- •Эконометрика и экономико-математические модели и методы
- •1 Эконометрика Предмет и область применения эконометрики.
- •Вопрос 11. Построение аддитивной и мультипликативной моделей временных рядов
- •Вопрос 12. Автокорреляция уровней временного ряда
- •Вопрос 13. Выбор вида уравнения тренда
- •2 Содержание экономико-математических моделей и методика их построения
- •Вопрос 14. Содержание экономико-математических моделей и методика их построения
- •Вопрос 15. Общая классификация экономико-математических моделей
- •Вопрос 16. Линейные экономико-математические модели
- •Вопрос 17. Формы записи задачи линейного программирования, их эквивалентность и способы преобразования
- •Вопрос 18. Двойственность в задачах линейного программирования
- •Вопрос 19. Экономический анализ решения задач линейного программирования
- •Вопрос 20. Транспортная задача линейного программирования
- •Вопрос 21. Векторная оптимизация
- •Метод линейной комбинации частных критериев
- •Метод ведущего критерия
- •Метод последовательных уступок
- •Метод равных и наименьших относительных отклонений
- •Модели управления однономенклатурными и многономенклатурными запасами
- •1. Входные:
- •2. Выходные:
- •Решение
- •Матричные игры
- •1 Решение матричных игр с нулевой суммой
- •Вопрос 22. Решение матричных игр с нулевой суммой для игр с седловой точкой
- •Вопрос 23. Решение игр с природой по различным критериям
- •3 Решение матричных игр с нулевой суммой для игр без седловой точки
- •Системы и модели массового обслуживания
- •Классификация систем массового обслуживания
- •Основные характеристики систем массового обслуживания
Метод линейной комбинации частных критериев
Вместо нескольких критериев вводится один новый в виде их взвешенной суммы. Т.о. задача математического программирования становится однокритериальной и имеет следующий вид:
При этом задается
вектор весовых коэффициентов всех
критериев а
= {al,...,ak},
характеризующих важность каждого
критерия.
.
Весовые коэффициенты
– это положительные числа, сумма которых
равна 1:
при этом
,
где K
– количество критериев.
Линейная скаляризованная функция FO (функция свертки) представляет собой сумму частных критериев, умноженных на весовые коэффициенты.
Критерии свертки могут быть нормализованы, т.е. приведены к единому масштабу и безразмерному виду (для непосредственного сравнения критериев).
Недостатки этого метода:
– малым приращениям весовых коэффициентов соответствует большие приращения функции свертки, т.е. решение задачи неустойчиво
– необходимость определения весовых коэффициентов
Преимущества:
– решение по этому методу оптимально, т.е принадлежит области компромиссов
Определить весовые коэффициенты можно, например, следующим образом. Важность главного критерия принимается за единицу, а для каждого из остальных устанавливается его относительная важность по сравнению с главным. Все полученные положительные числа должны быть меньше единицы. Затем каждое из них, в том числе и важность главного критерия (она равна единице) делят на их сумму и получают весовые коэффициенты.
******
В методах, использующих ограничения на критерии, применяются два подхода:
метод ведущего критерия;
методы последовательного применения критериев (метод последовательных уступок, метод ограничений).
Метод ведущего критерия
В
методе ведущего критерия
все целевые функции
кроме одной переводятся в разряд
ограничений. Пусть
– вектор, компоненты
которого представляют собой нижние
границы соответствующих критериев.
Задача будет иметь вид
Полученное этим методом решение может не быть эффективным, поэтому необходимо проверить его принадлежность области компромиссов.
Метод ведущего критерия применяется в таких задачах, как минимизация полных затрат при условии выполнения плана по производству различных видов продукции, максимизация выпуска комплектных наборов при ограничении на потребляемые ресурсы.
Метод последовательных уступок
В этом методе вместо многокритериальной задачи последовательно решается несколько однокритериальных задач (по числу критериев), причем для каждого последующего критерия вводится дополнительное ограничение на величину предыдущего критерия.
1. Вначале устанавливается предпочтительность всех критериев, т.е на первое место ставится самый важный критерий.
2.
Находится оптимальное решение
по самому важному критерию
с учетом системы ограничений (при этом
остальные критерии будут рассматриваться
на последующих этапах решения задачи).
Это решение
обращает в экстремум самый
важный критерий
.
3.
Лицом, принимающим
решение, устанавливается величина
уступки
.
Уступка назначается исходя из практических
соображений с учетом малой точности, с
которой нам известны входные данные.
Т.е мы согласны сделать эту уступку,
чтобы максимизировать второй критерий.
4.
Решается
задача по следующему критерию
с дополнительным ограничением.
В
том случае, если на этапе 2 решалась
задача на поиск максимума критерия
,
то дополнительное
ограничение имеет следующий вид:
.
Уступка здесь в меньшую сторону, т.к.
максимум функции уже найден.
В
случае, если на этапе 2 решалась задача
на поиск минимума критерия
,
то дополнительное
ограничение имеет следующий вид:
.
Уступка здесь в большую сторону, т.к.
найден минимум функции.
5. После
нахождения оптимального решения
по критерию
назначается по нему уступка и решается
задача по третьему критерию с двумя
дополнительными ограничениями по первым
двум критериям
6. Решение задачи продолжается до тех пор, пока не будет найдено значение наименее важного критерия при уступках по остальным критериям.
Метод хорош тем, что сразу видно, ценой какой уступки в одном показателе приобретается выигрыш в другом показателе и какова величина этого выигрыша.
Если лицо, принимающее решение, устраивают значения полученных критериев, то задача считается решенной. В противном случае изменяются величины уступок, и задача решается заново.
Пример. Решить задачу
методом последовательных уступок, если уступка по первому критерию составляет 10 % от его оптимального значения.
Решение
Поскольку в задаче указано, по какому критерию назначена уступка 10 %, то данный (первый) критерий считается самым важным.
Решаем однокритериальную задачу линейного программирования по критерию f1:
Получим оптимальное решение =160.
В соответствии с условием задачи величина уступки равна 1=0,1*160=16. Дополнительное ограничение будет иметь вид , то есть
.
Решим задачу
Получим оптимальное решение задачи Х*=(18, 42) и экстремумы целевых функций f1 (X*) = 144, f2 (X*) = 1440.
