Принятие управленческих решений 5 (стр. 2 из 3)
Общее количество решений Ni задачи Зi, полученных всеми микропроцессорами вместе:
Так как информационная модель может быть синтезирована лишь из полного набора результатов решения всех задач, то количество информационных моделей F будет определяться минимальным из числа Ni.
Итак, имеем следующую математическую модель: требуется найти такие xij,чтобы обращалась в минимум функция F:
при
Принятие решений в условиях неопределённости.
Стоит отметить принципиальное различие между стохастическими факторами, приводящими к принятию решения в условиях риска, и неопределёнными факторами, приводящими к принятию решения в условиях неопределённости. И те, и другие приводят к разбросу возможных исходов результатов управления. Но стохастические факторы полностью описываются известной стохастической информацией, эта информация и позволяет выбрать лучшее в среднем решение. Применительно к неопределённым факторам подобная информация отсутствует.
В общем случае неопределённость может быть вызвана либо противодействием разумного противника, либо недостаточной осведомлённостью об условиях, в которых осуществляется выбор решения.
Принятие решений в условиях разумного противодействия является объектом исследования теории игр.
Рассмотрим принципы выбора решений при наличии недостаточной осведомлённости относительно условий, в которых осуществляется выбор. Такие ситуации принято называть “играми с природой”.
В терминах “игр с природой” задача принятия решений может быть сформулирована следующим образом:
Пусть лицо, принимающее решение, может выбрать один из m возможных вариантов своих решений X1,X2,…,XM и пусть относительно условий , в которых будут реализованы возможные варианты, можно сделать n предположений Y1,Y2,…,YN. Оценки каждого варианта решения в каждых условиях (Xi ,Yi) известны и заданы в виде матрицы выигрышей лица, принимающего решения A=|aij|. Предположим вначале, что априорная информация о вероятностях возникновения той или иной ситуации Yj отсутствует.
Теория статистических решений предлагает несколько критериев оптимальности выбора решений. Выбор того или иного критерия неформализуем, он осуществляется человеком, принимающим решения, субъективно, исходя из его опыта, интуиции и т.п. Рассмотрим эти критерии.
Критерий Лапласа: поскольку вероятности возникновения той или иной ситуации Yj неизвестны, будем их все считать равновероятными. Тогда для каждой строки матрицы выигрышей подсчитывается среднее арифметическое значение оценок. Оптимальному решению будет соответствовать такое решение, которому соответствует максимальное значение этого среднего арифметического, то есть
Критерий Вальда: в каждой строке матрицы выбираем минимальную оценку. Оптимальному решению соответствует такое решение, которому соответствует максимум этого минимума, то есть
Этот критерий очень осторожен. Он ориентирован на наихудшие условия, только среди которых и отыскивается наилучший, и теперь уже гарантированный результат.
Критерий Сэвиджа: в каждом столбце матрицы находится максимальная оценка
и составляется новая матрица, элементы которой определяются соотношением: 
Величину rij называют риском, под которым понимают разность между максимальным выигрышем, который имел бы место, если бы было достоверно известно, что наступит ситуация Yj, и выигрыш при выборе решения Xi в условиях Yj. Эта новая матрица называется матрицей рисков. Далее из матрицы рисков выбирают такое решение, при котором величина риска принимает наименьшее значение в самой неблагоприятной ситуации, то есть
Сущность этого критерия заключается в минимизации риска. Как и критерий Вальда, критерий Сэвиджа очень осторожен. Они различаются разным пониманием худшей ситуации: в первом случае – это минимальный выигрыш, во втором – максимальная потеря выигрыша по сравнению с тем, чего можно было бы достичь в данных условиях.
Критерий Гурвица: вводится некоторый коэффициент
, называемый коэффициентом оптимизма, 0 
1. В каждой строке матрицы выигрышей находится самая большая оценка 
и самая маленькая 
. Они умножаются соответственно на и (1- ) и затем вычисляется их сумма. Оптимальному решению будет соответствовать такое решение, которому соответствует максимум этой суммы, то есть 
При
=0 критерий Гурвица трансформируется в критерий Вальда. Это случай ”крайнего пессимизма”. При =1 (случай крайнего оптимизма) человек, принимающий решение, рассчитывает на то, что ему будет сопутствовать самая благоприятная ситуация. Коэффициент оптимизма 
назначается субъективно, исходя из опыта, интуиции и т.п. Чем более опасна ситуация, тем более осторожным должен быть подход к выбору решения и тем меньшее значение присваивается коэффициенту .Примером принятия решения в условиях неопределённости может служить рассмотренная ранее задача выбора метода кодирования картографической информации, когда вероятности появления того или иного вида этой информации неизвестны.
Многокритериальные задачи принятия решений.
Пусть, как и прежде, необходимо выбрать одно из множества решений X из области
x их допустимых значений. Но, в отличие от рассмотренного ранее, каждое выбранное решение оценивается совокупностью критериев f1,f2,…,fk, которые могут различаться своими коэффициентами относительной важности ( 
1… k). Критерии fq, q=1..k, называют частными или локальными критериями, они образуют интегральный или векторный критерий оптимальности F={fq}. Коэффициенты 
образуют вектор важности 
. Каждый локальный критерий характеризует некоторую локальную цель принимаемого решения.Оптимальное решение X должно удовлетворять соотношению:
где: F – оптимальное решение интегрального критерия;
opt – оператор оптимизации, он определяет выбранный принцип оптимизации.
Область допустимых решений
x может быть разбита на две непересекающиеся части: 
– область согласия, в которой качество решения может быть улучшено одновременно по всем локальным критериям или без снижения уровня любого из критериев; 
– область компромиссов, в которой улучшение качества решения по одним локальным критериям приводит к ухудшению качества решения по другим.Очевидно, что оптимальное решение может принадлежать только области компромиссов, так как в области согласия решение может и должно быть улучшено по соответствующим критериям.
Выделение области компромисса сужает область возможных решений, но для выбора одного-единственного варианта решения необходимо выбрать схему компромисса, то есть раскрыть смысл оператора оптимизации opt. Этот выбор осуществляется субъективно.
Рассмотрим основные схемы компромисса, предполагая вначале, что все локальные критерии нормализованы (то есть имеют одинаковую размерность или являются безразмерными величинами) и одинаково важны. Рассмотрение удобно вести, перейдя от пространства
x выбираемых решений X к пространству k возможных (допустимых) локальных критериев F={f1,f2,…,fk}, деля его на область согласия и область компромиссов.Тогда сформулированную ранее модель оптимизации можно переписать в виде: