Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Тема 5. Принятие решений в
условиях неопределённости и риска
Лекция 12
2
Классификация оптимизационных
задач
Проблема принятия
решения
нет
Одно лицо
да
Одна цель
да
нет
нет
Многокритериальная
оптимизация
Определенность
Принятие решения
в условиях
неопределенности и риска
да
Линейность
нет
Нелинейное
программирование
да
нет
Целочисленность
Теория игр
Линейное
программирование
3
да
Целочисленное
программирование
Теория принятия решений
— часть теории управления, изучающая способы
анализа, выработки образа действий в зависимости от
целевой установки и условий, в которых
осуществляется деятельность, располагаемых
ресурсов, состава исполнителей.
4
Теория принятия решений
область исследования, вовлекающая понятия и методы
математики, статистики, менеджмента и психологии;
изучает закономерности выбора людьми путей
решения разного рода задач;
исследует способы поиска наиболее выгодных из
возможных решений.
5
Классификация процесса принятия
решений
Принятие решений в условиях определенности (ЗЛП,
ЦЧП, ЗНЛП)
Принятие решений в условиях риска (исходные данные
могут быть описаны с помощью вероятностных
распределений)
Принятие решений в условиях неопределенности
Принятие решений в условиях конфликта (теория игр)
6
Задачи принятия решений в
условиях риска (УР)
– это задачи принятия решений, в которых исходные
данные (стоимости альтернатив) могут быть описаны с
помощью вероятностных распределений
Решения ЛПР
d1
d2
…
dm
7
Состояния среды
s1
s2
…
sn
Исходные данные в задаче принятия
решений в условиях риска
Исход: di , s j
Решения ЛПР
Состояния среды
s1
s2
…
sn
d1
d2
h(d1,s1)
h(d1,s2)
…
h(d1,sn)
h(d2,s1)
h(d2,s2)
…
h(d2,sn)
…
…
h(dm,s1)
…
h(dm,s2)
…
…
…
h(dm,sn)
dm
ℎ(𝑑𝑖 , 𝑠𝑗 ) – полезность принятого решения 𝑑𝑖 , 𝑖 = 1, … , 𝑚,
8
при реализации состояния 𝑠𝑗 , 𝑗 = 1, … , 𝑛.
Исходные данные в задаче принятия
решений в УР
Решения ЛПР
Состояния среды
s1
s2
…
sn
d1
d2
h(d1,s1)
h(d1,s2)
…
h(d1,sn)
h(d2,s1)
h(d2,s2)
…
h(d2,sn)
…
…
…
…
…
dm
h(dm,s1)
h(dm,s2)
…
h(dm,sn)
Вероятности
p(s1)
p(s2)
…
p(sn)
𝑝(𝑠𝑗 ) – вероятность реализации состояния 𝑠𝑗 , 𝑗 = 1, … , 𝑛.
9
Задачи принятия решений в
условиях риска (УР). Пример
Брать зонт?
Состояния среды
Решения ЛПР
10
Идёт
дождь
Нет дождя
Взять зонт
Не брать зонт
10
5
10
5
Прогноз погоды
0,3
0,7
Полезность и риск принятого
решения
ℎ 𝑑𝑖 , 𝑠𝑗 – полезность исхода 𝑑𝑖 , 𝑠𝑗 , 𝑖 = 1, … , 𝑚; 𝑗 = 1, … , 𝑛.
Математическое ожидание полезности решения 𝑑𝑖
(в случае дискретной 𝑠):
n
H (di ) h(di , s j ) p ( s j ), i 1,..., m
Ожидаемая
полезность
j 1
Дисперсия решения 𝑑𝑖 (в случае дискретной 𝑠):
D(di ) h(di , s j ) H (di ) p( s j ), i 1,..., m
n
11
j 1
2
Риск
Задача принятия решений в УР –
постановка 1
n
H (di ) h(di , s j ) p ( s j ) max
j 1
D(di ) h(di , s j ) H (di ) p( s j ) min
n
2
j 1
Двухкритериальная задача
(если ЛПР учитывает риск)
12
Задача принятия решений в УР –
постановка 2
n
H (di ) h(di , s j ) p(s j ) max
j 1
Однокритериальная задача (ЗЛП или ЗНЛП)
(если ЛПР не учитывает риск)
Задача принятия решения в условиях риска – это задача
максимизации
решения.
13
ожидаемой
полезности
принятого
Пример 1
100 урн
Урна типа I
Урна типа II
2
5
10
5
70 штук
?
14
10
8
30 штук
– Урна типа I или типа II?
Пример 2
Альтернативы
Состояние среды
s2
d1
d2
d3
$500
-$200
-$150
$1000
$0
$0
Вероятности
состояния среды
0,7
0,3
𝑑1 – «урна I типа»
𝑑2 – «урна II типа»
𝑑3 – «отказ от игры»
15
s1
Ожидаемая
полезность
𝑠1 – «урна I типа»
𝑠2 – «урна II типа»
Пример 1
n
H (di ) h(di , s j ) p ( s j ) max
j 1
H d1 500 0, 7 (200) 0,3 290
H d 2 (150) 0, 7 1000 0,3 195
H d3 0 0, 7 0 0,3 0
16
Оптимальное решение:
𝒅𝟏 – «урна I типа»
Пример 1
D(di ) h(di , s j ) H (di ) p( s j ) min
n
2
j 1
D d1 (500 290) 2 0, 7 (200 290) 2 0,3 102900
D d 2 (150 195) 2 0, 7 (1000 195) 2 0,3 277725
Оптимальное решение:
𝒅𝟑 – «отказ от игры»
17
Пример 2
100 урн
Урна типа I
Урна типа II
2
5
10
5
70 штук
?
18
10
8
30 штук
Достать один шар?
– $50!
– Урна типа I или типа II?
Дерево решений
Дерево решений – это ориентированный граф,
исходящий из одной вершины (основание
дерева), соответствующий исходной точке
процесса принятия решения.
Граф – это математический объект,
определяемый двумя множествами: множеством
узлов 𝑁 = 𝑥 , 𝑁 = 𝑛, и множеством рёбер
𝐺 = 𝑁 × 𝑁 = (𝑥, 𝑦) 𝑥 ∈ 𝑁, 𝑦 ∈ 𝑁 .
Граф называется ориентированным, если все
его рёбра имеют направление (ориентированы).
19
Вершины дерева принятия решений
Терминальные (концевые) вершины: никакие
рёбра не выходят; количественные оценки
варианта решения.
$100
Вершины принятия решения: выходят рёбра,
d1
соответствующие возможным альтернативам.
Случайные вершины: выходят вероятностные
20
рёбра, соответствующие исходам случайных
событий; указываются вероятности данных
исходов.
d2
0,2
0,1
0, 7
Этапы решения (1)
1. Выписывается дерево решений слева направо (в
направлении принятия решения). При этом на граф
наносятся все известные числовые характеристики.
2. Оценивается дерево решений последовательно по
шагам в обратном направлении, т.е., начиная с
терминальных вершин.
Для случайных вершин – последовательно
вычисляются математические ожидания
выигрышей.
Для вершин принятия решения – последовательно
21
вычисляются оценки лучших альтернатив.
Этапы решения (2)
3. Последний этап – это определение оптимального
решения. Для нахождения оптимального решения
дерево еще раз просматривается в прямом
направлении, отмечая наилучшие альтернативы в
точках принятия решения.
Метод тройной прогонки
22
Дерево решений 1
23
Дерево решений 2
24
Теорема 1. (Формула полной
вероятности)
25
Теорема 2. (Формула Байеса)
26
Вероятности для Дерева 2.
Вершина 2
W = «достали белый шар»
B = «достали чёрный шар»
P W / s1 0,5
P W / s2 0, 2
P B / s1 0,5
P B / s2 0,8
P W P W / s1 P s1 P W / s2 P s2 0,5 0, 7 0, 2 0,3 0, 41
P B P B / s1 P s1 P B / s2 P s2 0,5 0, 7 0,8 0,3 0,59
27
Вероятности для Дерева 2.
Вершины 9, 10
W = «достали белый шар»
B = «достали чёрный шар»
P W / s1 0,5
P W / s2 0, 2
P B / s1 0,5
P B / s2 0,8
P W 0, 41
P B 0,59
P W / s1 P s1
P s1 / W
P W
28
P s2 / W
P W / s2 P s2
P W
0,5 0, 7
0,854
0, 41
0, 2 0,3
0,146
0, 41
Вероятности для Дерева 2.
Вершины 12, 13
W = «достали белый шар»
B = «достали чёрный шар»
P W / s1 0,5
P W / s2 0, 2
P B / s1 0,5
P B / s2 0,8
P W 0, 41
P B 0,59
P B / s1 P s1
P s1 / B
P B
29
P s2 / B
P B / s2 P s 2
P B
0,5 0, 7
0,593
0,59
0,8 0,3
0, 407
0,59
Выигрыши для Дерева 2.
Терминальные вершины
19 : $500 $50 $450
20 : $200 $50 $250
21: $150 $50 $200
$50
22 : $1000 $50 $950
23 : $500 $50 $450
24 : $200 $50 $250
25 : $150 $50 $200
$50
30
26 : $1000 $50 $950
Оценка Дерева 2
9 : $450 0,854 ($250) 0,146 $347,8
10 : $200 0,854 $950 0,146 $32,1
12 : $450 0,593 ($250) 0, 407 $165,1
13 : $200 0,593 $950 0, 407 $268, 05
2 : $347,8 0, 41 $268, 05 0,59 $300, 75
31
Оптимальное решение.
Пример 2
В узле 1 игрок должен выбрать альтернативу
«Эксперимент».
2. Если игрок достал белый шар, то он выбирает
альтернативу «урна I типа».
1.
Если игрок достал чёрный шар, то он
выбирает альтернативу «урна типа II».
Математическое ожидание выигрыша составит
$300,75
33
Домашнее задание № 5
Решите задачу с помощью дерева решений.
(Таблицу строить НЕ надо!)
СРОК: 19.05.2020
34