9-決策(運(yùn)籌學(xué))-文庫(kù)吧資料
2025-04-10 15:03本頁(yè)面
【正文】 2 S 3 （小批量生產(chǎn)） 10 5 33 決策樹 決策 S1 S2 S3 大批量生產(chǎn) 中批量生產(chǎn) 小批量生產(chǎn) N1( 需求量大 )； P(N1) = N1( 需求量大 )； P(N1) = N1( 需求量大 )； P(N1) = N2( 需求量小 )； P(N2) = N2( 需求量小 )； P(N2) = N2( 需求量小 )； P(N2) = 30 6 20 10 2 5 34 決策樹法的計(jì)算過程 (1) 繪制決策樹； (2) 自右到左計(jì)算各方案的收益期望值，將結(jié)果標(biāo)在方案節(jié)點(diǎn)處； (3) 選收益期望值最大 (損失期望值最小 )的方案為最優(yōu)方案。 32 例 4：某公司需要對(duì)某新產(chǎn)品生產(chǎn)批量作出決策，各種批量在不同的自然狀態(tài)下的收益情況如下表（收益矩陣）。 利用決策樹對(duì)多階段風(fēng)險(xiǎn)決策問題進(jìn)行分析是以期望值準(zhǔn)則為決策準(zhǔn)則。這樣，決策、情況、決策 …… 構(gòu)成一個(gè)序列，即序列決策。具體方法： 每一種備擇方案，將每一個(gè)收益乘以相應(yīng)自然狀態(tài)的先驗(yàn)概率，乘積相加就得到收益的加權(quán)平均 選擇具有最大期望收益的備擇方案 在例 2中，根據(jù) Bayes準(zhǔn)則決策結(jié)果是選擇方案 A2，可得收益 565元 . 加權(quán)平均 475 565 400 表 1：證券投資收益表（單位：元） 20 先驗(yàn)決策－－最大期望收益 (Bayes)準(zhǔn)則 先驗(yàn)決策問題在 WinQSB中的實(shí)現(xiàn)方法完全同于不定決策問題的實(shí)現(xiàn)，只是在輸入數(shù)據(jù)時(shí)，需要確定各狀態(tài)的概率而已 . 存在的問題 在確定先驗(yàn)概率時(shí)，仍然有相當(dāng)大的不確定性 先驗(yàn)概率在相當(dāng)大的程度上是主觀的，然而安全的決策應(yīng)當(dāng)是基于客觀數(shù)據(jù)和程序的 對(duì)于平均結(jié)果，期望（貨幣上的）收益忽視了可能的結(jié)果對(duì)決策者的影響 2S 2A2A21 信息價(jià)值 ? 通常一個(gè)初步的研究會(huì)對(duì)自然狀態(tài)的概率有一個(gè)更好的近似 . ? 例如 : ? 市場(chǎng)調(diào)研（ Market surveys） ? 市場(chǎng)測(cè)試（ Testmarketing） ? 地震測(cè)試（ Seismic testing for oil） 問 題 : 我們得為得到這些信息付多少價(jià)值呢？ 22 全信息價(jià)值 EP（無更多信息） = 以原始的先驗(yàn)概率用貝葉斯決 策規(guī)則得到的期望收益 EP（擁有全信息） = 如果知道真實(shí)的自然狀態(tài)進(jìn)行 決策得到的期望收益 EVPI = 全信息價(jià)值 = EP（ 擁有全信息 ） EP（ 無更多信息 ） C = 獲取更多信息的花費(fèi) 如果 EVPI＜ C， 不值得獲取更多的信息 如果 EVPI≥ C, 值得獲取更多的信息 23 【 例 3】 繼續(xù)考慮例 2. 投資者是否需要花費(fèi) 100元購(gòu)買此完全信息 ? 分析 完全信息價(jià)值，為 因此不值得購(gòu)買該信息。具體方法： 發(fā)現(xiàn)概率最大的自然狀態(tài) 選擇在這種自然狀態(tài)下收益最大的備擇方案 如上例，應(yīng)該在狀態(tài) S2前提下選擇方案 A2。根據(jù)經(jīng)驗(yàn)估計(jì)，經(jīng)濟(jì)形勢(shì) S1， S2，S3
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1