книги из ГПНТБ / Шепелев, И. Г. Математические методы планирования и управления в строительстве конспект лекций
.pdf
|
|
|
|
ЛИТЕРАТУРА К ГЛАВАМ V—VI |
|||||
1. |
А р и с Р. Дискретное динамическое программирование. М., «Мир», 1969. |
||||||||
2. |
Б е к Н. Н., Г о л е н к о Д. И. |
Статистические |
методы оптимизации в |
||||||
экономических исследованиях. М., «Статистика», 1971. |
|
||||||||
3. |
Б е л л м а н Р., Д р е й ф у с С . |
Прикладные задачи динамического про |
|||||||
граммирования. М., «Наука», 1965. |
программирование. М., «Экономика», |
||||||||
4. |
Б и р м а н |
И. |
Я. |
Оптимальное |
|||||
1968. |
В е и т ц е л ь |
Е. |
С. |
Элементы |
динамического |
программирования, М., |
|||
5. |
|||||||||
«Наука», 1964. |
|
|
Л. |
В., Г о р с т к о А. |
Б. Математическое оптимальное |
||||
6. |
К а н т о р о в и ч |
||||||||
программирование в экономике, М., «Знание», |
1968. |
Дискретное программиро |
|||||||
7. |
К о р б у т А. А., |
Ф и и к е л ь ш т е й н Ю. Ю.. |
|||||||
вание, М., «Наука», 1969. |
|
|
|
«Прогресс», 1967. |
|||||
8. |
Л а н г е |
О. П. Оптимальные решения. М-> |
|||||||
9. |
М а й м и н а с |
Е. |
3. |
Процессы |
планирования в экономике. Изд. 2. М., |
||||
«Экономика», 1971. |
Методы поиска экстремума. М., |
«Наука», 1967. |
|||||||
10. У а й л д |
Д. |
||||||||
11. С ы р ц о в а |
Е. |
Д. |
Математические методы в планировании и управ |
||||||
лении строительным производством. М., «Высшая школа», 1972. |
|||||||||
12. Ш е п е л е в |
И. |
Г. |
О правомерности применения корреляционных мо |
делей в задачах математического программирования.— В сб. «Техника и техно логия месторождении полезных ископаемых. Вып. VII, М., «Недра», 1969.
4
Г Л А В А V I I
МЕТОД СТАТИСТИЧЕСКИХ ИСПЫТАНИЙ (МОНТЕ-КАРЛО)
§ 7.1. Статистическое моделирование
Метод статистических испытаний (Монте-Карло) представ ляет собой совокупность приемов и методов, позволяющих ими тировать (воспроизводить) случайные процессы и приближенно решать любые задачи на экстремум с применением при этом аппарата случайных чисел. Этот же метод позволяет неодно кратно производить математический эксперимент, т. е. проиг рывать на модели ситуацию несколько раз, причем ряд факто ров выбирается случайно, но в соответствии с законами их рас пределения. Другие параметры (неслучайные) при этом изме няются целенаправленно. В результате можно выбрать такие параметры, которые соответствуют оптимальному значению экономического показателя или оптимальной структуре.
В экономике и в технологии не всегда возможно провести некоторые эксперименты, так как всякий эксперимент связан с определенным риском получить отрицательный результат. Для проведения эксперимента в таких условиях можно использовать экономико-статистические модели. Результаты такого математи ческого экспериментирования только тогда заслуживают внима ния, когда эксперимент проводится на адекватной модели, и если моделирование осуществляется совершенными методами.
Метод статистических испытаний находит широкое приме нение при математическом имитационном моделировании вслед ствие того, что при помощи этого метода можно искусственно воспроизвести любой случайный процесс с заданными законами распределения. Строительный процесс [5], ввиду действия боль шого количества факторов, полностью учесть которые не пред ставляется возможным, также может быть отнесен к сложным динамическим стохастическим процессам. Поэтому на некото рых этапах планирования для нахождения параметров опти мального функционирования строительной организации целесо образно применить метод Монте-Карло.
Примером такого имитационного моделирования может быть решение задачи стохастического программирования, допустим
91
в постановке |
(5.5.8) — (5.5.11). |
Эту задачу нельзя решить ника |
ким другим |
методом из-за |
наличия ограничений (5.5.10) — |
— (5.5.11). При решении задачи задаются разные варианты де терминированных параметров, случайные величины моделируют ся в соответствии с законами их распределения. Решение такой задачи имитирует процесс производства, при котором достига ется максимум (5.5.8).
Но метод Монте-Карло может применяться и как чисто вы числительный, например, для вычисления определенного инте грала [2 ], для нахождения экстремума некоторых нелинейных функций (случайный поиск), для определения параметров кор реляционных формул и т. д. Основой метода является аппарат случайных чисел.
§ 7.2. Равномерная случайная последовательность чисел
Случайные процессы с известными параметрами могут быть реализованы в виде случайной последовательности чисел. Слу
чайная последовательность чисел — такая |
последовательность, |
||||
при которой нельзя наперед предсказать, какое число |
следу |
||||
ет за случайным числом gi_i. |
Наиболее простой и распростра |
||||
ненной является |
равномерная |
случайная |
последовательность |
||
чисел с пределами 0 и |
1. В дальнейшем эту последовательность |
||||
будем называть РСП |
(0,1). Принадлежность числа к РСП (0,1) |
||||
означает, что это |
число ^.больше или равно нулю и |
меньше |
|||
или равно единице, и вероятность появления такого числа |
|||||
Р, -= Р,> = ■• • Pi = Pi hi = Pn = |
— , |
(7.2.1) |
|||
|
|
|
|
n |
|
где п — количество чисел в последовательности, зависящее от числа знаков после запятой. Если после запятой идет один знак, т. е. g = 0; 0,1,..., 0,9; 1, то п = 11 и, следовательно, веро
ятность Р = |
если после запятой два знака, то п = 1 0 1 и |
11 ’
Р = _1_ и т. д.
101
Дифференциальный и интегральный законы распределения РСП (0,1) приведены на рис. 15.
Естественно, что
2 Р , = nP = 1, |
(7.2.2) |
i-i
что видно из определения вероятности Р (7.2.1) и графика 156).
92
Для получения (генерирования) чисел | |
РСП |
(0,1) |
суще |
ствует несколько методов. |
|
(см. |
прило |
1.. Разрабатываются таблицы случайных чисел |
|||
жение V). Таблицы составляются с помощью |
какого-либо ге |
||
нератора случайных чисел, например, рулетки (метод |
назван |
«Монте-Карло» по имени города, где особенно распространена игра в рулетку), аппарата жеребьевки, волчка с пронумерован ными гранями, игральной кости и т. д. До появления ЭВМ. таб
лицы были наиболее рас |
&) |
||
пространенными |
источни- |
||
ками |
случайных |
чисел. |
|
При широком использова |
р |
||
нии ЭВМ табличный ме |
|
||
тод получения случайных |
|
||
чисел |
стал применяться |
|
|
реже, так как для таблиц |
|
||
требуется большой объем |
|
||
памяти |
электронных вы |
z p ( • { |
числительных машин.
2. Случайные числа вы рабатываются с помощью генератора случайных чи сел, преобразующего ре зультаты .случайного фи зического процесса в по следовательность двойных разрядов ЭВМ. Обычно в
качестве генератора используют собственные шумы электронных приборов или излучение радиоактивных веществ. Электронный прибор используется в- качестве приставки к ЭВМ. При этом говорят, что машина имеет физический генератор случайных чи сел, получаемых в неограниченном .'количестве, высокого каче ства с большой скоростью. Однако ЭВМ оборудуются датчиками случайных чисел только в том случае, если на ней предусматри вается регулярное решение задач с применением метода МонтеКарло.
3. Наиболее распространенным стал метод получения случайных чисел с помощью программы. Для этого создаются специальные программы, преобразующие первоначально задан ное число в некоторую последовательность чисел, которая Может рассматриваться как случайная. Например, задаются числом £о» из этого числа путем арифметических и логических операций по лучаются следующее число £i и т. д. Таким образом, источником получения -каждого последующего числа является предыдущее.
93
Так как последовательность чисел g получается в результа те программы, эти числа не являются «истинно» случайными, их называют псевдослучайными. Однако эти числа могут ус пешно применяться для моделирования равномерного случай ного процесса, если удовлетворяют требованиям случайности и равномерности.
Существуют специальные методы проверки псевдослучайных чисел на случайность и равномерность [2 , 3].
§ 7.3. Получение случайных величин, заданных законами распределения, с помощью чисел РСП (0,1)
Обычно реальные случайные величины редко задаются рав номерной случайной последовательностью РСП (0,1). Реаль ные случайные величины чаще всего задаются:
а) равномерной случайной последовательностью с предела ми от а до Ь;
б) нормальным законом распределения; в) экспоненциальным законам распределения;
г) пуассоновским законом распределения и другими зако нами.
Очень часто реальные распределения случайных величин не подчиняются вообще никаким законам и могут быть заданы гистограммой или таблицей, полученными в результате обра ботки статистических данных.
В § 8.4 |
рассмотрен |
пример задания |
случайного |
процесса |
|
цепями Маркова. |
перехода от распределения РСП |
(0,1) |
|||
Рассмотрим методы |
|||||
к любому |
другому распределению случайных чисел. |
Способ |
|||
перехода к |
равномерному распределению |
с пределами |
а и b |
рассмотрен в § 7.4. Для перехода к другим законам распреде ления применяют основное соотношение перехода: если случай ная величина г] имеет плотность распределения f (х), то случай
ная величина | равна |
|
E= Jf(jc)dJC |
(7.3.1) |
—СЛ |
|
и имеет равномерный закон распределения в интервале (0 ,1 ). Но обычно задача состоит не в нахождении g g РСП (0,1), а в нахождении гр Зная закон распределения f (х) и выработав g, необходимо взять определенный интеграл (7.3.1) и решить по лученное выражение относительно т). К сожалению этот метод, имеющий универсальное значение, очень редко дцет практиче
94
ские результаты, потому, что не все интегралы берутся, а если
даже интеграл возьмется, то соотношение решить трудно из-за предела—со в выражении (7.3.1).
Однако |
отдельные преобразования случайных |
величин |
|||||||
РСП (0 ,1 ) |
в случайные величины |
(х) |
возможны. |
||||||
Рассмотрим некоторые из них. |
|
|
|
|
|||||
а) Экспоненциальное распределение. |
|
|
|||||||
Если |
случайная величина |
задана |
экспоненциальным зако |
||||||
ном распределения |
|
|
если л > |
|
|
||||
|
|
|
( |
- , п — А х |
0 |
|
|||
|
|
|
J |
Хе |
|
(7.3.2) |
|||
|
|
|
f (х) = |
0 , |
если Л" |
0 , |
|
||
|
|
|
| |
|
|
||||
|
|
|
|
|
|
|
|
А х |
|
ТО |
|
|
J f (х) Ах — |
| |
0 • 6.x + j хе dx. |
(7.3.3) |
|||
Первый |
интеграл |
выражения |
(7.3.3) |
равен |
нулю. |
Взяв второй |
|||
интеграл и сделав |
соответствующие преобразования, получим |
||||||||
|
|
|
&= |
1 |
|
|
|
(7.3.4) |
|
тогда |
|
|
ri = - |
- ^ М |
1 |
|
|
(7.3.5) |
|
|
|
|
|
к |
|
|
|
|
так как число | есть случайное число, принадлежащее РСГ1 (0,1), то (1 — |) можно заменить Окончательная формула для преобразования равномерной случайной последовательно сти в экспоненциальную последовательность, заданную зако ном (7.3.2), имеет вид:
(7.3.6)
б) Распределение типа
|
X |
х. |
— е |
lz‘, при ■х > |
|
f(x) = |
сг2 |
|
0 , |
при х < |
0
(7.3.7)
0
Графики распределений а) и б) приведены на рис. 16.
с = |
0 + |
Г■e~*r— |
d x = - е ~ ^ , |
(7.3.8) |
|
|
] |
а 2 |
|
|
|
|
0 |
|
|
|
|
тогда. |
= |
а ]/"— 2 |
In (1 —- £), |
(7.3.9) |
|
или |
Tj |
= а |
— 2 In %. |
(7.3.10) |
/ 95
Подобно показанному можно аналитически выразить огра ниченное количество распределений случайных величин через случайные числа РСП (0,1). Если такое выражение получено, то для формирования случайной величины rig f (х) необходимо
S)
Рис. 16. Графики распределений случайной величины
выработать случайное |
число |
РСП |
(0,1), подставить это |
число в формулы типа |
(7.3.6) |
и (7.3.10) |
и провести необходи |
мые вычисления. |
|
|
|
§ 7.4 Получение случайных чисел приближенными методами
Если для получения случайных чисел не удается использо вать основное соотношение перехода (7.3.1), пользуются при ближенным методом.
Рассмотрим применение приближенных методов на примере
нормального распределения. Нормальное распределение |
|
Нх) = -----Г д - е 2за“. |
(7.4.1) |
3 1 Л2 к |
|
Это наиболее часто встречающееся распределение случайных величин. Однако применение основного соотношения' (7.3.1) не возможно из-за того, что в выражении
9 6
не удается избавиться от предела —<*>.
Основой получения чисел тр распределенных нормально из чисел £ 6 РСП (0,1), является центральная предельная теорема теории вероятностей, в соответствии с которой, если величина а
1=П
имеет любое распределение, то Pj—2 ai ПРИ достаточно боль- i=i
шом п распределена нормально. Тогда для получения числа 7 , распределенного нормально, с математическим ожиданием 0 и
стандартным |
отклонением единицы, |
пользуются формулой: |
||||
|
|
1=П |
|
|
|
|
|
|
|
1 ), |
|
|
(7.4.3) |
|
|
1=1 |
|
|
|
|
здесь п — количество суммируемых |
случайных |
чисел |
(2 ;* 1 — 1 ), |
|||
имеющих равномёрное распределение с параметрами |
(—1 ; 1 ), |
|||||
с математическим |
ожиданием 0 и стандартным отклонением |
|||||
о = —. Для |
получения удовлетворительных нормальных чисел ^ |
|||||
3 |
(7.4.3) |
необходимо, чтобы п ^ |
10, |
т. е. для получе |
||
по формуле |
||||||
ния каждого числа -( необходимо |
выработать |
и преобразовать |
||||
по формуле (7.4.3) не менее 10 чисел | £ РСП |
(0,1). |
Для со |
||||
кращения затрат времени на выработку | |
применяют формулы |
|||||
коррекции, позволяющие уменьшить п. |
|
|
|
|||
Одна из таких формул: |
|
|
|
|
||
|
|
‘к— Тк-----(ЗТк — |
|
|
(7.4.4) |
|
|
|
20п |
|
|
|
|
Если пользоваться этой формулой коррекции, то можно приме
нять п = 5. Однако числа |
принадлежат нормальной случай |
|||
ной последовательности |
с математическим |
ожиданием |
0 и |
|
стандартным отклонением |
единицы |
НСП |
(0,1). Для |
полу |
чения нормальных чисел с параметрами а и а необходимо дестандартизировать эти числа по формуле:
|
|
% = |
a -f a 7k, |
(7.4.5) |
здесь г]£ |
НСП (а, |
а). |
|
чисел не |
Для |
получения |
последовательности нормальных |
||
обходимо: |
|
РСП (0,1); |
|
|
1) выработать п чисел ££ |
|
97
2) |
вычислить 7 к по формуле (7.4.3); |
(7.4.4); |
||
3) |
откорректировать ^ |
по |
формуле |
|
4) |
получить г| g НСП |
(а, а) по формуле (7.4.5); |
||
5) |
снова выработать п чисел £ и т. д. |
|
||
Для получения чисел РСП |
(а, Ь) (равномерно распределен |
|||
ных |
с пределами а и Ь) |
при |
помощи |
РСП (0,1) пользуются |
несложной формулой: |
|
|
|
|
|
■4, = |
а -И , (6 - а ) . |
(7.4.6) |
|
II |
|
О? |
о) |
чи |
|
Kj |
Рк
в/ аг а"
Рис. 17. Статистический закон распределения случайной величины
а) гистограмма; б) равновероятная гистограмма; в) интегральный график
Часто распределение случайной величины задано гистограм мой (рис. 17) или таблицей.
На рис. 17, а) изображены вероятности Р;, соответствующие каждому отрезку (щ— аг-i) случайной величины тр Для моде лирования необходимо преобразовать гистограмму а) таким
образом, чтобы каждому |
интервалу |
( |
ак — aK-i) |
соответствова |
|
ла равная вероятность Рк, т. е. Pi = |
Р2 |
... Рп. |
|
||
|
i p k = |
i. |
|
|
|
Тогда гистограмма будет |
иметь вид |
(рис. 17,6). |
Для получе |
ния чисел тр соответствующих статистическому закону, изобра женному гистограммой рис. 17, необходимо: 1) выработать чис
98
ло gi g РСП (0,1), в соответствии с которым |
выбирается отре |
|
зок (ак — ак-С), |
подразумевая, что на этом |
отрезке находится |
случайное число |
rj; 2) выработать число £2 |
6 РСП (0,1), при |
ПОМОЩИ КОТОРОГО С ф о р м и р о в а т ь ЧИСЛО Г|.
“ &k—1 ~\~^2 (^k |
^k—l). |
(7.4.7) |
Для выбора отрезка (ак — ак- 0 |
целесообразно |
график |
б) преобразовать в интегральный график с накопленными веро ятностями — в).