Методы принятия решения Лекции
Описание файла
Документ из архива "Методы принятия решения Лекции", который расположен в категории "". Всё это находится в предмете "теория принятия решений (тпр)" из 6 семестр, которые можно найти в файловом архиве РТУ МИРЭА. Не смотря на прямую связь этого архива с РТУ МИРЭА, его также можно найти и в других разделах. Архив можно найти в разделе "лекции и семинары", в предмете "теория принятия решений" в общих файлах.
Онлайн просмотр документа "Методы принятия решения Лекции"
Текст из документа "Методы принятия решения Лекции"
2
МОСКОВСКАЯ ГОСУДАРСТВЕННАЯ АКАДЕМИЯ ПРИБОРОСТРОЕНИЯ И ИНФОРМАТИКИ
КАФЕДРА АВТОМАТИЗИРОВАННЫХ СИСТЕМ ОБРАБОТКИ ИНФОРМАЦИИ И УПРАВЛЕНИЯ (ИТ-7)
ДИСЦИПЛИНА
«Теория принятия решений»
Специальность 22.02.00 «Автоматизированные системы обработки информации и управления»
Москва 2000 г.
УТВЕРЖДАЮ
Проректор по УР
__________________________
« » _______________2004 г.
АННОТАЦИЯ
Методическое пособие соответствует программе курса «Теория принятия решений» для студентов специальности 22.02.00. Приведены краткие сведения по основам некоторых математических методов, перекрывающих достаточно большой диапазон возможных постановок задач принятия решений.
Автор: доц. Косолапов О.И.
Научный редактор: проф. Петров О.М.
Рецензент: доц. Правоторова Н.А.
Рассмотрено и одобрено на заседании кафедры ИТ-7
«____» мая 2000 г. Зав. кафедрой ______________ О.М.Петров
«
Ответственный от кафедры за выпуск учебно-методических материалов доц. Правоторова Н.А.
Введение в курс
Задачи принятия решений также стары как история разумного человека. С древнейших времен человек обдумывал свои поступки, тактику своего поведения, принимал соответствующие решения. Естественно, на ранних этапах решения принимались на основе здравого смысла, опыта, интуиции. Этот способ широко используется и до настоящего времени.
Со временем, когда человек научился тонко анализировать, и перед ним встали реальные сложные для полного понимания задачи, возник вопрос, нельзя ли формализовать процесс принятия решений, чтобы принятие «хороших» решений могло быть доступно не только выдающимся людям.
Можно считать, что математические методы принятия решений сформировались в самостоятельный раздел математики, называемый «исследование операций», в 20 - ые годы 20 века в связи с необходимостью решать сложные организационные, технические, тактические задачи, а во время второй мировой войны и ответственные военные задачи.
В настоящее время математические методы, позволяющие обоснованно принимать решения в сложных ситуациях, весьма обширны и широко используются в самых разных областях человеческой деятельности (промышленность, сельское хозяйство, наука, торговля, транспорт и т.д.).
При этом после формализации задача принятия решений имеет, как правило, следующие общие черты:
• в каждой задаче речь идет о некотором мероприятии, преследующем определенную цель
• задаются некоторые условия, влияющие на выполнение мероприятия, изменять которые мы не можем (ограничения)
• требуется принять решение, т.е. выбрать значения каких-то параметров управления, чтобы мероприятие в определенном смысле было наиболее выгодным.
Следует договориться об определениях некоторых понятий, которые нам придется употреблять:
• операция - некоторое мероприятие (система действий), объединенное единым замыслом для достижения определенной цели. Операция всегда управляется, т.е. имеется возможность выбрать какие-то параметры, характеризующие способ ее организации (в широком смысле слова)
• решение - любой выбор параметров, зависящих от человека, принимающего решение
• решение будет оптимальным, если оно по некоторым соображениям лучше всех других
• особенность рассматриваемой предметной области в том, что в конце концов решение принимается ответственным лицом (группой лиц) неформально, при этом принимаются во внимание результаты математических выкладок, а также соображения, не учтенные математической моделью из-за их сложности
• эффективность операции - степень ее приспособленности к выполнению стоящей задачи
• целевая функция - некоторая количественная оценка эффективности операции, позволяющая сравнивать различные варианты организации операции (мероприятия). Целевая функция зависит от приложения (для задачи организации промышленного предприятия целевая функция - прибыль, для задачи обеспечения надежности ЭВМ - среднее время наработки на отказ, и т.д.)
• математическая модель – формализованное, математически точное описание задачи с указанием всех сделанных упрощающих предположений.
В зависимости от реальной задачи математическая модель может оказаться достаточно сложной, и ее решение может представлять серьезную проблему (вариационные многопараметрические задачи, задачи принятия решений в условиях неопределенности и т.д.).
В общем случае создание математической модели, которая адекватно отражает существо задачи и может быть решена существующими математическими средствами - это искусство.
В настоящее время существует значительное множество математических методов, средств, алгоритмов различной степени сложности и эффективности для решения различных задач, относящихся к классу задач принятия решений.
В рамках нашего курса мы рассмотрим всего три различных класса задач принятия решений и познакомимся с особенностями математического аппарата, предназначенного для решения этих задач. Следует иметь в виду, что рассмотренные типы задач далеко не исчерпывают всего многообразия существующих задач принятия решений, и рассматривают только некоторые, представляющие определенный интерес для нас.
1. Задачи принятия решений в условиях неопределенности
1.1. Постановка задачи
В рамках нашего курса будет рассматриваться весьма простой формализованный метод решения задач на принятие решений в условиях неопределенности, который основан на так называемом «байесовском подходе».
Прежде всего рассмотрим типовой пример задачи на принятие решений, которая может быть решена этим методом.
Перед группой бурильщиков, осуществляющей разведку нефтяных месторождений периодически встает вопрос, бурить ли ей скважину в определенном месте или нет.
При этом заранее неизвестны некоторые обстоятельства: стоимость бурения, запасы нефти на которые можно рассчитывать (в частности, результат может быть нулевым), стоимость эксплуатации скважины и т.д.
Для принятия решения можно заказать различную информацию, позволяющую принять решение более обоснованно: результат сейсмической разведки (это стоит достаточно дорого), заказать карту данной местности из космоса (это стоит еще дороже) и т.д. В простейшем случае можно принять решение без использования дополнительной информации.
В зависимости от результатов бурения можно рассчитывать на получение определенной прибыли, которая является случайной величиной, и задается соответствующим законом распределения.
Если рассмотреть несколько подобных разных задач, можно, не вникая в содержательные особенности, выделить несколько общих этапов их решения:
• определение в рамках содержательной постановки задачи перечня (группы) событий, которые могут произойти
• составление списка доступных возможностей сбора информации, постановки эксперимента
• определение упорядоченной во времени последовательности событий, в исходах которых можно получить определенную информацию, и последовательности действий, которые мы можем предпринять
• оценка полезности доступных действий
• определение вероятности каждого неопределенного (имеющего вероятностную природу) события
В качестве основного формального математического инструмента рассматриваемого метода используется так называемое «дерево решений» (диаграмма решений).
«Дерево решений» - это граф, содержащий вершины двух типов. К первому типу относятся вершины, которые соответствуют моментам принятия некоторых частных решений человеком (эти вершины будем обозначать квадратиками), к другому типу - вершины, соответствующие проявлению случайной природы некоторых событий (эти вершины будем обозначать кружочками).
Можно использовать другое определение, дополняющее первое. «Дерево целей» - это структура задачи в виде хронологически увязанных выборов (моментов принятия решений), которые должен делать человек, решающий задачу на принятие решений, и выборов, определяемых случаем (случайным механизмом).
Продемонстрировать использование рассматриваемого метода и его основного рабочего инструмента - «дерево целей» можно на примере типовой задачи, сформулированной в терминологии урн (терминология, привычная в теории вероятностей).
Имеется N урн, каждая из которых может быть одного из двух типов - Q1 или Q2. Известно, что 80% урн принадлежат к типу Q1, и 20% урн - к типу Q2.
В каждой урне находятся 10 шаров (красные и черные). Распределение красных и черных шаров различно в зависимости от типа урны - в урнах типа Q1 4 красных и 6 черных шаров, в урнах типа Q2 9 красных и 1 черный шар.
Человеку предлагается сыграть в игру. Он случайным образом выбирает одну из N урн, и должен решить, к какому типу принадлежит выбранная им урна.
Если человек угадывает тип урны, то он выигрывает некоторую сумму денег, если не угадывает - проигрывает.
У участника игры имеются варианты получить некоторую информацию перед тем, как определить тип урны. За дополнительную плату (8 единиц) можно случайным образом вынуть 1 шар из выбранной урны. За дополнительную плату в 12 единиц можно вынуть 2 шара из выбранной урны. За дополнительную плату в 9 единиц можно вынуть 1 шар и решить вынуть ли ещё один шар за 4.5 единиц. При этом шар, вынутый первым, может быть возвращен в урну или нет (возможны варианты) и т.д.
В результате человек может принимать решение, выбирая из следующих вариантов:
• отказаться от игры
• без дополнительной информации определить тип урны (решение ЕО)
• вынуть один шар из выбранной урны и после этого определить тип урны (решение Е1)
• вынуть два шара из выбранной урны и после этого определить тип урны (решение Е2)
• вынуть один шар из выбранной урны и решить, выбирать ли ещё один шар. После получения необходимой информации определить тип урны (решение ЕЗ).
Если участник игры определяет тип урны Q1, то он выигрывает 40 единиц в случае «истинности», и проигрывает 20 единиц в случае «ложности» утверждения.
Если участник игры определяет тип урны Q2, то он выигрывает 100 единиц в случае истинности, и проигрывает 5 единиц в случае «ложности» утверждения.
На рис. 1 представлена ветвь «дерева целей» задачи для варианта решения Е1.
На этой «веточке» некоторые узлы дерева изображены кружочками, что соответствует действию вероятностного механизма. Для использования дерева в решении, в таких «узлах» необходимо определить распределение вероятностей для возможных вариантов развития событий. Некоторые распределения вероятностей задаются в условиях задачи. Например, в нашей задаче задаются:
P(Q1) - вероятность выбора урны типа Q1, (P(Q1) = 0.8)
P(Q2) - вероятность выбора урны типа Q2, (P(Q2) = 0.2)
P(R/Q1) - вероятность выбрать красный шар при условии выбора урны типа Q1 (P(R/Q1) = 0.4)
P(B/Q1) - вероятность выбрать черный шар при условии выбора урны типа Q1 (P(B/Q1) = 0/6)
P(R/Q2) - вероятность выбрать красный шар при условии выбора урны типа Q2 (P(R/Q2) = 0.9)
P(B/Q2) - вероятность выбрать черный шар при условии выбора урны типа Q2 (P(B/Q2) = 0.1)
Нам необходимо определить ещё четыре величины:
P(Q1/R), P(Q1/B), P(Q2/R), P(Q2/B), соответственно вероятности выбора урны типа Ql (Q2) при условии, что был вынут красный (черный) шар. Эти вероятности не заданы, их можно найти с помощью известной формулы Байеса.
P(Q1/R) = P(Q1)*P(R/Q1) / (P(Q1)*P(R/Q1)+P(Q2)*P(R/Q2)) =
= 0.8*0.4 / (0.8*0.4 + 0.2*0.9) = 0.64
P(Q1/B) = P(Q1)*P(B/Q1) / (P(Q1)*P(B/Q1)+P(Q2)*P(B/Q2) =
= 0.8*0.6 / (0.8*0.6 + 0.2*0.1) = 0.96
P(Q2/R) = P(Q2)*P(R/Q2) / (P(Q1)*P(R/Q1)+P(Q2)*P(R/Q2)) =
= 0.2*0.9 / 0.5 = 0.36
P(Q2/B) = P(Q2)*P(B/Q2) / (P(Q1)*P(B/Q1)+P(Q2)*P(B/Q2)) =
= 0.2*0.1 / 0.5 = 0.04
По известной формуле полной вероятности определим значение безусловной вероятности достать красный (черный) шар:
P(R ) = P(Q1)*P(R/Q1) + P(Q2)*P(R/Q2) =
= 0.8*0.4 + 0.2*0.9 = 0.5
P(B) = 0.5
Следует иметь в виду, что равенство вероятностей P(R ) и Р(В) определяется нашими исходными данными (при других исходных данных равенства, естественно, не будет).
Теперь мы знаем значения всех используемых в «дереве целей» переменных, и можно провести необходимый анализ по рассматриваемой методике.
1.2. Метод решения. Усреднение и свертывание.
Согласно рассматриваемой методике обработка «дерева целей» ведется справа налево, т.е. в первую очередь обрабатываются ветки «дерева целей», завершающие временную траекторию вариантов принятия решений. Потом, двигаясь справа налево от узла к узлу на всех ветках «дерева целей», придем к единственной (крайней слева) вершине «дерева», разветвления в которой соответствуют глобальному выбору вариантов (принятию решений), который делает человек, принимающий решение.
Процедура усреднения применяется в узлах «дерева целей», в которых действует вероятностный механизм (эти узлы изображаются в виде «кружочков»).
Обработка «дерева целей» начинается с самых крайних правых «ветвей» «дерева целей», которые соответствуют завершению возможных вариантов развития событий (игры), при этом каждому варианту поставлен в соответствие некоторый доход (цена игры). Все значения этих доходов обычно предварительно оцениваются и задаются в качестве исходных данных задачи. В нашей задаче эти значения соответственно равны (40, -20, 100, -5) условных единиц.
Процедура усреднения сводится к расчету математического ожидания случайной величины эффекта (дохода) от рассматриваемого варианта развития ситуации, связанной с принятием решений (в нашем примере - это игра).
Например, для ветки Е1 для самых крайних правых «кружков» «дерева целей» получим соответственно:
40 * 0.64 + (-20) * 0.36= 18.4
(-5) * 0.64 + 100 * 0.36 = 32.8
40 * 0.96 + (-20) * 0.04 = 37.6
(-5) * 0.96 + 100 * 0.04 = - 0.8
В каждой строке (по известной формуле для математического ожидания случайной величины) просуммированы произведения величины возможных доходов на соответствующие вероятности их реализации, в результате получаем математическое ожидание доходов для крайних левых узлов дерева целей (они изображены в виде кружочков).