• Гідрологія і Гідрометрія
• Господарське право
• Економіка будівництва
• Економіка природокористування
• Економічна теорія
• Земельне право
• Історія України
• Кримінально виконавче право
• Медична радіологія
• Методи аналізу
• Міжнародне приватне право
• Міжнародний маркетинг
• Основи екології
• Предмет Політологія
• Соціальне страхування
• Технічні засоби організації дорожнього руху
• Товарознавство продовольчих товарів

Особливості математичної постановки задач стохастичного програмування

Як виконуються обмеження: абсолютно для всіх чи в середньому, або з допустимими порушеннями, ймовірність яких мала?

Як розуміти максимізацію (мінімізацію) цільової функції – як абсолютну (для всіх значень ) чи як максимізацію її математичного сподівання або деякої іншої ймовірнісної характеристики цієї функції (моди, медіани), або як мінімізацію середнього квадратичного відхилення? Наприклад, що краще мати: платню 500 ± 200 чи 450 ± 50? У першому разі платня може змінюватися в межах від 300 до 700 гривень, а у другому – лише від 400 до 500.

Стохастичні коефіцієнти цільової функції, вільні члени і коефіцієнти системи обмежень.

Конкретні постановки задач стохастичного програмування мають свою специфіку. Передусім необхідно визначити:

1) Детермінованим чи випадковим є вектор Х. Якщо вектор Х є детермінованим, то він не залежить від випадкових параметрів моделі. Якщо ж він випадковий, то тоді Х є функцією від ω – , тобто залежить від випадкових змінних.

При постановці задач стохастичного програмування необхідно виходити не лише з математичних міркувань, а й з економічного змісту та з врахуванням евристичних міркувань. Наприклад, детермінованість чи стохастичність вектора Х зумовлюється сутністю економічних, технологічних процесів тощо. Для сільськогосподарського підприємства, наприклад, вектор, що визначатиме площі посіву сільськогосподарських культур, обов’язково має бути детермінованим. Якщо ж шуканий вектор для того самого підприємства за тих самих умов визначатиме, приміром, обсяги кредитів, то його компоненти мають бути стохастичними величинами, бо достеменно невідомо, чи вони будуть отримані.

Методи розв’язування стохастичних задач поділяють на дві групи – прямі та непрямі.

Прямі методи використовують для розв’язування задач стохастичного програмування, коли існують способи побудови функцій і на базі інформації щодо параметра ω. Непрямими є методи зведення стохастичної задачі до задачі лінійного чи нелінійного програмування, тобто перехід до детермінованого аналога задачі стохастичного програмування.

В задачах детермінованого характеру за певним набором початкових даних однозначно визначається вигляд цільової функції та обмежень задачі. У стохастичному програмуванні особливості побудови математичних моделей задач пов’язані з можливостями вибору виду функції мети та обмежень, тобто за одного набору початкових значень можна отримати математичні моделі, що суттєво відрізнятимуться, а отже, значні розбіжності матимуть і отримані за ними оптимальні плани. Розглянемо основні відмінності будови математичних моделей задач стохастичного програмування.

Довільна математична модель задачі математичного програмування складається з двох частин: цільової функції і обмежень. У задачах стохастичного програмування важливим є вибір як виду цільової функції так і виду обмежень. Цільова функція визначає ефективність функціонування і розвитку економічної системи. Якщо відомі основні характеристики випадкових параметрів задачі, то цільовою функцією може бути:

- максимізація математичного сподівання відповідного економічного показника (прибутку, рівня рентабельності тощо); в такому разі задачі мають назву М-моделей;

- мінімізація дисперсії деякого економічного показника за умови обмеження на певному бажаному рівні середньої величини того ж показника, тоді задачі мають назву V-моделей;

- ймовірність перевищення (неперевищення) економічним показником певного фіксованого рівня (порога), тоді задача належить до Р-моделей.

Обмеження в стохастичних економіко-математичних моделях можуть також задаватися різними способами, а значить, отримані оптимальні плани будуть мати відповідний рівень ймовірності їх виконання. При цьому потрібно брати до уваги як внутрішню невизначеність (технологічних процесів), так і невизначеність зовнішнього середовища (постачання сировини, попиту на вироблену продукцію, загальної суми податків тощо).

Нехай задано обмеження задачі математичного програмування в загальному вигляді:

. (10.1)

Неможливість, а іноді й недоцільність вимоги, щоб знайдене рішення задовольняло обмеження (10.1) за будь-яких реалізацій випадкових параметрів породжує таку ідею: накласти дещо менш жорсткі умови, зокрема замість (10.1) можна допускати невиконання умов з певною ймовірністю. Наприклад:

, (10.2)

або

. (10.3)

Обмеження (10.2) трактується так: ймовірність того, що , не перевищує величину γ. Відповідно вираз (10.3) гарантує, що з ймовірністю буде виконуватися обмеження (10.1). Наприклад, якщо , то обмеження у 95 випадках із 100 буде виконуватися і тільки у п’яти випадках не буде виконуватися.

Крім того, система обмежень задачі може бути змішаною, тобто частина обмежень може виконуватися в середньому, частина – в жорсткій постановці, а частина – з деякою ймовірністю.

Наведемо кілька варіантів постановок задач стохастичного програмування.

Нехай – функція, яка виражає ефективність плану для заданих Х та ω. Тоді задачу визначення оптимального детермінованого плану Х за випадкових параметрів ω можна сформулювати у таких варіантах:

а) , (10.4)

за умов:

; (10.5)

, ; (10.6)

б) (10.7)

за умов:

; (10.8)

, . (10.9)

Отже, за постановки задачі варіанту а) необхідно максимізувати середню сподівану ефективність за умов, що обмеження, наприклад, щодо ресурсів, виконання контрактів тощо виконуються з імовірністю . За постановки задачі варіанту б) крім цього вимагається, щоб значення функції ефективності, наприклад, прибутку було не менше величини ξ з імовірністю , а також, щоб величина ξ була максимальною. Зазначимо, що перевага варіанту а) полягає у тому, що він простіший стосовно обчислення.

Оскільки у моделі (10.4)-(10.6) як критерій оптимальності використано математичне сподівання , то маємо М-модель, а плани, отримані за такою моделлю, називають М-планами.

Зрозуміло, що можна формулювати задачі стохастичного програмування також і по-іншому, поєднуючи або комбінуючи у певний спосіб умови наведених вище першої та другої моделей. Так, приміром, задача стохастичного програмування може мати такий вигляд:

,

за умов:

;

;

.

Отже, очевидно, що конкретних постановок задач стохастичного програмування досить багато і вибір певного їх виду для розв’язування практичних задач залежить від конкретних умов задачі, наявної інформації та мети дослідження.

Постановка задачі стохастичного програмування істотно залежить також від того, чи є можливість під час вибору (прийняття) рішень уточнювати стан економічного середовища (природи) на підставі певних спостережень.

Відомо, що для економічних систем розробляють стратегічні та тактичні плани. Розробляючи стратегічні плани, враховують всі можливі значення ω, тобто стан зовнішнього та внутрішнього середовища, та приймають рішення щодо траєкторії розвитку системи. Однак зустрічаються задачі, коли є можливість провести спостереження над ω (у певний момент стан економічного середовища стає відомим) і вибрати розв’язок з урахуванням результатів спостережень. Наприклад, плануючи виробничу діяльність підприємства, рішення щодо обсягів випуску продукції приймаються з урахуванням дослідження поточного стану структури ринку. Тоді розробляють тактичний план, тобто знаходять рішення при заданому , тобто розв’язують задачу:

,

за умов:

,

.

У загальному випадку спостереження уможливлюють неповне описування стану середовища, а тому етапи вибору рішень можуть чергуватися з етапами спостережень за станом зовнішнього середовища. Отже, відбуваються багатоетапні процеси вибору рішень у такій послідовності:

рішення – спостереження – рішення – спостереження...

або

спостереження – рішення – спостереження – рішення...

Якщо ряд розв’язків починається зі слова «рішення» і воно зустрічається N раз, то модель називають N-етапною задачею (моделлю) стратегічного стохастичного програмування, а якщо зі слова «спостереження» – то задачею (моделлю) тактичного стохастичного програмування.

Кожен з N етапів у свою чергу також може бути поділений. У такому разі маємо одноетапні чи двохетапні задачі стохастичного програмування.

Одноетапна задача стохастичного програмування використовується в тому разі, коли рішення приймаються на підставі відомих характеристик розподілу ймовірностей випадкових параметрів умови задачі до спостережень за їхніми реалізаціями. У такому разі має прийматися найкраще в середньостатистичному розумінні рішення. Тобто випадкові параметри задачі замінюють їх середніми величинами і початкову задачу стохастичного програмування зводять до детермінованої.

Двохетапна задача стохастичного програмування виникає тоді, коли процес прийняття рішення поділяють на два етапи.

На першому етапі вибирається попередній план, який задовольняє умови задачі за будь-якої реалізації випадкових параметрів. На другому етапі розраховується величина компенсації відхилень розробленого плану від фактичних значень, що були визначені після спостереження за реалізацією випадкових параметрів. Оптимальний план задачі визначають так, щоб забезпечити мінімум середнього значення загальних витрат, які виникають на обох етапах розв’язування задачі. Для існування розв’язку двохетапної задачі вибір плану на першому етапі має гарантувати існування плану-компенсації.

9.3 Приклади економічних задач стохастичного програмування

Побудуємо математичну модель відомої задачі про визначення оптимального виробничого плану в термінах стохастичного програмування. Необхідно розрахувати оптимальний план виробництва трьох видів продукції , за якого максимізується загальний прибуток підприємства. Для спрощення розглянемо використання лише двох видів ресурсів, обсяги яких відомі: од., од. Прибуток від реалізації одиниці j-го виду продукції є випадковим, але відомі ймовірності одержання k-ої величини прибутку від реалізації одиниці j-го виду продукції . Норми витрат і-го виду ресурсу на одиницю j-го виду продукції детерміновані. Початкові дані наведені в таблицях 1-4.

Таблиця 10.1

Таблиця 10.2

Таблиця 10.3

Таблиця 10.4

Розв’язання.

Як зазначалось, математична постановка задачі стохастичного програмування може бути подана в різних варіантах залежно від вигляду цільової функції. Розглянемо кілька можливих варіантів постановок для умов даної задачі.

І варіант.

Цільова функція залежить від випадкової величини, отже, математична модель даної задачі має вигляд:

,

.

Маємо одноетапну задачу стохастичного програмування з випадковими параметрами цільової функції. Очевидно, що величина F є також випадковою величиною з законом розподілу ймовірностей , де – математичне сподівання, а – дисперсія.

Щоб розв’язати таку задачу, необхідно знайти математичне сподівання .

Позначимо символами , – математичне сподівання прибутку від j-го виду продукції, тоді математична модель набуває вигляду:

,

.

У наведеній постановці маємо одноетапну задачу стохастичного програмування з М-моделлю, оскільки цільова функція є математичним сподіванням випадкової величини (прибутку).

Оскільки випадкова величина прибутку є дискретною і відомі значення відповідних ймовірностей , то можна безпосередньо обчислити значення . Отже, в числовому вигляді маємо:

.

Математична модель задачі набуває такого вигляду:

,

.

Початкова задача зведена до задачі лінійного програмування, яку можна розв’язати симплексним методом, але оптимальний план детермінованої задачі є наближеним розв’язком початкової стохастичної.

Оптимальним планом є , причому прибуток становить .

ІІ варіант.

Отриманий розв’язок може бути основою плану виробництва продукції за даних умов. Однак очевидно, що, оскільки значення випадкових величин були замінені їх математичним сподіванням, то розв’язок задачі знайдено як деяке усереднення всіх можливих за даних умов розв’язків. Для деякого набору фіксованих умов розрахований план може виявитись неоптимальним, тобто справжнє значення прибутку буде значно відрізнятися від очікуваного рівня. Якщо, наприклад, зовнішні умови складаються найнесприятливіше (мінімальні рівні прибутків для кожного з видів продукції), то значення цільової функції для відшуканого оптимального плану буде дорівнювати:

.

Очевидно, що відхилення даного значення від середнього очікуваного рівня (1848,78 – 1627,86 = 220,92) показує можливе завищення прибутку у плані. Відомо, що однією з головних характеристик відхилення значень випадкової величини від її середнього є дисперсія. Розрахуємо значення дисперсії для отриманого оптимального плану:

Середнє квадратичне відхилення дорівнює .

Якщо допустити, що випадкова величина має нормальний закон розподілу, то, враховуючи властивості середнього квадратичного відхилення (правило трьох «сігм»), визначимо межі, в яких змінюватиметься прибуток: . Якщо розраховані зміни прибутку не можуть влаштовувати особу, що приймає рішення, то доцільно ввести обмеження, яке зменшить ризик втрати доходу.

За необхідності зменшення можливих втрат прибутку в систему обмежень вводять умову, що дисперсія прибутку має не перевищувати деякої заданої величини. Розв’яжемо задачу з додатковою умовою, що дисперсія має не перевищувати 5000.

,

.

Ця задача є нелінійною. Розв’язавши її, маємо такий оптимальний план:

, причому прибуток буде змінюватися приблизно на 210 ум. од. (оскільки ).

ІІІ варіант.

Застосування інструментарію математичного програмування до розв’язання економічних задач уможливлює врахування найвибагливіших побажань стосовно набору властивостей розроблюваних планів. Допустимо, що необхідно, орієнтуючись на деякий середній рівень прибутку, досягти мінімального рівня можливих його змін. У такому разі доречно використати V-модель задачі стохастичного програмування:

,

де W – бажаний рівень сподіваного прибутку.

Зафіксуємо бажаний прибуток на рівні не нижче, ніж 1500 ум. од., і знайдемо оптимальний план такої задачі:

,

.

Розв’язавши цю задачу квадратичного програмування, маємо:

, мінімальна дисперсія сподіваного прибутку буде дорівнювати , тобто зміни прибутку відбуватимуться в межах ум. од.

Вибір одного з наведених варіантів математичних моделей залежатиме від конкретної ситуації, поставлених цілей та вимог, однак наведений приклад показує, що використання стохастичних задач дає математично обґрунтовану інформацію, яка може бути основою прийняття рішень за складних реальних умов.

9.3 Приклади економічних задач стохастичного програмування

Приклад 1.

Нехай потрібно зробити запас з n товарів у обсягах , на які є випадковий попит . За нестачі одиниці j-го товару застосовується штрафна санкція у розмірі , тобто , а затрати на зберігання одиниці відповідної продукції, яку не вдалося збути, задаються вектором

Розв’язання. Функція збитків, що відповідає розв’язку Х, має вигляд:

де – штраф за незадоволення попиту по j-му виду продукції;

– витрати на зберігання j-ої продукції.

Для знаходження оптимального розв’язку цієї задачі необхідно мати функцію розподілу ймовірностей випадкової величини ω. Якщо така функція розподілу невідома, тобто її неможливо відшукати, то допускають, що випадкова величина розподілена рівномірно. В такому разі необхідно пам’ятати, що саме таке припущення може призвести до прийняття неправильного рішення.

Приклад 2.

Індивіди можуть тримати своє багатство у вигляді грошей та облігацій. Оскільки гроші – це актив, що використовується як засіб обігу, то вони не приносять прибутку у вигляді процентів. Облігації – це цінні папери, що дають їх власникові певний дохід. Логічно допустити, що індивідууми мають зберігати своє багатство у вигляді облігацій. Однак це не так, оскільки процентна ставка і ринкова вартість облігацій наперед точно не відомі , тобто існує невизначеність. Необхідно визначити оптимальний розподіл активу на гроші та облігації.

Розв’язання. Нехай S – загальна величина активу, а х та y – величини активів, які зберігаються відповідно у формі грошей та облігацій. Вважаємо, що через рік активи, вкладені в облігації, змінюються. За решти однакових умов облігацію, яка приносить більший процент прибутку, на ринках цінних паперів можна продати за більшу суму, ніж облігацію з меншим процентом. Позначимо через ξта η величини активів, які реалізуються через рік на одиницю активів, відповідно збережених у формі грошей та вкладених в облігації. Величина , а η є випадковою величиною. Економіко-математична задача найвигіднішого розподілу активу на гроші та облігації полягає у максимізації сподіваної корисності:

,

за умов:

;

.

Звідси випливає, що, коли , то активи потрібно вкладати в облігації, а в протилежному разі – навпаки. Отже, питання щодо розподілу активу між грішми та облігаціями повністю вирішується на користь одного з цих видів заощаджень. Якщо , то однаково, який спосіб заощадження буде використано.

Приклад 3.

Відомо, що у комерційних банках нараховується більша процентна ставка на вкладені кошти порівняно з ощадним, але повернення внеску не гарантується. Перед кожним вкладником постає дилема: мати менший, але гарантований дохід, або більший, проте з ризиком втратити внесок. З ризиком невикористаних можливостей пов’язаний внесок в ощадний банк. Визначити оптимальний розподіл вкладень у банки.

Розв’язання. Позначимо через S загальну суму грошей певного власника; x – обсяг вкладень в ощадний банк, y – у комерційний; a, b – відповідно процентні ставки нарахувань в ощадному та комерційному банках; p – ймовірність повернення вкладу з комерційного банку; – ймовірність ліквідації (банкрутства) комерційного банку.

За певного розподілу S на x і y можливі такі дві ситуації щодо отримання доходів:

– за умов успішного функціонування комерційного банку;

– у протилежному разі.

Економіко-математична модель має такий вигляд:

за умов:

;

Приклад 4.

Потрібно оцінити доцільність страхування. Нехай якась особа бажає застрахувати частину свого активу. Для цього вона сплачує певний внесок страховій компанії, а у разі втрати активу одержує від неї страхову винагороду. Визначити частку активу, яку особа вважає за доцільне застрахувати.

Розв’язання. Позначимо через S актив (капітал, майно тощо), власником якого є певна особа. Частину його, яку бажано застрахувати, позначимо через x. Тоді страховий внесок, що сплачується страховій компанії, дорівнює rx, а у разі втрати активу клієнт одержує винагороду qx. Якщо відома ймовірність p недоторканності всього активу, то економіко-математичну модель визначення частки страхового активу можна записати так:

,

.

Тут можна легко врахувати також обсяги доходів.

Подібна модель може використовуватися страховими компаніями для визначення доцільних величин страхових внесків та страхових винагород, які зацікавили б клієнтів і були б вигідними страховій компанії.

Приклад 5.

У буряко-цукровому комплексі мають суму коштів S, які необхідно розподілити між розширенням сировинної бази і збільшенням потужностей з її переробки. Потрібно так спланувати розподіл коштів, вважаючи урожайність цукрових буряків випадковою величиною ξ, щоб отримати найбільшу кількість цукру.

Розв’язання. Нехай q₁ – витрати коштів на вирощування цукрових буряків на одному гектарі; q₂ – питомі зведені витрати на створення одиниці потужності цукрового заводу; d – частка виходу цукру з одиниці сировини; x – планова площа під цукровими буряками; y – планова потужність цукрового заводу.

Потрібно максимізувати приріст обсягу виробництва цукру за обмежених коштів. Економіко-математична модель має вигляд:

за умов:

;

Читайте також:

1. I. Особливості аферентних і еферентних шляхів вегетативного і соматичного відділів нервової системи
2. VI.3.3. Особливості концепції Йоганна Гайнріха Песталоцці
3. VI.3.4. Особливості концепції Йоганна Фрідриха Гербарта
4. А. Особливості диференціації навчального процесу в школах США
5. Агітація за і проти та деякі особливості її техніки.
6. Аграрне виробництво і його особливості
7. Аграрне право як галузь права, його історичні витоки та особливості.
8. Аксіома математичної індукції
9. Алгоритм розв’язання задачі
10. Алгоритм розв’язання розподільної задачі
11. Алгоритм розв’язування задачі
12. Алгоритм розв’язування задачі

Переглядів: 1473