Стохастическое программирование

1. Стохастическое программирование выполнили Шпарик Анна Кутас Юлия

2. Стохастическое программирование Стохастическое программирование — раздел математического программирования, совокупность методов решения оптимизационных задач вероятностного характера. Это означает, что, либо параметры ограничений (условий) задачи, либо параметры целевой функции, либо и те и другие являются случайными величинами (содержат случайные компоненты).

3. В задаче линейного программирования: (1.1)

4. Стохастическая постановка целевой функции может быть двух видов: М-постановка и Р-постановка. • При М-постановке случайная величина заменяется ее математическим ожиданием и задача сводится к оптимизации детерминированной целевой функции:

5. (1.2) • где сj — математическое ожидание случайной величины сj.

6. При Р-постановке целевая функция будет иметь вид: • при максимизации целевой функции: (1.3) • при минимизации целевой функции: (1.4)

7. Наиболее распространены СТП-постановкив вероятностных ограничениях вида: (1.5)

8. Так, ограничение (а) означает, что вероятность соблюдения неравенства 1.6 должна быть не меньше, чем ai. Аналогичный смысл и других ограничений.

9. Для случая, когда вероятностные ограничения представлены в виде типа (а), задачу СТП можно записать при М-постановке: (1.7)

10. При Р-постановке: • в случае максимизации целевой функции 1.8 • в случае минимизации целевой функции 1.9

11. Детерминированная постановка задач стохастического программирования • Процесс решения задачи СП разделяется на два этапа: • Предварительный этап(более трудоемкий). Формируются решающие правила, связывающие решение с заданными статистическими характеристиками случайных параметров условий задачи. Этап не требует знания конкретных значений параметров целевой функции и ограничений. Построение решающих правил требует информации о структуре задачи и о статистических характеристиках случайных исходных данных. • На основном этаперешающие правила используются для оперативного решения задачи. • Второй этап называют оперативным этапом анализа стохастической модели.

12. Для решения задачи стохастического программирования в Р-постановке и с вероятностными ограничениями переходят к детерминированному эквиваленту. Для целевой функции детерминированный эквивалент имеет вид: • при минимизации целевой функции 2.1

13. при максимизации целевой функции 2.2 где σ2j — дисперсия случайной величинысj Решение таких задач затруднительно, поэтому далее рассматриваем целевая функция только в М- постановке.

14. Детерминированный эквивалент вероятностного ограничения типа (а) 2.3 • может быть сведен к виду: 2.4

15. где aij , bi — математические ожидания;, σ i j 2 , өi 2 — дисперсии случайных величинaij , bi ; ta= Ф*-1(ai) — обратная функция нормального распределения при функции распределения: 2.5 где ai— заданный уровень вероятности

16. Детерминированный эквивалент задачи СТП в М-по- становке имеет вид 2.6

17. Каждое 1-е ограничение в детерминированном эквиваленте (2.6) отличается от аналогичного ограничения задачи линейного программирования следующим: 2.7 • от детерминированных значений aij, bi выполнен переход к математическим ожиданиям случайных величин aij, bi; • появился дополнительный член ( ζ ) который учитывает все вероятностные факторы: закон распределения с помощьюta; заданный уровень вероятностиai ; дисперсии случайных величинaij равные σ ij 2; дисперсии случайных величин bi равные ө i 2.

18. Решение задач СТП Детерминированный эквивалент задачи стохастического программирования в М-постановке включает ограничения, которые являются нееепарабельными функциями. Обозначим 3.1

19. тогда задачу стохастического программирования можно записать в сепарабельной форме: 3.2 где

20. Эта задача является сепарабельной задачей нелинейного программирования и может быть решена с помощью стандартных программных средств. • Функция F(x1, х2, хп) называетсясепарабельной, если она может быть представлена в виде суммы функций, каждая из которых является функцией одной переменной, т. е. если

21. Заключение • Таким образом можно сказать что стохастические модели, при выборе решений в сложных ситуациях, более адекватны реальным явлениям и процессам, чем детерминированные. • В практических задачах приходится выбирать решения в условиях недостатка информации об исходных данных.