Выбор плана означает указание интенсивностей использования различных технологических способов, т.е. план определяется вектором x = (x1, x2,..., xS ) c неотрицательными компонентами [4 (32)].
Обычно на количества выпускаемых и затрачиваемых ингредиентов накладываются ограничения: произвести нужно не менее, чем требуется, а затрачивать не больше, чем имеется. Такие ограничения записываются в виде
s
S a ikxk > bi ; i=1,2,...,m. (1)
k=1
Если i > 0, то неравенство означает, что имеется потребность в ингредиенте в размере i, если i < 0,то неравенство означает, что имеется ресурс данного ингредиентов размере - i =¦ i¦. Далее предполагается, что использование каждого способа, связанного с расходом одного из перечисленных ингредиентов или особо выделенного ингредиента в количестве Ck при единичной интенсивности способа k. В качестве целевой функции принимается суммарный расход этого ингредиента в плане.
s
f(x) = S ckxk. (2)
k=1
Теперь общая задача линейного программирования может быть представлена в математической форме.
Для заданных чисел aik, ck, и bi найти
s
min S ckxk
k=1
при условиях
k > 0, k = 1,2,...,s [1]
s
S aikxk > bi, i = 1,2,...,m [2]
k=1
План, удовлетворяющий условиям [1] и [2], является допустимым, а если в нем , кроме того, достигается минимум целевой функции, то этот план оптимальный.[K33]
Задача линейного программирования двойственна, то есть, если прямая задача имеет решение, (вектор x =( x1, x2,..., xk)), то существует и имеет решение обратная задача основанная на транспонировании матрицы прямой задачи. Решением обратной задачи является вектор y = ( y1, y2... ,ym)компоненты которого можно рассматривать как объективно обусловленные оценки ресурсов, т.е. оценки, показывающие ценность ресурса и насколько полно он используется.
На основе объективно обусловленных оценок американским математиком Дж. Данцигом - был разработан симплекс-метод решения задач оптимального программирования. Этот метод весьма широко применяется. Алгоритм его весьма детально проработан, и даже составлены прикладные пакеты программ, которые применяются во многих отраслях планирования.
Метод линейной оптимизации с того момента, как он был разработан Канторовичем, не оставался без изменений, он развивался и продолжает развиваться. Например, формула (2) в современной интерпретации выглядит следующим образом.
S aij xj < bi (i Î I) (3)
j ÎA1
В чем же отличие?
Во-первых ограничение записывается не больше, либо равно , а меньше, либо равно, что больше соответствует экономическому смыслу правой стороны ограничения (bi - количество ресурсов). У Канторовича же ресурс записывается - bi = ¦bi¦ - т.е. отрицательным числом, что для экономического склада ума неестественно ( как может быть ресурса меньше нуля).
Во-вторых, суммирование производится не по всем способам производства, а лишь по определенному их подмножеству (j Î A1),что также соответствует экономическим реалиям, когда по технологическим, или другим причинам не все способы производства участвуют в каком-либо конкретном ограничении.
Аналогично и с ресурсами, в ограничении участвуют не все ресурсы сразу , а какое-то их подмножество (i Î I).
Введением подмножеств не ограничилось совершенствование метода линейной оптимизации. Нужды практики заставили разработать еще целый ряд приемов и методов для различных случаев описания реалий хозяйственной практики в виде ограничений. Это такие приемы, как запись ограничений по использованию производственных ресурсов, запись ограничений по гарантированному объему работ или производства продукции, приемы моделирования при неизвестных значениях показателей и многие другие, на которых здесь не стоит останавливаться.
Цель всех этих приемов - дать более развернутую модель какого-либо явления из хозяйственной практики, сэкономив при этом на количестве переменных и ограничений.
Несмотря на широту применения метода линейного программирования, он учитывает лишь три особенности экономических задач - большое количество переменных, ограниченность ресурсов и необходимость целевой функции. Конечно, многие задачи с другими особенностями можно свести к линейной оптимизации, но это не дает нам права упустить из виду другой хорошо разработанный метод математического моделирования - динамическое программирование. По сути, задача динамического программирования является описанием многошаговых процессов принятие решений. Задача динамического программирования можно сформулировать следующим образом : имеется некоторое количество ресурса х, которое можно использовать N различными способами. Если обозначить через хi количество ресурса, используемое i-m способом, то каждому способу сопоставляется функция полезности (хi), выражающая доход от этого способа. Предполагается, что все доходы измеряются в одинаковых единицах и общий доход равен сумме доходов, полученных от использования каждого способа.
Теперь можно поставить задачу в математической форме. Найти
max y1(x1)+ y2(x2)+ ... + yn(xn) (4)
(общий доход от использования ресурсов всеми способами) при условиях:
- выделяемые количества ресурсов неотрицательны;
[1] x1 > 0,..., xN > 0
- общее количество ресурсов равно x .
[2] x1 + x2 + ... + xN = x
Для этого общей задачи могут быть построены рекуррентные
соотношения
¦1(x) = max {j1(x1)}, (5)
0 <=X1<= X
¦k(x) = max {jk(xk)+ ¦k-1(x - xk)}. (6)
к = 2,3,..., N,
с помощью которых находится ее решение.
При выводе этих рекуррентных соотношений, по сути, использовался следующий принцип, оптимальная стратегия обладает тем свойством, что по отношению к любому первоначальному состоянию после некоторого этапа решения совокупность последующих решений должна составлять оптимальную стратегию. Этот принцип оптимальности лежит в основе всей концепции динамического программирования. Именно благодаря ему удается при последующих переходах испытывать не все возможные варианты, а лишь оптимальные выходы. Рекуррентные соотношения позволяют заменить чрезвычайно-трудоемкие вычисления максимума по N переменным в исходной задаче решением N задач, в каждой из которых максимум находится лишь по одной переменной.
Таким образом, метод динамического программирования позволяет учесть такую важную особенность экономических задач, как детерминированность более поздних решений от более ранних.
Кроме этих двух, достаточно детально разработанных методов, в экономических исследованиях в последнее время стали применяться множество других методов.
Одним из подходов к решению экономических задач является подход, основанный на применении новой математической дисциплины - теории игр.
Суть этой теории заключается в том, что игрок (участник экономических взаимоотношений) должен выбрать оптимальную стратегию в зависимости от того, какими он представляет действия противников (конкурентов, факторов внешней среды и т.д.). В зависимости от того, насколько игрок осведомлен о возможных действиях противников, игры (а под игрой здесь понимается совокупность правил, тогда сам процесс игры это партия) бывают открытые и закрытые. При открытой игре оптимальной стратегией будет выбор максимального минимума выигрыша (в терминах Моргерштерна - "максимина") из всей совокупности решений, представленных в матричной форме. Соответственно противник будет стремится проиграть лишь минимальный максимум ("минимаск") который в случае игр с нулевой суммой будет равен "максимину". В экономике же чаще встречаются игры с ненулевой суммой, когда выигрывают оба игрока.
Кроме этого в реальной жизни число игроков редко бывает равно всего двум. При большем же числе игроков появляются возможности для кооперативной игры, когда игроки до начала игры могут образовывать коалиции и соответственно влиять на ход игры.
Стратегии игроков не обязательно должны содержать одно решение, может быть так, что для достижения максимального выигрыша потребуется применять смешанную стратегию (когда две или несколько стратегий применяются с какой-то вероятностью). Кроме того в закрытых играх тоже требуется учитывать вероятность того или иного решения противника. Таким образом, в теории игр стало необходимым применение аппарата теории вероятности, который впоследствии нашел свое применение в экономических исследованиях в виде отдельного метода - стохастического моделирования.
Содержание метода стохастического программирования состоит во введении в матрицу задачи или в целевую функцию элементов теории вероятности. В этом случае обычно берется просто среднее значение случайной величины, взятое относительно всех возможных состояний .
В случае не жесткой, или двухэтапной задачи стохастического моделирования появляется возможность корректировки полученного плана после того, как станет известным состояние случайной величины.
Кроме этих методов применяются методы нелинейного, целочисленного программирования и многие другие. Вкратце, сущность метода нелинейного программирования заключается в нахождении или седловинной точки, или общего максимума или минимума функции. Основная сложность здесь в трудности определения, является ли этот максимум общим или локальным. Для целочисленного моделирования основная трудность как раз и заключается в трудности подбора целого значения функции. Общим для применения этих методов на современном этапе является возможность частичного сведения их к задаче линейного моделирования. Возможно, в недалеком будущем будет найдено какое-то оригинальное решение таких задач специфическими методами, более удобными, чем современные методы решения подобных задач (для которых они есть), и более точные, нежели приближенные решения методами линейного программирования.
Заключение
Как можно было заключить из вышеизложенного, математические методы имеют большую степень универсальности. Основой этой универсальности является язык математики. Если исследователи различных специальностей часто говорят об одной и той же проблеме совершенно по-разному, видят разные ее особенности, и не могут связать их воедино; то перевод проблемы на математический язык сразу выявляет общие закономерности, и даже может дать уже практически готовое решение, полученное ранее где-то в другой отрасли знаний и для других целей. То есть предпосылкой использования математики является формализация количественных и качественных сторон проблемы.