Professional Documents
Culture Documents
Badania operacyjne
Joanna Józefowska
Instytut Informatyki
Zadanie
Przykład 1
Sformułowanie problemu
Zadanie zrelaksowane
Relaksacja zadania
Każde zadanie całkowitoliczbowe można rozpatrywać jako zwykłe zadanie
programowania liniowego, pomijając warunki całkowitoliczbowości.
Przykład 1
11 10 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 RHS
1 x1 11 1 0 9/11 -1/11 0 0 60/11
2 x2 10 0 1 -7/11 2/11 0 0 320/11
3 s3 0 0 0 -8 0 1 0 180
4 s4 0 0 0 -51/11 -9/11 0 1 2960/11
5 0 0 29/11 9/11 0 0 3860/11
x1 = 60/11 ≈ 5, 45 s1 =0
x2 = 320/11 ≈ 29, 1 s2 =0
s3 =180
s4 =2960/11
z = 3860/11 ≈ 350, 9
Inny przykład
zmaksymalizować z = x1 + x2 (8)
−5x1 + 4x2 ¬ 0 (9)
5x1 + 2x2 ¬ 15 (10)
x1 , x2 0 (11)
Przykład 1 Rozwiązanie
Rozwiązanie - analiza
Wykres poniżej przedstawia obszar rozwiązań dopuszczalnych i
dopuszczalne rozwiązania całkowitoliczbowe (czarne punkty). Rozwiązanie
optymalne zaznaczono czerwonym punktem.
x2
4
1 2 3 4 x1
Rozwiązanie
z∗ = 9
2
x1∗ = 2
x2∗ = 5
2
Przykład 1 Rozwiązanie
zmaksymalizować z = x1 + x2
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x1 , x2 0,
x1 , x2 ∈ Z (12)
Rozwiązanie
z∗ = 9
2
x1∗ = 2
x2∗ = 5
2
Płaszczyzna tnąca
x2
4
1 2 3 4 x1
zmaksymalizować z = x1 + x2
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x2 ¬ 2
x1 , x2 0,
x1 , x2 ∈ Z
Rozwiązanie c.d.
x2
4
1 2 3 4 x1
zmaksymalizować z = x1 + x2
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x2 ¬ 2
x1 + x2 ¬ 4
x1 , x2 0,
x1 , x2 ∈ Z
Obserwacje
zmaksymalizować z = x1 + x2
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x1 , x2 0,
zmaksymalizować z = x1 + x2
−5x1 + 4x2 + s1 =0
5x1 + 2x2 + s2 = 15
x1 , x2 0,
zmaksymalizować z = x1 + x2
−5x1 + 4x2 + s1 =0
5x1 + 2x2 + s2 = 15
x1 , x2 0,
Rozwiązanie
i B c x1 x2 s1 s2 RHS
1 x2 1 0 1 1/6 1/6 5/2
2 x1 1 1 0 –1/15 2/15 2
3 0 0 1/10 3/10 9/2
x2 ¬ 5/2
x2 ¬ 2
Twierdzenie
Twierdzenie
Niech IL oraz IR będą dowolnymi liczbami naturalnymi, f ściśle dodatnim ułamkiem a F
sumą ściśle dodatnich ułamków takich, że
IL + F = IR + f
Wtedy IL ¬ IR oraz F f .
Dowód. Niech (IL, IR, f , F ) będzie dowolną czwórką spełniającą założenia twierdzenia.
Ponieważ IL oraz IR są liczbami naturalnymi, F jest sumą ściśle dodatnich ułamków a f
jest ściśle dodatnim ułamkiem, to musi zachodzić F f . Jeżeli bowiem F < 1 to F = f ,
a jeżeli F > 1 to F > f . Ponieważ f jest ułamkiem, a IL oraz IR są liczbami
naturalnymi, to F nie może być całkowite, w szczególności nie może być równe 1. Zatem
z IL + F = IR + f wynika, że IL ¬ IR. Jest oczywiste, że gdy F < 1 to IL = IR oraz gdy
F > 1 to IL < IR. □
i B c x1 x2 s1 s2 s3 a1 RHS
1 x2 1 0 1 1/6 1/6 0 0 5/2
2 x1 1 1 0 –1/15 2/15 0 0 2
3 a1 −M 0 0 1 1 –6 1 3
4 0 0 –M+1/10 –M+3/10 6M 0 –3M+9/2
Rozwiązanie optymalne
i B c x1 x2 s1 s2 s3 a1 RHS
1 x2 1 0 1 0 0 1 –1/6 2
2 x1 1 1 0 0 1/5 –2/5 1/15 11/5
3 s1 0 0 0 1 1 –6 1 3
4 0 0 0 1/5 3/5 1/10+M 21/5
x 1 − s3 ¬ 2
i B c x1 x2 s1 s2 s3 s4 a2 RHS
1 x2 1 0 1 0 0 1 0 0 2
2 x1 1 1 0 0 1/5 –2/5 0 0 11/5
3 s1 0 0 0 1 1 –6 0 0 3
4 a2 −M 0 0 0 1 3 –5 1 1
5 0 0 0 1/5–M 3/5–3M 5M 0 21/5–M
Rozwiązanie optymalne
i B c x1 x2 s1 s2 s3 s4 RHS
1 x2 1 0 1 0 0 1 0 2
2 x1 1 1 0 0 0 –1 1 2
3 s1 0 0 0 1 0 –9 5 2
4 s2 0 0 0 0 1 3 –5 1
5 0 0 0 0 0 1 4
Algorytm Gomory’ego
Algorytm Gomory’ego
Algorytm Gomory’ego
Przykład 1 c.d.
11 10 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 RHS
1 x1 0 1 0 9/11 -1/11 0 0 60/11
2 x2 0 0 1 -7/11 2/11 0 0 320/11
3 s3 0 0 0 -8 0 1 0 180
4 s4 0 0 0 -51/11 -9/11 0 1 2960/11
5 0 0 29/11 9/11 0 0 3860/11
9 10 5
s1 + s2
11 11 11
9 10 5
s1 + s2 − s5 + a1 =
11 11 11
1 1 1
s1 + s5
10 10 2
1 1 1
s1 + s5 − s6 + a2 =
10 10 2
Przykład 1 - rozwiązanie
11 10 0 0 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 s5 s6 RHS
1 x1 11 1 0 1 0 0 0 0 -1 6
2 x2 10 0 1 -1 0 0 0 0 2 28
3 s3 0 0 0 -8 0 1 0 0 0 180
4 s4 0 0 0 -3 0 0 1 0 -9 274
5 s2 0 0 0 2 1 0 0 0 -11 6
6 s5 0 0 0 1 0 0 0 1 -10 5
7 0 0 1 0 0 00 9 346
x1 = 6 s1 =0
x2 = 28 s2 =6
s3 =180
z = 346 (< 350, 9) s4 =274
x2
30 (5,5;29)
(5,45;29,1)
(6;28)
25
20
15
10
x1
5 10 15 20 25 30 35
zmaksymalizować z = x1 + x2 (14)
−5x1 + 4x2 ¬ 0 (15)
5x1 + 2x2 ¬ 15 (16)
x1 , x2 0 (17)
z∗ = 9
2
x1∗ = 2
x2∗ = 5
2
programowanie dynamiczne
metody heurystyczne:
heurystyki dedykowanie
metaheurystyki
Problem plecakowy
zadanie Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8
czas [min] 6 8 11 20 28 35 25 9
kara [tys.zł] 6 5 9 10 11 12 9 8
1 gdy zadanie i zostanie wykonane
xi =
0 w przeciwnym razie
Problem plecakowy
zadanie Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8
czas [min] 6 8 11 20 28 35 25 9
kara [tys.zł] 6 5 9 10 11 12 9 8
1 gdy zadanie i zostanie wykonane
xi =
0 w przeciwnym razie
Problem plecakowy
1 gdy zadanie i zostanie wykonane
xi =
0 w przeciwnym razie
Problem plecakowy
Pn
zmaksymalizować vi xi
Pn i=1
przy ograniczeniach i=1
wi xi ¬ b
xi ∈ {0, 1}, i = 1, . . . , n
Problem transportowy
Problem transportowy
xij − ilość towaru przewieziona od dostawcy i do odbiorcy j
Problem transportowy
Pn Pm
zminimalizować i=1 j=1
cij xij
Pn
przy ograniczeniach j=1
xij ¬ ai , i = 1, . . . , m
Pm
i=1
xij bj , j = 1, . . . , n
xij 0, i = 1, . . . , m, j = 1, . . . , n
xij ∈ Z, i = 1, . . . , m, j = 1, . . . , n
Problem przydziału
Problem przydziału
1 pracownik i wykonuje zadanie j
xij =
0 w przeciwnym razie
zmin. 2x11 + 3x12 + 3x13 + 3x21 + 2x22 + 3x23 + 3x31 + 3x32 + 2x33
p.o. x11 + x12 + x13 = 1
x21 + x22 + x23 = 1
x31 + x32 + x33 = 1
x11 + x21 + x31 = 1
x12 + x22 + x32 = 1
x13 + x23 + x33 = 1
xij ∈ {0, 1}, i = 1, . . . , m, j = 1, . . . , n
Problem przydziału
Pn Pm
zminimalizować i=1 j=1
cij xij
Pn
przy ograniczeniach j=1
xij 1, i = 1, . . . , m
Pm
i=1
xij ¬ 1, j = 1, . . . , n
xij ∈ {0, 1}, i = 1, . . . , m, j = 1, . . . , n
Joanna Józefowska
Instytut Informatyki
Przedmiot Nauka
Wspomaganie decyzji
Kittel (1947)
Operations Research is a scientific method for providing executive
departments with a quantitative basis for decisions.
Badania operacyjne
Przedmiot Zakres
Nauki systemowe
operacje
zasoby
ograniczenia kolejnościowe
kryteria (jedno lub wiele)
sterowanie (rozdział zasobów w czasie)
Przedmiot Zakres
ekonomia
logistyka
medycyna
informatyka
sport
polityka
...
Przedmiot Zastosowania
Planowanie produkcji
Rolnictwo
Przedmiot Zastosowania
Polityka
II wojna światowa
Dynamiczny rozwój
Historia Złożoność
Co z tego wynika?
Historia Złożoność
Sposób postępowania
Wiek XXI
Big Data
walka z terroryzmem
ochrona imprez masowych
optymalizacja łańcuchów logistycznych
analiza łańcuchów DNA
walka z pandemią . . .
Dla zainteresowanych
Metoda postępowania
Sytuacja decyzyjna
Definicja
Sytuacja decyzyjna to pojecie z zakresu teorii decyzji, oznaczające zbiór
wszystkich czynników, mających wpływ na podjecie decyzji przez
decydenta w procesie decyzyjnym. Czynniki te można podzielić na:
niezależne od decydenta i zależne od decydenta.
Sytuacja decyzyjna
Klasyfikacja modeli
Zależności i ograniczenia
Zależności i ograniczenia
Metoda rozwiązania
Rozwiązanie
Pytania
Rozwiązanie
Joanna Józefowska
Instytut Informatyki
Hiperboliczne Przykład
Zadanie
10x1 +2x2 +3
zmaksymalizować 2x1 +x2 +2
przy ograniczeniach 2x1 + 2x2 ¬ 14
x1 + 2x2 ¬ 8
4x1 ¬ 16
x1 0
x2 0
Funkcja celu
f0 (x ) =
10x1 + 2x2 + 3
2x1 + x2 + 2
x1 x2 1
= 10 +2 +3
2x1 + x2 + 2 2x1 + x2 + 2 2x1 + x2 + 2
Załóżmy, że 2x1 + x2 + 2 > 0
Oznaczmy
µ = 2x1 + x2 + 2
10x1 + 2x2 + 3 x1 x2 1
= 10 + 2 + 3
2x1 + x2 + 2 µ µ µ
Hiperboliczne Przykład
Podstawienie
f0 (x ) =
10x1 + 2x2 + 3 x1 x2 1
= 10 + 2 + 3
2x1 + x2 + 2 µ µ µ
Podstawmy
1 x1 x2
u0 = µ u1 = µ u2 = µ
2x1 + x2 + 2
=1
µ
2u1 + u2 + 2 = 1
Podstawienie
1 x1 x2
u0 = µ u1 = µ u2 = µ
Zauważmy, że gdy u0 ̸= 0
u1 u2
x1 = u0 x2 = u0
Hiperboliczne Przykład
Problem po linearyzacji
zmaksymalizować
10u1 + 2u2 + 3u0
przy ograniczeniach
Rozwiązanie
u0 = 0, 1 u1 = 0, 4 u2 = 0
x1 = 4 x2 = 0 z = 4, 3
Hiperboliczne Problem
x 0 (3)
dx + d0 > 0
oznaczmy:
1
u0 =
dx + d0
u = dx x+ d
0
Hiperboliczne Metoda
Ax = b ⇐⇒ A dx x+ d =b
1
dx + d0 ⇐⇒ Au = bu0
0
Ponieważ x 0, więc u 0.
Ponieważ dx + d0 > 0, więc u0 > 0.
Ponadto du + d0 u0 = 1
zmaksymalizować:
c0 u0 + cu
przy ograniczeniach:
−b u0 + Au = 0
d0 u0 + du = 1
u0 > 0
u0
Hiperboliczne Metoda
U = {(u0 , u )| − bu0 + Au = 0, d0 u0 + du = 1, u0 0, u 0}
cx + c0
f0 (x ) =
dx + d0
g (u0 , u ) = c0 u0 + cu
Lemat 1
Odwzorowanie h : X → U określone wzorami:
u0 =
1
dx + d0 , u = dx x+ d
0
zmaksymalizować: c0 u0 + cu (4)
Hiperboliczne Metoda
Twierdzenie 2
Jeżeli
X ̸= ⊘
istnieje rozwiązanie optymalne problemu (4)–(7)
dla każdego rozwiązania optymalnego (u0∗ , u ∗ ) problemu (4)–(7)
zachodzi u0∗ = 0
to
g (u0∗ , u ∗ ) jest kresem górnym funkcji f0 (x ) na zbiorze X .
nie istnieje rozwiązanie optymalne problemu (1)–(3).
Twierdzenie 3
Jeżeli X ̸= ⊘ i funkcja celu g problemu (4)–(6) jest nieograniczona od
góry, to funkcja celu f0 problemu (1)–(3) jest nieograniczona od góry.
Twierdzenie 4
Jeżeli problem (4)–(6) jest sprzeczny, to problem (1)–(3) jest sprzeczny.
Wniosek
Rozwiązanie optymalne problemu (1)–(3) istnieje wtedy i tylko wtedy, gdy
istnieje rozwiązanie optymalne problemu (4)–(6) takie, że u0∗ > 0.
Max-min Przykład
Zadanie
Ilustracja graficzna
z
8
zmaksymalizować
7
1 6
z = min(x + 6, x + 7, −x + 11)
4 5
przy ograniczeniach 4
−5 ¬ x ¬ 7 3
x 0 2
1
x
−8−7−6−5−4−3−2−1 0 1 2 3 4 5 6 7 8
Sformułowanie problemu
zmaksymalizować:
f0 (x ) = min (ck x + ck0 ) (8)
k=1,...,s
przy ograniczeniach:
Ax = b (9)
x 0 (10)
oznaczmy z = f0 (x ), x ∈ Rn
zmaksymalizować z
zmaksymalizować z + − z −
z + − z − ¬ ck x + ck0 , k = 1, . . . , s
Problem Problem
z maksyminową funkcją celu liniowy
zmaksymalizować: zmaksymalizować:
z + − z − ¬ ck x + ck0 , k = 1, . . . , s
Ax = b Ax = b
x 0 x 0
x ∈ Rn x ∈ Rn , z ∈ R
Zadanie - rozwiązanie
Zadanie - rozwiązanie
zmaksymalizować f0 (z + , z − , x) = z + − z −
przy ograniczeniach x ¬7
−x 5
z+ − z− − x ¬6
z + − z − − 14 x ¬7
z+ − z− + x ¬ 11
z +, z −, x 0
Zadanie - rozwiązanie
x ∗ = 3, 2 z ∗ = 7, 8
z
8
7
6
5
4
3
2
1
x
−8−7−6−5−4−3−2−1 0 1 2 3 4 5 6 7 8
Przykład
y = max{0, x1 − 2x2 + 3}
z = max{0, −x1 + 2x2 − 3}
|x1 − 2x2 + 3| = y + z
x1 − 2x2 + 3 = y − z
Przykład
zmaksymalizować f0 (x ) = y + z
przy ograniczeniach −5 ¬ x ¬ 7
x1 − 2x2 + 3 = y − z
x 0
Joanna Józefowska
Instytut Informatyki
r
v
i= (1)
r +R
+ E = iR (2)
– R
P = i 2R (3)
2
v
zmaksymalizować P= r +R R (4)
vR
przy ograniczeniach r +R ¬E (5)
4 4
3,5 3,5
3 3
2,5 2,5
2 2
1,5 1,5
1 1
0,5 0,5
0 0
0
9
10
11
12
10
11
12
R R
4 4
Joanna Józefowska (Instytut Informatyki) Metoda Lagrange’a 3 / 37
3,5 3,5
3 3
2,5 2,5
2
Programowanie matematyczne Sformułowanie
2
1,5 1,5
0,5
1
0,5
0 0
0
9
10
11
12
10
11
12
R R
(v = 9, r = 5)
zmaksymalizować z = f0 (x) = cx
przy ograniczeniach fi (x) = Ai x − bi ¬ 0 i = 1, . . . , m
x ∈ Rn
Ekstremum funkcji
Niech
S = {x : fi (x) ¬ 0, i = 1, . . . , m} - zbiór rozwiązań dopuszczalnych
∆ = {x : 0 < ||x ∗ − x|| < δ}
E =S ∩∆
Funkcja f0 ma w punkcie x ∗ słabe minimum (maksimum) lokalne, jeżeli
istnieje δ > 0 takie, że dla każdego x ∈ E
Ekstremum funkcji
Niech
S = {x : fi (x) ¬ 0, i = 1, . . . , m} - zbiór rozwiązań dopuszczalnych
∆ = {x : 0 < ||x ∗ − x|| < δ}
E =S ∩∆
Funkcja f0 ma w punkcie x ∗ właściwe minimum (maksimum) lokalne,
jeżeli istnieje δ > 0 takie, że dla każdego x ∈ E
Ekstremum funkcji
Niech
S = {x : fi (x) ¬ 0, i = 1, . . . , m} - zbiór rozwiązań dopuszczalnych
y
y = 65x 6 + 71x 5 − 322x 4 − 401x 3 + 1000
minimum lokalne
x12 x22
f (x) = − 2 + 2
Punkt siodłowy
50
40
30
20
10
f(x) 0
-10
-20
-30
8
-40
2
-50
-4 x2
1
-10
11
13
x1
15
17
19
21
x2
S =∅
zminimalizować
z = x1 + x2 7
przy ograniczeniach
(x1 − 7)2 + (x2 − 7)2 5
(x1 − 7)2 + (x2 − 7)2 ¬ 2
S 6= ∅
zminimalizować
7
z = x1 + x2
przy ograniczeniach
(x1 − 7)2 + (x2 − 7)2 ¬ 5
(x1 − 7)2 + (x2 − 7)2 2
x1
7
x2
S 6= ∅
zmaksymalizować
7
z = x1 + x2
przy ograniczeniach
(x1 − 7)2 + (x2 − 7)2 2
x1
7
f0(x)
S 6= ∅
zminimalizować
z = x −1
przy ograniczeniach
x ∈ R+
S =∅
S 6= ∅
optimum ograniczone
wartość funkcji nieograniczona
wartość funkcji ograniczona, ale optimum nieosiągalne
Przykład c.d.
2
v
zmaksymalizować P= r +R R
strata mocy
4,5
3,5
2,5
1,5
0,5
0
0
10
11
12
f (x) : Rn → R
Przykład c.d.
v 2R
zmaksymalizować P= (r +R)2
3 2
d 2P 2 −(r + R) − 3(r + R) (r − R)
=v (13)
dR 2 (r + R)6
2 2R − 4r v2
=v =− <0
(2r )4 (2r )3
Przykład c.d.
vR
R=r r +R <E
∂2f ∂2f
Zakładamy, że ∂xi ∂xj = ∂xj ∂xi .
Określoność macierzy
dla dowolnego z 6= 0
Twierdzenie
Równości Graficznie
Przykład
Metoda graficzna
x2
x1 − 0, 25x22 = 0
5
2
(x1 − 1)22 + x222 = 2
1 (x1 − 1)2 + x22 = 1
(x1 − 1) + x2 = 0, 5
0 x1
0 1 2 3 4 5 6 7 8 9 10 11 12
-1
-2
-3
-4
-5
Równości Analitycznie
Podstawienie
Przykład
x1 = 0, 25x22
f0 (x2 ) = ((0, 25x22 ) − 1)2 + x22 + 1
f0 (x2 ) = (0, 25)2 x24 − 0, 5x22 + 1 + x22 + 1
f0 (x2 ) = (0, 0625)x24 + 0, 5x22 + 2
df0 3
dx2 = (4 ∗ 0, 0625)x2 + x2 = 0
x2 (0, 25x22 + 1) = 0
x2 = 0
x1 = 0
f0 = 2
Obserwacja
x2
x1 − 0, 25x22 = 0
5
-2
-3
-4
-5
Równości Metoda
Twierdzenie Lagrange’a
Niech dany będzie następujący problem NPM:
Jeżeli:
(x1∗ , x2∗ , . . . , xn∗ ) jest lokalnym optimum problemu (14)-(15)
n>m
fi mają ciągłe pierwsze pochodne ze względu na xj
∇fi (x1∗ , x2∗ , . . . , xn∗ ) są wektorami liniowo niezależnymi
to istnieje wektor u = [u1 , . . . , um ]T taki, że
m
∇f0 (x1∗ , x2∗ , . . . , xn∗ ) ui ∇fi (x1∗ , x2∗ , . . . , xn∗ ) = 0
X
+
i=1
Metoda Langrange’a
1 Sprawdzić, że n > m i każda funkcja fi , i = 0, . . . , m ma ciągłe pochodne
cząstkowe.
2 Zbudować funkcję Lagrange’a
m
X
L(x, u) = f0 (x) + ui fi (x)
i=1
∂L(x, u)
= fi (x) = 0, i = 1, . . . , m
∂ui
Równości Metoda
Joseph-Louis Lagrange
25.01.1736 (Turyn) – 10.04.1813 (Paryż)
Przykład
Równości Metoda
Twierdzenie
Jeżeli (x ∗ , u ∗ ) jest jedynym punktem Lagrange’a i wiadomo, że funkcja
osiąga minimum, to x ∗ jest minimum lokalnym.
Równości Metoda
Twierdzenie
Jeżeli (x ∗ , u ∗ ) jest punktem Lagrange’a i hesjan HL (x ∗ ) funkcji Lagrange’a
w punkcie x ∗ dla u = u ∗ spełnia warunek:
x T HL (x ∗ )x > 0
Przykład
13 2 1 2
zminimalizować f0 (x) = (x1 − 3 ) + (x2 − 2 ) − x3 (16)
przy ogr. f1 (x) = x1 + 53 x2 − 10 = 0 (17)
f2 (x) = (x2 − 2)2 + x3 − 4 = 0 (18)
Równości Metoda
Twierdzenie
Jeżeli założenia twierdzenia Lagrange’a są spełnione i nie istnieje u takie,
że
∇f0 (x ∗ ) + ui ∇fi (x ∗ ) = 0
w punkcie x ∗ , to w tym punkcie na pewno nie występuje minimum.
Przykład
Joanna Józefowska
Instytut Informatyki
Sformułowanie
Postać ograniczeń
Postać kanoniczna
problemu programowania matematycznego
Sformułowanie problemu
zminimalizować f0 (x)
n
x∈R
Przykład
Przykład
f2 (x) = x1 + x2 − 19 ¬ 0
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2 49
(0, 0)
x1
Przykład
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2 49
(0, 0)
f2(x) = x1+x2–19 0 x1
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2 49
(0, 0)
f2(x) = x1+x2–19 0 x1
Przykład
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2 49
x = (11, 8)
(0, 0)
f2(x) = x1+x2–19 0 x1
Przykład
x2
x = (11, 8)
(0, 0)
f2(x) = x1+x2–19 0 x1
Przykład
Ograniczenia aktywne
x2
x = (11, 8)
(0, 0)
f2(x) = x1+x2–19 = 0 x1
Przykład
przy ograniczeniach:
ograniczenie nieaktywne
ograniczenie aktywne:
f2 (x) = x1 + x2 − 19 = 0
Przykład
Warunki ortogonalności
Funkcja Lagrange’a:
Warunki ortogonalności
Warunki ortogonalności
Funkcja Lagrange’a:
m
X
L(x, u) = f0 (x) + ui fi (x)
i=1
warunki ortogonalności
ui fi (x) = 0, i = 1, . . . , m
zminimalizować f0 (x)
n x∈R
Pm
∇f0 (x) + i=1 ui ∇fi (x) =0 warunki gradientowe
ui 0, i = 1, . . . , m warunki nieujemności
Twierdzenia KKT
Twierdzenia Karusha-Kuhna-Tuckera
warunki konieczne
jeżeli fi jest różniczkowalna, i = 0, . . . , m
i x∗ jest minimum lokalnym
i spełnione są ograniczenia (∗)
to istnieje wektor u∗ taki, że (x∗ , u∗ ) spełnia warunki KKT;
warunki dostateczne
jeżeli (x∗ , u∗ ) spełnia warunki KKT
i fi jest funkcją wypukłą, i = 0, . . . , m
to x∗ jest minimum globalnym.
Funkcja wypukła
Funkcja f jest wypukła wtedy i tylko wtedy, gdy dla dowolnych punktów x
oraz y zachodzi:
Funkcja f (x) jest wklęsła wtw gdy funkcja (–f (x)) jest wypukła.
Twierdzenia KKT
1 Z definicji wypukłości
2 Z określoności Hesjanu
3 Z twierdzeń o minorach
Twierdzenia KKT
Wnioski
Metoda Karusha-Kuhna-Tuckera
Metoda KKT
Przykład
f2 (x) = −x1 ¬ 0
f3 (x) = −x2 ¬ 0
Joanna Józefowska
Instytut Informatyki
Plan
Plan
1 Modelowanie niepewności
4 Przykład
Model stochastyczny
gęstość prawdopodobieństwa
f0 (X2 )
f0 (X1 ) f0 (X )
f0 (X3 )
Niepewność
Podejście klasyczne
ustal wartość funkcji celu f0 (X) odpowiadającą ”niepowodzeniu” (np.
Tn+1 > D);
oblicz prawdopodobieństwo p = P{f0 (X) > D}
2 (b − a)2
σ =
36
gdzie:
a – wartość optymistyczna czasu trwania czynności
b – wartość pesymistyczna czasu trwania czynności
m – najbardziej prawdopodobna wartość czasu trwania czynności
Joanna Józefowska (Instytut Informatyki) Metoda PERT 5 / 17
Luz zdarzenia
gdzie: v
m u m
uX
σt2k
X
T̄iw = tke σT̄ w
i
=t
k=1 k=1
v
l u l
T̄ip =
X
tke
uX
σT̄ p = t σt2k
k=1 i
k=1
Luz zdarzenia
Przykład
Przykład
1 5
0 3 6
2 4
Przykład
a + 4m + b
te =
6
czynność a m b tije σij2
< 0, 1 > 1 4 5
< 0, 2 > 3 5 7
< 1, 3 > 2 5 10
< 1, 5 > 5 7 14
< 2, 4 > 1 8 9
< 3, 4 > 3 9 12
< 3, 5 > 5 8 14
< 4, 6 > 5 7 10
< 5, 6 > 5 5 10
Przykład
Przykład
a + 4m + b
te =
6
2 (b − a)2
σ =
36
czynność a m b tije σij2
< 0, 1 > 1 4 5 3,67
< 0, 2 > 3 5 7 5,00
< 1, 3 > 2 5 10 5,33
< 1, 5 > 5 7 14 7,83
< 2, 4 > 1 8 9 7,00
< 3, 4 > 3 9 12 8,50
< 3, 5 > 5 8 14 8,50
< 4, 6 > 5 7 10 7,17
< 5, 6 > 5 5 10 5,83
Joanna Józefowska (Instytut Informatyki) Metoda PERT 10 / 17
Przykład
Przykład
(b − a)2
2
σ =
36
czynność a m b tije σij2
< 0, 1 > 1 4 5 3,67 0,44
< 0, 2 > 3 5 7 5,00 0,44
< 1, 3 > 2 5 10 5,33 1,78
< 1, 5 > 5 7 14 7,83 2,25
< 2, 4 > 1 8 9 7,00 1,78
< 3, 4 > 3 9 12 8,50 2,25
< 3, 5 > 5 8 14 8,50 2,25
< 4, 6 > 5 7 10 7,17 0,69
< 5, 6 > 5 5 10 5,83 0,69
Przykład
Przykład
m l
T̄ip
X X
T̄iw = tke = tke
k=1 k=1
i T̄iw T̄ip
0 0,00 1,33
1 3,67 5,00
2 5,00 11,83
3 9,00 10,83
4 17,50 18,83
5 17,50 20,17
6 24,67 26,00
Przykład
m
X l
X
σT̄2 w = σt2k σT̄2 p = σt2k
i i
k=1 k=1
Przykład
Przykład
Przykład
T̄ p − T̄iw
− q i
ui =
σT̄2 p + σT̄2 w
i i
Przykład
Przykład
Przykład
1 5
i Φ(−ui ) 0 3 6
0 0,279
1 0,279 2 4
2 0,00000315
3 0,279 Φ(−ui ) = P{Li < 0}
4 0,279
Prawdopodobieństwa ujemnych luzów zdarzeń
5 0,00000125
oznaczają prawdopodobieństwo, że dane zdarzenie
6 0,279
wystąpi po terminie. W przypadku zdarzenia końcowego
oznacza to prawdopodobieństwo opóźnienia zakończenia
projektu.
Joanna Józefowska
Instytut Informatyki
Czas wykonania
t
tn
tgr
kn kgr k
Czas wykonania
Przykład
2 3
1 6
4 5
Przykład
Czas wykonania
Przykład
czynność tn tgr kn kgr s
h1, 2i 8 6 280 400 60
h1, 4i 10 5 100 150 10
h2, 3i 6 4 300 400 50
h3, 6i 12 10 260 300 20
h4, 5i 15 15 150 150 –
h5, 6i 10 2 200 360 20
całkowity koszt 1290 1780
6
2 3
8 12
1 6
10 10
15
4 5
Przykład
2 3
8 17 6 14 23
9 9
8 12
1 6
0 0 35 35
0 0
10 10
4 15 5
10 10 25 25
0 0
Czas wykonania
Przykład
2 3
8 17 6 14 23
9 9
8 12
1 6
0 0 35 35
0 0
10 10
4 15 5
10 10 25 25
0 0
Przykład
2 3
8 12 6 14 18
4 4
8 12
1 6
0 0 30 30
0 0
5 10
4 15 5
5 5 20 20
0 0
Czas wykonania
Przykład
2 3
8 8 6 14 14
0 0
8 12
1 6
0 0 26 26
0 0
5 6
4 15 5
5 5 20 20
0 0
Przykład
2 3
8 8 6 12 12
0 0
8 10
1 6
0 0 24 24
0 0
5 4
4 15 5
5 5 20 20
0 0
Czas wykonania
Przykład
2 3
8 8 4 12 12
0 0
8 10
1 6
0 0 22 22
0 0
5 2
4 15 5
5 5 20 20
0 0
Koszt skrócenia
T ∗ = 22
K ∗ = 1640
Czas wykonania
Algorytm kompresji
Algorytm kompresji
Joanna Józefowska
Instytut Informatyki
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 1 / 16
Plan
Plan
1 Klasyfikacja zasobów
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 2 / 16
Klasyfikacja
Klasyfikacja zasobów
zasoby odnawialne
zasoby nieodnawialne
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 3 / 16
RCPSP
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 4 / 16
RCPSP
(
1 gdy czynność j kończy się w chwili t
xjt =
0 w przeciwnym razie
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 5 / 16
RCPSP
txn+1,t
t=EFn+1
przy ograniczeniach:
LFj
X
xjt = 1 , j = 1, . . . , n + 1
t=EFj
LFi LFj
X X
txit ¬ xjt − dj , (Ai , Aj ) ∈ P
t=EFi t=EFj
n min{t+dj −1,LFj }
X X
rjk xjq ¬ Rk , k = 1, . . . , R; t = 1, . . . , H
j=1 q=max{t,EFj }
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 6 / 16
RCPSP
4
2 5
zasoby 3 1 8
czynność z1 z2 z3
1 6 3 8
< 1, 2 > 1 2 0
< 1, 3 > 0 4 2 2 7 2
< 1, 4 > 2 1 0 8
< 2, 5 > 0 3 3 4 7
< 3, 5 > 3 1 0
< 3, 7 > 2 2 0
< 4, 7 > 1 1 2
< 5, 8 > 1 5 3
< 7, 8 > 0 4 2
dostępność 3 5 4
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 7 / 16
RCPSP
4
2 5
zasoby 3 1 8
czynność z1 z2 z3
1 6 3 8
< 1, 2 > 1 2 0
< 1, 3 > 0 4 2 2 7 2
< 1, 4 > 2 1 0 8
< 2, 5 > 0 3 3 4 7
< 3, 5 > 3 1 0
< 3, 7 > 2 2 0
< 4, 7 > 1 1 2
< 5, 8 > 1 5 3
< 7, 8 > 0 4 2
dostępność 3 5 4
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 8 / 16
RCPSP
4
2 5
zasoby 3 1 8
czynność z1 z2 z3
1 6 3 8
< 1, 2 > 1 2 0
< 1, 3 > 0 4 2 2 7 2
< 1, 4 > 2 1 0 8
< 2, 5 > 0 3 3 4 7
< 3, 5 > 3 1 0
< 3, 7 > 2 2 0
< 4, 7 > 1 1 2
< 5, 8 > 1 5 3
< 7, 8 > 0 4 2
dostępność 3 5 4
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 9 / 16
MMRCPSP
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 10 / 16
MMRCPSP
Algorytmy dokładne:
schematy pełnego przeglądu – do 15 czynności
Talbot 1982
Patterson 1989
algorytm podziału i ograniczeń – do 20 czynności
Speranza and Vercellis 1993
Demeulemeester and Herroelen 1992
Sprecher and Drexl 1998
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 11 / 16
MMRCPSP
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 12 / 16
NPV
NPV
Aktualna wartość zysków (różnicy między przychodami a kosztami), które
zostaną osiągnięte w przyszłości w określonej liczbie okresów czasu.
F
n P=
F = P(1 + r ) (1 + r )n
F – przyszły zysk
P – aktualna wartość inwestycji
r – stopa procentowa
n – liczba okresów
oprocentowania
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 13 / 16
NPV
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 14 / 16
NPV
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 15 / 16
NPV
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 16 / 16
Metoda ścieżki krytycznej
Badania operacyjne
Joanna Józefowska
Instytut Informatyki
Plan
Plan
1 Przykłady projektów
2 Modelowanie projektów
Projekt
Projekt
Dziedziny projektów
produkcja oprogramowania,
wdrażanie systemów informatycznych,
procesy technicznego przygotowania produkcji,
przedsięwzięcia badawczo-rozwojowe,
modernizacja zakładów przemysłowych,
duże przedsięwzięcia inwestycyjne,
produkcja złożonego wyrobu na zamówienie,
....................................................
Słynne projekty
Pocisk Polaris
(Marynarka wojenna
USA) – 1958
CONCORDE –
1964-1972
Sala koncertowa Casa
Joanna Józefowska (Instytut Informatyki) Metoda ścieżki krytycznej 5 / 42
da Musica europejskiej
stolicy kultury w Porto Model
(Portugalia) – 2001
Atrybuty opisujące
Rozbudowa Kanału czynność
Panamskiego –
2014-15
tij
i j
czas realizacji,
koszt realizacji,
zapotrzebowanie na zasoby.
Następstwo zdarzeń
i1
i2 j k
i3
Model
Kolejność czynności
1 3 5
2 4 6
Model
Sieć czynności
Model
Sieć czynności
t25
2 5
czynność
1 4 7
zdarzenie
3 6
G = (V , E ) graf skierowany
V zbiór zdarzeń - wierzchołki grafu
E zbiór czynności - łuki grafu
Model
1 3 5
0 7
2 4 6
Przykład
Model
Przykład
Przykład
3(5)
A E
START C KONIEC
5(8)
B D
CPM
5
A E
7 8
2 7
ST C KO
5 6 9
8
B D
ST A B C D E KO
ST 0 1 1 0 0 0 0
A 0 0 0 1 0 1 0
B 0 0 0 0 1 0 0
C 0 0 0 0 1 1 0
D 0 0 0 0 0 0 1
E 0 0 0 0 0 0 1
KO 0 0 0 0 0 0 0
ST A B C D E KO
ST 0 1 1 0 0 0 0
A 0 0 0 1 0 1 0
B 0 0 0 0 1 0 0
C 0 0 0 0 1 1 0
D 0 0 0 0 0 0 1
E 0 0 0 0 0 0 1
KO 0 0 0 0 0 0 0
w0 = {ST } ST ← 0
w1 = {A, B} A←1 B←2
w2 = {C } C ←3
w3 = {D, E } D←4 E ←5
w4 = {KO} KO ← 6
CPM
1 5 5
(A) (E)
2 7 8 7
0 3 6
(START) (C) (KONIEC)
5 6 9
2 8 4
(B) (D)
CPM
CPM
CPM - oznaczenia
tij – czas trwania czynności < i, j >, przedział na osi czasu
Tiw – najwcześniejszy możliwy termin wystąpienia zdarzenia i, punkt
na osi czasu,
Tjp – najpóźniejszy dopuszczalny termin wystąpienia zdarzenia j,
punkt na osi czasu.
tij
i j
tij
Tiw Tjp
CPM - założenia
CPM
Γ−1
j
i1
i2 j
...
im
Γ−1
j – zbiór poprzedników zdarzenia j, T0w = 0
Joanna Józefowska (Instytut Informatyki) Metoda ścieżki krytycznej 26 / 42
CPM
Γi j1
i j2
...
jm
CPM
CPM
Γ−1
j – zbiór poprzedników zdarzenia j, T0w = 0
Tip = min Tjp − tij , j = 0, . . . , n
j∈Γi
p w
Γi – zbiór następników zdarzenia i, Tn+1 = Tn+1
Oznaczenia
numer zdarzenia
najpóźniejszy dopuszczalny termin
wystąpienia zdarzenia
i j
tij
Tiw Tip Tjw Tjp
Li Lj
luz zdarzenia
najwcześniejszy możliwy termin
wystąpienia zdarzenia czas trwania czynności
CPM
Przykład
1 5
2 2 5 17 17
0 0
2 7 8 7
0 3 6
0 0 9 9 24 24
0 0 0
5 6 9
2 8 4
5 7 15 15
2 0
Ścieżka krytyczna
jest najdłuższy.
CPM
1 5
5
2 7 8 7
0 3 6
5 6 9
2 8 4
1 5
2 2 5 17 17
0 0
2 7 8 7
0 3 6
0 0 9 9 24 24
0 0 0
5 6 9
2 8 4
5 7 15 15
2 0
CPM
i2 5 i4
5 15 15 20 20
i1 0 0
10 10 4 10
0 i3
25 25
0
CPM
tij Zijc
tij Zijs
CPM
tij Zijn
Twierdzenie
Warunkiem koniecznym i dostatecznym na to, aby czynność < i, j > była
czynnością krytyczną jest równość Zijc = 0.
CPM
Twierdzenie
Między zapasami całkowitym, swobodnym i niezależnym zachodzą
następujące relacje: Zijn ¬ Zijs ¬ Zijc .
Wniosek
Dla czynności krytycznych wszystkie rodzaje zapasu są równe zero
Zijn = Zijs = Zijc =0.
1 4
4
4 3
8
0 3 6
2
5 5
4
2 5
CPM
1 4
4,7
8 8 12 19
0 7 3,7
8,0 4,0
0 3 6
2,10
0 0 12 12 22 22
0 0 5,0 5,0 0
4,13
2 0,13 5
4 17 17 17
13 0
Joanna Józefowska
Instytut Informatyki
Plan
Plan
1 Przykład
3 Macierz gry
4 Strategie zdominowane
6 Strategie mieszane
8 Gry z naturą
Przykład
Dwóch panów Jacek i Wojtek nudziło się nieco w barze i dla urozmaicenia
sobie czasu umówili się, że zagrają w następującą grę: będą mówić liczby
od 1 do 6 (Jacek 1, 3 lub 5, a Wojtek 2, 4 lub 6). Jeżeli suma będzie
większa od 7, to sumę otrzymuje od Jacka Wojtek, a gdy mniejsza –
odpowiednio sumę wypłaci Wojtek Jackowi. Gdy suma jest równa 7, to
nikt nie wygrywa.
Definicja
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1
3
5
Jacek: 1, 3, 5
Wojtek: 2, 4, 6
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 7
3 5 7 9
5 7 9 11
Wygrywa Jacek
Definicja
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 7
3 5 7 9
5 7 9 11
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 7
3 5 7 −9
5 7 −9 −11
Definicja
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 0
3 5 0 −9
5 0 −9 −11
gra z punktu widzenia Jacka
wygrana Jacka = przegrana Wojtka
suma wygranych obu graczy = 0
Definicja
Definicja
Gra macierzowa
Definicja
Grą dwuosobową o sumie zero nazywamy trójkę G = ⟨S, T , W ⟩ , w
której S i T są odpowiednio zbiorami strategii czystych gracza A i B, a
W (s, t) jest funkcją wypłat (wygraną gracza A = przegraną gracza B)
przyjmującą skończone wartości liczbowe i określoną na iloczynie
kartezjańskim SxT zbiorów strategii obu graczy.
Macierz gry
Strategia maksyminowa
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Strategia maksyminowa
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Macierz gry
Strategia maksyminowa
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Strategia minimaksowa
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Strategie zdominowane
Strategia zdominowana
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Jeżeli w grze macierzowej G = ⟨S, T , W ⟩ każdy element pewnego wiersza
macierzy wypłat odpowiadającego strategii sk ∈ S gracza A jest mniejszy
lub równy od odpowiedniego elementu innego wiersza, to strategia sk nosi
nazwę strategii zdominowanej gracza A.
Strategia zdominowana
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Jeżeli w grze macierzowej G = ⟨S, T , W ⟩ każdy element pewnej kolumny
macierzy wypłat odpowiadającego strategii tl ∈ T gracza B jest wiekszy
lub równy od odpowiedniego elementu innej kolumny, to strategia tl nosi
nazwę strategii zdominowanej gracza B.
Strategie zdominowane
Punkt siodłowy
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Analiza
Wartość oczekiwana
Gdyby nieznajoma grała dwa razy częściej reszkę niż orzełka, a
czytelnik nadal grał losowo, to
Prawdopodobieństwo dwóch orzełków
1 1 1
P(oo) = ∗ =
3 2 6
Wartość oczekiwana
1 1 1 1
EV = 2 ∗ − 3 ∗ + 1 ∗ =
2 6 3 6
Dobra strategia
Macierz gry s1 = O −3 2
s2 = R 2 −1
Strategie mieszane
Strategie mieszane
Strategie mieszane
k1 = max min xT Ay
x∈X y∈Y
k2 = min max xT Ay
y∈Y x∈X
Własność
v1 ¬ k1 ¬ k2 ¬ v2
Jeżeli v1 = v2 , to k1 = k2 .
Punkt siodłowy
xr = 1, xi = 0 dla i ̸= r
oraz
yk = 1, yj = 0 dla j ̸= k
A wartość tej gry wynosi ark .
Rozwiązywanie
s1 = O −3 2
s2 = R 2 −1
x - prawdopodobieństwo, z jakim nieznajoma gra orzełka,
(1–x) - prawdopodobieństwo, z jakim gra reszkę,
V - wartość oczekiwana wypłaty dla nieznajomej.
Jeżeli nieznajoma chce osiągnąć wygraną co najmniej V , to jej strategie
powinny spełniać następujący układ nierówności:
V
s1 = O −3 2
s2 = R 2 −1
–5x + 2 V
3x–1 V największa
gwarantowana h i
wygrana 38 , 18
–5x + 2 = 3x–1 x
3
x= (3)
8
1
V = (4)
8
Rozwiązywanie
s1 = O −3 2
s2 = R 2 −1
y - prawdopodobieństwo, z jakim czytelnik gra orzełka,
(1–y ) - prawdopodobieństwo, z jakim gra reszkę,
V - wartość oczekiwana wypłaty dla nieznajomej.
Jeżeli czytelnik nie chce przegrać więcej niż V , to jego strategie powinny
spełniać następujący układ nierówności:
V
s1 = O −3 2
s2 = R 2 −1
–5y + 2 ¬ V
3y –1 ¬ V najmniejsza
gwarantowana h i
3 1
przegrana 8 , 8
–5y + 2 = 3y –1 x
3
y= (7)
8
1
V = (8)
8
Rozwiązywanie
1
STRATEGIE CZYTELNIKA
V∗ =
t1 = O t2 = R 8
STRATEGIE
NIEZNAJOMEJ
∗ 3
s1 = O −3 2 x =
8
s2 = R 2 −1 3
y∗ =
8
Rozwiązanie to oznacza, że jeżeli zarówno czytelnik, jak i nieznajoma
będą na każde osiem gier trzy razy wybierać orzełka, to nieznajoma
wygra 1 zł na każde osiem rozgrywek.
Jest to dla niej wygrana gwarantowana, czyli grając orzełka w 3 na 8
gier wygra co najmniej 1 zł na każde osiem gier.
Dla czytelnika jest to strategia gwarantująca, że nie przegra więcej niż
1 zł na każde 8 gier.
Strategie optymalne
Rozwiązywanie
Strategie optymalne
Twierdzenie minimaksowe
Rozwiązywanie
Jeżeli istnieje więcej niż jedna strategia optymalna dla danego gracza, to
każda wypukła kombinacja liniowa tych strategii jest strategią optymalną
tego gracza.
x ∗ = αx1∗ + (1 − α)x2∗
Uwaga: Zbiór strategii optymalnych danego gracza jest zbiorem
wypukłym.
Rozwiązywanie
ar 1 y ∗ + ar 2 (1–y ∗ ) < v ∗
Przykład
g1 (x) = (0 − 1)x + 1 v
2 g (x) = (4 + 5)x − 5 v
g (x) = (3 + 1)x − 1 v
3
Rozwiązywanie
Przykład
−x + 1 v
V
9x − 5 v
4x − 1 v
∗
x = 0, 6
1 − x ∗ = 0, 4
v = 0, 4 h
3 2
i
5, 5
g3 (x) = 4x − 1 > v ∗ x
y4∗ = 0
Przykład c.d.
V
(
h1 (y ) = (0 − 4)y + 4 ¬ v
h2 (y ) = (1 + 5)y − 5 ¬ v
(
−4y + 4 ¬ v
6y − 5 ¬ v
h i
9 2
y∗
= 0, 9 10 , 5
1 − y ∗ = 0, 1
v = 0, 4 y
Rozwiązywanie
Rozwiązanie gry
t1 t2 t3 t4
s1 0 2 4 3
s2 1 4 −5 −1
s3 0 1 2 1
x ∗ = [0, 6; 0, 4; 0]
y ∗ = [0, 9; 0; 0, 1; 0]
v ∗ = 0, 4
Gra Morra
Rozwiązywanie
Gra Morra
t1 t2 t3 t4 t5 t6 t7 t8 t9
(1, 1) (1, 2) (1, 3) (2, 1) (2, 2) (2, 3) (3, 1) (3, 2) (3, 3)
s1 0 2 2 −3 0 0 −4 0 0
s2 −2 0 0 0 3 3 −4 0 0
s3 −2 0 0 −3 0 0 0 4 4
s4 3 0 3 0 −4 0 0 −5 0
s5 0 −3 0 4 0 4 0 −5 0
s6 0 −3 0 0 −4 0 5 0 5
s7 4 4 0 0 0 −5 0 0 −6
s8 0 0 −4 5 5 0 0 0 −6
s9 0 0 −4 0 0 −5 6 6 0
Gra Morra
t1 t2 t3 t4 t5 t6 t7 t8 t9
(1, 1) (1, 2) (1, 3) (2, 1) (2, 2) (2, 3) (3, 1) (3, 2) (3, 3)
s1 0 2 2 −3 0 0 −4 0 0
s2 −2 0 0 0 3 3 −4 0 0
s3 −2 0 0 −3 0 0 0 4 4
s4 3 0 3 0 −4 0 0 −5 0
s5 0 −3 0 4 0 4 0 −5 0
s6 0 −3 0 0 −4 0 5 0 5
s7 4 4 0 0 0 −5 0 0 −6
s8 0 0 −4 5 5 0 0 0 −6
s9 0 0 −4 0 0 −5 6 6 0
zminimalizować v
przy ograniczeniach
Rozwiązywanie
Gra Morra
t1 t2 t3 t4 t5 t6 t7 t8 t9
(1, 1) (1, 2) (1, 3) (2, 1) (2, 2) (2, 3) (3, 1) (3, 2) (3, 3)
s1 0 2 2 −3 0 0 −4 0 0
s2 −2 0 0 0 3 3 −4 0 0
s3 −2 0 0 −3 0 0 0 4 4
s4 3 0 3 0 −4 0 0 −5 0
s5 0 −3 0 4 0 4 0 −5 0
s6 0 −3 0 0 −4 0 5 0 5
s7 4 4 0 0 0 −5 0 0 −6
s8 0 0 −4 5 5 0 0 0 −6
s9 0 0 −4 0 0 −5 6 6 0
Rozwiązanie:
Przykład
t1 t2 t3 t4 t5
s1 1 2 3 3 6
s2 2 6 1 3 3
s3 3 1 3 6 2
s4 3 3 6 2 1
zminimalizować v
przy ograniczeniach
x1 + 2x2 + 3x3 + 3x4 v
2x1 + 6x2 + x3 + 3x4 v
3x1 + x2 + 3x3 + 6x4 v
3x1 + 3x2 + 6x3 + 2x4 v
6x1 + 3x2 + 2x3 + x4 v
x1 + x2 + x3 + x4 = 1
Rozwiązujemy metodą sympleks, np. narzędziem ExploreLP.
Joanna Józefowska (Instytut Informatyki) Gry dwuosobowe o sumie zerowej 49 / 68
Rozwiązywanie
Rozwiązywanie
Przykład
t1 t2 t3 t4 t5
s1 1 2 3 3 6
s2 2 6 1 3 3
s3 3 1 3 6 2
s4 3 3 6 2 1
zminimalizować v
przy ograniczeniach
Gry z naturą
Założenia
Przykład
terminy siewu A B C D
1 marca 21 15 32 16
10 marca 28 20 10 20
15 marca 13 27 25 15
Gry z naturą
terminy siewu A B C D
1 marca 21 15 32 16 15
10 marca 28 20 10 20 10
15 marca 13 27 25 15 13
Gry z naturą
Kryterium Hurwicza
https://slideplayer.pl/slide/61744/1/images/1/RYZYKO+W+HANDLU+ZAGRANICZNYM.jpg
Gotowość do podjęcia ryzyka wyraża tzw. współczynnik ostrożności.
Postępowanie:
Ustala się arbitralnie tzw. współczynnik ostrożności γ (0 ¬ γ ¬ 1)
Dla każdej strategii i gracza stosujemy wzór:
vi = γ min aij + (1 − γ) max aij
j j
terminy siewu A B C D
1 marca 21 15 32 16 25,2
10 marca 28 20 10 20 20,8
15 marca 13 27 25 15 21,4
Gry z naturą
Kryterium Savage’a
terminy siewu A B C D
1 marca 21 15 32 16
10 marca 28 20 10 20
15 marca 13 27 25 15
Macierz strat
terminy siewu A B C D
1 marca 7 12 0 4 12
10 marca 0 7 22 0 22
15 marca 15 0 7 5 15
Gry z naturą
Kryterium Bayesa
Macierz strat
terminy siewu A B C D
1 marca 21 15 32 16 21
10 marca 28 20 10 20 19,5
15 marca 13 27 25 15 20
Gry z naturą
Gry z naturą
Przykład
7
1+1+1+1+3 2+2+1+1+1
2+1+1+1+1+1
Przykład
7 −1
1+1+1+1+3 +1 2+2+1+1+1 −1
2+1+1+1+1+1 +1
Gry z naturą
Procedura MIN-MAX