9789
.pdfгда задачи оценки исследуемой системы сложны и не поддаются аналитиче-
скому решению, а также при исследовании долгосрочных проблем.
С учетом сложности разработки имитационных моделей важно создание базовых программных модулей, описывающих типовые ситуации, возникаю-
щие при имитационном моделировании. Процесс составления агрегатных мо-
делей на основе имеющихся модулей значительно ускоряет процесс имитаци-
онного моделирования исследуемой системы. Наличие готовых баз модулей,
имитирующих процессы поступления заявок в систему из внешней среды (зака-
зов на обслуживание), процессы обработки этих заказов, выдачи результатов и т. п., позволит значительно расширить области применения имитационных мо-
делей в задачах исследования сложных систем.
Экспериментальные модели исторически использовались одними из пер-
вых при проведении испытаний, исследовании сложных систем. Они дают наиболее полную и достоверную информацию об исследуемом объекте. В ряде отраслей экспериментальное моделирование является доминирующим при раз-
работке объекта. Например, обязательным этапом разработки новой конструк-
ции самолета является проведение испытаний его модели в аэродинамической трубе. По существу, целые этапы разработки многих видов аппаратуры, ком-
плексов, систем имеют своей конечной целью проведение экспериментов, ис-
пытаний разработок при соответствующих условиях эксплуатации. Лишь на основе практики, проведения испытаний можно окончательно судить о каче-
стве разработанного объекта.
В целом, все перечисленные модели, как правило, используются на разных этапах разработки изделий.
Аналитические модели в основном используются на первом этапе для по-
лучения общих ориентировочных оценок, помогающих обоснованно выбрать основные принципы и структуру построения проектируемого изделия. С целью более детальной проработки структуры построения отдельных узлов, связей между ними, взаимодействия с внешней средой используется имитационное
11
моделирование. Прогнозируемые на основе аналитического и имитационного моделирования параметры и качество функционирования изделия проверяются на экспериментальной уменьшенной (упрощенной), модели или натурном ла-
бораторном макете. Комплексные результаты исследований учитываются на дальнейшем этапе разработки опытных образцов и промышленного освоения выпуска изделий.
Процесс разработки моделей и их исследования на компьютере можно разделить на несколько основных этапов:
- Построение описательной информационной модели (выделение суще-
ственных параметров).
-Создание формализованной модели (запись формул).
-Построение компьютерной модели.
-Компьютерный эксперимент.
-Анализ полученных результатов и корректировка исследуемой модели.
На первом этапе исследования объекта или процесса обычно строится описательная информационная модель. Такая модель выделяет существенные с точки зрения целей проводимого исследования параметры объекта, а несуще-
ственными параметрами пренебрегает.
На втором этапе создается формализованная модель, то есть описательная информационная модель записывается с помощью какого-либо формального языка. В такой модели с помощью формул, уравнений, неравенств и пр. фикси-
руются формальные соотношения между начальными и конечными значениями свойств объектов, а также накладываются ограничения на допустимые значения этих свойств.
Однако далеко не всегда удается найти формулы, явно выражающие иско-
мые величины через исходные данные. В таких случаях используются прибли-
женные математические методы, позволяющие получать результаты с заданной точностью.
12
На третьем этапе необходимо формализованную информационную мо-
дель преобразовать в компьютерную на понятном для компьютера языке.
Существуют два принципиально различных пути построения компьютер-
ной модели:
1) создание алгоритма решения задачи и его кодирование на одном из язы-
ков программирования; 2) формирование компьютерной модели с использованием одного из при-
ложений (электронных таблиц, СУБД и т. д.).
В процессе создания компьютерной модели полезно разработать удобный графический интерфейс, который позволит визуализировать формальную мо-
дель, а также реализовать интерактивный диалог человека с компьютером на этапе исследования модели.
Четвертый этап исследования информационной модели состоит в прове-
дении компьютерного эксперимента. Если компьютерная модель существует в виде программы на одном из языков программирования, ее нужно запустить на выполнение и получить результаты.
Если компьютерная модель исследуется в приложении, например, в элек-
тронных таблицах, можно провести сортировку или поиск данных, построить диаграмму или график и так далее.
Пятый этап состоит в анализе полученных результатов и корректировке исследуемой модели. В случае различия результатов, полученных при исследо-
вании информационной модели, с измеряемыми параметрами реальных объек-
тов можно сделать вывод, что на предыдущих этапах построения модели были допущены ошибки или неточности. Например, при построении описательной качественной модели могут быть неправильно отобраны существенные свой-
ства объектов, в процессе формализации могут быть допущены ошибки в фор-
мулах и так далее. В этих случаях необходимо провести корректировку модели,
причем уточнение модели может проводиться многократно, пока анализ ре-
зультатов не покажет их соответствие изучаемому объекту.
13
Раздел 2. Принятие решений в условиях определенности.
Оптимизационные модели. Модели линейного программирования.
Основные вопросы, рассматриваемые на лекции: задачи линейного про-
граммирования, определение оптимального плана выпуска продукции и анализ чувствительности моделей ЛП. Транспортные модели, модели назначений.
Формулировка и варианты постановки транспортной задачи. Использование транспортной задачи для планирования рынка сбыта продукции с учётом раз-
личий издержек производства в подразделениях (филиалах) и транспортных за-
трат. Создание компьютерной модели этих задач на ЭВМ.
Характерные особенности задач линейного программирования (ЗЛП) сле-
дующие:
1) показатель оптимальности (целевая функция) f = f(x1, x2, … , xn) пред-
ставляет собой линейную функцию;
2) ограничительные условия (допустимое множество), налагаемые на возмож-
ные решения, имеют вид линейных равенств или неравенств.
Общая форма записи модели ЗЛП f c1x1 c2 x2 ... cn xn max
a11x1 a12x2 ... |
a1n xn b1 |
|
||||||||
a x a |
22 |
x ... |
a |
|
x b |
|||||
|
21 1 |
|
2 |
|
2n n |
2 |
||||
..................................................... |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
a |
|
x a |
|
|
x ... |
a |
x b |
|||
|
m1 1 |
|
m2 |
2 |
|
|
mn n |
m |
||
x |
|
0,i 1,2,..., n |
|
|
|
|||||
i |
|
|
|
|
|
|
|
|
|
Допустимое решение – это совокупность чисел (план) (x1, x2, …, xn), удо-
влетворяющих ограничениям задачи (принадлежащих допустимому множе-
ству).
Оптимальное решение – план, при котором целевая функция принимает максимальное (минимальное) значение.
Для решения ЗЛП существует универсальный метод − метод последова-
тельного улучшения плана или симплекс-метод. Для реализации указанного
14
метода в Excel, необходимо составить экономико-математическую модель за-
дачи, т.е. записать условия задачи в общей форме записи ЗЛП. Основная про-
цедура является общей для формулирования всех задач линейного программи-
рования:
Шаг 1. Определение переменных задачи, значения которых нужно получить в пределах существующих ограничений.
Шаг 2. Определение целевой функции через переменные задачи.
Шаг 3. Описание ограничений через переменные задачи (определение допусти-
мого множества).
Для решения задач оптимизации в Excel существует надстройка «Поиск решения». Чтобы использовать эту надстройку, необходимо сначала загрузить ее. Для этого:
на вкладке Файл выберите элемент Параметры, затем пункт Надстройки;
нажмите кнопку Перейти;
В окне Доступные надстройки установите флажок Поиск решения, а затем нажмите кнопку ОК.
Для вызова функции Поиск решения необходимо выбрать команду:
меню Данные → Поиск решения.
Раздел 3. Принятие решений в условиях неопределенности и риска.
Основные вопросы, рассматриваемые на лекции: критерии максимина,
Сэвиджа, Вальда, Гурвица, Лапласа. Дерево решений. Критерий максимизации ожидаемых доходов. Ожидаемая стоимостная оценка наилучшего решения.
Краткий теоретический материал.
При принятии решений в условиях неопределенности, когда вероятности возможных вариантов обстановки неизвестны, может быть использованы ряд кри-
териев, выбор каждого из которых, наряду с характером решаемой задачи, постав-
ленных целевых установок и ограничений, зависит также от склонности к риску лиц, принимающих решения.
К числу классических критериев, которые используются при принятии ре-
15
шений в условиях неопределенности, можно отнести:
максиминный критерий Вальда;
принцип недостаточного обоснования Лапласа;
критерий обобщенного максимина (пессимизма – оптимизма) Гурвица;
минимаксный критерий Сэвиджа.
Максиминный критерий Вальда используется в случаях, когда требуется га-
рантия, чтобы выигрыш в любых условиях оказывался не менее чем наибольший из возможных в худших условиях. Наилучшим решением будет то, для которого выигрыш окажется максимальным из всех минимальных при различных вариантах условий. Критерий, используемый при таком подходе, получил название максими-
на.
В соответствии с критерием Вальда в качестве оптимальной выбирается
стратегия: W max min wij , гарантирующая выигрыш не меньший, чем "нижняя
i j
цена игры с природой".
Правило выбора решения в соответствии с критерием Вальда можно ин-
терпретировать следующим образом: матрица решений [Wir] дополняется еще одним столбцом из наименьших результатов Wir каждой строки. Выбрать надлежит тот вариант, в строке которого стоит наибольшее значение Wir этого столбца. Выбранное таким образом решение полностью исключает риск. Это означает, что принимающий решение не может столкнуться с худшим результа-
том, чем тот, на который он ориентируется. Какие бы условия Vj не встретились,
соответствующий результат не может оказаться ниже W. Это свойство заставля-
ет считать критерий Вальда одним из фундаментальных. Поэтому в технических задачах он применяется чаще всего как сознательно, так и неосознанно. Однако в практических ситуациях излишний пессимизм этого критерия может оказаться очень невыгодным.
Применение этого критерия может быть оправдано, если ситуация, в кото-
рой принимается решение, характеризуется следующими обстоятельствами:
16
вероятности появления состояния Vj ничего не известно;
с появлением состояния Vj необходимо считаться;
реализуется лишь малое количество решений;
не допускается никакой риск.
Данный критерий прост и четок, но консервативен в том смысле, что ори-
ентирует принимающего решение на слишком осторожную линию поведения.
Поэтому критерием Вальда, главным образом, пользуются в случаях, когда необходимо обеспечить успех при любых возможных условиях.
Принцип недостаточного обоснования Лапласа используется в случае, если можно предположить, что любой из вариантов обстановки не более вероятен,
чем другой. Тогда вероятности обстановки можно считать равными и произво-
дить выбор решения так же, как и в условиях риска, – по минимуму средне-
взвешенного показателя риска.
Критерий Байеса-Лапласа учитывает каждое из возможных следствий всех
n |
1 |
|
вариантов решений: W max |
|
wij . |
|
||
i j 1 n |
|
Соответствующее правило выбора можно интерпретировать следующим образом: матрица решений [Wij] дополняется еще одним столбцом, содержащим математическое ожидание значений каждой из строк. Выбирается тот вариант, в
строках которого стоит наибольшее значение Wir этого столбца.
Критерий Байеса-Лапласа предъявляет к ситуации, в которой принимается решение, следующие требования:
вероятность появления состояния Vj известна и не зависит от времени;
принятое решение теоретически допускает бесконечно большое количество реализаций;
допускается некоторый риск при малых числах реализаций.
Критерий обобщенного максимина (пессимизма – оптимизма) Гурвица ис-
пользуется, если требуется остановиться между линией поведения в расчете на
худшее и линией поведения в расчете на лучшее.
17
В этом случае предпочтение отдается варианту решений, для которого ока-
жется максимальным показатель G, определяемый из выражения:
Gi k min wij
j
(1 k) max wij
j
где k – коэффициент, рассматриваемый как показатель оптимизма (0 <= k <= 1),
при k = 0 – линия поведения в расчете на лучшее, при k = 1 – в расчете на худ-
шее.
Нетрудно убедиться, что при k = 1 критерий Гурвица совпадает с критерием Вальда, т.е. ориентацией на осторожное поведение. При k = 0 – ориентация на предельный риск, так как большой выигрыш, как правило, сопряжен с большим риском. Значения k лежат в интервале [0,1] и являются промежуточными между риском и осторожностью и выбираются в зависимости от конкретной обстанов-
ки и склонности к риску лица, принимающего решение.
Правило выбора согласно этому критерию следующее: матрица решений [аij]
дополняется столбцом, содержащим средние взвешенные наименьшего и наибольшего результатов для каждой строки. Выбирается тот вариант, в строках которого стоят наибольшие элементы аir этого столбца.
В технических приложениях правильно выбрать этот множитель бывает так же трудно, как правильно выбрать критерий. Поэтому чаще всего весовой мно-
житель = 0.5 принимается в качестве средней точки зрения.
Минимаксный критерий Сэвиджа используется в тех случаях, когда требуется
влюбых условиях избежать большого риска.
Всоответствии с критерием Сэвиджа в качестве оптимальной выбирается такая стратегия, при которой величина риска принимает наименьшее значение в
самой неблагополучной ситуации: W min max(Wj max wij ) .
i j
Здесь величину W можно трактовать как максимальный дополнительный выигрыш, который достигается, если в состоянии Vj вместо варианта Ui выбрать другой, оптимальный для этого внешнего состояния вариант.
18
Соответствующее критерию Сэвиджа правило выбора следующее: каждый элемент матрицы решений [Wij] вычитается из наибольшего результата
W j max соответствующего столбца. Разности образуют матрицу остатков. Эта матрица пополняется столбцом наибольших разностей Wir. Выбирается тот ва-
риант, в строке которого стоит наименьшее значение.
В соответствии с этим критерием предпочтение следует отдать решению,
для которого потери максимальные при различных вариантах условий окажутся минимальными.
Этот критерий также относится к разряду осторожных. Однако, в отличие от критерия Вальда, который направлен на получение гарантированного выиг-
рыша, критерий Сэвиджа минимизирует возможные потери.
Общие рекомендаций по выбору того или иного критерия дать затрудни-
тельно. Однако отметим следующее: если в отдельных ситуациях не допустим даже минимальный риск, то следует применять критерий Вальда; если опреде-
ленный риск вполне приемлем, то можно воспользоваться критерием Сэвиджа.
Можно рекомендовать одновременно применять поочередно различные крите-
рии. После этого среди нескольких вариантов, отобранных таким образом в ка-
честве оптимальных, приходится волевым решением выделять некоторое окон-
чательное решение Такой подход позволяет, во-первых, лучше проникнуть во все внутренние
связи проблемы принятия решений и, во-вторых, ослабляет влияние субъектив-
ного фактора. Кроме того, в области технических задач различные критерии ча-
сто приводят к одному результату.
Нами рассмотрены наиболее общие (классические) методы, которые поз-
воляют обосновывать и принимать решение при неопределенности экономиче-
ских данных и ситуаций, недостатке фактической информации об окружающей среде и перспективных ее изменениях.
Следует отметить, что разработанные экономической теорией и практикой
способы и приемы решения задач в условиях риска и неопределенности не
19
ограничиваются перечисленными методами. В зависимости от конкретной си-
туации в процессе анализа используются и другие методы, способствующие решению задач, связанных с минимизацией риска.
Раздел |
4. |
Экономико-статистическое |
моделирование |
и |
прогнозирование. Модели корреляционно-регрессионного анализа.
Основные вопросы, рассматриваемые на лекции: парная и множественная корреляция и регрессия. Виды и формы связи между различными экономическими показателями. Коэффициенты регрессии и их экономический смысл. Оценки точности уравнения регрессии. Экономический анализ и прогнозные расчеты экономических показателей.
Краткие теоретические сведения
Одним из методов изучения взаимосвязей между различными показателя-
ми является корреляционный и регрессионный анализ.
Корреляционным анализом называется совокупность приемов, с помощью которых исследуются и обобщаются взаимосвязи корреляционно связанных ве-
личин. Мерой тесноты линейной корреляционной связи служит коэффициент корреляции Пирсона. Оценкой коэффициента парной (простой) линейной кор-
реляции служит выборочный коэффициент парной корреляции:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
rxy |
|
|
(x x)(y y) |
|
, |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
(x |
|
|
|
|
|
|
|
|
||||||
|
|
|
x)2 (y y)2 |
|
|
||||||||||
|
|
|
|
|
|||||||||||
где x |
и y – выборочные средние величины для x и y, а суммирование ве- |
дется по всем элементам выборки.
Известно, что -1 rxy 1.
При rxy > 0 имеем прямую корреляционную связь, т. е. с ростом значения одной переменной растет среднее значение другой, а при rxy < 0 – обратную, т.е.
с ростом значения одной переменной среднее значение другой убывает. Если rxy
= 0, то это означает отсутствие линейной корреляционной связи, а если rxy = 1, 20