Задачи по методам принятия решений
1. Изобразите на плоскости ограничения задачи линейного программирования и решите (графически) эту задачу:
400 W1 + 450 W2 → min ,
5 W1 + 10 W2 ≥ 45,
20 W1 + 15 W2 ≥ 80,
W1 ≥ 0, W2 ≥ 0.
2. Решите задачу линейного программирования:
W1 + 5 W2 → max ,
0,1 W1 + W2 ≤ 3,8 ,
0,25 W1 + 0,25 W2 ≤ 4,2 ,
W1 ≥ 0 , W2 ≥ 0 .
3. Решите задачу целочисленного программирования:
10 Х + 5 У → max .
8 Х + 3 У ≤ 40,
3 Х + 10 У ≤ 30,
Х ≥ 0 , У ≥ 0 , Х и У - целые числа.
4. Решите задачу о ранце:
Х1 + Х2 + 2 Х3 + 2Х4 + Х5 + Х6 → max ,
0,5 Х1 + Х2 + 1,5 Х3 + 2Х4 + 2,5Х5 + 3Х6 ≤ 3.
Управляющие параметры Хk, k = 1,2,…, 6 , принимают значения из множества, содержащего два элемента - 0 и 1.
5. Решите задачу коммивояжера для четырех городов (маршрут должен быть замкнутым и не содержать повторных посещений). Затраты на проезд приведены в табл.7.
Таблица 7.
Исходные данные к задаче коммивояжера
| Город отправления | Город назначения | Затраты на проезд |
| А | Б | |
| А | В | |
| А | Д | |
| Б | А | |
| Б | В | |
| Б | Д | |
| В | А | |
| В | Б | |
| В | Д | |
| Д | А | |
| Д | Б | |
| Д | В |
6. Транспортная сеть (с указанием расстояний) приведена на рис.9. Найдите кратчайший путь из пункта 1 в пункт 4.
Рис.9. Исходные данные к задаче о кратчайшем пути.
7. Как послать максимальное количество грузов из начального пункта 1 в конечный пункт 8, если пропускная способность путей между пунктами транспортной сети (рис.10) ограничена (табл.8)?
Рис.10. Транспортная сеть к задаче о максимальном потоке.
Таблица 8.
Исходные данные к задаче о максимальном потоке
| Пункт отправления | Пункт назначения | Пропускная способность |
Темы докладов и рефератов
1. Классификация оптимизационных задач.
2. Решения, оптимальные по Парето.
3. Многокритериальные задачи оптимизации: различные методы свертки критериев.
4. Задачи оптимизации и нечеткие переменные (на основе работы [5).
5.Место метода множителей Лагранжа в теории оптимизации.
ОСНОВЫ ЭКОНОМЕТРИЧЕСКИХ МЕТОДОВ
К наиболее практичным и эффективным интеллектуальным инструментам менеджера относятся эконометрические методы [2]. В учебниках по экономической теории, как правило, выделяют в качестве ее основных областей макроэкономику, микроэкономику и эконометрику [2, с.25]. Кратко обсудим основные проблемы этой области экономической теории, а затем рассмотрим один из наиболее часто используемых эконометрических методов – метод наименьших квадратов.
Что такое эконометрика?
Согласно Большому Энциклопедическому словарю (М.: Изд-во «Большая Российская Энциклопедия», 1997), эконометрика – наука, изучающая конкретные количественные и качественные взаимосвязи экономических объектов и процессов с помощью математических и статистических методов и моделей. Эконометрические методы - это прежде всего методы статистического анализа конкретных экономических данных, естественно, с помощью компьютеров [1]. Такие методы успешно используются в зарубежных и отечественных экономических и технико-экономических исследованиях, работах по управлению (менеджменту). Применение прикладной статистики и других эконометрических методов дает заметный экономический эффект. Например, в США - не менее 20 миллиардов долларов ежегодно только в области статистического контроля качества.
В мировой науке эконометрика занимает достойное место. Об этом свидетельствует, например, присуждение Нобелевских премий по экономике. Их получили эконометрики Ян Тильберген, Рагнар Фриш, Лоуренс Клейн, Трюгве Хаавельмо, Джеймс Хекман и Дэниель Мак-Фадден. Выпускается ряд научных журналов, полностью посвященных эконометрике, в том числе: Journal of Econometrics (Швеция), Econometric Reviews (США), Econometrica (США), Sankhya (Indian Journal of Statistics. Ser.D. Quantitative Economics. Индия), Publications Econometriques (Франция), электронный еженедельник "Эконометрика" (Россия). Публикуются также масса книг и статей в иных изданиях. Действуют национальные и международные эконометрические общества, объединяющие десятки тысяч специалистов.
В настоящее время в России развертываются теоретические и практические эконометрические исследования, положено начало распространению обучения этой дисциплине. Только в секции “Математические методы исследования” журнала “Заводская лаборатория” за последние 40 лет напечатано более 1000 статей по высоким статистическим технологиям и их применениям.
Высокие статистические технологии в эконометрике.Особый интерес представляют эконометрические применения высоких статистических технологий.
Может возникнуть естественный вопрос: зачем нужны высокие статистические технологии, разве недостаточно обычных статистических методов? Исследователи в области эконометрики считают (и доказывают своими теоретическими и прикладными работами), что совершенно недостаточно. Так, многие данные в реальной социально-экономической деятельности, а потому и в информационных системах поддержки принятия решений в менеджменте имеют нечисловой характер, например, являются словами или принимают значения из конечных множеств (выбор происходит из конечного числа градаций). Нечисловой характер имеют и упорядочения, которые дают эксперты или менеджеры, например, выбирая главную цель предприятия, следующую по важности и т.д., сравнивая образцы продукции с целью выбора наиболее подходящего для запуска в серию и др. Значит, для контроллинга нужна статистика нечисловых данных. Далее, многие величины известны не абсолютно точно, а с некоторой погрешностью - лежат в пределах от одной границы до другой. Другими словами, исходные данные - не числа, а интервалы. Это - следствие общеинженерного утверждения: любое измерение проводится с погрешностями. Следовательно, для эффективного управления нужна статистика интервальных данных. Мнения людей естественно описывать в терминах теории нечеткости. Значит, менеджеру нужна статистика нечетких данных. Ни статистики нечисловых данных, ни статистики интервальных данных, ни статистики нечетких данных нет и не могло быть в классической статистике. Все это - высокие статистические технологии, разработанные за последние 10-30 лет.
Важная часть эконометрики - применение высоких статистических технологий к анализу конкретных экономических данных. Такие исследования зачастую требуют дополнительной теоретической работы по "доводке" статистических технологий применительно к конкретной ситуации. Большое значение для менеджмента имеют конкретные эконометрические модели, например, вероятностно-статистические модели тех или иных процедур экспертных оценок или экономики качества, имитационные модели деятельности организации. И конечно, такие конкретные применения, как расчет и прогнозирование индекса инфляции. Сейчас уже многим специалистам ясно, что годовой бухгалтерский баланс предприятия может быть использован для оценки его финансово-хозяйственной деятельности только с привлечением данных об инфляции. Различные области экономической теории и практики еще далеко не согласованы. При оценке и сравнении инвестиционных проектов принято использовать такие характеристики, как чистый приведенный доход, внутренняя норма доходности, основанные на учете изменения стоимости денежной единицы во времени (учет осуществляется с помощью дисконтирования). А при анализе финансово-хозяйственной деятельности организации на основе данных бухгалтерской отчетности про необходимость дисконтирования "забывают".
В середине 1980-х годов в советской средней школе ввели новый предмет "Информатика". И сейчас молодое поколение превосходно владеет компьютерами, мгновенно осваивая быстро появляющиеся новинки, и этим заметно отличается от тех, кому за 40-50 лет. Если бы удалось ввести в средней школе курс вероятности и статистики - а такой курс есть в Японии и США, Швейцарии, Кении и Ботсване, почти во всех странах мира (см. подготовленный ЮНЕСКО сборник докладов [3]) - то ситуация с применением эконометрики в нашей стране могла бы быть резко улучшена.
Статистические технологии применяют для анализа данных двух принципиально различных типов. Один из них - это результаты измерений различных видов, например, результаты управленческого или бухгалтерского учета, данные Госкомстата и др. Короче, речь идет об объективной информации. Другой - это оценки экспертов, на основе своего опыта и интуиции делающих заключения относительно экономических явлений и процессов. Очевидно, это - субъективная информация. Стабильная экономическая ситуация позволяет рассматривать длинные временные ряды тех или иных экономических величин, полученных в сопоставимых условиях. В подобных условиях данные первого типа вполне адекватны. В быстро меняющихся условиях приходятся опираться на экспертные оценки. Такая новейшая часть эконометрики, как статистика нечисловых данных, была создана как ответ на запросы теории и практики экспертных оценок [4].
Для решения каких управленческих и экономических задач может быть полезна эконометрика? Практически для всех, использующих конкретную информацию о реальном мире. Только чисто абстрактные, отвлеченные от реальности исследования могут обойтись без нее. В частности, эконометрика необходима для прогнозирования, в том числе поведения потребителей, а потому и для планирования. Выборочные исследования, в том числе выборочный контроль, основаны на эконометрике. Но планирование и контроль - основа контроллинга [5, 6]. Поэтому эконометрика - важная составляющая инструментария контроллера, воплощенного в компьютерной системе поддержки принятия решений. Прежде всего оптимальных решений, которые предполагают опору на адекватные эконометрические модели. В производственном менеджменте это может означать, например, использование оптимизационных эконометрических моделей типа тех, что применяются при экстремальном планировании эксперимента (они позволяют повысить выход полезного продукта на 30-300%).
Высокие статистические технологии в эконометрике предполагают адаптацию применяемых методов к меняющейся ситуации. Например, параметры прогностического индекса меняются вслед за изменением характеристик используемых для прогнозирования величин. Таков метод экспоненциального сглаживания. В соответствующем алгоритме расчетов значения временного ряда используются с весами. Веса уменьшаются по мере удаления в прошлое. Многие методы дискриминантного анализа основаны на применении обучающих выборок. Например, для построения рейтинга надежности банков можно с помощью экспертов составить две обучающие выборки - надежных и ненадежных банков. А затем с их помощью решать для вновь рассматриваемого банка, каков он - надежный или ненадежный, а также оценивать его надежность численно, т.е. вычислять значение рейтинга.
Один из способов построения адаптивных эконометрических моделей - нейронные сети [7]. При этом упор делается не на формулировку адаптивных алгоритмов анализа данных, а - в большинстве случаев - на построение виртуальной адаптивной структуры. Термин "виртуальная" означает, что "нейронная сеть" - это специализированная компьютерная программа. Термин "нейроны" используются лишь при общении человека с компьютером. Методология нейронных сетей идет от идей кибернетики 1940-х годов. В компьютере создается модель мозга человека (весьма примитивная с точки зрения физиолога). Основа модели - весьма простые базовые элементы, называемые нейронами. Они соединены между собой, так что нейронные сети можно сравнить с хорошо знакомыми менеджерам, экономистам и инженерам блок-схемами. Каждый нейрон находится в одном из заданного множества состояний. Он получает импульсы от соседей по сети, изменяет свое состояние и сам рассылает импульсы. В результате состояние множества нейтронов изменяется, что соответствует проведению эконометрических вычислений.
Нейроны обычно объединяются в слои (как правило, два-три). Среди них выделяются входной и выходной слои. Перед началом решения той или иной задачи производится настройка. Во-первых, устанавливаются связи между нейронами, соответствующие решаемой задаче. Во-вторых, проводится обучение, т.е. через нейронную сеть пропускаются обучающие выборки, для элементов которых требуемые результаты расчетов известны. Затем параметры сети модифицируются так, чтобы получить максимальное соответствие выходных значений заданным величинам.
С точки зрения точности расчетов (и оптимальности в том или ином эконометрическом смысле) нейронные сети не имеют преимуществ перед другими адаптивными эконометрическими системами. Однако они более просты для восприятия. Надо отметить, что в эконометрике используются и модели, промежуточные между нейронными сетями и "обычными" системами регрессионных уравнений (одновременных и с лагами). Они тоже используют блок-схемы, как, например, универсальный метод моделирования связей экономических факторов ЖОК [1].
Заметное место в математико-компьютерном обеспечении принятия решений в контроллинге занимают методы теории нечеткости (по-английски - fuzzy theory, причем термин fuzzy переводят на русский язык по-разному: нечеткий, размытый, расплывчатый, туманный, пушистый и др.). Начало современной теории нечеткости положено работой Л.А.Заде 1965г., хотя истоки прослеживаются со времен Древней Греции [4,8] Это направление прикладной математики получило бурное развитие. К настоящему времени по теории нечеткости опубликованы тысячи книг и статей, издается несколько международных журналов (больше половины - в Китае и Японии), постоянно проводятся международные конференции. В области теории нечеткости выполнено достаточно много как теоретических, так и прикладных научных работ, практические приложения дали ощутимый технико-экономический эффект.
В работах Лотфи А. Заде теория нечетких множеств рассматривается как аппарат анализа и моделирования гуманистических систем, т.е. систем, в которых участвует человек. Его подход опирается на предпосылку о том, что элементами мышления человека являются не числа, а элементы некоторых нечетких множеств или классов объектов, для которых переход от "принадлежности" к "непринадлежности" не скачкообразен, а непрерывен. В настоящее время методы теории нечеткости используются почти во всех прикладных областях, в том числе при управлении качеством продукции и технологическими процессами.
Нечеткая математика и логика - мощный элегантный инструмент современной науки, который на Западе и на Востоке (в Японии, Китае) можно встретить в программном обеспечении десятков видов изделий - от бытовых видеокамер до систем управления вооружениями. В России он был известен с начала 1970-х годов. Однако первая монография российского автора по теории нечеткости [8] была опубликована лишь в 1980 г. В дальнейшем раз в год всесоюзные конференции собирали около 100 участников - по мировым меркам немного.
При изложении теории нечетких множеств обычно не подчеркивается связь с вероятностными моделями. В нашей стране в середине 1970-х годов установлено [4,8], что теория нечеткости в определенном смысле сводится к теории случайных множеств. В США подобные работы появились лет на пять позже.
Итак, при решении задач управления, в частности, контроллинга полезны многочисленные интеллектуальные инструменты анализа данных, относящиеся к высоким статистическим технологиям и эконометрике.