26. Модели нечеткого математического программирования: использование нечетких lr-чисел.
Начало – вопрос №7
Если переменные x представляют нечеткие числа, а функции f(x) и φ (х) - четкие, то задача нечеткого математического программирования является задачей оптимизации с нечеткими числами.
Пример одной из таких задач - это модель оптимизации текущего планирования нефтеперерабатывающего предприятия, в которой решением задачи (объем выпуска различных видов продукции - выход бензина, керосина, гудрона и др.) является нечеткий вектор LR-типа, то есть искомые переменные представляются нечеткими числами LR-типа.
В этом случае решение исходной нечеткой оптимизационной задачи, в общем случае, сводится к решению трех четких традиционных задач математического программирования, решаемых относительно мод, левых и правах границ нечетких переменных x, представляемых нечеткими числами LR-типа, то есть оптимальное решение есть
X*LR=(X*,X* -X/*,X* +X//* )
X*оптимальное решений задачи относительно моды нечеткого вектораX*LR
X/* оптимальное решение относительно левой границы вектора X*LR;
X//* оптимальное решение относительно правой границывектора X*LR;
- 1. Теория принятия решений: задача принятия решений, цель, проблема, проблемная ситуация.
- 2. Концепция компьютерной поддержки принятия решений.
- 4. Этапы формирования и принятия решений
- 5. Методы формирования целей управления предприятием
- 6. Стратегии в принятии решений и управлении
- 7. Формирование дерева целей и дерева решений
- 8. Виды критериев оптимальности и их содержание
- 9. Структура компьютерной системы поддержки принятия решений
- 10 Место ксппр с асу
- Вопрос 11: Объективные и субъективные измерения.
- Вопрос 12: Измерения при формировании решений: ранжирование, парное сравнение, непосредственная оценка.
- Вопрос 13: Виды неопределенностей в принятии решений и их измерение.
- 3. Использование многокритериальных функций предпочтения руководителя.
- Вопрос 14: Виды экспертиз.
- Вопрос 15: Определение усредненного мнения экспертов.
- Вопрос 16: Определение согласованности мнений экспертов.
- 17. Элементы байесовских моделей
- 18, 19. Модели стохастического математического программирования: м-задача и р-задача
- 20. Нечеткие множества и основные операции над ними.
- 21. Экспертные методы определения функций принадлежности.
- 22. Аналитический и оптимизационный методы определения функций принадлежности.
- 23. Нечеткая задача оптимизации выбора вариантов проектов.
- 24. Нечеткие числа: виды нечетких чисел; операции над нечеткими числами.
- 25. Модели нечеткого математического программирования: оптимизация с нечеткими отношениями.
- 26. Модели нечеткого математического программирования: использование нечетких lr-чисел.
- 27. Генерация альтернатив решений: понятие генетического алгоритма.
- 28. Множество Парето.
- 29. Схемы компромисса.
- 30. Метод идеальной точки.
- 31. Метод последовательных уступок.
- 32. Алгоритм построения Парето оптимального решения.
- 33. Многокритериальная оптимизация. Принцип Беллмана-Заде.
- 34. Правило Борда (процедура Борда).
- 35. Метод анализа иерархий.
- 36. Правило гарантированных достоинств и недостатков.
- 37. Принципы согласования решений. (принципы Курно, Парето, Эджворта).
- 38. Простейшие алгоритмы согласования решений (согласование в среднем, согласование по Парето, метод идеальной точки).
- 39. Марковская модель согласования решений.
- 40. Цепи Маркова – основные положения
- 41. Дискретные цепи Маркова с дискретным временем
- 42. Дискретные цепи Маркова с непрерывным временем
- 43. Основные положения статистических решений (игры с природой)
- 44. Риски и критерии принятия решений (Вальда, Севиджа, Гурвица)
- 45. Риски и их виды и особенности в нефтегазовой отрасли
- 46. Расчет рисков в игре с природой