Відмінності між версіями «Детерм. аналог для довільного розподілу вип. вектора b: нормальний розподіл, розподіл Вейбулла, рівномірний розподіл, гамма-розподіл.»

Версія за 09:38, 22 травня 2018

Зведення задачі стохастичного програмування до еквівалентної детермінованої задачі є ефективним способом аналізу стохастичних моделей у тих випадках, коли детерміновані еквіваленти є задачами лінійного або випуклого програмування.

Наведемо деякі класи лінійних задач з ймовірнісними обмеженнями, для яких детерміновані еквіваленти являють собою задачі випуклого програмування. Покажемо, що вони можуть бути перетворені у зручний, для використання ефективних методів рішення, вигляд. Потрібно обчислити детерміновані вектори Неможливо розібрати вираз (невідома помилка): x

та Неможливо розібрати вираз (невідома помилка):  g(x) 

, за яких Розглянемо випадок, коли щільності розподілів складових Неможливо розібрати вираз (невідома помилка): b_i

вектора обмежень визначаються однією з наступних функцій:

Неможливо розібрати вираз (невідома помилка): 1) \varphi_{i}^{(1)}(y_i)=\frac{1}{\sqrt{2\pi}\sigma_i} e^{-\frac{(y_i-\mu_i)^2}{2\sigma_i^2}}

Неможливо розібрати вираз (невідома помилка): 2) \varphi_{i}^{(2)}(y_i)=\begin{cases} \lambda_i\zeta_i(y_i-\beta_i)^{\zeta_i-1}e^{-\lambda_i(y_i-\beta_i)^{\zeta_i}},y_i\geqslant \beta_i\\ 0, y_i<\beta_i \end{cases}

Неможливо розібрати вираз (невідома помилка): \zeta_i\geqslant 1, \lambda\geqslant 0;

Неможливо розібрати вираз (невідома помилка): 3) \varphi_{i}^{(3)}(y_i)=\begin{cases} \frac{n_i}{\overline{a}_i-\underline{a}_i}(\frac{y_i-\underline{a}_i}{\overline{a}_i-\underline{a}_i})^{n_i-1},y_i \in [\overline{a}_i,\underline{a}_i]\\ 0, y_i \overline{\in} [\overline{a}_i,\underline{a}_i] \end{cases}

Неможливо розібрати вираз (невідома помилка): 4) \varphi_{i}^{(4)}(y_i)=\begin{cases} \frac{\lambda_i}{\Gamma(\zeta_i)}(\lambda_i y_i)^{\zeta_i-1}e^{-\lambda_i y_i},y_i\geqslant 0\\ 0, y_i<0 \end{cases}

Неможливо розібрати вираз (невідома помилка): \zeta_i\geqslant 1, \lambda\geqslant 0;

Щільність розподілу 1) відповідає нормальному закону. Формула 2) відповідає розподілу Вейбулла. Розподіл 3) включає рівномірний розподіл (Неможливо розібрати вираз (невідома помилка): n_i=1 ). Щільність 4) визначає гамма-розподіл. Формули 2) і 4) включають експоненційний розподіл (Неможливо розібрати вираз (невідома помилка): \zeta_i=1 ).

У всіх цих випадках розглянута задача – задача опуклого програмування. Однак ліві частини обмежень Неможливо розібрати вираз (невідома помилка): \prod_{i =1}^m [1- F_{b_{i}}(\tilde{b_{i}}) ] \geqslant \alpha

– не є опуклими вверх функціями. Замінимо цю умову на еквівалентну нерівність:

Неможливо розібрати вираз (невідома помилка): \sum_{i=1}^m \ln[1-F_{b_{i}}(\tilde{b_{i}})] \geqslant \ln(\alpha)

Ця заміна дозволяє перейти для всіх вищезазначених розподілів до еквівалентних детермінованих задач, у яких ліві частини обмежень – лінійні та опуклі вверх функції.

Доведемо це твердження для розподілів 1) і 2). Твердження буде доведене, якщо буде встановлена нерівність:

Неможливо розібрати вираз (невідома помилка): \frac{d^2}{d\tilde{b}_i^2} \gamma(\tilde{b_{i}})=\frac{d^2}{d\tilde{b}_i^2} \ln[1-F_{b_{i}}(\tilde{b_{i}})] \leqslant 0

де Неможливо розібрати вираз (невідома помилка): F_{b_{i}}(\tilde{b_{i}})= \int\limits_{-\infty}^{\tilde{b_{i}}} \varphi_{i}(y_i)dy_i

Для нормального розподілу 1) маємо:

Неможливо розібрати вираз (невідома помилка): \frac{d}{d\tilde{b}_i} \gamma(\tilde{b_{i}})=\frac{d}{d\tilde{b}_i} \ln[1-F_{b_{i}}(\tilde{b_{i}})]=-\frac{\varphi_i^{(1)}(y_i)}{1-\Phi_i(\tilde{b}_i)}

де Неможливо розібрати вираз (невідома помилка): \varphi_{i}^{(1)}(y_i)=\frac{1}{\sqrt{2\pi}\sigma_i} e^{-\frac{(\tilde{b}_i-\mu_i)^2}{2\sigma_i^2}} , Неможливо розібрати вираз (невідома помилка): \Phi_i(\tilde{b}_i)= \int\limits_{-\infty}^{\tilde{b_{i}}} e^{-\frac{(y_i-\mu_i)^2}{2\sigma_i^2}}

Маємо:

Неможливо розібрати вираз (невідома помилка): \frac{d^2}{d\tilde{b}_i^2} \gamma(\tilde{b_{i}})=-\frac{\varphi_i^{(1)}(y_i)\Theta_i(\tilde{b}_i)}{[1-\Phi_i(\tilde{b}_i)]^2}

де Неможливо розібрати вираз (невідома помилка): \Theta_i(\tilde{b}_i)=-\frac{\tilde{b}_i-\mu_i}{\sigma_i^2}[1-\Phi_i(\tilde{b}_i)]+\varphi_i^{(1)}(\tilde{b}_i)

Легко побачити, що

Неможливо розібрати вираз (невідома помилка): \frac{d\Theta_i(\tilde{b}_i)}{d\tilde{b}_i}=-\frac{1-\Phi_i(\tilde{b}_i)}{\sigma_i^2}<0

тобто, спадна функція від Неможливо розібрати вираз (невідома помилка): \tilde{b}_i . Але Неможливо розібрати вираз (невідома помилка): \Theta_i(\infty)=0 . Тому Неможливо розібрати вираз (невідома помилка): \Theta_i(\tilde{b}_i)\geqslant 0

і Неможливо розібрати вираз (невідома помилка): \frac{d^2}{d\tilde{b}_i^2}\gamma(\tilde{b}_i)\leqslant 0 

, що і необхідно було довести.

Для розподілу Вейбула маємо:

Неможливо розібрати вираз (невідома помилка): F_{b_{i}}(\tilde{b_{i}})= \int\limits_{-\infty}^{\tilde{b_{i}}} \varphi_{i}^{(2)}(y_i)dy_i=\begin{cases} 1-e^{-\lambda_i(\tilde{b_{i}}-\beta_i)^{\zeta_i}},\tilde{b_{i}}\geqslant \beta_i\\ 0, \tilde{b_{i}}<\beta_i \end{cases}

Тому Неможливо розібрати вираз (невідома помилка): \frac{d^2}{d\tilde{b}_i^2} \gamma(\tilde{b_{i}})=\begin{cases} -\zeta_i(\zeta_i-1)\lambda_i(\tilde{b}_i-\beta_i)^{\zeta_i-2},\tilde{b_{i}}\geqslant \beta_i\\ 0, \tilde{b_{i}}<\beta_i \end{cases}

Звідси випливає, що ліва частина нерівності (5) для Неможливо розібрати вираз (невідома помилка): b_i , розподілених за Вейбулом, є функцією, опуклою вверх.

Нехай розглянемо частковий випадок, коли складові Неможливо розібрати вираз (невідома помилка): b_i

вектора обмежень розподілені  за експоненційним законом з параметрами Неможливо розібрати вираз (невідома помилка): \lambda_i 
і Неможливо розібрати вираз (невідома помилка): \beta_i 

. Експоненційний розподіл отримується з розподілу Вейбула при Неможливо розібрати вираз (невідома помилка): \zeta_i=1 . Обмеження (2) і (5), можуть бути в даному випадку записані у вигляді:

Неможливо розібрати вираз (невідома помилка): \sum_{j=1}^n a_{ij}x_j \leqslant \tilde{b}_i, i=1,2,...,m

Неможливо розібрати вираз (невідома помилка): -\sum_{i=1}^m \lambda_i(\tilde{b}_i-\beta_i)\geqslant \ln(\alpha)

Або, оскільки Неможливо розібрати вираз (невідома помилка): \lambda_i \geqslant 0

Неможливо розібрати вираз (невідома помилка): \sum_{j=1}^n a_{ij}x_j \leqslant \tilde{b}_i, i=1,2,...,m

Неможливо розібрати вираз (невідома помилка): -\sum_{i=1}^m \sum_{j=1}^n \lambda_i a_{ij} x_j \geqslant \ln(\alpha) - \sum_{i=1}^m \lambda_i \beta_i

Таким чином детермінована задача, що еквівалентна стохастичній задачі з ймовірнісними обмеженнями, в якій випадкові складові вектора b незалежні між собою і розподілені по експоненційному закону, виявляється задачею лінійного програмування.

Виконав: Олійник Артем Олександрович