Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Принятие решений в условиях неопределенности

Покупка
Новинка
Артикул: 896941.01.99
Доступ онлайн
832 ₽
В корзину
Соответствует требованиям ООП по направлению бакалавриата 02.03.01 и магистратуры 02.04.01 «Математика и компьютерные науки». В пособии рассматриваются теоретические и практические аспекты однокритериального и многокритериального принятия решений, теория нечетких множеств, элементы теории Демпстера-Шейфера и байесовский подход в принятии решений. Особое внимание уделяется практике и решениям задач на основе изложенной теории. Предназначено для аспирантов и студентов старших курсов, обучающихся по специальностям в области искусственного интеллекта и анализа данных. На обложке представлена иллюстрация М. В. Лукашиной. Табл. 11. Ил. 28. Библиогр.: 46 назв.
127
Принятие решений в условиях неопределенности : учебное пособие / Л. В. Уткин, В. А. Мулюха, А. А. Лукашин, А. В. Константинов. - Санкт-Петербург : ПОЛИТЕХ-ПРЕСС 2025. - 224 с. - ISBN 978-5-7422-8941-8. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2286718 (дата обращения: 18.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Санкт-Петербург
Санкт-Петербургский
политехнический университет
Петра Великого
Министерство науки и высшего образования Российской Федерации
САНКТ-ПЕТЕРБУРГСКИЙ
ПОЛИТЕХНИЧЕСКИЙ  УНИВЕРСИТЕТ  ПЕТРА  ВЕЛИКОГО
Институт компьютерных наук и кибербезопасности 
Высшая школа технологий искусственного интеллекта
ПРИНЯТИЕ  РЕШЕНИЙ 
В  УСЛОВИЯХ  НЕОПРЕДЕЛЕННОСТИ
Учебное пособие


©	Санкт-Петербургский политехнический
	
университет Петра Великого, 2025
ББК	32.813.5я73
	
П68
Р е ц е н з е н т ы:
Доктор технических наук, профессор  
Высшей школы технологий искусственного интеллекта СПбПУ  
А. А. Большаков
Доктор технических наук, профессор  
кафедры информационных систем и технологий № 42 ГУАП  
В. В. Фомин
А в т о р ы: 
Л. В. Уткин, В. А. Мулюха, А. А. Лукашин, А. В. Константинов
Принятие решений в условиях неопределенности : учеб. пособие / Л. В. Уткин 
[и др.]. – СПб. : ПОЛИТЕХ-ПРЕСС, 2025. – 224 с.
Соответствует требованиям ООП по направлению бакалавриата 02.03.01 
и магистратуры 02.04.01 «Математика и компьютерные науки».
В  пособии рассматриваются теоретические и  практические аспекты однокритериального и многокритериального принятия решений, теория нечетких множеств, элементы теории Демпстера–Шейфера и байесовский подход 
в принятии решений. Особое внимание уделяется практике и решениям задач 
на основе изложенной теории.
Предназначено для аспирантов и студентов старших курсов, обучающихся 
по специальностям в области искусственного интеллекта и анализа данных.
На обложке представлена иллюстрация М. В. Лукашиной.
Табл. 11. Ил. 28. Библиогр.: 46 назв.
Печатается по решению
Совета по издательской деятельности Ученого совета
Санкт-Петербургского политехнического университета Петра Великого.
ISBN 978-5-7422-8941-8
doi:10.18720/SPBPU/2/id25-31


Saint Petersburg
Peter the Great 
St.Petersburg Polytechnic 
University
The Ministry of Science and Higher Education of the Russian Federation
PETER  THE  GREAT
ST.  PETERSBURG  POLYTECHNIC  UNIVERSITY
Institute of Computer Science and Cybersecurity 
Graduate School of Technology of Artificial Intelligence
DECISION-MAKING  
UNDER  UNCERTAINTY
Training manual


©	 Peter the Great 
	
St. Petersburg Polytechnic University, 2025
ISBN 978-5-7422-8941-8
doi:10.18720/SPBPU/2/id25-31
R e v i e w e r s:
Doctor of Engineering, professor  
at the Graduate School of Artificial Intelligence Technologies of SPbPU  
A. A. Bolshakov
Doctor of Engineering, professor  
at the Department of Information Systems and Technologies No. 42 of SUAI  
V. V. Fomin
A u t h o r s: 
L. V. Utkin, V. A. Mulyukha, A. A. Lukashin, A. V. Konstantinov
Decision-making under uncertainty : training manual / L. V. Utkin [et al.]. – 
St. Petersburg : POLYTECH-PRESS, 2025. – 224 p.
The training manual corresponds to the requirements of educational programs for 
the Bachelor’s degree major 02.03.01 and the Master’s degree major 02.04.01 “Mathematics and Computer Science”.
The manual considers theoretical and practical aspects of single-criteria and 
multi-criteria decision-making, theory of fuzzy sets, elements of Dempster–Shafer 
theory, and the Bayesian approach to decision-making. Particular attention is paid to 
practice and problem solving based on the presented theory.
It is intended for graduate and postgraduate students studying in the areas of artificial intelligence and data analysis.
The cover features an illustration by M. V. Lukashina.
Tables 11. Figures 28. References: 46 titles
Printed by the Publishing Counci 
of Peter the Great St. Petersburg Polytechnic University Academic Council.


ОГЛАВЛЕНИЕ
Глава 1. Краткие сведения из теории вероятности . . . . . . . . . . . . . . . . . . . 	 8
1.1. Основные понятия теории вероятностей. . . . . . . . . . . . . . . . . . . 	 8
1.2. Обоснование использования вероятности . . . . . . . . . . . . . . . . . 	 9
1.3. Независимость . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 13
1.4. Случайная величина, математическое ожидание и дисперсия. . . 	 14
1.5. Контрольные вопросы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 17
Глава 2. Однокритериальные задачи принятия решений . . . . . . . . . . . . . . 	 18
2.1. Постановка задачи однокритериального принятия решений. . . . 	 18
2.2. Принятие решений в условиях определенности . . . . . . . . . . . . 	24
2.2.1. Критерий равновозможных состояний . . . . . . . . . . . . . . . . 	25
2.2.2. Критерий максимина Вальда . . . . . . . . . . . . . . . . . . . . . . . . . 	26
2.2.3. Критерий пессимизма-оптимизма Гурвица . . . . . . . . . . . . 	28
2.2.4. Критерий минимакса сожалений Сэвиджа . . . . . . . . . . . . . 	28
2.3. Принятие решений в условиях риска. . . . . . . . . . . . . . . . . . . . . . 	29
2.3.1. Критерий максимума ожидаемой полезности. . . . . . . . . . . 	30
2.3.2. Критерий Ходжа–Лемана. . . . . . . . . . . . . . . . . . . . . . . . . . . . 	33
2.3.3. Критерий наиболее вероятного состояния природы. . . . . 	34
2.3.4. Критерий минимума ожидаемых сожалений . . . . . . . . . . . 	34
2.4. Определение функции полезности  
	
и психологические аспекты принятия решений . . . . . . . . . . . . 	35
2.5. Основные аксиомы теории полезности. . . . . . . . . . . . . . . . . . . . 	43
2.6. Деревья решений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	45
2.7. Контрольные вопросы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	52
2.8. Задачи. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	54
Глава 3. Элементы теории Демпстера–Шейфера . . . . . . . . . . . . . . . . . . . 	56
3.1. Основные определения теории Демпстера–Шейфера . . . . . . . 	56
3.2. Теория вероятностей и теория Демпстера–Шейфера . . . . . . . 	60
3.3. Правила комбинирования свидетельств . . . . . . . . . . . . . . . . . . . 	 61
3.3.1. Правило комбинирования Демпстера . . . . . . . . . . . . . . . . . 	 61
3.3.2. Правило дисконтирования. . . . . . . . . . . . . . . . . . . . . . . . . . . 	64
3.4. Принятие решений при неточных исходных данных . . . . . . . . 	 67


3.5. Контрольные вопросы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 71
3.6. Задачи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 72
Глава 4. Элементы теории нечетких множеств . . . . . . . . . . . . . . . . . . . . . . 	 74
4.1. Основные понятия теории нечетких множеств . . . . . . . . . . . . . 	 74
4.2. Операции с нечеткими множествами. . . . . . . . . . . . . . . . . . . . . . 	 77
4.3. Интерпретация и сравнение нечетких множеств. . . . . . . . . . . . 	 82
4.4. Построение функции принадлежности нечеткого множества . . . 	 85
4.4.1. Субъективный подход . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 85
4.4.2. Статистический подход. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 86
4.5. Задачи нечеткого принятия решений . . . . . . . . . . . . . . . . . . . . . . 	 88
4.5.1. Значение полезности как нечеткие числа . . . . . . . . . . . . . . 	 88
4.5.2. Функция полезности как функция принадлежности . . . . . 	 90
4.6. Меры возможности и необходимости . . . . . . . . . . . . . . . . . . . . . 	 92
4.7. Контрольные вопросы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 95
4.8. Задачи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	 96
Глава 5. Байесовский подход в принятии решений. . . . . . . . . . . . . . . . . . . 	 97
5.1. Основные положения байесовского подхода . . . . . . . . . . . . . . . 	 97
5.2. Распределение Дирихле . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	106
5.3. Бета-биномиальное распределение . . . . . . . . . . . . . . . . . . . . . . . 	109
5.4. Отрицательное биномиальное распределение . . . . . . . . . . . . . . 	113
5.5. Гамма-экспоненциальное распределение . . . . . . . . . . . . . . . . . . 	118
5.6. Принятие решений с проведением экспериментов. . . . . . . . . . 	119
5.7. Контрольные вопросы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	124
5.8. Задачи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	125
Глава 6. Многокритериальное принятие решений . . . . . . . . . . . . . . . . . . . 	127
6.1. Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	127
6.2. Множество Парето . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	130
6.3. Определение множества Парето . . . . . . . . . . . . . . . . . . . . . . . . . . 	136
6.4. Способы получения дополнительной информации . . . . . . . . . 	137
6.4.1. Указание нижних границ критериев. . . . . . . . . . . . . . . . . . . 	138
6.4.2. Матрицы парных сравнений . . . . . . . . . . . . . . . . . . . . . . . . . 	139
6.4.3. Упрощенный метод построения матриц  
	
парных сравнений (схема сравнения с образцом) . . . . . . . 	144
6.4.4. Упрощенный метод построения матриц  
	
парных сравнений (схема последовательного 
	
сравнения объектов). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	145
6.5. Методы свертки критериев. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	146
6.5.1. Метод главного критерия . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	146
6.5.2. Линейная (аддитивная) свертка . . . . . . . . . . . . . . . . . . . . . . 	147


6.5.3. Максиминная свертка . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	149
6.5.4. Мультипликативная свертка . . . . . . . . . . . . . . . . . . . . . . . . . 	150
6.5.5. Метод идеальной точки. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	151
6.6. Рандомизированные стратегии. . . . . . . . . . . . . . . . . . . . . . . . . . . 	153
6.6.1. Равномерное распределение весов . . . . . . . . . . . . . . . . . . . . 	153
6.6.2. Произвольное распределение весов . . . . . . . . . . . . . . . . . . . 	155
6.6.3. Отсутствие информации о важности критериев  . . . . . . . . 	159
6.6.4. Использование метода Монте-Карло  
	
при рандомизированной стратегии . . . . . . . . . . . . . . . . . . . 	160
6.6.5. Вычисление крайних точек многогранника . . . . . . . . . . . . 	162
6.7. Метод анализа иерархий. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	165
6.8. Модификация метода анализа иерархий 
	
с использованием теории Демпстера–Шейфера . . . . . . . . . . . . 	170
6.9. Методы ELECTRE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	180
6.9.1. Основные этапы решения задачи . . . . . . . . . . . . . . . . . . . . . 	180
6.9.2. Индексы согласия и несогласия . . . . . . . . . . . . . . . . . . . . . . 	181
6.9.3. Построение ядра недоминируемых элементов . . . . . . . . . . 	183
6.10. Относительная важность критериев . . . . . . . . . . . . . . . . . . . . . . 	187
6.10.1. Цепочка отношений и N-модели . . . . . . . . . . . . . . . . . . . . . 	187
6.10.2. Определение множества решений  
	
при обобщенных оценках важности критериев . . . . . . . . 	191
6.10.3. Сравнение критериев с параметрами . . . . . . . . . . . . . . . . . 	194
6.11. Контрольные вопросы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	200
6.12. Задачи. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	202
Библиографический список . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	205
Приложения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 	208


Гл а в а 1 
КРАТКИЕ  СВЕДЕНИЯ  ИЗ  ТЕОРИИ  ВЕРОЯТНОСТИ
Вероятностные знания – ​вот предел 
человеческого разумения.
Марк Тулий Цицерон
1.1. Основные понятия теории вероятностей
Теория принятия решений построена на  том, что решения, 
принимаемые нами, обычно ориентированы на ситуацию, кото- 
рая может произойти в  будущем. Основная сложность принятия того или иного решения заключается в  построении модели 
неопределенности «будущего» при помощи построенной модели. 
Одним из  инструментов построения такой модели является 
теория вероятностей, некоторые элементы которой необходимы 
для дальнейшего изложения методов принятия решения, они 
будут рассмотрены далее.
Пусть имеется конечное множество Ω = {ω1, ω2, …, ωn} возможных исходов, которое также называется пространством элементарных событий. Каждому исходу можно задать некоторое 
неотрицательное число, которое является вероятностью исхода, 
описывающей степень уверенности в  том, что данный исход 
произойдет в  определенном эксперименте. Например, бросая 
игральную кость с шестью гранями, мы имеем шесть возможных 
исходов бросания (так называемых элементарных исходов или 
событий), которые определяются числами на  гранях кости. 
Можно приписать число 1/6 каждому исходу, если предполагать, 
что все исходы равновероятны. При этом выбор числа 1/6 сделан 
исходя из  условия, что сумма всех вероятностей элементарных 


исходов равна 1. С другой стороны, если исход «1» является намного более вероятным, чем другие исходы, то можно приписать 
вероятность 1/2 исходу «1», а вероятность 1/10 – ​всем остальным 
исходам.
Зная вероятности 1/6 каждого исхода, получаем задачу определения вероятности того, что при бросании кости выпадет «1» 
или «2». В данном случае мы рассматриваем вероятность множества исходов {ω1, ω2}. Логично принять вероятность этого события равной 1/3, т. е. вероятность, в данном случае равную сумме 
вероятностей исходов ω1 и  ω2. Аналогично рассуждая, можно 
утверждать, что вероятность всего множества возможных исходов 
{ω1, ω2, …, ω6} (полная группа событий) равна 1. В теории вероятностей значение 1 принято для обозначения полной определенности. Поскольку мы определенно знаем, что один из исходов 
обязательно произойдет, то  вероятность всего множества возможных исходов {ω1, ω2, …, ω6} равна 1.
Обозначим как 
( )
o Ω

 множество всех подмножеств Ω, содержащее Ω и элементы, которые могут быть получены как объединение или дополнение других его элементов. Например, если Ω – ​
множество товаров, продаваемых некоторой фирмой, состоящее 
из двух элементов {сталь, чугун}, то 
( )
o Ω

 состоит из элементов 
{⌀}, {сталь}, {чугун}, {сталь, чугун}.
Вероятность – ​это функция p из 
( )
o Ω

 в [0,1], удовлетворяющая следующим двум свойствам:
1) p(Ω) = 1;
2) p(U ∪ V) = p(U) + p(V), если U и V – ​непересекающиеся 
элементы 
( )
o Ω

.
Выборочным пространством часто называют Ω, а  случайными 
событиями – ​элементы 
( )
o Ω

. Свойство 2 известно как свойство 
конечной аддитивности.
1.2. Обоснование использования вероятности
Используя вероятности для описания неопределенности, прежде всего необходимо объяснить, каким образом получены эти 


вероятности. Необходимо определить вероятности при анализе 
конкретного объекта или явления и как интерпретировать результаты анализа, полученные при использовании вероятностей.
При отсутствии исходной информации об объекте или явлении 
в  процессе его анализа используют принцип максимума энтропии, известный как постулат Лапласа (постулат Байеса–Лапласа). 
При этом для случайной величины, характеризующей объект или 
явление, определяются «основные» исходы или значения, которые эта случайная величина может принимать. Далее назначаются 
одинаковые вероятности всем исходам. Если имеется n основных 
исходов, то, в соответствии с постулатом Лапласа, или принципом максимума энтропии, вероятность каждого из них равна 1/n. 
Это является обоснованием для приписывания вероятности 1/6 
каждому из шести исходов игральной кости (кубика).
Однако использование одинаковых вероятностей для каждого 
исхода зачастую приводит к противоречивым и неоднозначным 
результатам. Прежде всего потому, что не  всегда очевидно, как 
определить основные исходы, поскольку выбор любого из них 
может привести к  различным вероятностям. Например, вероятность того, что семейная пара имеет двух мальчиков в соот- 
ветствии с принципом максимума энтропии равна 1/3, так как 
имеются три основных исхода: первый  –  ​два мальчика, второй – ​две девочки, третий – ​мальчик и девочка. Если считать, 
что все исходы равновероятны, то вероятность первого исхода 
(двух мальчиков) равна 1/3. В то же время мы можем описать 
возможные исходы следующим образом: первый  –  ​два маль- 
чика, второй – ​две девочки, третий – ​первый мальчик и вторая 
девочка, четвертый – ​первая девочка и второй мальчик. В этом 
случае вероятность первого исхода (двух мальчиков) равна 1/4. 
В  рассмотренном примере достаточно просто выбрать наиболее предпочтительный вариант определения основных исходов в конкретной ситуации. Однако во многих других случаях 
задача определения множества основных исходов и доказательства того, что выбор этого множества наиболее правильный, 
могут быть чрезвычайно сложными.


Доступ онлайн
832 ₽
В корзину