Teoria podejmowania optymalnych decyzji. Wykład. Podstawy teorii decyzji
Teoria decyzji
Teoria decyzji- kierunek studiów obejmujący pojęcia i metody matematyki, statystyki, ekonomii, zarządzania i psychologii w celu zbadania wzorców wyboru przez ludzi sposobów rozwiązywania różnego rodzaju problemów, a także sposobów znajdowania najbardziej opłacalnych możliwych rozwiązań.
Podejmowanie decyzji to proces racjonalnego lub irracjonalnego wyboru alternatyw, mający na celu osiągnięcie świadomego rezultatu. Wyróżnić teoria normatywna, który opisuje racjonalny proces podejmowania decyzji oraz teoria opisowa opisanie praktyki podejmowania decyzji.
Alternatywny proces selekcji
Racjonalny wybór alternatyw składa się z następujących kroków:
- analiza sytuacyjna;
- Identyfikacja problemów i wyznaczanie celów;
- Wyszukaj niezbędne informacje;
- Tworzenie alternatyw;
- Tworzenie kryteriów oceny alternatyw;
- Przeprowadzenie oceny;
- Wybór najlepszej alternatywy;
- Wdrożenie (wykonanie);
- Opracowywanie kryteriów (wskaźników) monitorowania;
- Monitoring wydajności;
- Ocena wyniku.
Irracjonalny wybór alternatyw obejmuje wszystkie te same komponenty, ale w tak „skompresowanej” formie, że śledzenie związków przyczynowo-skutkowych staje się niemożliwe.
Problem ergodyczności
Aby stworzyć „rygorystyczne” statystycznie wiarygodne prognozy na przyszłość, musisz uzyskać próbkę przyszłych danych. Ponieważ jest to niemożliwe, wielu ekspertów zakłada, że próbki z przeszłych i obecnych np. wskaźników rynkowych są równoważne próbce z przyszłości. Innymi słowy, jeśli przyjmiesz ten punkt widzenia, okaże się, że przewidywane wskaźniki to tylko statystyczne cienie przeszłych i obecnych sygnałów rynkowych. Takie podejście ogranicza zadanie analityka do ustalenia, w jaki sposób uczestnicy rynku odbierają i przetwarzają sygnały rynkowe. Bez stabilności serii nie sposób wyciągnąć rozsądnych wniosków. Ale to wcale nie znaczy, że seria powinna być stabilna we wszystkim. Na przykład może mieć stabilne wariancje i całkowicie niestacjonarne średnie - w tym przypadku wyciągniemy wnioski tylko o wariancji, w przeciwnym razie tylko o średniej. Odporność może być również bardziej egzotyczna. Poszukiwanie stabilności w szeregach to jedno z zadań statystyki.
Jeśli decydenci uważają, że proces nie jest stacjonarny (stabilny), a więc ergodyczny, a nawet jeśli uważają, że funkcje rozkładu prawdopodobieństwa oczekiwań inwestycyjnych można jeszcze obliczyć, to funkcje te są „podatne na nagłe (czyli nieprzewidywalne) zmian”, a system jest w zasadzie nieprzewidywalny.
Podejmowanie decyzji w warunkach niepewności
Za warunki niepewności uważa się sytuację, w której wyniki podejmowanych decyzji są nieznane. Niepewność dzieli się na stochastyczną (jest informacja o rozkładzie prawdopodobieństwa na zbiorze wyników), behawioralna (jest informacja o wpływie na wyniki zachowania uczestników), naturalna (jest informacja tylko o możliwych wynikach i brak). informacje o relacji między decyzjami a wynikami) i a priori (brak informacji i możliwych wyników). Zadanie uzasadniania decyzji w warunkach wszelkiego rodzaju niepewności, z wyjątkiem a priori, sprowadza się do zawężenia początkowego zestawu alternatyw w oparciu o informacje dostępne decydentowi (DM). Jakość rekomendacji do podejmowania decyzji w warunkach niepewności stochastycznej podnosi uwzględnienie takich cech osobowości decydenta, jak stosunek do własnych zysków i strat oraz skłonność do ryzyka. Uzasadnienie decyzji w warunkach niepewności a priori jest możliwe dzięki konstrukcji adaptacyjnych algorytmów sterowania
Wybór pod niepewnością
Ten obszar reprezentuje rdzeń teorii decyzji.
Termin „wartość oczekiwana” (obecnie nazywany oczekiwaniem) jest znany od XVII wieku. Blaise Pascal użył tego w swoim słynnym zakładzie (patrz poniżej), który jest zawarty w jego Przemyśleniach o religii i innych przedmiotach, opublikowanych w . Ideą wartości oczekiwanej jest to, że w obliczu wielu działań, z których każde może przynieść kilka możliwych wyników z różnym prawdopodobieństwem, racjonalna procedura powinna identyfikować wszystkie możliwe wyniki, określać ich wartości (pozytywne lub negatywne, koszty lub korzyści) i prawdopodobieństw, a następnie pomnóż odpowiednie wartości i prawdopodobieństwa i dodaj, aby uzyskać „wartość oczekiwaną”. Wybrane działanie powinno dawać najwyższą oczekiwaną wartość.
Alternatywy dla teorii prawdopodobieństwa
Bardzo kontrowersyjną kwestią jest to, czy wykorzystanie prawdopodobieństwa w teorii decyzji można zastąpić innymi alternatywami. Zwolennicy logiki rozmytej, teorii możliwości, teorii dowodów Dempstera-Schafera i inni popierają pogląd, że prawdopodobieństwo jest tylko jedną z wielu alternatyw i wskazują na wiele przykładów, w których niestandardowe alternatywy zostały użyte z widocznym sukcesem. Obrońcy teorii prawdopodobieństwa wskazują na:
- prace Richarda Threlkelda Coxa dotyczące uzasadnienia aksjomatów teorii prawdopodobieństwa;
- paradoksy Bruno de Finetti jako ilustracja teoretycznych trudności, jakie mogą wyniknąć z odrzucenia aksjomatów teorii prawdopodobieństwa;
- twierdzenia o klasach doskonałych, które pokazują, że wszystkie dopuszczalne reguły decyzyjne są równoważne Bayesowska reguła decyzyjna z pewną wcześniejszą dystrybucją (prawdopodobnie nieodpowiednią) i pewną funkcją użyteczności . Tak więc dla każdego decydująca zasada, generowane przez metody nieprawdopodobieństwa, albo istnieje równoważna reguła bayesowska, albo reguła bayesowska, która nigdy nie jest gorsza, ale (przynajmniej) czasami lepsza.
Trafność miary prawdopodobieństwa została zakwestionowana tylko raz - przez J.M. Keynesa w swoim traktacie "Prawdopodobieństwo" (1910). Ale sam autor w latach 30. nazwał to dzieło „najgorszym i najbardziej naiwnym” ze swoich dzieł. A w latach 30. stał się aktywnym zwolennikiem aksjomatyki Kołmogorowa - R. von Misesa i nigdy tego nie kwestionował. Skończoność prawdopodobieństwa i policzalna addytywność są silnymi ograniczeniami, ale próba ich usunięcia bez niszczenia budynków całej teorii okazała się daremna. Dostrzegł to w 1974 roku jeden z najwybitniejszych krytyków aksjomatyki Kołmogorowa, Bruno de Finetti.
Co więcej, faktycznie pokazał coś przeciwnego - odrzucenie przeliczalnej addytywności uniemożliwia operacje całkowania i różniczkowania, a tym samym uniemożliwia wykorzystanie aparatu analizy matematycznej w rachunku prawdopodobieństwa. Dlatego zadanie porzucenia przeliczalnej addytywności nie jest zadaniem reformowania teorii prawdopodobieństwa, ale zadaniem porzucenia stosowania metod analizy matematycznej w badaniu świata rzeczywistego.
Próby porzucenia skończoności prawdopodobieństw doprowadziły do skonstruowania teorii prawdopodobieństwa z kilkoma przestrzeniami prawdopodobieństwa na każdej, z których aksjomaty Kołmogorowa były spełnione, ale prawdopodobieństwo całkowite nie powinno już być skończone. Ale jak dotąd nie są znane żadne znaczące wyniki, które można by uzyskać w ramach tej aksjomatyki, ale nie w ramach aksjomatyki Kołmogorowa. Dlatego to uogólnienie aksjomatów Kołmogorowa jest nadal czysto scholastyczne.
S. Gafurov uważał, że fundamentalna różnica między prawdopodobieństwem Keynesa (i w konsekwencji statystyką matematyczną) a Kołmogorowa (Von Mises, itd.) polega na tym, że Keynes rozważa statystykę z punktu widzenia teorii decyzji dla szeregów niestacjonarnych…. Dla Kołmogorowa, Von Misesa, Fischera itp. statystyki i prawdopodobieństwo są wykorzystywane do zasadniczo stacjonarnych i ergodycznych (z odpowiednio dobranymi danymi) szeregów - świata fizycznego wokół nas ...
Fundacja Wikimedia. 2010 .
Gulina O.M.
„Stosowane Metody Podejmowania Decyzji”
Tom - 72 strony.
Nakład 50 egzemplarzy.
Powołanie - dla studentów specjalności CT, ACS, Systemy informacyjne, obszary ICT, a także specjalności Zarządzanie organizacją wszystkich form kształcenia.
Metodologia i problemy teorii decyzji, główne rodzaje niepewności i podejścia ogólne oraz metody podejmowania decyzji w takich sytuacjach. Podano przykłady praktycznych sytuacji wraz ze szczegółowymi wyjaśnieniami i rozwiązaniami. Dla samokontroli studentów wykład jest uzupełniony pytaniami kontrolnymi na tematy.
Wstęp
Kurs teorii decyzji zawarty jest w programach szkoleniowych dla specjalistów w dziedzinie informatyki, inżynierii i technologii, a także w programach szkoleniowych dla menedżerów, podkreślając ważną rolę umiejętności podejmowania optymalnych decyzji zarządczych. Kurs ten składa się z całej klasy dyscyplin skoncentrowanych na wykorzystaniu informacji w podejmowaniu decyzji (DM) w różnych sytuacjach.
Procesy decyzyjne leżą u podstaw każdego celowego działania:
bez podejmowania decyzji nie da się zrobić w życiu codziennym:
My wybierz uczelnię, pracę, dom, miejsce na wakacje, planowanie rodzinnego budżetu itp.
bez podejmowania decyzji rozwój produkcji, firm, Instytuty badawcze, gałęzie gospodarki,…
bez tego też się nie obejdzie decyzje polityczne– podział środków budżetu państwa, sposób realizacji reformy oświaty, reforma rolna, sposoby realizacji polityki podatkowej, …
Problem wyboru jest jednym z centralnych w ekonomii. Kupujący decyduje, co kupić i za jaką cenę. Producent decyduje w co zainwestować, jakie towary wyprodukować. Wybór z reguły dokonywany jest na podstawie analizy jakiegoś wskaźnika efektywności. Przy wyborze deterministycznym aktywnie wykorzystywane są odpowiednie modele obliczeniowe. Często jednak wyboru trzeba dokonywać w warunkach niepewności o różnym charakterze. A do kompleksowej analizy potrzebujesz:
W każdym konkretnym przypadku zrozum wewnętrzny charakter istniejącej niepewności i jej źródła;
Zrozumieć, w jaki sposób ta niepewność jest uwzględniana przez wybrany model matematyczny;
Zrozumieć istotę metody, za pomocą której znajduje się rozwiązanie dla danego modelu w obecności odpowiednich danych początkowych, ponieważ wybór metody zależy od świadomości decydenta (DM).
Wybór musi być uzasadniony, tj. wykonane na podstawie rozwiązania pewnego problemu optymalizacyjnego. Sformułowanie takiego problemu, w zależności od sytuacji, prowadzi do różnych modeli matematycznych.
Podejmowanie decyzji w warunkach konfliktu i konfrontacji stron, podejmowanie decyzji w zespole, planowanie i prognozowanie strategiczne, budowanie planów osiągnięcia celu. .
Aby dowiedzieć się, jak podejmować właściwe, optymalne decyzje, musisz się zastanowić ogólne zasady ich rozwój i metody, które pozwalają podejmować decyzje, które są w pewnym sensie optymalne. Przede wszystkim dotyczy to decyzji, których konsekwencje mogą być dość znaczące. Stąd istnieje potrzeba opracowania metod, które upraszczają proces podejmowania decyzji (DPR) i dają większą wiarygodność decyzji.
Teoria decyzji studiuje ogólne schematy stosowane przez ludzi przy wyborze właściwego rozwiązania z wielu alternatywnych możliwości.
W związku z tym, rozpoczynając badanie konkretnego problemu kontrolnego, należy przede wszystkim dowiedzieć się
Z jakimi rodzajami niepewności trzeba będzie się zmierzyć i jak może to wpłynąć na wybór optymalnego rozwiązania;
Czy w ramach przyjętego modelu można odpowiednio uwzględnić niedeterministyczny charakter badanej sytuacji?
Udział ludzi w podejmowaniu decyzji wymaga uzasadnienia stanowiska w realizacji wyboru. Subiektywizm w problemach decyzyjnych wiąże się z wyborem modelu, analizą sytuacji, przypisaniem preferencji itp.
Jednym z głównych problemów pojawiających się przy analizie sytuacji i podejmowaniu decyzji jest sformalizowana prezentacja informacji, tj. opracowanie matematycznego modelu rozważanej sytuacji. W zależności od rodzaju dostępnych informacji stosuje się różne procedury formalne. Na przykład, jeśli informacje są obecne w postaci osądów eksperckich, stosuje się metody heurystyczne. Jeśli rozważane są sytuacje konfliktowe, stosuje się modele teorii gier.
Książka zawiera materiał z wykładów z teorii podejmowania decyzji, czytanych przez autora na Obnińskim Państwowym Uniwersytecie Technicznym Energii Atomowej.
Rozdział 1 przedstawia główne postanowienia i terminologię teorii decyzji. Każda działalność wiąże się z ryzykiem. Podejmowanie decyzji w warunkach ryzyka, poszukiwanie dodatkowych informacji, elementy teorii decyzji statystycznych zostały opisane w rozdziale 2. Prawie każdy problem PR jest wielokryterialny. Rozdział 3 omawia zarówno ustalanie zadań wielokryterialnych, jak i sposoby przezwyciężenia niepewności celów dla różnych danych początkowych oraz stopień świadomości decydenta.
Na końcu każdego tematu znajduje się lista kluczowych pojęć, które definiują treść tematu, a także pytania kontrolne do samodzielnego sprawdzenia.
Pozostaje dodać, że skoro procesy decyzyjne leżą u podstaw każdego celowego działania, znajomość elementów teorii decyzji przyda się każdemu wykształconemu człowiekowi.
Podejmowania decyzji trzeba się nauczyć .
1 Główne postanowienia teorii podejmowania decyzji
1.1 Cechy problemów decyzyjnych
Podejmowanie decyzji (PR) nie zawsze odbywa się w warunkach całkowitej pewności. To raczej wyjątek niż reguła.
Niepewność związane z szansą czynniki zewnętrzne, z niedeterminizmem własnych właściwości systemu lub sytuacji, z niekompletnością skonstruowanego modelu matematycznego.
Decyzje muszą być podejmowane w warunkach różnych informacji. Dlatego należy dążyć do wykorzystania wszystkich dostępnych informacji i po zważeniu wszystkich możliwe opcje spróbuj znaleźć najlepsze wśród nich. Eliminacja niepewności w PR wymaga zastosowania odpowiednich metod i procedur.
„Tylko decyzje i plany są idealne, ale ludzie i okoliczności są zawsze realne. Dlatego każda decyzja menedżerska niesie ze sobą możliwość nie tylko sukcesu, ale także porażki.”
Centralną rolę w PR odgrywa koncepcja ryzyko.
A w handlu, polityce, działalności gospodarczej i zadaniach technicznych ryzyko jest często nieuniknione i należy je brać pod uwagę. Pojęcie ryzyka jest bardzo zróżnicowane i zależy od sytuacji, w której jest rozważane. Zgodnie z wymogami podejścia naukowego, w każdym przypadku można nadać jej konkretną, ale z pewnością ilościową definicję. A wyzwaniem jest zminimalizowanie tego ryzyka.
Metody znajdowania optymalnych rozwiązań są rozważane w działach matematyki klasycznej związanych z badaniem ekstremów funkcji lub funkcjonałów. W praktyce decyzje należy oceniać z różnych punktów widzenia, biorąc pod uwagę aspekty fizyczne (wymiary, waga…), ekonomiczne (koszt, zysk…), techniczne i inne. Wymaga to jednocześnie budowania modeli optymalizacji decyzji według kilku kryteriów- pojawia się problem wielokryterialny.
Często trzeba podejmować decyzje konflikt. Następnie wykorzystywane są metody podejmowania decyzji w grze.
Zatem zadaniem jest sformalizowanie procesu decyzyjnego (DPR) i zbadanie matematycznych metod podejmowania decyzji w warunkach różnego rodzaju niepewności.
Elementy problemu decyzyjnego
Cele
Wskaźniki celu mogą być jakościowe lub ilościowe w zależności od warunków, w tym okresu, dla którego sporządzana jest prognoza:
Cele jakościowe nazywają się punkty orientacyjne
ilościowe - funkcje docelowe.
Cel jest opisany w kategoriach pożądanego rezultatu. Na przykład cele to: „Wybór instytucji edukacyjnej”, „Złożenie zamówienia na produkcję produktów”, „Rekrutacja personelu do przedsiębiorstwa” itp.
Cel można doprecyzować za pomocą celów podrzędnych lub funkcji celu. Np. cel „Rekrutacja dla przedsiębiorstwa” może zostać ujawniony w postaci takich funkcji docelowych, jak „jak najwyższe kwalifikacje w specjalności”, „jak najwyższa znajomość języków obcych”, „dobra znajomość informatyka”, „dodatkowe kwalifikacje są mile widziane” itp.
Strategie
Sformułowane cele wymagają wypracowania odpowiednich sposobów ich osiągnięcia. I strategie przeznaczone do jednego celu mogą nie mieć zastosowania do innego.
Alternatywy
Każda strategia ma kilka opcji jej realizacji lub alternatywne rozwiązania.
Alternatywy to decyzje, strategie zachowań,opcje działania są integralną częścią zadania PR.
Aby ustawić zadanie, musisz mieć co najmniej dwa alternatywy.
Alternatywy są zależne i niezależne. Niezależny to te alternatywy, wszelkie działania, za pomocą których (usunięcie z rozważania, wybór jako jedynej najlepszej) nie wpływają na jakość innych alternatyw.
Na zależny alternatywy, oceny niektórych z nich wpływają na jakość innych. Do dyspozycji różne rodzaje alternatywne zależności. Najprostsza i najbardziej oczywista jest bezpośrednia zależność grupowa: jeśli zdecydowano się rozważyć przynajmniej jedną alternatywę z grupy, to należy wziąć pod uwagę całą grupę. Dlatego planując modernizację produkcji, należy wziąć pod uwagę wszystkie opcje.
Pomyślne rozwiązanie problemu wynika w dużej mierze z tego, jak dokładnie sformułowane są możliwe alternatywy. Zawsze istnieje niebezpieczeństwo, że jedna lub więcej potencjalnie lepszych alternatyw zostanie pominiętych. Z reguły wysiłki włożone w staranne określenie możliwych alternatyw nie idą na marne.
Alternatywy można zdefiniować z góry, można je również zbudować w procesie rozwiązywania problemu. Przykładem może być problem wyboru projektu rozwoju miasta: rozważenie proponowanych alternatyw i odnotowanie ich mocnych stron oraz słabe strony, możliwe jest zaprojektowanie nowej alternatywy, wolnej od wskazanych niedociągnięć i przyjęcie jej za podstawę.
Z wielu opcji rozwiązania problemu należy wykluczyć te, których nie można wdrożyć z jakiegokolwiek powodu, w tym w ramach czasowych wyznaczonych na rozwiązanie. Pozostałe alternatywy tworzą początkowy zestaw alternatyw(IMA) ={ x} .
Wybór tej lub innej alternatywy хЄ prowadzi do celu, ale ilościowe wskaźniki realizacji celu jednak będzie inaczej.
Metody formowania IMA
W zależności od stopnia sformalizowania technologii wyróżnia się następujące klasy metod:
Empiryczne (przyczynowe)
Logiczna heurystyka
Abstrakcyjno-logiczna (matematyczna)
Odblaskowy.
metody empiryczne opierają się na wykorzystaniu wspólnych cech tkwiących w niektórych praktycznych metodach rozwiązywania konkretnych problemów. Są to metody rozwiązywania konkretnych problemów, skumulowane w zbiorze reguł, jak postępować w konkretnym przypadku. Na przykład technologia maszynowa CBR (Case-Based Reasoning - „metoda rozumowania na podstawie przeszłych doświadczeń”): analizowana sytuacja decyzyjna jest porównywana w pamięci komputera ze wszystkimi podobnymi sytuacjami znanymi z przeszłości; z bazy danych maszyna wybiera kilka sytuacji podobnych do analizowanej i przedstawia je decydentowi.
Metody logiczno-heurystyczne generowanie zestawu alternatyw polega na podzieleniu rozpatrywanego problemu na odrębne zadania, podzadania, operacje itp. do takich elementarnych działań, dla których znane są już rozwiązania heurystyczne i konkretne technologie ich wykonania. Pod względem częstotliwości stosowania metody te przodują. Przykładem takich metod jest metoda drzewa decyzyjnego.
Rozważ metodę "drzewo decyzyjne". Służy do reprezentowania możliwych działań i znalezienia sekwencji poprawnych decyzji prowadzących do maksymalnej oczekiwanej użyteczności. Jest to specjalny rodzaj grafu, w którym występują dwa rodzaje węzłów: kwadrat, w którym osoba podejmuje decyzję, i okrąg, w którym wszystko jest ustalane przez przypadek. Przykład takiego wykresu pokazano na rys.1. Tutaj decydent musi wybrać jedno z działań -D 1 lub D 2 . Interwencja przypadku polega na tym, że z powodu okoliczności niezależnych od decydenta z prawdopodobieństwem P 1 otrzyma wynik C 1, a z prawdopodobieństwem P 2 - wynik C 2, jeśli wybierze rozwiązanie pierwsze; wybierając D 2 jako rozwiązanie, otrzyma C 3 lub C 4 z odpowiednimi prawdopodobieństwami.
Ryż. 1. Przykład drzewa decyzyjnego
Całkowita użyteczność każdego działania jest obliczana zgodnie z oczekiwaniami:
U 1 \u003d U (D 1) \u003d C 1 P 1 + C 2 P 2; U (D 2) \u003d C 3 P 3 + C 4 P 4, - i wybierz najlepszą alternatywę z maksymalną oczekiwaną użytecznością .
Taki wykres jest budowany od lewej do prawej dla całej sekwencji podejmowania wieloetapowych decyzji, a następnie analizowany od prawej do lewej, obliczając użyteczność każdej alternatywy i usuwając niekorzystne decyzje.
DO abstrakcyjno-logiczna metody to takie, które pozwalają wyabstrahować z istoty konkretnych działań lub metod pracy i skupić się tylko na ich kolejności. Do zadań, w których stosuje się takie metody, należą metody tworzenia planów wykonania powiązanych ze sobą prac (metody planowania i zarządzania siecią, metody harmonogramowania).
zwrotny metody są stosowane w zadaniach z niepewnością behawioralną (konflikty ekonomiczne, społeczne, polityczne). Metoda opiera się na spójnych hipotezach dotyczących możliwych celów innego podmiotu operacji i formowaniu odpowiedzi. Następnie obie listy są analizowane, alternatywy obu stron są poprawiane i precyzowane.
Dlatego zadaniem jest kwantyfikacja osiągnięcia celu - funkcja celu- był optymalny (np. zysk - maksymalny, koszty - minimalny przy pewnych ograniczeniach: na zasobach, czasie, siła robocza itp.).
Niestety nie ma uniwersalnych przepisów, które sprawią, że ten wybór będzie jednoznaczny. Dlatego decydent musi polegać na doświadczeniu, zdrowym rozsądku i ciągłej analizie sytuacji.
Na tym kursie poznamy modele PPR i ich właściwości.
Firma „Chata” chce rozszerzyć swoje wpływy na rynku. Jednak o sukcesie w osiągnięciu celu decyduje również obecność konkurentów i ich zachowanie. Zadaniem jest opracowanie optymalnej strategii zachowania.
Przykład 2
Inwestor rozwiązuje problem inwestowania w nowoczesny projekt. Wynik będzie zależał od tego, jak dobrze proponowany produkt zostanie przyjęty na rynku. Zadaniem jest ocena efektywności projektu i podjęcie decyzji o zainwestowaniu środków.
Przykład 3
Firma Golden Key, specjalizująca się w produkcji słodyczy, staje przed dylematem: zwiększyć zasoby produkcyjne istniejącego zakładu czy zbudować nowe przedsiębiorstwo o takim samym profilu? Według prezesa decyzja zależy od tego, jaki udział w rynkach zbytu będzie należeć do spółki w ciągu najbliższych dziesięciu lat.
We wszystkich tych przykładach iw wielu innych sytuacjach powszechne są następujące: jest decydent (menedżer firmy, inwestor, prezes); zestaw opcji, czyli alternatyw (zestaw strategii, dylematy inwestora i „Złoty Klucz”). Należy wybrać jakiś ich podzbiór 0 , lepiej - jedną opcję.
Jak wybrać 0 ? Jak porównać alternatywy?
Każda opcja ma swoją jakość, która charakteryzuje się różnymi wskaźnikami i determinuje przydatność rozważanej opcji pod kątem osiągnięcia celu. W sumie preferencje decydenta w tym zakresie określać może pewna zasada optymalności (OP) – „co jest dobre”.
Na przykład decyzja o zainwestowaniu w projekt jest uzasadniona, jeśli wartość bieżąca netto odpowiadająca jego realizacji jest dodatnia. Dla prezesa Złotego Klucza wynik charakteryzujący każdą z rozważanych alternatyw można uznać za roczny dochód przedsiębiorstwa (im więcej, tym lepiej) lub zysk.
Wówczas problem decyzyjny jest kombinacją dwóch składowych (, OP) – początkowego zbioru alternatyw i przypisanej zasady optymalności, jej rozwiązania 0 .
Jeśli opcje nie są zdefiniowane, to nie ma z czego wybierać, jeśli nie ma zasady porównania, to nie można porównać opcji i znaleźć rozwiązania.
Algorytmy ewolucyjne są wykorzystywane w zadaniach kontrolnych, na przykład w problemie planowania trasy dla robota mobilnego. Celem każdego systemu nawigacyjnego jest dotarcie do celu przy racjonalnym wykorzystaniu zasobów, bez kolizji z innymi obiektami. Często ścieżka robota jest z góry zaplanowana offline (niezbędne informacje są wprowadzane z wyprzedzeniem, dane i wiedza nie zmieniają się w sesji rozwiązywania problemu, czas reakcji jest długi). Algorytmy ewolucyjne pozwalają łączyć planowanie offline z planowaniem w czasie rzeczywistym (planowanie online). Planowanie offline szuka ścieżki bliskiej optymalnej, podczas gdy planowanie online bierze pod uwagę możliwe kolizje spowodowane wykryciem nieznanych obiektów i wymienia część oryginalny plan inną drogą. Algorytmy ewolucyjne są stosowane do budowy bezkonfliktowych tras samolotów i rozwiązywania konfliktów powietrznych.
Automatyczne dowodzenie twierdzeń jest wykorzystywane w kontroli poruszających się obiektów do budowy w pełni autonomicznych systemów. Przykładem jest system sterowania zintegrowanego robota mobilnego STRIPS, pojazdu samobieżnego, który porusza się zgodnie z poleceniami generowanymi w urządzeniu sterującym. Typowym zadaniem rozwiązywanym przez STRIPS jest zadanie przeniesienia części z określonego punktu w przestrzeni roboczej za pomocą chwytaka robota do kontenera.
Inteligentny system oparty na rozmytych regułach prowadzi statek towarowy między wyspami bez interwencji człowieka. Jedna portugalska firma z branży celulozowo-papierniczej wdrożyła rozmyte sterowanie autoklawem. Do napisania strategii sterowania wykorzystano 25 reguł rozmytych, które znacząco ograniczyły zmienność jakości produktu oraz zużycia energii i surowców. Opisano przykłady rozmytego sterowania produkcją wyrobów przy operacji technologicznej „metalizacja” rezystorów precyzyjnych oraz modele sterowania ramieniem robota w układzie „oko-ręka”.
Reguły rozmyte zostały z powodzeniem zastosowane w konstrukcji samolotu z zaawansowanymi technologicznie skrzydłami o ulepszonej aerodynamice. W 1990 roku japońscy producenci sprzedali sprzęt do użytku domowego o wartości kilku miliardów dolarów.
Wykład 5. Podstawowe pojęcia i definicje teorii decyzji
Pod podejmowanie decyzji odnosi się do procesu działalności człowieka zmierzającego do wyboru najlepszego sposobu działania. Modele opisujące ludzkie zachowanie są szeroko stosowane w badaniach operacyjnych. Pod badania operacyjne rozumieć zastosowanie matematycznych metod ilościowych do uzasadnienia decyzji we wszystkich obszarach celowej działalności człowieka.
Pod operacją rozumiemy system działań połączonych jednym planem i nastawionych na osiągnięcie określonego celu. Operacja jest zawsze zdarzeniem zarządzanym. Do nas należy wybór parametrów charakteryzujących sposób organizacji. Każdy określony dobór parametrów w zależności od nas będzie nazywany rozwiązaniem. Samo podejmowanie decyzji wykracza poza zakres badań operacyjnych i należy do kompetencji osoby (lub grupy osób) odpowiedzialnej, której przysługuje prawo ostatecznego wyboru.
5.1. Role ludzi w podejmowaniu decyzji
Ludzie mogą odgrywać różne role w procesie podejmowania decyzji. Zadzwonimy do osoby, która faktycznie dokonuje wyboru najlepszego sposobu działania, podejmujący decyzję(LPR). Inną rolą, jaką dana osoba może odegrać w procesie podejmowania decyzji, jest rola lidera lub członka aktywnej grupy – grupy
osoby, które mają wspólne zainteresowania i starają się wpłynąć na proces selekcji i jego wynik.
W procesie decyzyjnym osoba może pełnić rolę eksperta, tj. profesjonalista w określonej dziedzinie, do którego zwraca się o oceny lub zalecenia. W przygotowaniu trudne decyzje czasami bierze udział konsultant decyzyjny. Jego rolą jest organizowanie procesu decyzyjnego: pomoc decydentowi w prawidłowym sformułowaniu problemu, określenie stanowisk grup aktywnych, organizacja pracy z ekspertami.
Szczególne miejsce zajmuje osoba (grupa osób), która posiada metody matematyczne i wykorzystuje je do analizy operacji. Ta twarz ( badacz operacyjny, badacz-analityk) nie podejmuje decyzji samodzielnie, a jedynie w tym pomaga
5.2. Alternatywy
Opcje działania nazywane są alternatywami. . Aby sformułować problem decyzyjny, konieczne są co najmniej dwie alternatywy.
Alternatywy są niezależne i zależne. Niezależne są te alternatywy, wszelkie działania, za pomocą których (usunięcie z rozważania, wybór jako najlepszej) nie wpływają na jakość innych alternatyw. W przypadku alternatyw zależnych oszacowanie niektórych z nich wpływa na jakość innych. Istnieją różne rodzaje alternatywnych zależności. Najprostsza jest zależność grupowa: jeśli zdecydowano się rozważyć przynajmniej jedną alternatywę z grupy, to należy wziąć pod uwagę całą grupę.
Używając pojęcia alternatywy, dość często proces podejmowania decyzji jest definiowany jako rozsądny wybór najlepszej alternatywy ze zbioru alternatyw.
5.3. Kryteria
Opcje rozwiązań charakteryzują się różnymi wskaźnikami ich atrakcyjności dla decydentów. Wskaźniki te nazywane są kryteriami. Kryteria oceny alternatyw są wskaźnikami ich atrakcyjności dla uczestników procesu selekcji.
W większości zadań ma kilka kryteriów oceny opcji rozwiązań. Kryteria te mogą być niezależne lub zależne.
Załóżmy, że dwie porównywane alternatywy mają różne oszacowania dla pierwszej grupy kryteriów i takie same dla drugiej grupy. W teorii decyzji zwyczajowo uznaje się kryteria za zależne, jeśli preferencje decydenta podczas porównywania alternatyw zmieniają się w zależności od szacunków dla drugiej grupy kryteriów.
Na złożoność zadań decyzyjnych wpływa również liczba kryteriów. Przy niewielkiej liczbie kryteriów (dwa - trzy) zadanie porównywania alternatyw jest dość proste, cechy można porównać według kryteriów. Przy dużej liczbie kryteriów zadanie staje się bardziej skomplikowane ze względu na trudności porównania.
Konkretny rodzaj kryterium, jakie należy zastosować w liczbowej ocenie skuteczności danej operacji, zależy od specyfiki rozpatrywanej operacji, a także od zadania badania.
Wiele operacji wykonywanych jest w warunkach zawierających element przypadku. W takich przypadkach jako kryterium oceny wybierana jest nie tylko charakterystyka wyniku operacji, ale jej średnia wartość (oczekiwanie matematyczne). Na przykład, jeśli zadaniem jest uzyskanie maksymalnego zysku, to jako kryterium przyjmuje się średni zysk. W innych przypadkach, gdy zadaniem jest realizacja ściśle określonego zdarzenia, jako kryterium przyjmuje się prawdopodobieństwo tego zdarzenia.
5.4. Główne etapy procesu decyzyjnego
Proces decyzyjny składa się z sekwencji kroków, a mianowicie:
identyfikacja problemu,
określenie celów i kryteriów wyboru rozwiązania,
definicja rozwiązań (alternatywy),
analiza i porównanie alternatyw,
wybór najlepszej alternatywy
organizacja kontroli.
Rozważ treść niektórych z tych etapów.
Sformułowanie (identyfikacja) problemu jest definicja problemu
(rys.5.1). Konieczne jest zidentyfikowanie samego problemu, a nie objawów jego manifestacji.
Rys.5.1. Etap formułowania problemu
Bardzo ważne jest jasne określenie celów wyboru rozwiązania oraz kryteriów ich oceny. Pożądane jest, aby kryteria oceny podejmowanych decyzji można było określić ilościowo, chociaż nie zawsze jest to możliwe. Jako przykład rozważmy problem wyboru trasy gazociągu na północy Syberii. Zadanie charakteryzowało się niewielką liczbą alternatyw (dwie – trzy), duża liczba kryteria (sześć do dziesięciu). Trzeba było wybrać jedną, najlepszą alternatywę. Lista kryteriów obejmowała: koszt budowy gazociągu; czas budowy; niezawodność rurociągu; prawdopodobieństwo wypadków; konsekwencje wypadków; Wpływ na środowisko; bezpieczeństwo dla ludności itp.
Pomyślne rozwiązanie problemu w dużej mierze zależy od opracowanych alternatyw. Porównanie i analiza alternatyw odbywa się za pomocą metod matematycznych. Do zastosowania metod ilościowych niezbędne jest zbudowanie matematycznego modelu zjawiska. Budując model, konieczne jest ustalenie relacji ilościowych między warunkami eksploatacji, parametrami rozwiązania a wynikiem operacji – kryteriami lub wskaźnikami skuteczności.
Wybór modelu. Jeśli problem zostanie sformułowany poprawnie, możliwe staje się wybranie gotowego modelu. Jeśli nie ma gotowego modelu, konieczne staje się stworzenie takiego modelu (rys. 5.2).
Bank modeli
Ryż. 5.2. Wybór modelu
Istnieją modele matematyczne, które dobrze opisują różne sytuacje wymagające podjęcia określonych decyzji. Wyróżniamy z nich trzy klasy: modele deterministyczne, stochastyczne i gry.
Przy opracowywaniu modeli deterministycznych wychodzi się z założenia, że główne czynniki charakteryzujące sytuację są określone i znane. Tutaj zwykle pojawiają się problemy optymalizacyjne określonej wielkości (np. minimalizacja kosztów).
Modele stochastyczne (probabilistyczne, statystyczne) stosuje się w przypadkach, gdy niektóre czynniki są niepewne, losowe.
Biorąc pod uwagę obecność przeciwników lub sojuszników o własnych interesach, konieczne jest zastosowanie modeli teorii gier.
Znalezienie rozwiązania(Rys. 5.3.). Znalezienie rozwiązania wymaga konkretnych danych, których zebranie i przygotowanie z reguły wymaga znacznych wysiłków. Jeżeli dane są już dostępne, często konieczne jest przekształcenie ich do postaci odpowiadającej wybranemu modelowi.
Szkolenie
Ryż. 5.3. Znalezienie rozwiązania
Weryfikacja rozwiązania. Uzyskane rozwiązanie należy sprawdzić pod kątem akceptowalności za pomocą odpowiednich testów. Niezadowalające rozwiązanie oznacza, że wybrany model nie oddaje dokładnie charakteru badanego problemu. W takim przypadku należy go ulepszyć lub zastąpić bardziej odpowiednim modelem.
Organizacja kontroli. Jeśli znalezione rozwiązanie okazało się akceptowalne, to konieczne jest zorganizowanie kontroli nad prawidłowe użycie modele. Głównym zadaniem takiej kontroli jest zapewnienie zgodności z ograniczeniami założonymi przez model, jakość danych wyjściowych i wynikowe rozwiązanie.
5.5. Matematyczne metody teorii decyzji
Zastosowanie pewnych metod matematycznych wynika z charakteru rozwiązywanych zadań. W nauce o decyzjach istnieją trzy rodzaje problemów: problemy dobrze ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane. Dobrze zorganizowany, czyli problemy ilościowe, to takie, w których znaczące zależności można wyrazić liczbowo. Słabo ustrukturyzowany Problemy mieszane to takie, które zawierają zarówno elementy jakościowe, jak i ilościowe, przy czym dominują jakościowe, mało znane i niepewne strony problemów. Typowe problemy badań operacyjnych są dobrze ustrukturyzowane. W wielokryterialnych problemach decyzyjnych brakuje niektórych informacji niezbędnych do pełnego i jednoznacznego rozwiązania. Takie problemy są częściowo ustrukturyzowane.
Istnieją problemy, w których znana jest tylko lista głównych parametrów, ale nie można ustalić relacji ilościowych między nimi. W takich przypadkach struktura, rozumiana jako zbiór zależności między parametrami, nie jest zdefiniowana, a problem nazywa się nieustrukturyzowany.
Rozwiązywanie problemów dobrze ustrukturyzowanych, metody programowania liniowego i dynamicznego, gry metody uzasadniania rozwiązań, metody teorii decyzji statystycznych, metody statystyka matematyczna i prawdopodobieństwa, metody teorii kolejek, metody modelowania statystycznego itp. Aby rozwiązać problemy częściowo ustrukturyzowane i nieustrukturyzowane, używamy różne metody ocena alternatyw wielokryterialnych (metody eksperckie, metoda analizy hierarchii, teoria użyteczności, teoria ryzyka itp.), metody sztuczna inteligencja, pozwalające na modelowanie zachowań ludzi w rozwiązywaniu określonych problemów.
FEDERALNA AGENCJA RYBOŁÓWSTWA
FEDERALNA PAŃSTWOWA INSTYTUCJA EDUKACYJNA WYŻSZEGO KSZTAŁCENIA ZAWODOWEGO „MURMAŃSKA PAŃSTWOWA WYŻSZA SZKOŁA TECHNICZNA”
INSTYTUT NAUKI NA ODLEGŁOŚĆ
Yaretenko N.I.
Matematyka (badania operacyjne)
Kurs wykładowy
na kierunek szkolenia (specjalność)
230105.65 Informatyka stosowana ( Oprogramowanie VT i AS)",
080801.65 „Informatyka stosowana (w ekonomii)”, 080507.65 „Zarządzanie organizacją”, 080105.65 „Finanse i kredyty”, 080109.65 „Rachunkowość, analizy i audyt”.
(z wykorzystaniem elementów nauczania na odległość)
do. Nauki, profesor nadzwyczajny
działy Systemy informacyjne I
Matematyka stosowana MSTU.
Kurs wykładowy
Oceniony
i zatwierdzony przez Departament IP i PM
„__” _______ 2010
Recenzenci:
W.W. Kowalczuk,
Doktor Nauk Technicznych, Profesor, Kierownik Katedry
IS i PM MSTU.
N. N. Morozov dział
Fizycy MSTU.
Wykład. Podstawy teorii decyzji
1.1. Postanowienia ogólne……………………………………………………………….6
1.2. Podstawowe pojęcia analizy systemowej………………………………………..8
1.3. Podstawowe pojęcia badań operacyjnych……………………………….12
1.4. Ustalanie zadań do podejmowania optymalnych decyzji…………………………13
1.5. Metodologia i metody podejmowania decyzji…………………………………………………15
pytania testowe………………………………………………...17
2. Wykład. Modelowanie ekonomiczne - matematyczne
2.1.Podstawowe pojęcia ............................................. ...............................osiemnaście
2.2.Klasyfikacja modeli............................................. ......................................................19
2.3 Klasyfikacja zadań gospodarczych do rozwiązania ............................................. .....21
Pytania testowe ............................................. ....................22
Wykład. Programowanie liniowe
3.1.Ogólne przedstawienie problemu............................................. ......................................23
3.2. Dualność w problemach programowania liniowego……………25
3.3 Twierdzenia o dualności ............................................. ......................................26
3.4 Rozwiązywanie problemów programowania liniowego za pomocą geometrii
metoda................................................. .............................................28
3.5 Metoda simpleksowa do rozwiązywania problemów programowania liniowego...35
Pytania testowe ............................................. ...............39
Wykład Zadanie transportowe
4.1 Stwierdzenie problemu ............................................. ...................................................41
4.2.Algorytm rozwiązywania problemów transportowych……………………………….………42
4.3 Metoda najmniejszych elementów ............................................. ...................................................43
4.5.Metoda potencjałów ............................................. ......................................................44
4.6 Przykłady rozwiązywania problemów transportowych ............................................ .....45
Pytania testowe ............................................. .................55
5. Wykład Programowanie w liczbach całkowitych
5.1 Stwierdzenie problemu programowania liczb całkowitych ............................................. 57
5.2 Graficzna metoda rozwiązywania problemów programowania całkowitoliczbowego ............................................. ...................................................... ...................58
5.3.Przykład rozwiązania problemu programowania całkowitoliczbowego…………..59
5.4.Problem komiwojażera………………………………………………………..61
5.5.Przykład rozwiązania problemu komiwojażera………………………………………………62
Pytania testowe ............................................. ........64
Wykład. Programowanie dynamiczne
6.1. Sformułowanie problemu ............................................. ..................................65
6.2 Zasada optymalności Bellmana ........................................... .....66
6.3 Zadanie rozdysponowania środków na 1 rok……………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………………… ……………………………………………………………………………………………
6.4. Zadanie rozdysponowania środków na 2 lata .............................. ……….72
Pytania testowe ............................................. ........72
7. Wykład. Kontrola produkcji
7.1 Zadanie wymiany sprzętu ………………………………………………………………………………………73
7.2 Zarządzanie zapasami. Zadanie magazynowe ……………………………….79
Pytania testowe ............................................. ..........81
Wykład. Teoria gry
8.1.Pojęcia podstawowe………………………………………………………………..82
8.2 Gry antagonistyczne …………………………………………………..83
8.3 Gry z „naturą” ............................................. ................................................... 0,85
Pytania kontrolne……………………………………………….93
Wykład. Systemy usług masowych
9.1.Sformułowanie zadania i charakterystyka QS………………………..94
9.2.QS z awariami………………………………………………………………..96
9.3.QS z nieograniczonym oczekiwaniem ............................................. ......................................96
9.4. QS z oczekiwaniem i z ograniczoną długością kolejki……………….97
9.5. Przykłady rozwiązywania problemów ............................................. ....................................98
Pytania kontrolne……………………………………….…..101
Wykład. Planowanie sieci
10.1. Podstawowe pojęcia metody planowania sieci .............................. 101
10.2. Obliczanie schematów sieciowych ............................................. .............................................105
Pytania kontrolne………………………………………...………………………109
Wykład. Programowanie nieliniowe
11.1. Pojęcia podstawowe…………………………………………………………..109
11.2. Bezwarunkowa skrajność …………………………………..………….109
11.3. Ekstremum warunkowe …………………………………………………………111
Pytania testowe ............................................. ...............112
Lista zadań do rozwiązania podczas opanowania materiału…………………. 112
Literatura............................................................................... 128
Pytania do samodzielnego zbadania………………………………….………… .129
Dodatek: Alfabet grecki……………………………….…131
WPROWADZENIE
Kurs „Matematyka. Badania operacyjne” trwa kluczowa pozycja w programy edukacyjne studenci większości specjalności przemysłowych i ekonomicznych. W procesie jej opanowania studenci powinni rozwijać zrozumienie zasad, modeli matematycznych sformułowanych w ramach tych modeli problemów i odpowiednich metod ich rozwiązywania.Wszystkie te pytania stanowią podstawę, której każdy wykwalifikowany specjalista potrzebuje w nowoczesnych warunkach, aby rozwiązywać problemy zarządzania różnymi systemami organizacyjnymi.
Początek rozwoju badań operacyjnych jako nauki wiąże się z latami czterdziestymi XX w. Sama nazwa dyscypliny wiąże się z zastosowaniem metod matematycznych do kierowania operacjami wojskowymi.
Jednym z pierwszych opracowań jest praca L. V. Kantorovicha, Matematyczne metody organizowania i planowania produkcji, opublikowana w 1939 r. oraz w literatura zagraniczna- opublikowana w 1947 praca J. Danzinga poświęcona rozwiązywaniu ekstremalnych problemów liniowych. W 1975 roku L. V. Kantorovich został laureatem nagroda Nobla za pracę nad optymalnym wykorzystaniem zasobów w gospodarce.
Zaznaczono lata 50. i później szerokie zastosowanie w praktyce uzyskanych podstawowych badań teoretycznych i ponowne przemyślenie potencjalnych możliwości teorii badań operacyjnych z tym związanych. Ważny wkład w rozwój nowej nauki wnieśli także tak wybitni naukowcy jak J. Fon. Neumann, D. Gale, K. Arrow, R. Bellman, R. Gomory, ES Wentzel, MK Gavurin i inni naukowcy.
Przebieg wykładów został opracowany na podstawie programów pracy dla kierunku kształcenia (specjalność) 230105.65 „Informatyka stosowana (BT i AS Software)”, 080801.65 „Informatyka stosowana (w ekonomii)”, 080507.65 „Zarządzanie organizacją”, 080105.65” Finanse i Kredyty”, 080109.65 „Rachunkowość, analiza i audyt”.
Przedstawiając treść tematów wykładów, wskazano ich najważniejsze elementy z uwzględnieniem zagadnień teoretycznych i przykładów problemów praktycznych, a także pytań do samokontroli. W końcowej części dla każdego tematu podane są liczne opcje zadań, które pozwolą uczniom lepiej zrozumieć materiał, gdy samokształcenie dyscypliny w procesie przygotowania do egzaminu lub testu.
Wykazy literatury podstawowej i dodatkowej wskazują na współczesną edukację i czasopisma, w tym problemy z zastosowanymi rozwiązaniami.
Wykład. Podstawy teorii podejmowania decyzji.
1.1. Postanowienia ogólne
1.2. Podstawowe pojęcia analizy systemowej
1.3. Podstawowe pojęcia badań operacyjnych
1.4. Zestawienie problemów podejmowania optymalnych decyzji
1.5. Metodologia i metody podejmowania decyzji.
Postanowienia ogólne
Człowiek jest obdarzony świadomością, być wolnym i skazanym na podejmowanie decyzji, starając się robić wszystko jak najlepiej.
Teoria optymalnego podejmowania decyzjiw najogólniejszym sensie to zestaw metod matematycznych i numerycznych skoncentrowanych na znajdowaniu najlepsze opcje z zestawu alternatyw i unikając ich wyczerpującego wyliczenia.
Ponieważ wymiar problemów praktycznych z reguły jest dość duży, a obliczenia zgodnie z algorytmami optymalizacji wymagają znacznej inwestycji czasu, dlatego metody podejmowania optymalnych decyzji koncentrują się głównie na ich realizacji za pomocą komputera.
Praktyczna potrzeba społeczeństwa na fundacje naukowe podejmowanie decyzji powstało wraz z rozwojem nauki i technologii.
W XVIII wieku za początek nauki „Teorii Decyzji” należy uznać dzieło Josepha Louisa Lagrange'a, którego znaczenie było następujące:
ile ziemi koparka powinna zabrać na łopatę, aby jego wydajność zmianowa była jak największa.
Okazało się, że stwierdzenie „bierz więcej, rzuć więcej” nie jest prawdziwe.
Szybki rozwój postępu technicznego, zwłaszcza w czasie i po II wojnie światowej, stawiał coraz to nowe zadania, do rozwiązania których angażowano i rozwijano nowe metody naukowe.
Naukowymi i technicznymi przesłankami do powstania „Teorii Decyzji” są:
· wzrost ceny „ceny błędu”. Im bardziej złożona, kosztowna, na większą skalę planowane wydarzenie, tym mniej „silnej woli” są w nim dopuszczone, a ważniejsze stają się metody naukowe, które pozwalają z góry ocenić konsekwencje każdej decyzji, wykluczają niedopuszczalne opcje z góry i polecać te najbardziej udane;
· Przyspieszenie rewolucji naukowo-technicznej w inżynierii i technologii. Koło życia produkt techniczny został tak bardzo zredukowany, że „doświadczenie” nie miało czasu na gromadzenie i wymagane było użycie bardziej rozwiniętego aparatu matematycznego w projektowaniu;
rozwój komputerów. Rozmiar i złożoność rzeczywistych problemów inżynierskich nie pozwalały na zastosowanie metod analitycznych.
Ta nauka z jednej strony stała się pewną gałęzią, z drugiej więcej nauki ogólne(teoria systemów, analiza systemów, cybernetyka itp.), az drugiej strony stała się syntezą pewnych fundamentalnych nauk bardziej szczegółowych (badania operacyjne, optymalizacja itp.), tworząc jednocześnie własną metodologię.
Gospodarka jest ściśle powiązana ze zbiorami obiektów, które potocznie nazywane są systemami złożonymi, które charakteryzują się licznymi i różnorodnymi rodzajami powiązań pomiędzy odrębnie istniejącymi elementami systemu oraz obecnością w systemie funkcji celu, jaką pełnią jego części składowe nie mieć.
Na pierwszy rzut oka każdy złożony system ma unikalną organizację. Jednak bardziej szczegółowe badanie może wskazać, co jest wspólne w systemie poleceń komputerowych w procesach projektowania maszyny, samolotu i statku kosmicznego.
W literatura naukowa i techniczna Istnieje wiele terminów związanych z badaniem systemów złożonych.
Najbardziej ogólnym terminem jest „teoria systemów”. Jego główne części to:
analiza systemowa, rozumiana jako badanie problemu podejmowania decyzji w złożonym systemie,
· Cybernetyka, która jest uważana za naukę o zarządzaniu i transformacji informacji.
Badania cybernetyki wyodrębniają i ściśle sformalizowane procesy oraz
Analiza systemu- zestaw procesów i procedur.
Bardzo bliskie terminowi „analiza systemów” jest pojęcie „badań operacyjnych”, które tradycyjnie oznacza dyscyplinę matematyczną obejmującą badanie modeli matematycznych w celu doboru wielkości optymalizujących daną konstrukcję matematyczną (kryterium).
Analiza systemowa może sprowadzać się do rozwiązywania szeregu problemów w badaniach operacyjnych, ale posiada właściwości, które nie są objęte tą dyscypliną.
Jednak w literaturze zagranicznej termin „badania operacyjne” nie jest czysto matematyczny i zbliża się do terminu „analiza systemowa”.
Analiza systemów, oparta na badaniach operacyjnych, obejmuje:
ustawienie problemu do podjęcia decyzji;
opis zestawu alternatyw;
badanie zadań wielokryterialnych;
metody rozwiązywania problemów optymalizacyjnych;
przetwarzanie ocen eksperckich;
praca z makromodelami systemu.
Podstawowe pojęcia analizy systemowej
Analiza systemu- nauka zajmująca się problemem podejmowania decyzji w aspekcie analizy” duża liczba informacje o innym charakterze.
bramka analiza systemowa (do konkretnego problemu) – zwiększenie stopnia słuszności podjętej decyzji z zestawu opcji, spośród których dokonuje się wyboru, przy jednoczesnym wskazaniu metod odrzucenia oczywiście niekorzystnych.
W analiza systemu rozróżnia
· metodologia;
· wdrożenie sprzętowe;
praktyczne zastosowania.
Metodologia zawiera definicje użyte pojęcia i zasady systematycznego podejścia.
Podobne informacje.