Академический Документы
Профессиональный Документы
Культура Документы
n
M aij x j bmi математическое ожидание;
j (10.2)
n
D aij x j bDi дисперсия.
j (10.3)
cij (w) - годовые затраты на добычу угля в i-й шахте по j-му варианту при
реализации w случайных параметров, зависящих от природных факторов.
d ij (w) - годовой объем добычи угля в i-й шахте по j-му варианту при
реализации w случайных природных факторов.
k ij (w) - годовой фонд зарплаты i -й шахты по j-му варианту развития при
реализации w случайных природных факторов.
d — требуемая в соответствии с планом более высокого уровня годовая
добыча угля по объединению в целом.
k - общий фонд зарплаты по объединению.
d ,k - заданные вышестоящей организацией вероятности соблюдения
ограничений по обеспечению спроса и по фонду зарплаты соответственно. В
этом случае целевая функция соответствует М-модели
m n
M cij ( w) xij min . (10.5)
i 1 j 1
Ограничения имеют характер построчных вероятностных ограничений по
соблюдению спроса и фонда заработной платы
115
m n
P d ij ( w) x ij d d , (10.6)
i 1 j 1
m n
P k ij ( w) x ij k k .
i 1 j 1
(10.7)
j 1 i 1
0 yj
n
xi j ai ;
j 1
m
xi j u j k v jk b j k ;
i 1
n
v jk u j k ai
s m n s
b jk .
j 1 k 1 i 1
j 1
k 1
Зап ас ы Удовле твор ён ный с прос
(10.15)
(10.16)
В зависимости от того, какие коэффициенты модели представляют собой
случайные величины, выделяется несколько типов задач.
Вариант А. А =||aij|| - детерминированная матрица,
B || bi || - случайная матрица-столбец, b1 , b2 ,..., bm - случайные
величины.
Считается, что задана совместная плотность распределения
составляющих bi случайного вектора В: b1 ,..., bi ,..., bm (bi ), i 1, m.
Чтобы определить плотность распределения одной компоненты,
необходимо проинтегрировать совместную плотность распределения (bi ) по
всем параметрам, за исключением bi
m
i (bi ) ... b1 ,..., bi ,..., bm
k i
dbk
.
m 1
i (bi )dbi
~
i , (10.17)
bi
118
~
где является нижним пределом интегрирования.
bi
Она определяется как заданная вероятность i превышения случайной
~
величиной bi порога bi , что иллюстрируется на рис. 10.2.
i (bi )
i
0 ~ bi
bi
Рис. 10.2
Следовательно, построчные вероятностные ограничения
n
P aij x j bi i (10.18)
j 1
можно записать в виде неравенства
n
~
a
j 1
ij x j bi , i 1, m.
(10.19)
Таким образом, задача для варианта А запишется в матричном виде
M CX max ,
~
AX B ,
X 0.
(10.20)
~ ~
где B || bi || – вычисленные значения порогов для всех построчных
ограничений.
Таким образом, задача при детерминированной матрице А и случайном
столбце В будет решаться как детерминированная задача ЛП.
Вариант В. Принимаются элементы матрицы А=||аij|| - нормально
распределенные независимые случайные величины со средним значением aij и
дисперсией ij . Составляющие случайного вектора B=||bj||T - нормально
2
i2 ( x) ij2 x 2j vi2 .
1 (b1 )
b
0 ~ 1
b1 2.72
b1 3
Рис. 10.3
Решение стохастической задачи полностью сводится к решению
детерминированной задачи.
i
Si Si
b b a D B B
i i i
M b b a D B B , (10.32)
M Si Si
2 2
i i i
S
Невязка в пределе будет равна нулю, если i .
i
S i
Si
–1
где ki =Ф (1 – pi) – зависит только от вероятности рi и не зависит от элементов
матрицы D. Подставив значения S , Si , получим
i
так, что
bi ai DB Z i k i M bi bi ai D B B .
2
(10.34)
Это соотношение эквивалентно системе неравенств:
a i DB Z i b j ;
k i2 M bi
Z i
2
bi ai D B B 0;
Z i
0, i 1, m.
(10.35)
Теперь можно ввести функции, зависящие от искомой величины D:
i ( D) M bi a i DB ;
i2 ( D) M bi a i DB .
2
Тогда вся задача может быть записана в виде детерминированного
эквивалента относительно искомой переменной D и вспомогательной Zi:
C DB
max;
( D) Z i 0;
i
k i
2
i ( D) i
2
( D) Z i
2
0;
Z 0, i 1, m.
i
(10.36)
Таким образом, М-модель стохастического программирования с
линейными решающими правилами и построчными вероятностными
ограничениями сводится к детерминированной задаче выпуклого
программирования с квадратичными ограничениями относительно переменных
D и Zi .
(10.37)
A(w), B(w), C(w) зависят от случайных параметров, т.е. элементы
матрицы и векторов являются случайными величинами.
Решение X следует принять до наблюдения реализации случайных
параметров. Процесс решения задачи будет следующим.
1 этап: выбирается решение, удовлетворяющее условиям (3), (4).
~
2 этап: фиксируется реализация w случайного события,
~ ~
вычисляются соответствующие ему значения B( w ) и А( w ).
~
3 этап: оценивается невязка условия (2), т.е. B w ~ A w
~ X .
4 этап: вычисляется вектор Y 0, компенсирующий невязки в
~
соответствии с соотношением KY B w~ A w
~ X
, где K k - матрица невязок
ij
компенсации.
В общем случае элементы матрицы компенсации К случайны. В
производственных терминах: если А - матрица основных технологических
способов, то матрица К понимается как матрица аварийных технологических
способов, определяющих пути компенсации обнаруженных невязок.
За нарушение условий задачи устанавливается штраф, зависящий от
величины составляющих вектора Y с некоторым случайным коэффициентом Q.
Таким образом, вектор Y выбирается так, чтобы обеспечить минимальный
штраф за компенсацию невязок условий задачи, определяющихся
предварительным планом или решением X.
Следовательно, на втором этапе решается задача:
QY min,
KY B AX ,
Y 0.
125
(10.38)
Оба этапа решения задачи (10.37) и (10.38), сведенные в один, приводят к
двухэтапной задаче стохастического программирования:
min M w C ( w) X min Q w Y ,
X Y
A
(1)
X B (1) ,
X 0.
(10.39)
Таким образом, решение двухэтапной задачи СП состоит из двух
векторов:
- детерминированного n-мерного вектора X, определяющего
предварительный план;
- случайного п-мерного вектора Y=Y(w), определяющего план
компенсации невязок.
Обобщением двухэтапных задач являются многоэтапные задачи СП, у
которых на каждом последующем этапе необходимо полностью
компенсировать невязки, связанные с принятыми ранее решениями и
реализованными параметрами.