|
|||||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Часть 2. Решим задачу стохастического программирования для одной из однокритериальных задач, превратив детерминированное ограничение в вероятностное по схемеРешим задачу стохастического программирования для одной из однокритериальных задач, превратив детерминированное ограничение в вероятностное по схеме Менять в следующем диапазоне
Для работы выберем критерий 1: Необходимо максимизировать
При ограничениях: Причем все Пусть – независимые нормально распределенные случайные величины со следующими значениями математического ожидания и дисперсии:
– нормально распределенные случайные величины со следующими значениями математического ожидания и дисперсии:
По таблице функции нормального распределения стандартного нормального закона находим: Исходные вероятностные ограничения эквивалентны детерминированным линейным: Первое ограничение эквивалентно детерминированному неравенству: Второе ограничение эквивалентно неравенству: Тогда исходная задача примет вид: Необходимо максимизировать
При ограничениях:
Найдем решение с помощью Mathlab и функции fmincon:
% Задание целевй функции function f = y1(x)
% выручка от продажи билетов f = -10000*x(1)-800*x(2)-500*x(3);
end
function [C, Ceq] = cond_stoch(x) % ограничения в виде равенства Ceq = []; % Ограничения вида АХ<0 C = [ 7.425*x(1)-500; -x(1)+8.14; ];
>> options = optimset('Algorithm','interior-point'); >> ub = [500 60000 10000]; >> lb = [0 0 0]; >> x0 = [0 0 0]; >> [x,fval] = fmincon(@y1, x0, [], [], [], [], lb, ub, @cond_stoch, options)
Local minimum found that satisfies the constraints.
Optimization completed because the objective function is non-decreasing in feasible directions, to within the default value of the function tolerance, and constraints were satisfied to within the default value of the constraint tolerance.
<stopping criteria details>
x =
1.0e+004 *
0.0067 6.0000 1.0000
fval =
-5.3673e+007
Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.006 сек.) |