Принятие решений в условиях неопределенности

Вид материала

Содержание

Обзор критериев принятия решения в условиях риска
Матрица решений
Принятие решения в условиях риска с возможностью проведения эксперимента
Задача. Бурение нефтяной скважины.
Без проведения эксперимента

Подобный материал:

1 2 3 4 5 6

Обзор критериев принятия решения в условиях риска

Критерий произведений

Правило выбора в этом случае формулируется так :

Матрица решений дополняется новым столбцом, содержащим произведения всех результатов каждой строки. Выбираются те варианты, в строках которых находятся наибольшие значения этого столбца.

Применение этого критерия обусловлено следующими обстоятельствами :

вероятности появления состояния Bj неизвестны;
с появлением каждого из состояний Bj по отдельности необходимо считаться;
критерий применим и при малом числе реализаций решения;
некоторый риск допускается.

Критерий произведений приспособлен в первую очередь для случаев, когда все a_ij положительны. Если условие положительности нарушается, то следует выполнять некоторый сдвиг a_ij+а с некоторой константой а> . Результат при этом будет, естественно зависеть от а. На практике чаще всего

а:= +1.

Если же никакая константа не может быть признана имеющей смысл, то критерий произведений не применим.

Предыдущая Главная Следующая

Принятие решения в условиях риска с возможностью
проведения эксперимента

При принятии решения в условиях неопределённости (или в условиях риска) принципиальная сложность выбора решения возникает из-за незнания ЛПР истинного состояния среды. В предыдущих лекциях рассмотрено несколько критериев, каждый из которых по-своему "борется" с неопределённостью: с помощью выдвижения гипотезы о поведении среды (критерий Лапласа, Вальда, Гурвица и Сэвиджа); с помощью усреднения получаемых выигрышей (критерий Байеса-Лапласа или критерий ожидаемого выигрыша); с помощью учёта как ожидаемого выигрыша, так и меры отклонения от него. Однако, каждый из этих подходов даёт лишь способ рационального анализа неопределённости, не устраняя самой неопределённости. Устранение или хотя бы уменьшение неопределённости может быть произведено только на основе уточнения истинного состояния среды.

На практике такое уточнение осуществляется, как правило, с помощью сбора дополнительной информации, а также с помощью проведения экспериментов, по результатам которых судят об имеющемся состоянии среды. Например, прежде чем приступить к лечению больного при неясном диагнозе, врач проводит дополнительные анализы; прежде чем бурить дорогостоящую нефтяную скважину, геолог производит сейсморазведку; прежде чем наладить производство какого-либо товара, предприниматель изготавливает пробную партию этого товара и т.д. В рамках теории принятия решений все эти действия означают не что иное, как проведение эксперимента с целью уточнения состояния среды.

Эксперимент называется идеальным, если по его результатам ЛПР узнаёт истинное состояние среды. На практике наличие идеального эксперимента – явление довольно редкое. Чаще всего результат эксперимента даёт некоторую информацию, на основе которой может быть произведено уточнение среды.

Как использовать результаты эксперимента и имеющиеся статистические данные при принятии решений наиболее эффективно? Одна из методик, позволяющая решить эту проблему основана на формуле Байеса – формула переоценки вероятностей событий с учётом результата проведённого эксперимента.

Отметим, что не для всякой задачи принятия решения эксперимент является возможным. Если для некоторой задачи эксперимент возможен, то возникает задача оценки целесообразности его проведения. Дело в том, что проведение эксперимента всегда требует затрат (материальных, организационных, временных и пр.).

В книге [Розен] показано, что идеальный эксперимент является выгодным тогда и только тогда, когда его стоимость меньше минимального ожидаемого риска:

, где r_ij – риски, C – стоимость эксперимента.

Для изложения байесовского подхода к переоценке вероятностей напомним некоторые понятия из теории вероятностей.

Условная вероятность события A при условии, что произошло событие B, обозначается P(A/B) и вычисляется по формуле

P(A/B)=. (1)

Рассмотрим следующую теоретико-вероятностную схему. Пусть B₁, B₂, …, B_m – полная группа событий и для каждого события B_j, j= известна её вероятность P(B_j). Пусть произведён опыт, в результате которого произошло событие A. Если известны условные вероятности P(A/B_j) для всех j=, тогда условная вероятность (послеопытная) вероятность события B_j (j=,) может быть найдена по формуле Байеса

P(B_j/A)==.

Рассмотрим теперь в схематической форме задачу принятия решения в условиях риска, заданную с помощью матрицы выигрышей, которая имеет вид табл.

Таблица 1. Платёжная матрица с вероятностным вектором состояния среды

Решения	Состояния среды
	q₁	…	q_j	…	q_m
	B₁	…	B_j		B_m
X₁	a₁₁		a_1j		a_1m
…
Xi	a_i1		a_ij		a_im
…
Xn	a_n1		a_nj		a_nm

Здесь B₁, B₂, …, B_m – состояния среды, a_ij – выигрыш игрока в ситуации, когда он выбирает стратегию Xi, а среда принимает состояние B_j. ЛПР известна вероятность P(B_j)= q_j наступления состояния B_j, причём P(B_j)≥0 и . Предполагается, что среда может находиться в одном и только в одном из состояний B₁, B₂, …, B_m. Другими словами, случайные события B₁, B₂, …, B_m образуют полную группу событий, поэтому их можно взять в качестве гипотез. Известные ЛПР вероятности состояний среды P(B_j) (j=) являются безусловными (доопытными, априорными) вероятностями.

Предположим, что проводится некоторый эксперимент, результат которого как-то зависит от имеющегося состояния среды. Если в результате эксперимента наблюдается событие A и, кроме того, известны условные вероятности P(A/B_j) для всех j=, то используя формулу Байеса, можно найти послеопытные (апостериорные) вероятности каждого состояния среды. Знание уточненных вероятностей состояний среды позволяет более точно указать стратегию ЛПР.

Описанный подход к принятию решений в условиях риска называется байесовским, так как он основан на формуле Байеса. Этот подход иллюстрируется примером, рассмотренным ниже.

Задача. Бурение нефтяной скважины.

Руководитель поисковой группы должен принять решение: бурить нефтяную скважину или нет. Скважина может оказаться "сухой" (С), т.е. без нефти, "маломощной" (М), т.е. с малым содержанием нефти, и "богатой" (Б), т.е. с большим содержанием нефти. Альтернативами руководителя группы являются: x₁ – бурить и x₂ – не бурить. Чистая прибыль при выборе одной из альтернатив в зависимости от возможного типа скважины приведена в таблице прибылей (см. табл. 1)

Таблица 1. Платёжная матрица

Тип скважины Решения	С	М	Б
x₁	-70	50	200
x₂	0	0	0

Кроме того, руководителю поисковой группы известно, что в данной местности вероятности сухой, маломощной или богатой скважины таковы: P(C)=0.5, P(M)=0.3, P(Б)=0.2.

Руководитель поисковой группы может провести эксперимент с целью уточнения структуры грунта (состояния среды). Этот эксперимент представляет собой сейсморазведку, результатом которой будет ответ – какова структура грунта в данной местности (но не ответ на вопрос о типе скважины!). В принципе структура грунта может быть либо открытой (О), либо замкнутой (З). Руководитель группы имеет таблицу результатов экспериментов, приведённой в этой местности (см. табл. 2).

Таблица 2. Таблица экспериментальных данных

Тип скважины	Структура грунта		Всего
Тип скважины	открытая (О)	замкнутая (З)	Всего
С (сухая)	n₁₁=45	n₁₂=5	50
М (маломощная)	n₂₁=11	n₂₂=19	30
Б (богатая)	n₃₁=4	n₃₂=16	20
Всего	60	40	n=100

Эта таблица показывает, сколько раз на грунтах открытой и грунтах замкнутой структуры встречались скважины типа С, М, Б (т.е. даёт совместную статистику грунта и типа скважин для данной местности).

Проведём анализ экспериментальных данных полученной таблицы. Предположим, что произведено n экспериментов, результаты которых являются значениями дискретных случайных величин X (тип скважины) и Y (структура грунта), которые принимают соответственно значения С, М, Б и О, З. Обозначим через n₁₁ число экспериментов, в которых X=С и Y=О, через n₁₂ число экспериментов, в которых X=С и Y=З, через n₂₁ число экспериментов, в которых X=М и Y=О и т.д. В нашем случае n=100, n₁₁=45, n₁₂=5, n₂₁=11. Разделив значения таблицы 2 на 100 (на число проведённых экспериментов), мы получим закон распределения двумерной случайной величины (X, Y) заданной в табличной форме (см. табл. 3).

Таблица 3. Статистический ряд распределения двумерной с.в. (X, Y)

X, тип скважины	Y, структура грунта
X, тип скважины	открытая (О)	замкнутая (З)
С (сухая)	p₁₁=0.45	p₁₂=0.05	0.50
М (маломощная)	p₂₁=0.11	p₂₂=0.19	0.30
Б (богатая)	p₃₁=0.04	p₃₂=0.16	0.20
	0.60	0.40	1

Из таблицы 3 следует, что Р(X=C)=P(C)=0.5, Р(X=M)=P(M)=0.3, Р(X=Б)=P(Б)=0.2; Р(Y=O)=P(O)=0.6, Р(Y=З)=P(З)=0.4,

Итак, руководитель группы должен принять решение:

проводить ли эксперимент (его стоимость составляет 10 единиц);
если проводить, то, как поступать в дальнейшем в зависимости от результатов эксперимента.

Таким образом, получена многошаговая задача принятия решений в условиях риска. Опишем методику нахождения оптимального решения.

Шаг 1. Построим дерево (рис. 1), на котором указаны все этапы процесса принятия решений – дерево решений. Ветви дерева соответствуют возможным альтернативам, а вершины – возникающим ситуациям. Альтернативами руководителя поисковой группы являются : α – отказ от эксперимента, β – проведение эксперимента, x₁ – бурить, x₂ – не бурить. Состояния природы: выбор типа скважины (С, М, Б), а также выбор структуры грунта (О, З).

Построенное дерево определяет игру руководителя группы с природой. Позициями данной игры служат вершины дерева, а ходами игроков – выбираемые ими решения. Позиции, в которых ход делает руководитель группы, изображены прямоугольником; позиции, в которых ход делает природа, – кружком.

Игра протекает следующим образом. В начальной позиции ход делает руководитель группы. Он должен принять решение – отказаться от эксперимента (выбрать решение α) или проводить эксперимент (выбрать решение β). Если он отказался от эксперимента, то игра переходит в следующую позицию, в которой руководитель группы должен принять решение: бурить (выбрать альтернативу x₁) или не бурить (выбрать альтернативу x₂). Если же он решает проводить эксперимент, то игра переходит в позицию, в которой ход делает природа, выбирая одно из состояний О или З, соответствующих возможным результатам эксперимента, и т. д. Игра заканчивается тогда, когда она переходит в окончательную позицию (т.е. вершину дерева, для которой нет исходящих из неё ветвей)

Шаг 2. Для каждого решения, которое является ходом природы (т.е. исходит из позиции, изображённой кружком), надо найти вероятность этого хода. Для этого поступаем следующим образом. Для каждой позиции дерева существует единственный путь, соединяющий эту позицию с начальной позицией. Если это для позиции природы, путь, соединяющий её с с начальной позицией, не проходит через позицию (Э), означающую проведение эксперимента, то вероятности состояний Р(С), Р(М) и Р(Б) являются безусловными (доопытными) и находятся из табл. 3:

Р(С)=50/100, Р(М)=30/100, Р(Б)=20/100.

Если же для позиции природы путь, соединяющий её с начальной позицией, проходит через позицию (Э), то вероятности состояний среды становятся условными вероятностями и находятся по формулам (1), используя данные табл. 3:

=45/60; =5/40;

=1/15; .

В позиции (Э) вероятности ходов, приводящих к позициям (О) и (З), находятся из таблицы 3: Р(О)=0.6, Р(З)=0.4.

Рис. 1. Дерево решений

Шаг 3. Произведём оценку всех позиций дерева игры, "спускаясь" от конечных позиций к начальной. Оценкой позиции служит ожидаемый выигрыш в этой позиции. Оценки конечных позиций находим из таблицы 2. Укажем теперь способ нахождения оценки произвольной позиции дерева игры в предположении, что уже найдены оценки всех следующих за ней позиций.

Для позиции природы её оценка представляет собой ожидаемый выигрыш (см. рис 2);

Д
b₁ b₂ b₃
ля позиции игрока оценкой служит максимум всех за ней позиций. Мотив: в "своей" позиции игрок может сделать любой ход, поэтому он выберет тот, который приводит к наибольшему возможному выигрышу (см. рис 3). В каждой позиции игрок помечает черточкой ту ветвь дерева, которая приводит к позиции, имеющей максимальную оценку.

Без проведения эксперимента. Выбираем максимальное значение из (20, 0). Оно равно 20.
братимся к рис. 1. Получаем, что в начальной позиции ожидаемая прибыль без проведения эксперимента (альтернатива α) – 20 единиц; ожидаемая прибыль с проведением эксперимента (альтернатива β) – 28 единиц. Таким образом, целесообразным является решение – проводить эксперимент (сейсморазведку). Далее, если эксперимент покажет, что грунт открытый, то бурение производить не следует, а если замкнутый, то нужно бурить.

1

– ветвь: =20

2 – ветвь: 0

3

С проведением эксперимента.
Выбираем максимальное значение из
(-30, 0, 95, 0). Оно равно 95.
– ветвь:= -30

4

– ветвь: 0

5 – ветвь: =95

6 – ветвь: 0

Как следует из условия задачи, значение в 95 единиц мы можем получить с вероятностью 0.4. Следовательно, ожидаемый выигрыш будет равен 0.4*95=38 единицам. Вычитаем расходы на проведение эксперимента равное 10 единицам.

В итоге получим 28 единиц.

Деревья решений иерархически представляют собой логическую структуру принятия решений, и облегчает тем самым понимание задачи и процесс её решения. В отличие от матрицы решений здесь можно видеть временной ход процесса принятия решения. Дерево решений нельзя, однако, в общем случае представить простой матрицей решений; так могут быть представлены лишь отдельные этапы процесса. Разбиение на этапы производят так, чтобы выбор решения начинался с некоторого узла решений, от которого исходят одна или несколько ветвей, представляющих варианты решений. Далее следуют узлы событий и на конце – листья", представляющие конечные состояния с указанием значений соответствующих выходных параметров. Если же за узлами событий следует опять узел решений с соответствующими действиями, тогда это и всё последующие разветвления относятся к более поздней стадии выбора решения.. Таким образом, можно проследить весь путь с начала до конца дерева решений.

В дереве решений различают узлы событий и узлы решений. Можно себе представить, что в узлах событий выбор дальнейшего пути определяется внешними условиями (природой, в теории игр противником), а в узлах решений – лицом, принимающим решение.

Деревья решений легко поддаются модификации: при необходимости их можно дополнительно развить, а в случаях, когда какие-либо ветви практически лишены значения, – соответственно уменьшить. Узлы решений, если они связаны с одним действием и не разделены узлами событий могут быть объединены. То же справедливо и для узлов событий.

Предыдущая Главная Следующая

Blog

Принятие решений в условиях неопределенности

Содержание