Реферат: Моделирование работы банка

В приложениях стохастическое программирование исполь­зуется для решения задач двух типов. В задачах первого типа прогнозируются статистические характеристики поведения мно­жества идентичных экстремальных си­стем. Соответствующий раздел стохастического программирова­ния будем называть пассивным стохастическим программиро­ванием. Модели второго типа предназначены для построения методов и алгоритмов планирования и управления в условиях неполной информации. Соответствующий раздел стохастического программирования будем называть активным стохастическим программированием, подчеркивая этим действенную целевую на­правленность моделей.

Подходы к постановке и анализу стохастических экстре­мальных задач существенно различаются в зависимости от того, получена ли информация о параметрах условий задачи (пли об их статистических характеристиках) в один прием или по частям (в два или более этапов). При построении стохастиче­ской модели важно также знать, необходимо ли единственное решение, не подлежащее корректировке, или можно по мере накопления информации один или несколько раз подправлять решение. Другими словами, речь идет о том, какая задача рас­сматривается: статическая или динамическая. В соответствии с этим в стохастическом программировании исследуются одно­этапные, двухэтапные и многоэтапные задачи.

Статические, или одноэтапные, задачи стохастического про­граммирования представляют собой естественные стохастиче­ские аналоги детерминированных экстремальных задач, в кото­рых динамика поступления исходной информации не играет роли, а решение принимается один раз и не корректируется. Одноэтапные стохастические задачи, как те, что порождены де­терминированными моделями стохастического программирова­ния, так и те, что имеют смысл только при случайных парамет­рах условий, различаются характером ограничений и выбором целевой функции.

Разработка предварительного плана и компенсация невя­зок—два этапа решения одной задачи. В соответствии с этим задачи рассматриваемого типа называют двухэтапными за­дачами стохастического программирования.

Естественным обобщением двухэтапных задач являются многоэтапные (динамические) задачи стохастического програм­мирования. Часто в процессе управления представляется воз­можность последовательно наблюдать ряд реализаций парамет­ров условий и соответствующим образом корректировать план. Естественно, что как предварительный план, так и последова­тельные корректировки должны, помимо содержательных огра­ничений, учитывать априорные статистические характеристики случайных параметров условий на каждом этапе.

К анализу многоэтапных задач стохастического программи­рования сводятся формальные исследования численных методов планирования производства и развития экономической системы.

Роль стохастических моделей и методов в исследо­вании закономерностей поведения экономических систем и в разработке количественных методов планирования экономики и управления производством имеет два аспекта — методологический и вычислительный. И тот и другой связаны с одной из важнейших категорий современной матема­тической логики — с понятием сложности, точнее, с понятиями «сложность алгоритма», «сложность вычислений» и «сложность развития».

Роль вычислительного аспекта проблемы определяется тем, что планирование, управление и проектирование происходят, как правило, в условиях неполной информации. Рыночная конъюнктура, спрос на продукцию, изменения в состоянии обо­рудования не могут быть точно предсказаны. В условиях кон­курентной экономики дополнительно возникает направленная дезинформация.

Учет случайных факторов и неопределенности в планировании и управлении — важная задача стохастического программирования.

Однако этим не исчерпывается роль стохастических методов в экономическом анализе. Принципы стохастического програм­мирования дают основание для сопоставления затрат на накоп­ление и хранение информации с достигаемым экономическим эффектом, позволяют аргументировать рациональное разделе­ние задач между человеком и вычислительной машиной и слу­жат теоретическим фундаментом для алгоритмизации управле­ния сложными системами. Принципы стохастического програм­мирования позволяют сблизить точные, но узко направленные формальные математические методы с широкими, но нечеткими содержательными эвристическими методами анализа. И здесь, таким образом, мы переходим к методологической роли стоха­стического программирования в исследовании сложных систем.

В связи с оценками сложности алгоритмов и вычислений представляет смысл условно разделить задачи планирования, управления и проектирования на задачи вычислительного и не вычислительного характера.

Многие задачи управления, должны быть отнесены к классу задач не вычислительного характера. Т.о. необходимо согласование сложности управляемого объекта и управляющего устройства за счет ра­ционального упрощения объекта (разумной переформулировки задачи).

2.3.Формальная постановка стохастической задачи.

Приведем формальную постановку многоэтапной стохастиче­ской задачи. Пусть _i—набор случайных параметров i-го этапа, a x_i —решение, принимаемое на i-м этапе. Обозначим ^k =(₁ , … , _k) , x^k = (x₁ , … ,x_n) ,

k = 1,…,n .

Общая модель многоэтапной задачи стохастиче­ского программирования имеет вид:

M_ⁿ ₀ ( ⁿ , xⁿ )  min, (4.1)

M _k _k ( ^k , x^k ) ^k-1 b_k (^k-1) , (4.2)

x_kG_k ,k=1,…,n. (4.3)

Здесь ₀ (ⁿ , xⁿ) —случайная функция от решений всех этапов,

_k (^k , x^k) -случайная вектор-функция, определяющая ограни­чения k-го этапа; b_k (^k-1) —случайный вектор; G_k —некоторое множество, определяющее жесткие ограничения k-го этапа; M _k _k ^k-1 —условное математическое ожидание _k в пред­положении, что на этапах, предшествующих k-му, реализован набор

^k-1 =(₁ , … , _k-1).

Предполагается, что совместное рас­пределение вероятностей всех случайных параметров условий задано (или, по крайней мере, известно, что оно существует).

Для того чтобы постановка задачи (4.1)—(4.3) была пол­ной, необходимо еще указать, среди какого класса функций (ре­шающих правил x=x() Х) от реализаций случайных исход­ных данных следует разыскивать решение.

К моменту, когда должно быть принято решение k-то этапа, можно успеть обработать результаты наблюдения реализаций случая на этапах 1, ..., s; sk.

В задачах решение на 1-м этапе принимается после реализации случайных параметров условий на предыду­щем (i—1)-м этапе. Решающие правила имеют вид x_i=x_i (^i-1 ) , i = 1,…,n .

Будем называть такие задачи многоэтапными зада­чами стохастического программирования с условными ограниче­ниями и с априорными решающими правилами.

Сведение задачи управления к анализу модели стохастиче­ского программирования позволяет разделить процесс выбора решения на два этапа. Первый—трудоемкий предваритель­ный — использует структуру задачи и априорную статистиче­скую информацию для получения решающего правила (или ре­шающего распределения) —формулы, таблицы или инструкции, устанавливающей зависимость решения (или функции распре­деления оптимального плана) от конкретных значений парамет­ров условий задачи. Второй — нетрудоемкий оперативный этап — использует решающее правило (решающее распределение) и те­кущую реализацию условий для вычисления оптимального плана (или его распределения).[10]

2.4.Методы решения задач стохастического программирования.