Пример 1.4.6

Пример 1.4.5

Организуется автоматизированная система управления для службы неотложной медицинской помощи большого города. Вызовы, возникающие в разных районах города в случайные моменты, поступают на центральный пульт управления, откуда они передаются на тот или другой пункт неотложной помощи. Требуется разработать такое правило (алгоритм) диспетчерской работы, при котором служба в целом будет функционировать эффективно.

Прежде всего нужно выбрать показатель эффективности F. Разумеется, желательно, чтобы время ожидания врача было минимальным. Но время величина случайная и если применить "оптимизацию в среднем", то надо выбрать тот алгоритм, при котором время ожидания минимально.

Но дело в том, что время ожидания врача отдельными больными не суммируется: слишком долгое ожидание одного из них не компенсируется почти мгновенным обслуживанием другого. Чтобы избежать таких неприятностей, можно дополнить показатель эффективности добавочными требованиями, чтобы фактическое время ожидания врача было не больше какого предельного значения f₀. Поскольку время ожидания величина случайная, нельзя просто потребовать, чтобы выполнялось условие F≤ f₀, но можно потребовать, чтобы это условие выполнялось с большой вероятностью, настолько большой, чтобы событие F≤ f₀ было практически достоверным. Пусть k=0,995 и потребуем, чтобы вероятность P(F≤ f₀ ) ≥ k.

Введение такого ограничения означает, что из области допустимых решений, исключаются решения эму не удовлетворяющие. Ограничения такого типа называются стохастическим ограничениями.

Особенно осторожными надо быть с "оптимизацией в среднем", когда речь идет об единичной операции.

Кроме рассмотренных выше, бывают задачи, когда неизвестные факторы не могут быть изучены и описаны статистическими методами. Это бывает в двух случаях:

• распределение вероятностей для параметров в принципе существует, но к моменту принятия решения не может быть получено;
• распределение вероятностей для параметров вообще не существует.

Проектируется информационно - вычислительная система, предназначенная для обслуживания каких - то случайных потоков требований (запросов).

Вероятностные характеристики этих потоков требований в принципе могли быть получены из статистики, если бы данная система (или аналогичная ей) уже существовала и функционировала достаточно долгое время. Но к моменту создания такой информации нет. Как поступить в этом случае?

В этом случае разумно применить адаптивный алгоритм. Он заключается в следующем. Оставляют некоторые элементы решения свободными, изменяемыми. Затем выбирают какой - нибудь вариант решения, зная, что он не самый лучший и пускают систему в ход, а попом по мере накопления опыта, целенаправленно изменяют свободные параметры, добиваясь того, чтобы эффективность не уменьшалась, а увеличивалась.

Теперь рассмотрим случай, когда вообще не существует вероятностных характеристик, случай нестохастической неопределенности.