Файл: Голенко Д.И. Статистические модели в управлении производством.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 11.04.2024
Просмотров: 151
Скачиваний: 0
раторов f2u f22,-., |
f2n |
приводит к последовательности P2U |
|
Р22,---, Р2п, имея которую, можно найти |
|||
Q(Pi\)=mmQ(Pf |
) , |
||
|
|
і |
|
где і2 — номер |
шага |
во второй |
итерации, приводящего |
к перестановке, принимаемой за исходную в третьей ите рации.
Описанная выше процедура повторяется до выполне
ния условия |
Р\ |
=Pl^n\ |
где |
ka |
— номер шага |
в а-й |
|
итерации, которому соответствует |
перестановка |
Р | а , |
по |
||||
вторяющаяся |
в |
(а + п2 )-й |
итерации |
на шаге ka. |
Это |
усло |
вие означает зацикливание, т. е. получение такой пере становки, для которой последовательное применение п2 операторов рі (і, /==1, 2,..., п) не приводит к улучшению плана. Целесообразно применить описанный алгоритм к нескольким исходным перестановкам.
Достоинством эвристических методов является удоб ство реализации их на ЭВМ даже яри решении громозд ких задач, поскольку формирование расписания связано •с его моделированием во времени. Основным недостат ком этих методов, отнюдь не препятствующих их прак тическому применению, является сравнительно невысо кая точность, которая объясняется тем, что трудно скон струировать правило, одинаково хорошее для всех раз новидностей задач. Другой недостаток заключается в невозможности построения опенок близости полученных расписаний к оптимальным. Развитием чисто эвристиче ских методов (развивается и обобщается идея модели
рования) являются статистические методы. |
|
|
|||
Статистические |
методы также |
хорошо |
реализуются |
||
на ЭВМ, поскольку связаны с Л/'-кратным |
моделировани |
||||
ем случайных расписаний. Естественно, |
что |
с |
увеличе |
||
нием значения N растет точность полученного |
расписа |
||||
ния, но величина |
N ограничена |
сверху |
возможностями |
ЭВМ и располагаемым для решения задач временем, что
всегда надо иметь в |
виду при календарном планирова |
нии. Статистические |
методы позволяют полностью ис |
пользовать как располагаемое время, так и возможности ЭВМ. для получения более точных решений.
При решении задач больших «площадей», когда чис ло N ограничено несколькими десятками испытаний, до-
вольно эффективными являются комбинации метода ста тистических испытаний с различными эвристическими правилами предпочтения.
Ниже мы рассмотрим статистические методы и их «комбинации с эвристическими для исследования моделей календарного планирования.
Статистические методы. Статистические методы, или как их иногда называют, методы случайного поиска нача ли применяться совсем недавно (начало 60-х годов) для решения различных задач оптимизации. Особенно эффек тивно применение этих методов для решения сложных задач большой размерности с произвольным заданием целевой функции — критерия оптимальности и ограниче ний, т. е. в тех случаях, когда регулярные методы непри менимы. Именно к таким задачам относятся задачи ка лендарного планирования.
Под поиском понимается процесс отыскания хотя бы одного расписания А\ из множества допустимых рас писаний D, которое близко к оптимальному, т. е.
K(AR*)<mmK(A)+e, A<=D
где є > 0 наперед заданное число.
В процессе функционирования метода случайного по |
||
иска можно— |
выделить два важных этапа: |
|
— моделирование последовательности случайных рас |
||
писаний |і |
|ь> причем любое | { может |
моделирова |
ться многократно; |
|
|
— выделение из случайных реализаций |
наилучшего |
•расписания, которое является приближением к оптималь ному.
Различают ненаправленный случайный поиск; направ ленный случайный поиск без самообучения; направлен ный случайный поиск с самообучением.
Ненаправленный |
случайный поиск (или метод Мон |
||
те-Карло) заключается в следующем. |
Строим последо |
||
вательность Аи А2,..., |
Ап |
независимых случайных рас |
|
писаний, равномерно распределенных в области D, оп |
|||
ределяем значения Q |
(Л,), |
Q (Л2 ),..., Q (Ап) и находим |
|
Q (An) =min {Q (.4,) ,'Q (Л2 ) ,...,Q |
(Ап)}. |
Если поиск оптимального плана ведется среди дей ствительных планов, то область D конечна и существует
отличная от нуля вероятность р обнаружить оптималь ный план при каждом испытании. Вероятность найти оп тимальный план в одном из п независимых испытаний составит
|
рп |
= 1 . - ( 1 - / > ) « • |
|
|
|
|
|
(2.3.1) |
||||||||
последовательность |
|
р п - » - 1 , |
т. е. |
|
|
|||||||||||
При п—УООlim |
P{Q(An)=Q(A*)} |
|
|
|
= h |
|
|
|
|
|
||||||
lim |
Р{Ап=А*} |
|
= |
\, |
|
|
|
|
|
|
|
|||||
где А* — оптимальное расписание, |
|
|
|
|
|
|
|
|
||||||||
Л п — план, полученный |
после п |
испытаний. |
|
|
||||||||||||
Другими словами, последовательность Qn |
|
(А) |
с веро |
|||||||||||||
ятностью, равной |
единице, |
|
сходится |
к Q |
(А*), т. е. неог |
|||||||||||
раниченно продолжая испытания, |
мы |
с вероятностью, |
||||||||||||||
равной единице, получим оптимальный план. |
|
|
|
|||||||||||||
Из [2. 3. 1] следует, что |
если |
мы |
хотим |
получить |
оп |
|||||||||||
тимальный план |
с вероятностью р, |
то для этого |
необхо- |
|||||||||||||
дим о произвести не |
менее чем п— |
|
1 п ( 1 —р) |
|
испытании. |
|||||||||||
l |
n |
|
|
|
||||||||||||
Так как при малых |
р In (1 |
|
|
р) |
^ |
—р, |
то п « |
D |
' " l i p р ^ |
• |
||||||
В задаче очередности |
|
с k |
деталями |
в |
имеется k\ |
|||||||||||
|
— |
|
|
|
|
|
|
|
|
|
|
|
||||
действительных |
планов, |
|
|
|
|
соответственно |
р — |
и |
||||||||
ln (1—pj. |
|
|
|
|
|
|
|
|
|
|
|
|
|
k\ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Легко подсчитать, что |
|
требуемое |
|
количество |
испыта |
|||||||||||
ний даже в этом простейшем случае |
получается |
боль |
||||||||||||||
шим; это обстоятельство |
приводит |
|
к всевозможным |
мо |
дернизациям методов ненаправленного случайного по иска, к разработке специальных методов с предпочти тельными направлениями поиска, или точнее, с предпочтительным характером поиска. Здесь использу ются методы, сочетающие метод Монте-Карло и всевоз можные правила приоритетов,-—комбинации ненаправ ленного случайного поиска с эвристическими методами построения лучших расписаний.
Несколько другой характер носят методы направлен ного случайного поиска (без самообучения). Под этим названием подразумевают обычно группу методов, у ко-
торых улучшение сходимости достигается за счет более разумной организации поиска, при которой отдельные испытания становятся более зависимыми между собой, т. е. результаты уже проведенных испытаний использу ются для формирования последующих испытаний.
Примерами направленного случайного поиска без самообучения могут служить алгоритмы поиска с возв ратом и поиска с пересчетом. В первом случае моделиру
ется следующая случайная точка |
(расписание) |
и опреде |
||||
ляется A Q = Q (Ai)— |
Q (Ai-i). |
Если |
A Q < 0 , |
то |
шаг |
|
считается удачным, |
если A Q ^ O , |
то возвращаемся в |
ис |
|||
ходную точку и моделируем новое |
расписание. |
Во вто |
||||
ром случае (поиск с пересчетом) |
после неудачной |
по |
||||
пытки делается новый шаг из |
новой |
(плохой) |
точки, но |
сравнение показателя качества производится с ранее рас считанным (лучшим) показателем. Более общие приемы локального поиска будут рассмотрены отдельно.
Направленный поиск с самообучением подразумева ет более полное использование информации о прошлом поиске. Если в предыдущих методах связь между после довательными шагами либо вовсе отсутствовала (метод Монте-Карло), либо была слишком сильной, то в мето дах с самообучением характер этой связи все время ме няется. При случайном поиске самообучение проявляется
вперестройке вероятностных характеристик поиска, т. е.
вопределенном целенаправленном воздействии на слу
чайный выбор. Для целей календарного планирования случайный поиск с самообучением используется в соче тании с эвристическими методами, т. е. в целях разреше ния конфликтных ситуаций используется определенный набор приоритетов, каждый из которых выбирается с определенной частотой (вероятностью), которая является функцией всех предшествующих испытаний. Такой под ход позволяет выбирать из множества приоритетов наи лучший, так как процесс обучения как бы стремится «задетерминировать» систему.
Практически процесс самообучения можно осуществ лять по-разному. Например, самообучение методом ис ключения подразумевает исключение из набора приори тетов такого, который с большей вероятностью приводит к плохим планам, соответственно вероятности выбора других приоритетов увеличиваются.
§2. 4. Методы ненаправленного случайного поиска
Вметодах ненаправленного случайного поиска слу чайное расписание предполагается обычно равномерно распределенным в области действительных планов. Мно гократное моделирование обеспечивает равномерное «просматривание» последних и запоминание наилучше го. Метод Монте-Карло относится к числу универсаль ных методов, поскольку позволяет решать многоэкстре мальные задачи общего вида с отысканием глобального экстремума.
Рассмотрим |
возможность |
использования |
метода |
||||
Монте-Карло для |
решения |
задач |
очередности |
(зада |
|||
ча II) и общей задачи |
(задача |
I) |
календарного |
плани |
|||
рования. Для нахождения |
оптимального |
расписания в |
|||||
задаче обработки |
п деталей |
на |
т |
станках, сводящейся |
|||
к задаче очередности, необходимо моделировать |
случай |
||||||
ную перестановку |
я = |
і'г,..., in) |
из |
чисел |
1, 2,..., п, рав |
номерно |
распределенную на множестве всех перестано |
||||
вок. Для |
этого моделируем |
п |
раз случайную величину |, |
||
равномерно распределенную |
|
в интервале |
(0,1) |
и k-й ре |
|
ализации присваиваем номер |
ik, который |
она |
принима |
||
ет среди |
всех п реализаций |
в порядке убывания. |
Пусть, например, при моделировании случайной пе рестановки я = ( ї ь і2, із, ц, is) получены следующие 5 ре ализаций |: 0,01214;А 0,31256^0,11255; 0,84257; 0,38142, тогда я = (53412). Методика моделирования случайной величины, равномерно распределенной в интервале (0,1), представлена в ряде монографий, например в [2.11].
Чтобы построить вероятностные оценки сходимости расписаний, полученных по методу Монте-Карло, к опти мальному, необходимо построить плотность или функцию распределения значений критерия, рассматривая их как случайные величины. Можно показать, что при достаточ но большом числе деталей это распределение является приблизительно нормальным (результаты демонстриру ются на двух задачах — одна объемом 100x10, дру г а я — 20X10). Если, далее, известен вид этого распреде ления, то можно, в частности, ответить на вопрос о том (проблема решения с риском), сколько испытаний ме тодом Монте-Карло следует произвести, прежде чем сто имость очередного испытания будет больше средней