«С.С. Смородинский, Н.В. Батин ОПТИМИЗАЦИЯ РЕШЕНИЙ НА ОСНОВЕ МЕТОДОВ И МОДЕЛЕЙ МАТЕМАТИЧЕСКОГО ПРОГРАММИРОВАНИЯ Учебное пособие по курсу Системный анализ и исследование операций для студентов специальности ...»

Дисциплина обслуживания FIFO. Так как потоки сигналов каждого типа являются пуассоновскими, поток всех сигналов также можно считать пуассоновским. Хотя время обслуживания сигналов каждого типа представляет собой случайную величину, распределенную по экспоненциальному закону, время обслуживания всех сигналов нельзя считать экспоненциальной случайной величиной, так как среднее время обработки сигналов разных типов различно. Поэтому АСУТП представляет собой СМО типа M/G/1 с заявками разных типов (сигналы A, B, C), для которых требуется разное время обслуживания: x1 = 0,02 с, x 2 = 0,05 с, x3 = 0,1 с. Расчет характеристик такой СМО показан в подразделе 8.11.

Найдем среднее время обработки всех сигналов по формуле (8.35):

x = 0,05·0,02 + 0,32·0,05 + 0,63·0,1 = 0,08 с.

Найдем коэффициент вариации времени обслуживания всех заявок, как показано в подразделе 8.11. Время обслуживания сигналов каждого типа – случайная величина, распределенная по экспоненциальному закону. Из теории вероятностей известно, что для таких случайных величин дисперсия определяется по формуле:

D = x, где x – математическое ожидание (среднее значение) случайной величины.

Таким образом, DA = 0,02 = 0,0004, DB = 0,05 = 0,0025, DC = 0,1 = 0,01. Выполнив расчеты по формулам (8.36)–(8.39), вычислим коэффициент вариации времени обслуживания всех заявок: = 1,107.

Дальнейший расчет выполняется согласно подразделу 8.7, т.е. для СМО типа M/G/1 без ограничений на очередь, где = 9,5 сигнала/с, x = 0,08 с, µ = 1/ x = 12, сигнала/с, = 1, = 1,107. Результаты приведены в табл. 8.4.

Обслуживание с относительными приоритетами. При такой дисциплине обслуживания сигналы A, B, C представляют собой заявки с первым, вторым и третьим уровнем приоритета соответственно.

По формуле (8.40) найдем нагрузку на СМО, создаваемую сигналами каждого типа: A = 0,01; B = 0,15; C = 0,6. По формуле (8.41) вычислим общую нагрузку на СМО: = 0,76.

Найдем среднее время пребывания в очереди для сигналов каждого типа. Для сигналов типа A это время вычисляется по формуле (8.42), для других сигналов – по формуле (8.43):

Примечание. В расчетах по формулам (8.42) и (8.43) использовались значения коэффициентов вариации j = 1, j = 1, …, 3, так как время обработки сигналов всех типов представляет собой случайную величину, распределенную по экспоненциальному закону.

Полученные величины означают, что для сигналов типа A среднее время пребывания в очереди (т.е. время от поступления сигнала в АСУТП до начала его обработки) составляет 0,0684 с, для сигналов типа B – 0,0814 с, для сигналов типа C – 0,3358 с. Как и следовало ожидать, чем выше приоритет сигнала, тем меньше время его пребывания в очереди.

Остальные характеристики работы АСУТП найдем по формулам (8.46)–(8.61).

Полученные характеристики для каждого типа сигналов, а также средние характеристики для сигналов всех типов приведены в табл. 8.4.

Обслуживание с абсолютными приоритетами. Найдем среднее время пребывания в очереди для сигналов каждого типа. Для сигналов типа A это время вычисляется по формуле (8.44), для других сигналов – по формуле (8.45):

0,1 (0,01+ 0,15) 0,01 0,02 (1+12 ) + 0,15 0,05 (1+12 ) + 0,6 0,1 (1+12 ) Для сигналов, имеющих высший приоритет (сигналов типа A), время пребывания в очереди оказалось очень малым, так как для таких сигналов ожидание в очереди требуется только в том случае, если в момент поступления такого сигнала в АСУТП обрабатывается сигнал такого же типа.

Остальные характеристики работы АСУТП найдем по формулам (8.46)–(8.61).

Результаты приведены в табл. 8.4.

Из полученных результатов видно, что среднее время пребывания заявки в СМО t (т.е. среднее время от поступления сигнала в АСУТП до окончания его обработки) для дисциплины обслуживания FIFO составляет 0,362 с, для обслуживания с относительными приоритетами – 0,321 с, с абсолютными приоритетами – 0,307 с. Таким образом, для того, чтобы среднее время обработки сигналов в АСУТП было минимальным, следует использовать дисциплину обслуживания с абсолютными приоритетами.

8.13. Многофазные СМО. Сети СМО Многофазные СМО и сети СМО состоят из нескольких типовых узлов (см. рис.

8.1), т.е. представляют собой совокупность нескольких СМО.

Многофазные СМО состоят из нескольких типовых узлов, расположенных последовательно. Все заявки, обслуженные в одном узле, направляются в следующий узел. Другими словами, выходной поток одного узла многофазной СМО является входным потоком для следующего.

Сеть СМО также состоит из нескольких типовых узлов СМО. Однако порядок прохождения узлов может быть различным для разных заявок. Для части заявок может требоваться обслуживание во всех узлах, а для других – только в некоторых из Точный расчет характеристик таких СМО возможен только в случае, если все потоки заявок являются пуассоновскими, а все времена обслуживания – экспоненциальными случайными величинами. В других случаях возможен лишь приближенный расчет характеристик СМО.

При расчете характеристик многофазных СМО и сетей СМО необходимо учитывать следующее:

• если на вход СМО поступает несколько потоков заявок, то интенсивность полного потока заявок в этой СМО равна сумме интенсивностей отдельных потоков;

• если на вход СМО поступает часть заявок из некоторого потока, интенсивность которого равна, то интенсивность входного потока заявок в СМО можно определить по формуле вх = P, где P – вероятность попадания заявки во входной поток;

• интенсивность выходного потока в СМО (т.е. потока обслуженных заявок) равна интенсивности входного потока.

Пример 8.8. На производственный участок У3 поступают для обработки детали с двух других участков (У1 и У2). Схема участка У3 приведена на рис. 8.2.

Рис. 8.2. Схема участка для примера 8. Детали с участка У1 поступают в среднем через каждые 10 мин, с участка У2 – через каждые 15 мин. Все детали проходят обработку на станке СТ1. Обработка детали на этом станке занимает от 3 до 7 мин. Со станка СТ1 детали направляются на группу из трех одинаковых станков СТ2. Перед этими станками находится накопитель для деталей, ожидающих обработки (общий для всех трех станков). Деталь направляется на любой свободный станок СТ2. Обработка детали на станке СТ2 занимает в среднем 20 мин. Накопитель, расположенный перед станками СТ2, вмещает 8 деталей. При его заполнении детали направляются для обработки на станок СТ3. Обработка на этом станке занимает в среднем 25 мин.

При обработке деталей возможны дефекты. На станках СТ2 дефект допускается примерно в 8% случаев, на станке СТ3 – в 15% случаев. Все дефектные детали направляются на станок СТ4 для устранения дефекта; это занимает в среднем 10 мин.

Требуется найти характеристики работы всех станков, а также определить среднее время пребывания детали на участке У3.

Характеристики станков приведены в табл. 8.5. Их расчет рассматривается ниже.

Расчет характеристик станка СТ1. Чтобы выполнить этот расчет, будем считать потоки деталей из цехов У1 и У2 пуассоновскими. Тогда станок СТ1 можно рассматривать как одноканальную СМО, где поток заявок является пуассоновским, а время обслуживания распределено по равномерному закону, т.е. СМО типа M/G/1.

Найдем интенсивности потоков деталей с участков У1 и У2: 1 = 0,1 детали/мин, 2 = 0,07 детали/мин. Интенсивность входного потока для станка СТ1 равна сумме интенсивностей этих потоков: СТ1 = 0,17 детали/мин. Среднее время обработки детали x СТ1 = (3 + 7)/2 = 5 мин, интенсивность обработки деталей µСТ1 = 1/5 = 0,2 детали/мин.

Из табл. 8.1 найдем коэффициенты вариации, необходимые для расчета средней длины очереди: = 1 (так как поток заявок – пуассоновский), = 0,23 (определяется по формуле для равномерного закона распределения). Дальнейший расчет выполняется, как показано в подразделе 8.7.

Расчет характеристик станков СТ2. Будем считать поток деталей, выходящих со станка СТ1, пуассоновским (хотя это не вполне точно, так как время обработки на станке СТ1 – не экспоненциальная, а равномерная случайная величина). Будем также считать, что время обработки деталей на станках СТ2 представляет собой экспоненциальную случайную величину. Тогда группу станков СТ2 можно рассматривать как трехканальную марковскую СМО (M/M/3) с ограничением на длину очереди (так как накопитель вмещает только 8 деталей, и при его заполнении детали направляются на другой станок). Здесь СТ2 = 0,17 детали/мин (так как на станки СТ2 поступают все детали со станков СТ1), x СТ2 = 20 мин, µСТ2 = 0,05 детали/мин, n = 8.

Расчет характеристик станка СТ2 выполняется согласно подразделу 8.9.

Расчет характеристик станка СТ3. На этот станок поступают детали, не попавшие на станки СТ2 из-за заполнения накопителя (т.е. детали, получившие отказ в обслуживании). Поэтому интенсивность входного потока для станка СТ3 можно найти следующим образом: СТ3 = PоткСТ2 = 0,16·0,17 = 0,027 детали/мин (здесь Pотк = 0,16 – вероятность отказа в обслуживании для группы станков СТ2; см. табл.

8.5). Будем считать поток деталей на станок СТ3 пуассоновским, а время обработки на этом станке – экспоненциальным. Тогда станок СТ3 можно рассматривать как одноканальную марковскую СМО (M/M/1) без ограничений на очередь, где СТ3 = 0, детали/мин, x СТ3 = 25 мин, µСТ3 = 0,04 детали/мин. Расчет характеристик станка СТ3 выполняется согласно подразделу 8.7.

Расчет характеристик станка СТ4. На этот станок поступает 8% деталей, обработанных на станках СТ2, и 15% деталей, обработанных на СТ3. Поэтому интенсивность входного потока для станка СТ3 можно найти следующим образом:

СТ4 = 0,08·СТ2 + 0,15·СТ3 = 0,08·0,14 + 0,15·0,027 = 0,015 детали/мин (здесь СТ3 – значения пропускной способности станков СТ2 и СТ3; см. табл. 8.5). Будем считать поток деталей на станок СТ4 пуассоновским, а время обработки на этом станке – экспоненциальным. Тогда станок СТ4 можно рассматривать как одноканальную марковскую СМО (M/M/1) без ограничений на очередь, где СТ4 = 0,015 детали/мин, x СТ4 = 10 мин, µСТ4 = 0,1 детали/мин. Расчет характеристик станка СТ4 выполняется согласно подразделу 8.7.

Расчет среднего времени пребывания детали на участке У3. Все детали проходят обработку на станке СТ1. Среднее время пребывания детали на этом станке (включая время ожидания обработки и само время обработки) составляет 19,9 мин.

Затем 84% деталей проходят обработку на одном из станков СТ2; среднее время пребывания детали на этих станках составляет 51,29 мин. Остальные 16% деталей обрабатываются на станке СТ3; среднее время пребывания детали на этом станке – 76, мин. Кроме того, для 8% деталей, обрабатывавшихся на станках СТ2, и 15% деталей, обрабатывавшихся на станке СТ3, требуется устранение дефекта на станке СТ4. Это занимает в среднем 11,8 мин. Таким образом, среднее время пребывания детали на tУ 3 = 19,9 + 0,84·51,29 + 0,16·76,9 + (0,84·0,08 + 0,16·0,15)·11,8 = 76,36 мин.

По результатам анализа характеристик станков можно выявить следующие недостатки в работе участка и предложить способы их устранения:

• перегрузка группы станков СТ2 и недостаточная загрузка станка СТ3. Для устранения этого недостатка можно предложить уменьшить размер накопителя перед станками СТ2.

В таком случае большее количество деталей будет направляться на станок СТ3. В результате загрузка станков СТ2 снизится, а станка СТ3 – повысится;

• явная недогрузка станка СТ4: станок простаивает 85% рабочего времени. Для устранения этого недостатка можно предложить использовать станок СТ4 не только для устранения дефектов, но и для каких-либо других работ. Другой вариант – вообще отказаться от станка СТ4 и выполнять устранение дефектов на тех станках, где изделие изготавливается, т.е. на станках СТ2 и СТ3 (если это возможно).

8.14. Замкнутые СМО Замкнутые СМО – это СМО с фиксированным количеством заявок, периодически требующих обслуживания.

Будем обозначать количество заявок в замкнутой СМО как N, а среднее время между окончанием обслуживания заявки и ее следующим обращением за обслуживанием (время между обращениями) – как T. Как и для других СМО, количество каналов будем обозначать как m, а среднее время обслуживания заявки – как x.

Точный расчет характеристик замкнутых СМО возможен только в случае, если и время обслуживания заявки, и время между обращениями представляют собой случайные величины, распределенные по экспоненциальному закону.

Характеристики эффективности работы замкнутых СМО в основном те же, что и для разомкнутых СМО. Однако расчет характеристик для замкнутых и разомкнутых СМО существенно различается.

Для расчета характеристик замкнутых СМО применяются следующие формулы.

Вероятность простоя:

(8.62) Среднее число заявок в очереди:

Среднее число заявок на обслуживании (среднее число занятых каналов):

Среднее число заявок в СМО:

Среднее время пребывания заявки в СМО:

Среднее время пребывания заявки в очереди:

Коэффициент загрузки:

Пропускная способность:

Вероятности пребывания в СМО j заявок:

Примечание. Формула (8.71) позволяет найти вероятности состояний СМО, при которых очередь отсутствует (количество заявок, обслуживаемых в СМО, не превышает количества каналов), а формула (8.72) – вероятности состояний при наличии очереди.

Пример 8.9. В цехе имеется 10 установок для производства пластмассы. Заправка установки сырьем занимает в среднем 20 мин. После заправки установка работает в среднем 2 часа; затем требуется новая заправка. Производительность установки – 12 кг пластмассы в час. Прибыль предприятия от продажи одного килограмма пластмассы составляет 3 ден. ед. Оператор, обслуживающий установки, получает 70 ден.

ед. за рабочую смену (8 часов). Требуется определить, сколько операторов должно обслуживать цех, чтобы прибыль предприятия от его работы была максимальной.

Операторы, выполняющие заправку установок, могут рассматриваться как замкнутая СМО. Заявками в такой СМО являются установки, для которых периодически требуется заправка. Здесь T = 120 мин, x = 20 мин, N = 10. Будем считать, что время работы установки (время между заправками) и время ее заправки – экспоненциальные случайные величины. Тогда операторы могут рассматриваться как замкнутая СМО типа M/M/m. Величину m (количество операторов) требуется выбрать по результатам решения задачи.

Пусть в цехе работает только один оператор (m = 1). Найдем характеристики работы оператора по формулам (8.62)–(8.70): P0 = 0,043; q = 3,302 установки;

S = 0,957 установки; k = 4,259 установки; t = 89,017 мин; w = 69,017 мин;

U = 0,957; = 0,048 установки/мин.

Например, вероятность простоя определяется по формуле (8.62) следующим образом:

10!( 20 / 120)1 10!(20 / 120)2 10!(20 / 120)3 10!( 20 / 120)4 10!(20 / 120) Вычислим, какую долю рабочего времени составляют простои установок, связанные с заправкой и ожиданием заправки. Величина t = 89,017 мин означает, что простой установки (включающий ожидание заправки и саму заправку) занимает в среднем 89,017 мин. После заправки установка работает в среднем 120 мин, затем снова простаивает в течение 89,017 мин, и т.д. Таким образом, простои составляют 89,017/(120 + 89,017) = 0,426, или 42,6% рабочего времени. Установка работает только 100 – 42,6 = 57,4% рабочего времени.

Определим прибыль от работы цеха за рабочую смену (8 часов). В цехе имеется 10 установок. Каждая установка выпускает 12 кг пластмассы в час (когда установка ожидает заправки или заправляется, она не выпускает пластмассу). Каждый килограмм пластмассы приносит предприятию прибыль в размере 3 ден. ед. Из этой прибыли необходимо вычесть заработную плату оператора (70 ден. ед.). Таким образом, прибыль от работы цеха за 8 часов можно найти так: 108(1 – 0,426)123 – 70 = Видно, что данный вариант организации работы цеха имеет серьезные недостатки, основной из которых – значительные простои установок в ожидании заправки, что приводит к потерям прибыли. Еще один недостаток – явная перегрузка оператора (коэффициент загрузки составляет 0,957).

Выполним аналогичные расчеты для случаев, когда в цехе работают 2, 3 или оператора (m = 2, 3 или 4). Результаты приведены в табл. 8.6.

Из табл. 8.6 видно, что максимальная прибыль от работы цеха (2235 ден. ед. за смену) достигается, если обслуживание установок выполняется тремя операторами (m = 3). При большем количестве операторов прибыль снижается, так как затраты, связанные с заработной платой операторов, превышают выигрыши от сокращения простоев установок.

Таким образом, можно рекомендовать, чтобы установки для производства пластмассы обслуживали три оператора. Однако следует отметить, что этот вариант имеет и недостаток – низкую загрузку операторов (U = 0,472).

9. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ РИСКА

И НЕОПРЕДЕЛЕННОСТИ

9.1. Понятия риска и неопределенности. Постановка задачи Во многих случаях результат принятия решения зависит не только от самого решения, но и от некоторых внешних условий. Под внешними условиями понимаются любые факторы, на которые невозможно влиять (или возможность такого влияния ограничена): спрос на продукцию, действия конкурентов, природно-климатические факторы и т.д. Так как заранее точно неизвестны условия реализации решения, не могут быть заранее известны и его результаты: прибыль, затраты, сроки реализации решения и т.д.

Под неопределенностью понимается неполнота информации о внешних условиях, влияющих на результат принимаемого решения. Под риском понимается возможность каких-либо неблагоприятных последствий принятого решения: потери ресурсов, недополучения прибыли, возникновения дополнительных расходов, несвоевременного выполнения работ и т.д.

Задачи, связанные с принятием решений в условиях риска, возникают, например, при планировании производства. Результат принятого решения (например, прибыль от выпуска продукции) зависит не только от действий предприятия (т.е. от вида выпускаемой продукции, объема производства, качества продукции и т.д.), но и от внешних факторов (например, от спроса на продукцию, от наличия на рынке аналогичных видов продукции и т.д.). Очевидно, что внешние условия не могут быть точно известны заранее, и предприятие не может существенно влиять на них.

Имеется большое количество разнообразных формулировок задач, решаемых в условиях риска и неопределенности, и методов их решения.

Многие задачи, решаемые в условиях риска и неопределенности, могут быть сформулированы следующим образом. Требуется выбрать одно из M возможных решений (альтернатив): A1, A2,..., AM. Известно, что каждое из решений может быть реализовано в одном из N вариантов внешних условий: B1, B2,...,BN. Для каждого из решений известны его последствия (выигрыши стороны, принимающей решение) в каждом из вариантов внешних условий: Eij, i = 1,..., M, j = 1,..., N. Эти выигрыши можно свести в таблицу, называемую матрицей выигрышей (или платежной матрицей). Такая матрица представляет собой математическую модель задачи. Общий вид матрицы выигрышей показан в табл. 9.1.

Метод построения матрицы выигрышей полностью зависит от конкретных условий задачи.

Требуется выбрать наиболее эффективный вариант решения, т.е. одно из решений A1, A2,..., AМ.

1. В матрице выигрышей могут быть отрицательные элементы, соответствующие убыткам.

2. В некоторых случаях вместо матрицы выигрышей используется матрица затрат.

В этом случае элемент Еij – это затраты, связанные с i-м решением в j-м варианте внешних условий.

Пример 9.1. Крупная фирма предполагает приобрести пакет акций одного из трех предприятий (П1, П2, П3).

Прибыль, которую получит фирма от покупки акций, не может быть точно известна заранее, так как она зависит от того, как будет изменяться стоимость этих акций. Возможные величины прибыли фирмы от покупки акций предприятий (в млн ден. ед.) приведены в табл. 9.2.

Величины в таблице обозначают следующее: если, например, фирма приобретет пакет акций предприятия П1, и их стоимость будет расти, то прибыль фирмы составит 10 млн ден. ед. Если стоимость акций предприятия П1 будет оставаться стабильной, то прибыль фирмы составит 6 млн ден. ед. В случае снижения стоимости акций фирма понесет убыток в размере 7 млн ден. ед.

Согласно имеющимся экспертным оценкам, возможны четыре сценария развития экономической ситуации (С1, С2, С3, С4):

• сценарий С1: стоимость акций предприятий П1 и П2 остается стабильной, стоимость акций предприятия П3 растет;

• сценарий С2: стоимость акций П1 снижается, П2 и П3 – растет;

• сценарий С3: стоимость акций П1 растет, П2 и П3 – снижается;

• сценарий С4: стоимость акций всех предприятий остается стабильной.

Требуется определить, какой пакет акций следует приобрести фирме, чтобы получить максимальную прибыль.

Данная задача решается в условиях риска и неопределенности, так как прибыль фирмы зависит не только от ее решения (т.е. от того, какой пакет акций она купит), но и от внешних условий (от сценария развития экономической ситуации).

При решении этой задачи важно понимать, что при покупке акций еще неизвестно, по какому сценарию будет развиваться экономическая ситуация. Влиять на этот сценарий невозможно. Следует также обратить внимание, что фирма может приобрести пакет акций только одного предприятия.

Составим матрицу выигрышей. Для этого найдем, какой будет прибыль фирмы для различных решений (т.е.

при покупке различных пакетов акций) в разных внешних условиях.

Предположим, что фирма купит пакет акций предприятия П1. Если экономическая ситуация будет развиваться по сценарию С1, то фирма получит прибыль в размере 6 млн ден. ед., так как при таком сценарии стоимость акций предприятия П1 будет оставаться стабильной. Если экономическая ситуация будет развиваться по сценарию С2, то фирма понесет убыток в размере 7 млн ден. ед., так как при таком сценарии стоимость акций П снизится. При сценарии С3 фирма получит прибыль в размере 10 млн ден. ед., так как стоимость акций П1 возрастет. При сценарии С4 прибыль фирмы составит 6 млн ден. ед., так как стоимость акций П1 будет оставаться стабильной.

Выполнив аналогичные рассуждения для всех вариантов решения (покупка пакета акций П1, П2 или П3) и для всех вариантов внешних условий (сценарий С1, С2, С3 или С4), получим матрицу выигрышей (табл. 9.3).

На основании этой матрицы требуется выбрать одно из решений, т.е. определить, какой пакет акций следует приобрести.

Примечание. Следует обратить внимание, что в данной задаче невозможно точно определить, какой будет прибыль фирмы. Например, если фирма купит пакет акций П1, то она может получить прибыль в размере 6 или 10 млн ден. ед., или понести убыток в размере 7 млн ден. ед. (в зависимости от того, по какому сценарию будет развиваться экономическая ситуация).

9.2. Методы выбора решений в условиях риска Существует несколько методов (критериев) для выбора решений в условиях риска и неопределенности. Используемый метод зависит от имеющейся информации о внешних условиях, прежде всего – от того, имеется ли информация о вероятностях внешних условий.

Выбор решений при известных вероятностях внешних условий.

Если известны вероятности внешних условий, то для оценки и выбора решений применяется критерий Байеса.

Он может использоваться в двух видах: как критерий максимума среднего выигрыша или как критерий минимума среднего риска.

Пусть известны вероятности вариантов внешних условий: P1, P2,...,PN.

Если решение выбирается по значениям выигрышей, то для каждого решения находится средняя оценка по всем вариантам внешних условий (средний выигрыш):

где Pj – вероятности внешних условий.

Лучшим является решение с максимальной оценкой.

Решим задачу из примера 9.1, используя критерий Байеса, согласно имеющимся экспертным оценкам, наиболее вероятен сценарий С4: его вероятность составляет 50%. Менее вероятно изменение экономической ситуации по сценарию С1: вероятность этого сценария – 30%. Наименее вероятны сценарии С2 и С3: вероятность каждого из них – 10%.

Z1 = 6·0,3 – 7·0,1 + 10·0,1 + 6·0,5 = 5,1 (оценка для пакета акций П1);

Z2 = 4·0,3 + 6·0,1 – 3·0,1 + 4·0,5 = 3,5 (оценка для пакета акций П2);

Z3 = 8·0,3 + 8·0,1 – 2·0,1 + 3·0,5 = 4,5 (оценка для пакета акций П3).

Таким образом, фирме рекомендуется приобрести пакет акций предприятия В некоторых случаях для выбора решения используется матрица рисков (Rij, i = 1,..., M, j = 1,..., N). Под риском понимается потерянный выигрыш: разность между выигрышем, максимально возможным для данного варианта внешних условий, и фактическим выигрышем. Для данной задачи матрица рисков приведена в табл. 9.4.

Здесь, например, для первого варианта внешних условий (сценарий С1) максимальная прибыль достигается при покупке пакета акций П3; эта прибыль составляет млн ден. ед. При покупке пакета акций П1 прибыль будет меньше и составит только млн ден. ед. Потерянный выигрыш (риск) определяется как 8 - 6 = 2 млн ден. ед. Аналогично находятся другие значения рисков.

Оценки решений по критерию минимума среднего риска находятся по следующей формуле:

Оценки решений для данной задачи по формуле (9.2): Z1 = 2·0,3 + + 15·0,1 + 0·0,1 + 0·0,5 = 2,1; Z2 = 4·0,3 + 2·0,1 + 13·0,1 + 2·0,5 = 3,7; Z3 = 2,7. Таким образом, фирме рекомендуется приобрести пакет акций предприятия П1.

Выбор решений при неизвестных вероятностях внешних условий Если вероятности внешних условий неизвестны, то для оценки и выбора решений могут применяться следующие критерии.

Критерий Лапласа: применяется, если можно предполагать, что все варианты внешних условий одинаково вероятны. Для каждого решения находится средняя оценка по всем вариантам внешних условий (средний выигрыш):

Лучшим является решение с максимальной оценкой.

Предположим, что для задачи из примера 9.1 вероятности всех четырех сценариев развития экономической ситуации примерно одинаковы. Найдем оценки по критерию Лапласа по формуле (9.3): Z1 = (6 – 7 + 10 + 6)/4 = 3,75;

= (4 + 6 – 3 + 4)/3 = 2,75; Z3 = 4,25. Таким образом, если есть основания предполагать, что все сценарии одинаково вероятны, то фирме следует приобрести пакет акций предприятия П3.

Критерий Вальда (критерий крайнего пессимизма, максиминный критерий): решение выбирается в расчете на наихудшие внешние условия. В качестве оценки каждого решения используется минимальный выигрыш, который можно получить при выборе этого решения:

Лучшим является решение с максимальной оценкой.

В примере 9.1 оценки решений по критерию Вальда следующие:

Z1 = min(6; –7; 10; 6) = –7; Z2 = min(4; 6; –3; 4) = –3, Z3 = –2. Другими словами, при покупке пакета акций П1 фирма в самом худшем случае понесет убыток в размере 7 млн ден. ед. (если экономическая ситуация будет развиваться по сценарию С2). При покупке пакета акций П2 убыток в самом худшем случае составит 3 млн ден. ед. (при сценарии С3), при покупке пакета акций П3 – 2 млн ден. ед. (при сценарии С3). Таким образом, фирме рекомендуется приобрести пакет акций предприятия П3.

Критерий Сэвиджа (критерий крайнего пессимизма, минимаксный критерий): решение принимается в расчете на наихудшие внешние условия (как и при использовании критерия Вальда), но для оценки решений используется матрица рисков. В качестве оценки используется максимальный риск (максимальный потерянный выигрыш), соответствующий данному решению:

Лучшим является решение с минимальной оценкой.

В примере 9.1 Z1 = max(2; 15; 0; 0) = 15; Z2 = max(4; 2; 13; 2) = 13; Z3 = 12. Таким образом, рекомендуется приобрести пакет акций предприятия П3.

Критерий Гурвица: решение принимается с учетом того, что возможны как благоприятные, так и неблагоприятные внешние условия. При использовании этого критерия требуется указать «коэффициент пессимизма» – число в диапазоне от 0 до 1, представляющее собой субъективную (т.е. не рассчитанную, а указанную человеком) оценку возможности неблагоприятных внешних условий. Если есть основания предполагать, что внешние условия будут неблагоприятными, то коэффициент пессимизма назначается близким к единице. Если неблагоприятные внешние условия маловероятны, то используется коэффициент пессимизма, близкий к нулю. Оценки решений находятся по следующей формуле:

где a – коэффициент пессимизма.

Лучшим является решение с максимальной оценкой.

Предположим, что в задаче из примера 9.1 есть основания предполагать, что неблагоприятные условия (способствующие снижению стоимости акций) немного более вероятны, чем благоприятные. Для принятия решения по критерию Гурвица выберем коэффициент пессимизма a = 0,6. Найдем оценки решений: Z1 = 0,6·(– 7) + 0,4·10 = –0,2; Z2 = 0,6·(–3) + 0,4·6 = 0,6; Z3 = 0,6·(–2) + 0,4·8 = = 2. Таким образом, рекомендуется приобрести пакет акций предприятия П3.

С учетом всех использованных критериев, лучшим решением является покупка пакета акций предприятия П3. Это решение оказалось лучшим по всем критериям (по критериям Лапласа, Вальда, Сэвиджа и Гурвица).

Примечание. Задачи, связанные с принятием решений при известных вероятностях внешних условий, в литературе называются «задачами принятия решений в условиях риска», а задачи, связанные с принятием решений при неизвестных вероятностях внешних условий – «задачами принятия решений в условиях неопределенности».

ЛИТЕРАТУРА

1. Таха Х. Введение в исследование операций. М.: Издательский дом «Вильямс», 2. Эддоус М., Стэнсфилд Р. Методы принятия решений. М.: Юнити, 1997. – 590 c.

3. Кузнецов А.В., Сакович В.А., Холод Н.И. Высшая математика: Математическое программирование. Мн.: Выш. шк., 2001. – 351 с.

4. Сборник задач и упражнений по высшей математике: Математическое программирование / Под общей ред. А.В. Кузнецова и Р.А. Рутковского. Мн.: Выш. шк., 5. Экономико-математические методы и модели / Под ред. А.В. Кузнецова. Мн.:

6. Бернстайн П. Против богов: Укрощение риска. М.: ЗАО «Олимп-Бизнес», 2000. – 7. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000. – 296 с.

8. Литвак Б.Г. Разработка управленческого решения. М.: Дело, 2000. – 392 с.

9. Анфилатов В.С. Системный анализ в управлении. М.: Финансы и статистика, 10. Вентцель Е.С. Исследование операций: задачи, принципы, методология. М.:

Высш. шк., 2001. – 208 с.

11. Спицнадель В.Н. Основы системного анализа. СПб.: Издательский дом «Бизнеспресса», 2000. – 326 c.

12. Абчук В.А. Экономико-математические методы. СПб: Союз, 1999. – 320 c.

13. Банди Б. Основы линейного программирования. М.: Радио и связь, 1989. – 176 с.

14. Вентцель Е.С., Овчаров Л.А. Прикладные задачи теории вероятностей. М.: Радио 15. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы для экономистов и менеджеров. М.: Финансы и статистика, 1998. – 350 с.

16. Дубров А.М., Лагоша Б.А., Хрусталев Е.Ю. Моделирование рисковых ситуаций в экономике и бизнесе. М.: Финансы и статистика, 1999. – 176 с.

17. Замков О.О. и дp. Математические методы в экономике. М.: Изд-во МГУ, 1997. – 18. Исследование операций в экономике / Под ред. Н.Ш. Кремера. М.: Банки и биржи – Юнити, 1997. – 407 с.

19. Лабскер Л.Г., Бабешко Л.О. Игровые методы в управлении экономикой и бизнесом. М.: Дело, 2001. – 464 с.

20. Многомерный статистический анализ в экономике /Л.А. Сошникова, В.Н. Тамашевич, М. Шефер и др.; Под ред. В.Н. Тамашевича. М.: Юнити, 1999. – 21. Смородинский С.С., Батин Н.В. Методы анализа и принятия решений в слабоструктурированных задачах. Мн.: БГУИР, 2002. – 116 с.

ОПТИМИЗАЦИЯ РЕШЕНИЙ НА ОСНОВЕ МЕТОДОВ И МОДЕЛЕЙ

МАТЕМАТИЧЕСКОГО ПРОГРАММИРОВАНИЯ

по курсу «Системный анализ и исследование операций»

«Автоматизированные системы обработки информации»

Редактор Т.Н. Крюкова _ Подписано в печать 29.07.2003. Формат 60x84 1/16. Бумага офсетная.

Печать ризографическая. Гарнитура «Таймс». Усл. печ. л. 8,14.

_ «Белорусский государственный университет информатики и радиоэлектроники».