Comments 7
Оптимизация в бизнесе в подавляющем числе случаев связана с применением метода линейного программирования.
Линейное программирование покрывает большой пласт задач, но не точно не большинство потребностей бизнеса. Как минимум можно посмотреть на стандартные пакеты для оптимизации и что они умеют. Вот например Gurobi поддерживает линейное, квадратичное и смешанное программирование. Вообще в науке линейное программирование сейчас подпадает под более широкий класс задач выпуклой оптимизации — для них работает тот же эффективный метод внутренней точки, собственно это помогло бы с вашей первой проблемой. Если хотите попробовать как-то применять выпуклую оптимизацию на практике, советую посмотреть на cvxpy/cvxopt. Отдельно стоит выделить оптимизационные пакеты для машинного обучения (tensorflow, pytorch,… ), они вообще работают с произвольными функциями, но без ограничений. Они заточены под другой пласт задач, но тоже более чем используются на практике.
Честно говоря, ни из картинок, ни из текста почти не понятно, чего вы вообще пытаетесь добиться. Все, что понял лично я — это то, что вместо одной оптимизационной задачи вы решали сразу несколько и за счет этого получили больше информации о возможных стратегиях закупки. Думаю, что довольно наивно считать это чем-то прорывным. Более того, я уверен, что многие проблемы можно было бы решить более детальным моделированием, например почему бы не добавить рейтинг поставщика в целевую функцию?
В теории решения экстремальных задач имеется теорема об устойчивости решения задач линейного программирования. Согласно ей решение устойчиво только при условии выпуклости области определения задачи. При большом количестве переменных и неравенств установить, выпукла ли область определения задачи, не представляется возможным. При этом вероятность не выпуклости велика.
Что вы понимаете под устойчивостью? В задаче линейного программирования ограничения всегда задают выпуклое множество.
Сначала конкретные вопросы.
1. Для решения задачи использовалась WolframMathematica. Она «умеет» многое.
2. Добиваюсь преодоления проблем, обозначенных вначале.
3. Устойчивость в задаче линейного программирования — это получение одинакового результата вне зависимости от начальной точки и метода обхода вершин (по тексту было уточнено).
4. Почему любая система линейных уравнений и неравенств должна порождать выпуклую область?
5. Проблема и условия устойчивости. Васильев Ф.П., Иваницкий А.Ю. Линейное программирование (1998).
Философские вопросы.
1. Линейное программирование не покрывает большинство потребностей в бизнесе (я такое не писал — видно по ссылке). Более того, оно не соответствует сути большинства задач, подразумевающих наличие нелинейности. При этом оно распространено, так как более менее понятно. Работа показывает как не очень пригодным методом добиваться вполне полезных результатов.
2. Нельзя правильно использовать результат, который непонятно как получен. Получая «оптимальное» решение неким стандартным методом, вы, на самом деле, не знаете, что получили. Чтобы в бизнесе применять оптимальное решение оно должно быть: понятно для лица принимающего решения (связано с промежуточными результатами и интерфейсом взаимодействия в процессе вычислений), учитывать имеющуюся практику (это не только математическая задача) и получено несколькими разными (альтернативными) математическими методами.
1. Для решения задачи использовалась WolframMathematica. Она «умеет» многое.
2. Добиваюсь преодоления проблем, обозначенных вначале.
3. Устойчивость в задаче линейного программирования — это получение одинакового результата вне зависимости от начальной точки и метода обхода вершин (по тексту было уточнено).
4. Почему любая система линейных уравнений и неравенств должна порождать выпуклую область?
5. Проблема и условия устойчивости. Васильев Ф.П., Иваницкий А.Ю. Линейное программирование (1998).
Философские вопросы.
1. Линейное программирование не покрывает большинство потребностей в бизнесе (я такое не писал — видно по ссылке). Более того, оно не соответствует сути большинства задач, подразумевающих наличие нелинейности. При этом оно распространено, так как более менее понятно. Работа показывает как не очень пригодным методом добиваться вполне полезных результатов.
2. Нельзя правильно использовать результат, который непонятно как получен. Получая «оптимальное» решение неким стандартным методом, вы, на самом деле, не знаете, что получили. Чтобы в бизнесе применять оптимальное решение оно должно быть: понятно для лица принимающего решения (связано с промежуточными результатами и интерфейсом взаимодействия в процессе вычислений), учитывать имеющуюся практику (это не только математическая задача) и получено несколькими разными (альтернативными) математическими методами.
1. Для решения задачи использовалась WolframMathematica. Она «умеет» многое.Зачем же вы ограничиваете себя линейным программированием тогда?
2. Добиваюсь преодоления проблем, обозначенных вначале.Должен признать, я вообще не понял вторую и третью проблемы, слишком мало контекста.
3. Устойчивость в задаче линейного программирования — это получение одинакового результата вне зависимости от начальной точки и метода обхода вершин (по тексту было уточнено).
5. Проблема и условия устойчивости. Васильев Ф.П., Иваницкий А.Ю. Линейное программирование (1998).
Посмотрел в книге, там под устойчивостью подразумевается совершенно другое — как изменится решение, если мы немного поменяем параметры задачи. Вообще обычно это называется «Sensitivity analysis».
4. Почему любая система линейных уравнений и неравенств должна порождать выпуклую область?Потому что пересечение выпуклых множеств выпукло
Линейное программирование не покрывает большинство потребностей в бизнесе (я такое не писал — видно по ссылке). Более того, оно не соответствует сути большинства задач, подразумевающих наличие нелинейности.
Ну так используйте нелинейное!
Нельзя правильно использовать результат, который непонятно как получен. Получая «оптимальное» решение неким стандартным методом, вы, на самом деле, не знаете, что получили.Тут то в чем проблема? Если переменные задачи не имеют интерпретацию вида «купить у поставщика АА такой объем угля», «перевезти из пункта А в пункт Б столько то угля», то это не проблема математического метода, это проблема моделирования.
1. Пример не выпуклой области. Пусть на трех одинаковых переменных одно подразделение определяет то, что оно хочет достичь, а другое то, что оно хочет избежать. Пусть в итоге получаем два треугольника (выпуклые): «достичь» и «избежать». В итоге задача определена на пересечении двух треугольников — можно дорисовать возможные общие не выпуклые области.
2. Вторая проблема — это наличие интервальных ограничений для переменной (сверху и снизу или только снизу).
3. В больших компаниях производственно-коммерческие ограничения обычно связаны с 2-5 тысячами переменных. Исторически они привыкли к линейному программированию. Линейность метода психологически делает результаты для бизнеса более правдоподобными.
4. Любой метод оптимизации связан с необходимыми условиями и структурами данных, в которые надо «втиснуть» реальную задачу. Для одного метода обычно это удается сделать только для части сложной задачи. Поэтому при решении одной задачи приходится задействовать несколько подходящих методов (последовательно или параллельно). Если при этом помнить, что каждый алгоритм имеет особенности реализации (явные или подразумеваемые), то без использования альтернативных методов и проверок обойтись нельзя.
5. Нелинейность тоже надо формализовать. Если делать это с помощью производственных функций, то получаем одновременно математические проблемы устойчивости, связанные с возможными «шевелениями» параметров производственной функции (в том виде как Вы их увидели) и содержательные проблемы бизнеса — а так ли все обстоит на самом деле как задано в производственной функции?
6. Спасибо за комментарии. Когда привыкаешь к материалу, то часто пропускаешь важные позиции.
2. Вторая проблема — это наличие интервальных ограничений для переменной (сверху и снизу или только снизу).
3. В больших компаниях производственно-коммерческие ограничения обычно связаны с 2-5 тысячами переменных. Исторически они привыкли к линейному программированию. Линейность метода психологически делает результаты для бизнеса более правдоподобными.
4. Любой метод оптимизации связан с необходимыми условиями и структурами данных, в которые надо «втиснуть» реальную задачу. Для одного метода обычно это удается сделать только для части сложной задачи. Поэтому при решении одной задачи приходится задействовать несколько подходящих методов (последовательно или параллельно). Если при этом помнить, что каждый алгоритм имеет особенности реализации (явные или подразумеваемые), то без использования альтернативных методов и проверок обойтись нельзя.
5. Нелинейность тоже надо формализовать. Если делать это с помощью производственных функций, то получаем одновременно математические проблемы устойчивости, связанные с возможными «шевелениями» параметров производственной функции (в том виде как Вы их увидели) и содержательные проблемы бизнеса — а так ли все обстоит на самом деле как задано в производственной функции?
6. Спасибо за комментарии. Когда привыкаешь к материалу, то часто пропускаешь важные позиции.
1. Предполагаю, что вы имеете в виду следующий пример: есть два треугольника с вершинами (0, 0), (2, 0), (0, 2) и (1, 1), (1, 0), (0, 1) соответственно; наша область — это пересечение первого треугольника и дополнения второго. Такая область действительно невыпукла, как и дополнение второго треугольника. Дополнение треугольника невозможно получить набором линейных неравенств.
2. Ну это точно никакая не проблема, если у вас задача в духе cx->min, Ax<=b, x>=h, то последнее ограничения можно просто добавить к Ax<=b. Ну или можно сделать замену y=x-h, тогда исходная задача переписывается в виде cy->min, Ay<=b+Ah, y>=0. В любом случае это какие-то азы приведения задачи к нужному виду (канонической или стандартной форме).
По поводу остального — вы приводите поверхностные выводы, понять которые без деталей невозможно. Я не понимаю, про какие «необходимые условия и структуры данных» и «формализацию нелинейности» вы говорите.
2. Ну это точно никакая не проблема, если у вас задача в духе cx->min, Ax<=b, x>=h, то последнее ограничения можно просто добавить к Ax<=b. Ну или можно сделать замену y=x-h, тогда исходная задача переписывается в виде cy->min, Ay<=b+Ah, y>=0. В любом случае это какие-то азы приведения задачи к нужному виду (канонической или стандартной форме).
По поводу остального — вы приводите поверхностные выводы, понять которые без деталей невозможно. Я не понимаю, про какие «необходимые условия и структуры данных» и «формализацию нелинейности» вы говорите.
Теоретически Вы совершенно правы, совокупность линейных неравенств порождает выпуклую область, пустое множество или в некоторых местах открытую область (не выпуклую область).
Но построить и оценить область определения системы линейных неравенств больше 2-3 переменных (если не брать простые примеры при обучении студентов) достаточно проблематично. Алгоритмы линейной оптимизации начинают с некоторой вершины и следуют по прямой, заданной соответствующим уравнением, до следующей ближайшей точки пересечения (вершины), а не по вершинам итоговой гипотетической выпуклой области. Если по смыслу есть коллизия в условиях, как я описывал ранее, то алгоритм пойдет по периметру не выпуклой области.
Но построить и оценить область определения системы линейных неравенств больше 2-3 переменных (если не брать простые примеры при обучении студентов) достаточно проблематично. Алгоритмы линейной оптимизации начинают с некоторой вершины и следуют по прямой, заданной соответствующим уравнением, до следующей ближайшей точки пересечения (вершины), а не по вершинам итоговой гипотетической выпуклой области. Если по смыслу есть коллизия в условиях, как я описывал ранее, то алгоритм пойдет по периметру не выпуклой области.
или в некоторых местах открытую область (не выпуклую область)Хотя бы один пример можете привести?
Алгоритмы линейной оптимизации начинают с некоторой вершины и следуют по прямой, заданной соответствующим уравнением, до следующей ближайшей точки пересечения (вершины)Это называется Симплекс-метод, обоснование которого опирается на то, что набор линейных равенств и неравенств всегда задает выпуклый многогранник.
Sign up to leave a comment.
Кластерный метод решения транспортной задачи