- •Предисловие
- •Введение
- •Глава 1. Графическое представление критерИев
- •1.1. Критерии с прямоугольными конусами предпочтения
- •1.1.1. Минимаксный критерий
- •1.1.2. Критерий Гермейера
- •1.1.3. Критерий Сэвиджа
- •1.1.4. Критерий азартного игрока
- •1.2. Критерий с прямыми предпочтения
- •1.3. Производные критерии
- •1.3.1. Критерий Ходжа-Лемана
- •1.3.2. Критерий произведений
- •1.3.3. Критерий Гурвица
- •1.3.4. Критерий Байеса-Лапласа
- •1.3.5. Обобщенные критерии
- •Глава 2. Количественные характеристики ситуации принятия решений
- •2.1. Влияние информации на процесс принятия решения
- •2.2. Значимость независимого параметра
- •2.3. Энтропия независимого параметра
- •2.4. Доверительные факторы принятия решений
- •2.4.1. Эмпирический доверительный фактор
- •2.4.2. Прогностический доверительный фактор
- •2.4.3. Эмпирико-прогностический доверительный фактор
- •2.4.4. Использование доверительных факторов в задачах принятия решения
- •2.5. Принятие решений в условиях рисков
- •2.6. Пример оценки значимости параметра
- •Глава 3. Гибкие критерии выбора решения
- •3.1. Свойства гибкого критерия
- •3.2. Применение гибкого критерия
- •Параметров в заданных интервалах для выборки сочетаний исходных данных при (случай 1)
- •3.3. Адаптивный критерий Кофлера-Менга с использованием кусочно-линейной информации
- •Глава 4. СубъективНые оценки параметРов
- •4.1. Основные проблемные вопросы
- •4.2. Подготовка и проведение оценок
- •4.3. Обработка данных
- •4.3.1. Интерквартиль оцениваемой величины
- •4.3.2. Взвешивание оцениваемой величины
- •4.4. Гибкий выбор принятия решения при субъективной полезной информации
- •4.5. Примеры проведения оценок
- •Глава 5. Анализ ситуаций выбора решения
- •5.1. Общая структура выбора решения
- •5.2. Методы выбора решений
- •5.3. Ошибки решения
- •5.3.1. Количественный анализ ошибок
- •5.3.2. Качественный анализ ошибок
- •5.4. Схемы принятия решений
- •5.4.1. Одношаговые схемы принятия решений
- •5.4.2. Многошаговые схемы принятия решений
- •5.5. Дискретизация и комбинирование внешних состояний
- •5.5.1. Разделение общего числа представительных значений по параметрам внешнего состояния
- •5.5.2. Распределение заданного числа представительных значений по диапазону неопределенности параметра
- •5.6. Пример расчета числа дискретизирующих шагов для оценочной функции
- •Глава 6. Полезность вариантов решения. Риск
- •6.1. Полезность вариантов решения
- •6.2. Понятие риска
- •6.3. Сравнение степеней риска
- •6.4. Формальное описание риска
- •6.5. Виды рисков
- •6.6. Многократные риски
- •6. Изложить понятие неоднократного риска. Глава 7. Многоцелевые решения. Альтернативные методы
- •7.1. Многоцелевые решения
- •7.1.1. Общий подход
- •7.1.2. Реализация целей
- •7.1.3. Методы выбора внутри эффективных множеств
- •7.2. Альтернативные методы
- •7.2.1. Основные пути выбора решения
- •7.2.2. Критериальный анализ
- •7.2.3. Применение нечетких множеств
- •Заключение
5.5. Дискретизация и комбинирование внешних состояний
Пусть некоторый параметр внешнего состояния влияет на свойства системы или процесса и по условиям задачи ограничен пределами . Из этого интервала следует выбрать представительные значения , так, чтобы решаемая задача описывалась достаточно точно, но чтобы в интересах упрощения расчетов было как можно меньше. Эти два требования явно противоречивы. Предельно простыми расчеты становятся, когда весь интервал представляется единственным значением , что соответствует детерминированной оптимизации. Аналогично можно говорить о квазидетерминированных оптимизационных расчетах в случаях, когда представительные значения переменных из интервала не рассматриваются как неизвестные (неважно, на каком основании). Например, использование неопределенных величин часто не предусмотрено нормами, или же затраты, которые мы можем себе позволить, предопределяют выбор представительных значений. Задание параметров в этом случае осуществляется однозначно и не является случайным. Обыкновенно используют среднее , а также крайние и значения. Если различные возможные состояния параметра представляют многими значениями , то целесообразно исходить из равномерного разделения диапазона изменения параметра, а в качестве представительных значений выбирают середины интервалов (рис. 5.11). Непосредственное влияние предельных значений и проявляется тогда только с ростом .
Рис. 5.11. Выбор дискретных реализаций
Желаемая формулировка задачи получается из комбинации выбранных представительных значений, которые должны адекватно характеризовать анализируемый параметр внешнего состояния.
Кроме снижения затрат на обработку, имеются и другие основания, которые заставляют делать число выбранных представительных значений как можно меньше. Исследователь стремится из осторожности сделать диапазон столь большим, чтобы гарантированно охватить все реализации анализируемого параметра внешнего состояния. Однако краевые области интервалов, по всей вероятности, содержат меньше представительных значений, чем центральные. Ясно, что параметр будет оценен тем лучше, чем больше число выбранных реализаций.
5.5.1. Разделение общего числа представительных значений по параметрам внешнего состояния
Чем больше общее число параметров исходной информации, которые приходится учитывать и комбинировать, тем больше возрастают, естественно, и расходы, а число всех комбинаций, в соответствии с формулой (6.1), составляет
где – число состояний -го параметра исходных данных. Поскольку число принимаемых в расчет внешних состояний для многих ситуаций принятия решения предопределяется затратами на обработку, из множества всех возможных следует выбрать такие сочетания, которые наилучшим образом характеризовали бы состояние исходных данных и его изменения.
Этот отбор должен, насколько возможно, удовлетворять следующим требованиям: 1) число значений параметра должно соответствовать его влиянию на результат; 2) сочетания значений параметра , которые оказывают одинаковое или сходное влияние на результат, не должны быть представлены в состояниях многократно; 3) отбор должен быть в максимальной степени независимым от субъективного отношения исследователя; 4) те из выбранных сочетаний, которые по характеру решаемой задачи маловероятны, должны быть исключены.
Хотя субъективное влияние исследователя часто очень велико, сам по себе субъективный отбор широко укоренился в практике и достаточно надежен. Все требования, кроме третьего, могут быть в достаточной мере рационально выполнены при субъективном отборе. Рассмотрим три формализованных метода, которые, правда, трудоемки, однако они лишь в очень незначительной степени связаны с субъективными-факторами.
Для множества значений параметров , рассматривается параллелепипед или другая соответствующая -мерная область. В первом методе в эту область вносятся сфер одинакового и максимально возможного диаметра. Центры сфер определяют, например, на границе параллелепипеда, подлежащие выбору реализации и одновременно сочетания исходных данных. Этот метод применим только для небольшого числа неопределенных параметров, примерно до . Кроме того, для этой задачи еще не существует общего решения.
По второму методу внутри выбранной области располагают равномерную сетку. На этой сетке выбирают заданное число узловых точек таким образом, чтобы расстояние их друг от друга было максимальным. Для отбора применяют теорию линейных кодов.
Третий метод формального отбора основан на использовании метода Монте-Карло и метода классификации. По заданным каким-либо образом распределениям определяют статистически большое число точек в области неопределенности параметра . Полученное множество точек разделяют на групп. Групповые «центры» выбирают при этом так, чтобы средне-квадратическое расстояние между точками в группе было минимальным, а расстояния между центрами – максимальным.
Отметим, что Беляев отдает предпочтение второму методу. Эти три формализованных метода располагают представительные значения равномерно, что противоречит первому требованию отбора.
Число групп некоторого параметра полагают пропорциональным его значимости .
. (5.13)
Здесь – коэффициент пропорциональности, который дальше точно не определяется. В соответствии с формулой (6.8) из разд. 6.2 для рассматриваемого параметра 10 справедливо равенство:
. (5.14)
Однако энтропия сама зависит от числа групп. Чтобы представить эту зависимость, функции распределения следует ограничить конечной областью, поскольку в противном случае число групп независимо от ширины интервала становится бесконечно большим.
Пусть все распределения вероятностей сосредоточены на конечных областях шириной и пусть ширина интервала группы для всех параметров постоянна, одинакова и равна , так что
. (5.15)
Определение ширины получается из предположения о нормальном распределении. Если обрезать это распределение на границах с обеих сторон, то в этих границах будет заключено 99,73 % всех возможных вероятностных событий. Логично и в отношении всех рассматриваемых нами распределений принять для область внутри границ . Для трех важных типов распределений это дает следующие результаты.
а) Нормальное распределение:
, (5.16)
, (5.17)
где – параметр нормального распределения.
б) Распределение Вейбулла:
, (5.18)
, (5.19)
где – масштабный параметр распределения;
– параметр формы распределения;
– константа Эйлера.
в) Логарифмически-нормальное распределение:
, (5.20)
, (5.21)
где – параметры распределения.
Энтропию можно теперь представить следующим образом:
, (5.22)
откуда . Величина представляет независящую от числа групп часть энтропии – так называемую главную составляющую, называемую также дифференциальной энтропией.
Дифференциальная энтропия для приведенных выше распределений равна:
, (5.23)
, (5.24)
. (5.25)
Для равномерного распределения:
. (5.26)
В табл. 5.4. представлена зависимость дифференциальной энтропии вейбулловского и логарифмически-нормального распределения от некоторых параметров распределения; указаны также частные случаи перехода к экспоненциальному и нормальному распределением.
Таблица 5.4. Дифференциальная энтропия вейбулловского и логарифмически-нормального распределений
Распределение Вейбулла |
Логарифмически-нормальное распределение |
|||
Частные случаи |
||||
0,5 1 |
2,4389 0,7774 |
0,1 0,5 |
1,1618 0,6652 |
|
2 3 3,754 |
0,2933 0,3063 0,3728 |
1 5 |
1,3631 10,8816 |
|
4 10 |
0,5032 0,9608 |
|
10 |
24,0985 |
С помощью дифференциальной энтропии можно теперь выбрать необходимое число дискретных значений рассматриваемого параметра , если – число всех внешних состояний, которые следует учесть при решении задачи.
Нетрудно показать, что справедливо следующее уравнение:
, (5.27)
где – коэффициент пропорциональности;
– число рассматриваемых значений параметра;
– дифференциальная энтропия распределения параметра;
– релевантность параметра;
0 – индекс рассматриваемого параметра.
Это уравнение может быть использовано для определения числа групп итерационным способом, причем выбирается произвольно. Осуществляется это следующим образом:
,
и так далее, заканчивая, когда
,
где – допустимое отклонение.
Требования к точности приближения не должны устанавливаться слишком высокими, потому что все равно каждое число должно быть округлено. При практических расчетах число групп для одного параметра целесообразно задать заранее, причем в качестве базового параметра имеет смысл выбрать параметр с наиболее низкой релевантностью:
. (5.28)
Число групп для других параметров получают теперь из (5.7) и (5.22):
(5.29)
с .
Из соображений возможности расчета обычно задается то максимальное число состояний исходных данных , которое можно обработать, так как справедливо отношение
. (5.30)
Варьируя шаг за шагом заданное вначале число групп достигают этой границы, причем целесообразно на основе соотношения
начинать с наименьшего числа
(5.31)
и увеличивать это число до тех пор, пока не будет достигнуто условие (5.30).
Однако и при этих условиях по формулам (5.29) – (5.30) не следует требовать излишней точности, так как, безусловно, будут необходимы округления результатов.