составляющих условий задачи. Вычисление параметров решающих правил сводится к задачам выпуклого программирования. Параграф 2 посвящен изучению. М-модели с вероятностным ограничением общего вида. Относительно решающего правила л (со) не делается никаких предположений, кроме того, что л (со)—измеримая вектор-функция на множестве X произвольной структуры, на котором она определена. В 3 метод построения решающих правил из предыдущего параграфа обобщается на М-модель с конечнозначным ограничением — с условием, ограничивающим математическое ожидание случайной функции от х, принимающей конечное число значений. Таким условием может быть аппроксимировано любое статистическое ограничение. В 4 построены решающие правила (точнее, решающие таблицы) дляч Р-мо-дели с вероятностными ограничениями общего вида. В 5 рассматривается стохастическая задача со смешанными ограничениями. Эта модель отличается от задачи 4 дополнительными условиями, которые могут существенно изменить структуру решения. В 6—8 построены решающие правила для одноэтапных задач стохастического программирования со статистическими ограничениями достаточно общего вида. Модель, изученная в 6, представляет собой стохастический аналог общей задачи линейного программирования с двухсторонними ограничениями. Модель из 7 — стохастический аналог общей задачи квадратичного программирования. Модель, исследованная в 8, является стохастическим аналогом частной задачи выпуклого программирования с квадратичной целевой функцией и квадратичными ограничениями. Заключительный параграф главы ( 9) посвящен итеративным методам построения решающих правил одноэтапных задач стохастического программирования. [c.84]