Modelowanie matematyczne dr hab. rapata W Zasady...
-
Upload
truongkien -
Category
Documents
-
view
222 -
download
0
Transcript of Modelowanie matematyczne dr hab. rapata W Zasady...
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
1
MODELOWANIE MATEMATYCZNE
proces, którego rezultatem, w wyniku przeprowadzenia pewnych
badań poznawczych, jest model matematyczny ustalonego obiektu
rzeczywistego, uwzględniający problem z nim związany i cele
modelowania.
BADANIA POZNAWCZE (działania poznawcze) są
postępowaniem charakterystycznym dla analizy systemowej oraz
badań operacyjnych, i obejmują:
obserwację obiektu rzeczywistego,
konceptualizację (wybór istotnych cech obiektu),
idealizację (określenie związków między głównymi z istotnych
cech obiektu),
konkretyzację (określenie związku między istotnymi cechami
obiektu rozszerzonymi o cechy uboczne),
weryfikację (logiczne i empiryczne sprawdzenie związków
między istotnymi cechami obiektu),
preparację (podjęcie działań praktycznych prowadzących do
zaspokojenia konkretnych potrzeb społecznych).
MODEL
a) „taki dający się pomyśleć lub materialnie zrealizować układ,
który odzwierciedlając lub odtwarzając przedmiot badania,
zdolny jest go zastępować tak, że jego badanie dostarcza nam
nowej informacji o tym przedmiocie” (W. Staff w
„Modelowanie i filozofia”)
b) „reprezentacja badanego zjawiska w postaci innej niż postać, w
jakiej występuje ono w rzeczywistości” (W. Findeisen i J.
Gutenbaum w „Analiza systemowa”)
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
2
OBIEKT RZECZYWISTY -
fragment rzeczywistości, którym zainteresowany jest człowiek w
konkretnej sytuacji.
BADANIA OPERACYJNE –
„badanie procesów zamierzonych (operacji) i wypracowanie,
opierając się na metodach matematycznych, wniosków i zaleceń
umożliwiających podejmowanie optymalnych decyzji dotyczących
organizacji i kierowania tymi procesami...: („Leksykon wiedzy
wojskowej”)
ANALIZA SYSTEMOWA –
„formalne i jawne badanie wspomagające działanie osób
odpowiedzialnych za decyzje lub linię postępowania w określonej
sytuacji charakteryzującej się niepewnością, polegające na
rozpoznaniu i rozważeniu dostępnych wariantów oraz
porównaniu ich przewidywanych następstw.”
ETAPY BADANIA OPERACYJNEGO:
1. określenie obiektu rzeczywistego i sformułowanie problemu z
nim związanego,
2. określenie potrzeby modelowania formalnego
(matematycznego) i konkretyzacja celu modelowania,
3. budowa modelu formalnego uwzględniającego cel modelu,
4. formułowanie zadań (np. optymalizacyjnych) w języku modelu,
5. rozwiązywanie sformułowanych zadań,
6. analiza otrzymanych rozwiązań lub badanie modelu,
7. opracowanie projektu oddziaływania na obiekt rzeczywisty i
ewentualny udział w jego wdrażaniu.
1 2 3 4 5 6
78
poprawki
obiekt
potrzeba
i cel
modelowania model zadanie rozwiązanie analiza
oddziaływanie
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
3
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
4
KONSTRUOWANIE MODELU MATEMATYCZNEGO
(POSTAĆ UPROSZCZONA)
M – liczba cech obiektu
xm – symbol zmiennej, Mm ,1
Xm – zbiór możliwych wartości zmiennej m;
Zbiór cech (zmiennych)
MM11 X,x,,X,xX
Opis związków
I – liczba związków;
Si – symbol związku, Ii ,1 ;
i
iPi2
i1 mmmi x,,x,x X - zbiór określający, które cechy
występują w i – tym związku;
i
iPii mmmi XXXR ...21
- relacja opisująca i – ty związek;
III RSRSR ,,,,,, 111 XX
MODEL MATEMATYCZNY
postać modelu użyteczna przy analizie adekwatności modelu do
rzeczywistości
RXA
11~
:f
A~
- zbiór nazw cech i związków;
postać modelu użyteczna do analizy poprawności wewnętrznej
modelu
RX
,
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
5
POSTULATY POPRAWNOŚCI MODELU
istotność cech
istotność związków
spójność modelu
niesprzeczność modelu
x > y, y > z, z > x
cecha nieistotna
- cechy
- związki
- związek zawiera się w
związku więc jest nieistotny
model
niespójny
model
spójny
?!!!
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
6
PRZYKŁAD: prosty model ruchu pojazdu
Chcemy formalnie opisać prosty model ruchu pojazdu. Z
fizyki elementarnej wiemy, że przebyta przez pojazd (1) droga jest
wprost proporcjonalna do prędkości pojazdu i czasu jaki z tą
prędkością się poruszał (przy założeniu ruchu jednostajnego). Z
kolei (2) przyspieszenie pojazdu jest wprost proporcjonalne do
prędkości z jaką się pojazd poruszał i odwrotnie proporcjonalne
do czasu.
Mamy więc następujące cechy modelu:
symbol zbiór wartości
1. droga przebyta przez pojazd s 0R
2. prędkość pojazdu v 0R
3. przyspieszenie pojazdu a 0R
4. czas ruchu t R
Mamy:
Rt,,0Ra,,0Rv,,0Rs,X
Związki modelu wyszczególnione są w opisie werbalnym.
oraz:
(1)
zxy:R0Rzy,x,R
ts,v,
2
1
1
X
(2)
z
yx:R0Rzy,x,
tv,a,
2
2
2
R
X
Stąd:
2211 ,2,_z,,1,_z RXRXR
gdzie:
z_1– symbol związku (1), z_2–symbol związku (2).
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
7
KLASYFIKACJA MODELI MATEMATYCZNYCH
Zbiór cech
X możemy rozbić na trzy podzbiory cech:
IIIIII XXXX
IIIIIIIIXXXX
IIInz
IIIroz
IIIlos
IIIdec
IIIXXXXX
model BADAWCZY (bez decyzji)
IIIdec
IXX
• deterministyczny: III III III
los roz nz X X X
• probabilistyczny: IIIlosXXX
IIInz
IIIroz
• rozmyty: IIIroz
IIInz
IIIlos XXX
• w warunkach nieokreśloności: IIInz
IIIroz
IIIlos XXX
• mieszany
model STRATEGICZNY (co najmniej dwie strony podejmują decyzje)
IIIdec
IXX
• deterministyczny, probabilistyczny, rozmyty, w warunkach
nieokreśloności, mieszany (j/w)
model OPTYMALIZACYJNY (jedna strona podejmuje decyzje)
IIIdec
IXX
• deterministyczny, probabilistyczny, rozmyty, w warunkach
nieokreśloności, mieszany (j/w)
Decydent ma wpływ Decydent zna wartości Decydent nie zna wart.
Wpływają inni
decydenci
Zmienne losowe
o znanych
rozkładach
Zmienne rozmyte
o znanej
„rozmytości”
Zmienne
nieznane
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
8
MODEL OPTYMALIZACYJNY można zapisać jako:
RXXXXX
;; III
nz
III
roz
III
los
III
inne I
wsk
I
dec XX Xdane – zbiór danych
MODEL OPTYMALIZACYJNY W POSTACI DOGODNEJ
DO SFORMUŁOWANIA ZADANIA OPTYMALIZACYJNEGO
A
AA WA
aaax
aa Exaayxa ,,,,,,,
gdzie:
a, x, y – listy: danych, zmiennych decyzyjnych i wskaźników;
A Ø – zbiór dopuszczalnych zestawów wartości danych;
(a) – zbiór dopuszczalnych zestawów wartości zmiennych
decyzyjnych przy zestawie wartości danych aA;
W(a,x) – zbiór możliwych zestawów wartości wskaźników przy
zestawie wartości zmiennych decyzyjnych x (a), aA;
Ea – funkcja logiczna opisująca osiągnięcie celu głównego:
0
1
1,0:
yE
aE
a
a Y
gdzie:
axxaya :,WY
- jeżeli przy możliwym zestawie wartości
wskaźników y cel został osiągnięty;
- w przeciwnym przypadku.
Zbiór
zmiennych
decyzyjnych
Zbiór wskaźników
(stopnia osiągnięcia celu)
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
9
SFORMUŁOWANIE ZADANIA OPTYMALIZACYJNEGO
Dla danych
aA
wyznaczyć
x*(a)
tak, aby
1yEa
*xa,y
W
PRZYKŁAD: model optymalizacyjny + zadanie optymalizacji
Niech
a = a1, a2
A = a1, a2 R R : a1 = 1 a2 = 2
Ω(a) = x R : a1 x a2=x R : 1 x 2
W(a,x) = y R : y=-x2+3
21:3:, 2 xxyaxxaya WY
321
1 2xx
yyEa max
-1 1 2 3 4 5x
-1
1
2
3
4
5
f <x>
3- x^2
y(x*)
x*
Ω(a)
Rozwiązanie zadania
optymalizacyjnego dla
powyższego modelu jest
równe x*=1 a wartość funkcji y
dla x* jest równa y(x*)=2.
Gdyby pominąć warunek
x*Ω(a) wówczas
rozwiązaniem byłoby x*=0 i
odpowiadające mu y(x*)=3, ale
wówczas
zaproponowalibyśmy
podjęcie decyzji
niedopuszczalnej
(bo x = 0 Ω(a))!!!!!
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
10
Zadanie optymalizacyjne sformułowane poprzednio (w ramce)
jest postacią ogólną formułowania zadania optymalizacyjnego.
Najczęściej mamy do czynienia z sytuacją, gdy:
zbiór W(a,x) dla wszystkich aA i x(a) jest
jednoelementowy, a jego elementem jest liczba y;
cel główny zostanie osiągnięty, gdy decyzji odpowiadać
będzie ekstremalna wartość wskaźnika.
W takich przypadkach zadanie optymalizacyjne formułujemy
następująco:
Dla danych:
a A
wyznaczyć:
x*Ω(a) (lub krócej x*Ω)
tak, aby:
xafax
xaf ,, *
extr
gdzie:
*, xaf = (tu występuje określenie
funkcji f, tzw. funkcji celu).
symbol extr oznacza jeden z symboli: sup, inf,
min, max
PRZYKŁAD: (nawiązanie do przykładu poprzedniego)
Zadanie optymalizacyjne dla przykładu poprzedniego
możemy sformułować następująco:
dla danych:
a = a1, a2 A
wyznaczyć:
x*Ω(a) = 1,2
tak, aby:
xafxafax
,,2,1
*
max
gdzie 3, 2 xxaf .
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
11
PRZYKŁAD MODELU MATEMATYCZNEGO
DLA PROBLEMU PRAKTYCZNEGO
1) Werbalny opis problemu
Pewien zakład produkuje dwa typy wyrobów: typ A i typ B. Na
wyprodukowanie wyrobu typu A potrzeba mA jednostek materiału a
na wyprodukowanie wyrobu typu B potrzeba mB jednostek materiału.
Zakład ma w magazynie M jednostek materiału. Czas potrzebny na
wyprodukowanie wyrobu typu A oszacowano na tA jednostek czasu a
wyrobu typu B - na tB jednostek czasu. Łączny czas jaki zakład może
przeznaczyć na produkcję wynosi T jednostek czasu. Dział
marketingu oszacował również, że popyt na wyrób typu A wyniesie
nie więcej niż pA jednostek natomiast na wyrób typu B - nie mniej niż
pB jednostek. Cenę jednostkową sprzedaży dla wyrobu A oszacowano
na cA natomiast jednostki wyrobu B - na cB. Ponadto koszty produkcji
jednostki wyrobu typu A wynoszą kA natomiast jednostki wyrobu typu
B - kB.
Zbudować model matematyczny do rozpatrywanego zagadnienia oraz
sformułować na jego podstawie zadanie optymalizacyjne wyznaczenia
ilości produkowanych wyrobów obu typów tak, aby przewidywany
zysk zakładu był jak największy.
2) Cechy wyodrębnione w modelu mA - ilość materiału potrzebna na wyprodukowanie wyrobu typu A;
mB - ilość materiału potrzebna na wyprodukowanie wyrobu typu B;
M - zapas materiału znajdujący się w magazynach zakładu;
tA - ilość czasu potrzebna na wyprodukowanie wyrobu typu A;
tB - ilość czasu potrzebna na wyprodukowanie wyrobu typu B;
T - ilość czasu jaką zakład może przeznaczyć na produkcję;
pA - górna granica zapotrzebowania na wyrób typu A;
pB - dolna granica zapotrzebowania na wyrób typu B;
cA - cena sprzedaży wyrobu typu A;
cB - cena sprzedaży wyrobu typu B;
kA - koszt produkcji wyrobu typu A;
kB - koszt produkcji wyrobu typu B; x1 - zmienna decyzyjna liczby produkowanych wyrobów typu A;
x2 - zmienna decyzyjna liczby produkowanych wyrobów typu B;
y - zysk zakładu odpowiadający produkcji określonej ilości
wyrobów typu A i B;
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
12
3) Zakres zmienności cech
yR - zysk zakładu (ujemny interpretujemy jako straty);
x1, x2N;
mA , mB , M, tA , tB , T , pA , pB , cA , cB , kA , kB R+
4) Wyodrębnienie związków
• mAx1 + mBx2 <= M
łączna ilość materiału potrzebna na wyprodukowanie x1 sztuk wyrobu A
oraz x2 sztuk wyrobu typu B nie może być większa niż zapas materiału M w
magazynie ;
• tAx1 + tBx2 <= T
suma ilości czasu potrzebnego na wyprodukowanie x1 sztuk wyrobu A i x2
sztuk wyrobu B nie może być większa niż łączny zasób czasu T jaki zakład
może przeznaczyć na produkcję (przy założeniu, że w danej chwili może być
produkowany tylko jeden wyrób);
lub
• max tAx1, tBx2 <= T
czas potrzebny na wyprodukowanie x1 sztuk wyrobu A i x2 sztuk
wyrobu B nie może być większy niż łączny zasób czasu T jaki zakład może
przeznaczyć na produkcję (przy założeniu, że oba wyroby mogą być
produkowane jednocześnie);
• x1 <= pA
ilość sztuk wyprodukowanych wyrobów typu A nie może być większa niż
szacowane zapotrzebowanie na nie na rynku pA;
• x2 >= pB
ilość sztuk wyprodukowanych wyrobów typu B nie może być mniejsza
niż szacowane zapotrzebowanie na nie na rynku pB ;
• y = (cA-kA)x1 + (cB-kB)x2
zysk zakładu z wyprodukowania x1 sztuk wyrobu typu A i x2 sztuk
wyrobu typu B;
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
13
5) Analiza poprawności modelu
a) istotność cech
Każda z wybranych cech występuje w przynajmniej jednym
związku;
b) istotność związków
Żaden związek nie wynika jednoznacznie z innego, dlatego
wszystkie związki są istotne (w praktyce ten postulat jesteśmy w
stanie sprawdzić dopiero wtedy, gdy znamy konkretne wartości
parametrów z listy danych a);
c) spójność modelu
Wszystkie wyróżnione cechy łączą się ze sobą pośrednio lub
bezpośrednio, np. cecha x1 łączy się w sposób bezpośredni z cechami
mA, tA, pA, cA, kA i pośrednio z pozostałymi cechami.
d) niesprzeczność modelu
Nie występują związki, z których analizy można by dojść do
sprzecznych wniosków (w praktyce ten postulat jesteśmy w stanie
sprawdzić dopiero wtedy, gdy znamy konkretne wartości parametrów
z listy danych a).
6) Klasyfikacja cech
Xdane=mA , mB , M, tA , tB , T , pA , pB , cA , cB , kA , kB- dane znane ;
, 21 xxX I
dec - zmienne decyzyjne;
yX I
wsk - wskaźnik;
Lista danych :
k , k , c , c , p , p , T , t, tM, , m , m BABABABABAa
A = 12
BABABABABA k , k , c , c , p , p , T , t, tM, , m , m R
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
14
Lista zmiennych decyzyjnych :
21, xxx
Zbiór rozwiązań dopuszczalnych :
B
A
B
B
px
px
Txtxt
MxmxmNNxx
a
2
1
21A
21A21
:,
)(
Wskaźnik (lista wskaźników jest jednoelementowa):
W ),( xa =f(a,x)=yR : y = (cA-kA)x1 + (cB-kB)x2
)(:)()( 21 axxkcxkcya BBAA Y
Funkcja oceny osiągnięcia celu (może być, ale nie musi w tak formułow. zad.)
przypadku przeciwnym w, 0
x)f(a, maxygdy , 1)(ax
a yE
7) Zadanie optymalizacyjne
Dla danego a A
wyznaczyć x* (a)
tak, aby :
f (a,x*) = max f (a,x)
x(a)
gdzie :
f (a,x) = (cA-kA)x1 + (cB-kB)x2
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
15
PROBLEMY DOTYCZĄCE KONSTRUOWANIA
MODELI OPTYMALIZACYJNYCH
zapewnienie istnienia x* dla każdego a,
zbiór W(a, x) może być wieloelementowy,
element zbioru W(a, x) może nie być liczbą (a np. zmienną
losową, wektorem, zbiorem itp.),
duża złożoność obliczeniowa skonstruowanego zadania
optymalizacyjnego,
inne.
METODY OPISU FUNKCJI OSIĄGNIĘCIA CELU
Założenie:
W(a, x) – jednoelementowy
w W(a, x)
Przypadki możliwych rodzajów w W(a, x):
liczba,
wektor,
zmienna losowa,
zbiór rozmyty,
zbiór liczbowy,
inne.
Przypadek, gdy w W(a, x) jest liczbą:
p.p. w0
maxgdy 1 awwEa
Y
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
16
Przypadek, gdy w W(a, x) jest wektorem:
I. pełne przedstawienie skutków (tabele porównań),
II. optymalizacja wielokryterialna,
III. funkcja „ważona”,
IV. wartości dopuszczalne,
V. porządek leksykograficzny (nadawanie kryteriom
priorytetów),
VI. synteza logiczna,
VII. uogólniona synteza logiczna.
Ad. II. (optymalizacja wielokryterialna)
Stosowanie tzw. rozwiązań dominujących, niezdominowanych i
kompromisowych.
Zadanie: Zadanie:
oraz
y
y
1max
2max
oraz
y
y
1max
2max
Y
y1
y2
y* (punkt idealny)A
B
Y
y1
y2
y* (wynik dominuj ¹cy)
Yy *
AB -zbiór wyników
niezdominowanych, bo
BAyyy
yzn
nnYz
,,
,2,1
:~
21
Yyyy *
2
*
1
* , - wynik
dominujący
bo nn zynYz
*
2,1
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
17
Ad. III. (funkcja „ważona”,)
S
j
jjWw1
gdzie:
Wj – j – ta składowa wektora W;
λj – „waga” j – tej składowej wektora W;
S – liczba składowych wektora W;
Ad. IV. (kryterium wartości dopuszczalnych)
p.p. w0
,1,gdy 1 0 SjWWw
jj
gdzie: 0
jW - pewna ustalona krytyczna wartość j – tej
składowej wektora W.
Ad. V. (porządek leksykograficzny)
W przypadku zadania:
oraz
y
y
1max
2max
y* jest rozwiązaniem zadania przy
kolejności priorytetów dla kryteriów
„najpierw y1, później y2”;
y** jest rozwiązaniem zadania przy
kolejności priorytetów dla kryteriów
„najpierw y2, później y1”;
Ad. VI. (synteza logiczna)
a)
S
j
jWw1
c) w=1-Wj
b)
S
j
jWw1
11 d) mieszane
Y
y1
y2
y**
y*
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
18
Ad. VII. (uogólniona synteza logiczna)
jj WSj
w
,1
min
jj WSj
w
,1
max
jWw
mieszane
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
19
Przypadek, gdy w W(a, x) jest zmienną losową:
wartość oczekiwana
p.p. w0
gdy 1 WEaW
WE
WEaY
max
W1
f1(x)
f2(x)
0
W2
E1
E2
Wykres gęstości rozkładu prawdopodobieństwa dla dwóch
zmiennych losowych W1 i W2
Zgodnie z kryterium maksymalizacji wartości oczekiwanej
wybierzemy zmienną losową W1, bo jej wartość oczekiwana E1
jest większa niż wartość oczekiwana E2 dla W2, ale:
• z prawdopodobieństwem 0 zmienna losowa W1 przyjmuje
wartość z dość dużego otoczenia swojej wartości oczekiwanej
E1;
• efekty decyzji z jednakowym prawdopodobieństwem będą
albo bardzo korzystne albo bardzo niekorzystne dla W1;
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
20
kwantyle (Pr W < wp = p)
p.p. w0
maxgdy 1 pp
a
waW
W
WE Y
wariancja
0
gdy 1 22 WDaW
WD
EaY
min
inne charakterystyki (np. synteza wartości oczekiwanej
i wariancji)
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
21
Przypadek, gdy w W(a, x) jest zbiorem rozmytym:
Podejście wg Bellmana, Zadeha
aa Y A
, , – nierozmyte zbiory wartości danych, zmiennych
decyzyjnych i wskaźników;
aa Y, – rozmyte zbiory wartości zmiennych decyzyjnych i
wskaźników;
Mechanizm realizacji decyzji nierozmytej:
aaha Y
;
Wskaźnik liczbowy (funkcja przynależności do przecięcia zbiorów
rozmytych zmiennych decyzyjnych i wskaźników):
xhfxgx aa
axo
,minmax*)(
max
gdzie: ga, fa - funkcje przynależności elementów do zbiorów Ω(a), Y(a).
PRZYKŁAD:
Spośród mało licznych grup pracowników chcemy wybrać grupę
dużej wydajności.
Nr grupy 1 2 3 4
Liczność 1 3 2 5 Wydajność ha 30 15 12 7
Przypadek, gdy W W(a, x) jest
zbiorem liczbowym:
x 1 2 3 4
ga (x) 1 9/10 1 1/7
ha (x) 30 15 12 7
fa (ha (x)) 1/3 1/8 0 0
μ(x) 1/3 1/8 0 0
30,15,12,7,4,3,2,1 aa Y
Niech zbiór rozmyty „małych
liczności grup” ma postać:
7
1/5,
2
1/4,
10
9/3,1/2,1/1
a zbiór rozmyty „dużych wydajności”:
1 17 / 0,12 / 0,15 / , 30 /
8 3
.
Stąd rozmyty zbiór dopuszczalnych
decyzji jest następujący:
7
1/4,1/3,
10
9/2,1/1
max = 1/3. Odpowiada to decyzji nr 1
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
22
Przypadek, gdy w W(a, x) jest zbiorem liczbowym:
kryterium pesymisty (Walda):
p.p. w0
,gdy 1 xaW
WEax
a
minmax
sytuacja
decyzja zapyta
nie
zapyta
1. uczyć się 10 -10
2. nie uczyć
się -5 0
kryterium optymisty:
p.p. w0
,maxmaxmaxgdy 1 xaW
ax
W
WEa
Decyzja:
uczyć się, bo:
max max10, -10 , max-5, 0 = max 10, 0 = 10
odpowiada decyzji nr 1
kryterium Hurwicza:
α – współczynnik optymizmu
p.p. w0
,min1,maxmax
min1maxgdy 1
xaWxaWax
WW
WEa
Można pokazać, że dla danych z powyższej tabeli:
nie uczyć się < 3
1qr < uczyć się
Decyzja:
nie uczyć się bo:
max min10,-10; min-5,0 =
= max-10, -5= -5
odpowiada
decyzji nr 2
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
23
kryterium żalu (Savage’a)
Rozumowanie decydenta:
Gdybym znał b, to podjąłbym decyzję x*, taką że:
baxwax
baxw ,,,,*
max
ale ponieważ nie znałem b i podjąłem decyzję x, więc mój „żal”
z tego powodu wynosi:
baxwbaxwbaxsw ,,,,,, *
Dla ws stosuje się kryterium pesymisty.
10
0
-10
10
-5
15
0
0
wskaźnik
decyzja
dane sytuacja
w ( x, a, b )
Ponieważ interesuje nas to, aby żal był
jak najmniejszy, więc naszą decyzją
będzie decyzja nr 1, tzn. uczyć się, bo
max 0, 10 < max 15, 0.
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
24
PRZYKŁAD
Podejmujemy decyzję, czy iść do kina, teatru, czy muzeum.
Możemy trafić na dobry film lub spektakl, albo też słaby. Nie
wiemy tylko, czy muzeum jest otwarte.
„Żal” odpowiadający powyższym sytuacjom przedstawiają
tabelki:
Muzeum zamknięte Muzeum otwarte
dobry słaby dobry słaby
Film 20 4 Film 20 4
Spektakl 13 10 Spektakl 13 10
Wystawa 0 0 Wystawa 12 12
max 20 10 max 20 12
max Jeżeli muzeum jest zamknięte,
to idziemy do kina, w p.p. – do
teatru ?!!!!
max
0 6 6 0 8 8
7 0 7 7 2 7
20 10 20 8 0 8
Modelowanie matematyczne dr hab. inż. Zbigniew Tarapata Wykład nr 1: Zasady modelowania matematycznego
25
MODELE SYMULACYJNE
„pozwalają na drodze opisów matematycznych „naśladować”
zachowanie się obiektu obserwowanego z punktu widzenia
określonego problemu”
są to modele badawcze z czasem, w którym zbiór zmiennych X
(tzw. opisowych) dzieli się na 3 rozłączne podzbiory:
• zmiennych wejściowych (ich wartości są ustalone niezależnie
od zachowania się obiektu rzeczywistego); Xwe;
• zmiennych stanu (ich wartości opisują wybrane cechy obiektu
zmieniające się w czasie); Xst, Xwy;
• podzbiór jednoelementowy opisujący czas:
stwystwe
stwe Tt,
XXXX
XXX
Zbiory dopuszczalnych zestawów wartości, odpowiednio:
zmiennych wejściowych weX , zmiennych stanu stX oraz
zmiennych wyjściowych wyX , mogą być funkcjami czasu
określonymi w zbiorze R
.
W modelach symulacyjnych definiuje się dwie funkcje:
• przejścia stanu δ,
• wyjściową λ.
TTT stWest XXX:
Wartość δ(x, y, t, h) jest zestawem wartości zmiennych stanu
chwili t+h.
TT wywest XXX:
Wartość λ(x, y, t) jest zestawem wartości zmiennych wyjściowych
w chwili t.