ПОИСК Статьи Чертежи Таблицы Адаптивный критерий Кофлера — Менга с использованием кусочно-линейной информации из "Методы принятия технических решений " Критерий, определяемый вырал ением (7.11), может быть охарактеризован как бернуллизация минимаксного критерия, поскольку выбор оптимального варианта по Бернулли состоит, по существу, в том, что максимизируется математическое ожидание результата. Область применения критерия может быть расширена, поскольку момент времени принятия решения не задается, и лицо, принимающее решение, располагает возможностью выбрать благоприятное для себя время. [c.101] Множество априорных вероятностных распределений образует для конечного числа внешних состояний (пусть т — их число) конечномерный симплекс S m). Частичная информация состоит тогда в знании некоторого (не вырождающегося до одного распределения) собственного подсимплекса Р. При этом говорят о кусочно-линейной информации (КЛИ), если указанная часть симплекса образует выпуклое многомерное подпространство. Кусочно-линейная информация обладает различными важными свойствами, напризиер, в вероятностном подпространстве этой информации существует реальная точка экстремума, координаты которой составляют матрицу. Кроме того, на основании априорного вероятностного распределения или априорного задания частотного распределения значений параметра по интервалам можно получить апостериорное вероятностное распределение или, соответственно, апостериорное частотное распределение параметра по интервалам, но, конечно, также кусочно-линейного типа. [c.101] Д1/( 5, Д/) результата вызванное изменением А/. [c.102] Наряду с одношаговыми существуют также и многошаговые процессы принятия решения. Формирование процесса адаптации выполняется с использованием известной в стохастической динамической оптимизации РВ-стратегии (стратегии учета обратной связи, см, 9.4.2). Специально для усвоения метода авторы вводят понятие стохастической линейной программы Лл 6, х 0, г1 = с х = тах. [c.102] Метод КЛИ не содержит никаких конкретных указаний, как и откуда получать оговоренную выше кусочно-линейную информацию при наличии объективного описания существующей ситуации. Таким образом, степень объективности КЛИ оценить нельзя, что, конечно, серьезно ограничивает возможности широкого применения адаптивного критерия. [c.102] Рассматривая вопросы, связанные с оценкой риска, аналогично рассуждениям, проведенным в разд. 7.1, и интерпретируя границы доверительных интервалов вероятностных оценок распределения параметров или полученные для них наиболее неблагоприятные распределения параметров (см. разд. 6.4.1 и 6.4.2) как экстремальные точки и, соответственно, экстремальное распределение в смысле [22], получим одинаковые результаты решения как с использованием гибкого критерия (7.1), так и с использованием адаптивного критерия. Однако вычислительные затраты, связанные с применением адаптивного критерия, существенно выше. Экстремальные распределения или точки необходимо получать из систем неравенств, которые составляются на основании всей возможной информации о распределении внешних состояний. Риск, сопутствующий принятию решения по адаптивному критерию [22], не оценивается, тогда как использование гибкого критерия (7,1) предусматривает оценку и контроль величины допустимого риска. Гибкий критерий принятия решения (7.1) характеризуется большой степенью общности с классическими критериями — при соответствующей оценке риска выбор варианта решения может выполняться, кроме выше о писанных случаев, по 5-критерию (разд, 3.3), а использование эмпирико-прогностического доверительного фактора способствует эффекту стабилизации выбора варианта решения при повторных случаях принятия решения в аналогичной ситуации. Таким образом, область применения данного критерия значительно шире по сравнению с классическими и содержит элементы моделирования процесса с целью улучшения качества решения. [c.102] Вернуться к основной статье