Оптимальные планы многоэтапных задач с условными статистическими или вероятностными ограничениями представляют собой решающие правила или решающие распределения — зависимости компонент решения или статистических характеристик распределения составляющих решения от реализованных и наблюденных к моменту выбора решения значений случайных параметров условий задачи. [c.14]
Модели стохастического управления, в которых закон управления или механизм управления учитывает последовательный характер накопления информации и может уточняться в процессе управления, описываются многоэтапными стохастическими задачами. Целевой функционал динамической задачи зависит от состояния системы на конечном (.S-M) этапе или от всей траектории системы. Область определения задачи отдельного этапа описывается жесткими или условными статистическими или условными вероятностными ограничениями. Оптимальные решающие правила или решающие распределения этих задач определяют законы управления или механизмы стохастического управления. [c.46]
Ограничения всех групп в зависимости от специфики задачи могут быть жесткими, статистическими или вероятностными (как правило, условными). [c.50]
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]
Область определения решающих правил в многоэтапных задачах линейного стохастического программирования >с безусловными вероятностными ограничениями может быть записана следующим образом [c.200]
В общем случае неясно, как записать выражения для области К в более конструктивной форме. В этом трудность исследования задач стохастического программирования с безусловными вероятностными ограничениями. Однако при некоторых частных предположениях относительно вида решающих правил [или относительно функций распределения Fbv(-)] удается получить явное выражение для области (4.7) и решить задачу (4.8). [c.200]
В литературе исследуются и (при некоторых предположениях относительно распределения случайных параметров условий задачи) решаются задачи с безусловными вероятностными ограничениями, в которых решающие правила заранее предполагаются линейными. Решение многоэтапных стохастических задач с безусловными ограничениями при достаточно общих предположениях относительно допустимых решающих правил требует преодоления серьезных теоретических и вычислительных трудностей. В ряде случаев исследование упрощается при сведении задачи с безусловными статистическими ограничениями к эквивалентной стохастической задаче с условными статистическими ограничениями. [c.201]
В главе приводится качественное исследование многоэтапных задач -стохастического программирования с апостериорными решающими правилами ( 1). В 2 формируется общий рекуррентный алгоритм построения апостериорных решающих правил. В 3 алгоритм конкретизируется применительно к многоэтапной стохастической задаче с условными вероятностными ограничениями, а в 5 — применительно к многоэтапной квадратичной задаче с условными статистическими. ограничениями. Параграф 4 посвящен Л-задаче, двойственной к многоэтапной задаче стохастического программирования. [c.207]
Приведем общую схему построения апостериорных решающих правил для многоэтапной задачи стохастического программирования с условными вероятностными ограничениями. Эта задача представляет собой частный случай модели (1.1) — (1.2), в которой на каждом этапе ФА(ШЙ, х11) представляет собой характеристическую функцию случайного множества Gk(u>h, ft 1), зависящего от решений, выбранных на предшествующих этапах, [c.212]
Используя схему построения апостериорного решающего правила одноэтапной задачи с вероятностным ограничением, изложенную в 2 гл. 4, и результаты предыдущего параграфа, можно получить полное описание решения задачи (3.1) — (3.2). [c.212]
Теорема 2.2.. Если векторы А, Сг статистически независимы от Ь 1, с -1, i =l,...,n, и си — фиксированные векторы,, то среди оптимальных решающих правил многоэтапных задач с условными вероятностными ограничениями имеются правила нулевого порядка (другими словами, в условиях теоремы задача (1.3) — (1.5) имеет решение в детерминированных векторах). , .. ..... [c.237]
Как мы видели, вычисление априорных решающих правил линейной многоэтапной стохастической задачи с условными вероятностными ограничениями сводится к решению задачи вида (1.6) — (1.8). Условная функция распределения компонент вектора bi при фиксированном наборе со1 -1 предполагается известной. Однако вычисление [c.239]
Сформулируем условия, гарантирующие кусочную линейность оптимальных решающих правил линейных многоэтапных задач стохастического программирования с условными вероятностными ограничениями. [c.249]
При допущениях, аналогичных допущениям п. 4.1, можно построить оптимальные априорные решающие правила для частного класса нелинейных многоэтапных задач стохастического программирования с условными вероятностными ограничениями. [c.250]
Отметим, что многоэтапные задачи стохастического программирования не являются тривиальными обобщениями двухэтапных задач. Многие результаты, справедливые для двухэтапных задач общего вида, неверны для многоэтапных. Например, оптимальные решающие правила линейных двухэтапных задач с вероятностными ограничениями — кусочно-линейные функции от некоторых случайных параметров условий задачи. Для многоэтапных задач это утверждение, вообще говоря, неверно [70]. [c.256]
В ряде стохастических задач требование целочисленности не вызывает дополнительных трудностей при построении решающих правил и решающих распределений. С такими ситуациями сталкиваются, главным образом, в моделях, в которых помимо вероятностных или статистических условий имеются жесткие ограничения типа x G и методы построения решающих правил не исключают дискретный характер множества G. К сожалению, чаще приходится встречаться со стохастическими задачами, в которых требование целочисленности существенно усложняет конструирование решающих правил. В ряде случаев трудности могут быть обойдены, если содержательный смысл задачи позволяет определять оптимальный план не в виде решающих правил, а в виде решающих распределений (т. е. не в чистых, а в смешанных стратегиях). [c.149]
Известно, однако, что соответствующие вероятностные распределения конкретных исследуемых параметров не всегда удается получить ввиду ограниченного количества экспериментов и, кроме того, нередко подобное распределение должно носить объективный (независимый от взглядов ЛПР) характер. Это, по-видимому, относится и к задачам, в которых статистическая информация собирается от экспертов. В подобных задачах необходимо построить методику опроса так, чтобы субъективное мнение экспертов о процессах и явлениях было достаточно объективным . Кроме того, в проблематике теории нечетких множеств рассматриваются объекты (параметры) иной природы (характеризующие оттенки цвета и другие качественные категории) и, как правило, не-имеющие больших массовых данных, пригодных для статистического анализа. [c.23]
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]
Теорема 1.1. Целевая функция Qi(xt) f -го этапа многоэтапной ли-нейной задачи стохастического программирования с условными вероятностными ограничениями является выпуклой вверх функцией на множестве Ki допустимых решающих правил. [c.235]
Однако при некоторых дополнительных допущениях построение решающих правил удается, тем не менее, провести. Проиллюстрируем эти соображения на примере трехэтапной линейной задачи с условными вероятностными ограничениями. [c.247]
В (308] и 169] утверждалось, что оптимальные решающие правила Xs ( oft-1) многоэтапных линейных стохастических задач с условными вероятностными ограничениями представляют собой кусочно-линейные функции от F 1 (I—afe( oft-1)) и решающих правил предшествующих этапов. В [70] указано, что сформулированное утверж--дение, тривиальное для двухэтапной задачи, вообще говоря, несправедливо при числе этапов, большем двух. Там же построен соответствующий пример. В последующей работе Э10] авторы привели некоторые условия, при которых, по их мнению, оптимальные решающие правила многоэтапных задач кусочно-линейны. Можно, однако, построить задачи, удовлетворяющие требованиям из [310], оптимальные решающие правила которых тем не менее не кусочно-линейны. [c.249]
В теории контрактов [7] исследовались модели определения оптимального числа работников (в основном, однородных) при ограничениях согласованности стимулирования и резервной заработной платы [45]. Обычно в работах зарубежных авторов по теории контрактов считается, что на момент заключения контракта будущее значение состояния природы (внешнего неопределенного фактора, определяющего условия функционирования АС) неизвестно ни центру, ни потенциальным работникам, но они имеют о нем информацию в виде вероятностного распределения. Задача центра заключается в определении зависимости вознаграждения работников от результатов их деятельности или действий (причем работники, как правило, считаются однородными) и числа работников, нанимаемых в зависимости от состояния природы, которые максимизировали бы математическое ожидание целевой функции центра при условии, что всем принятым на работу гарантируется уровень полезности не меньший резервной заработной платы (при этом может добавляться условие обеспечения центром определенных гарантий для безработных). Отметим, что сформулированная задача существенно проще (так как не учитывается активность работников), чем базовая модель теории контрактов, в которой фигурирует дополнительное условие выбора АЭ действия, максимизирующего его ожидаемую полезность при заданной системе стимулирования [50]. В настоящей работе нас будут интересовать постановки задач формирования состава АС, учитывающие активность всех ее участников. [c.8]