Оптимальное управление биопопуляцией с учетом инноваций на модели с возрастной структурой
Автор: Гурман Владимир Иосифович, Будаева Должит Цырендондоковна, Насатуева Соелма Номтоевна
Журнал: Вестник Бурятского государственного университета. Математика, информатика @vestnik-bsu-maths
Рубрика: Управляемые системы и методы оптимизации
Статья в выпуске: 2, 2012 года.
Бесплатный доступ
Рассматривается подход к учету инновационных процессов в модели популяции с возрастной структурой и процедура оптимизации управления по естественным экономическим критериям. В качестве содержательного примера решается задача управления поголовьем крупного рогатого скота.
Модель биопопуляции, оптимальное управление, инновации
Короткий адрес: https://sciup.org/14835066
IDR: 14835066
Текст научной статьи Оптимальное управление биопопуляцией с учетом инноваций на модели с возрастной структурой
В данной работе рассматривается задача оптимального управления биологической популяцией по экономическому критерию на основе известной матричной модели [1]. В этой модификации учитываются активные инновационные процессы путем добавления инновационных блоков типа «затраты – выпуск», где «выпуск» трактуется специфически как улучшение параметров исходной модели.
Конкретная цель данной работы состоит в том, чтобы на примере управления стадом крупного рогатого скота (КРС) продемонстрировать все этапы практического исследования, включая концептуализацию модели, идентификацию ее параметров по эмпирическим данным, постановку задачи оптимального управления и ее решение достаточно универсальным методом итерационного улучшения.
В [4] аналогичная задача рассматривалась в общем виде, и упор был сделан на поиск приближенных магистральных решений при идеализирующих допущениях, указывалось на возможность их использования как начальных приближений в универсальных процедурах улучшения. Здесь же, в отличие от [4], реализуется именно процедура улучшения безотносительно к способу задания начального приближения.
1. Модификация матричной модели биопопуляции и задача управления
Подход, развитый в [2–4] и успешно апробированный в некоторых задачах устойчивого развития регионов, состоит в следующем.
Межгодовая динамика популяции без учета инноваций описывается уравнениями k x1 =^(oitoix1 )* - k1 x1 - u 1, 5c1 = y‘x‘-1 — kixi - u‘, i = 2,...,n, (1)
i=l где xi – численности возрастных групп, γi – коэффициенты перехода из одной группы в следующую, ki – коэффициенты смертности, σi , βi – параметры рождаемости, ωi – доля женских особей в соответствующей группе, ui – темпы изъятия-пополнения численностей в целях управления.
Пусть Π(t) – экономический эффект на отрезке [tI ,t] , называемый условно накопленным доходом, динамика которого описывается уравнением вида
П = f (t,x,u,q), t e [tT,t^] . IF
Через q обозначен вектор параметров, постоянных при отсутствии инновационных изменений, таких как ki , σi , βi и т. п.
Инновации трактуются как изменение параметров, которое описывается следующими уравнениями:
-
9 = - ([d] + H(t,x,u,q(9)))(9 - 9), kd = ud - 5dkd, 0 < d < Г d(kd) , (3)
q1 = q\ ( 1 + Qjaij ), 1 e i j , У,aij = 1. (4)
l e Ij
Здесь d – вектор активных инноваций; [d] – диагональная матрица; kd , Γ d (kd ) , ud , δd – основные фонды, мощности и инвестиции (векторы) и темпы амортизации в инновационном секторе (диагональные матрицы); θ – вектор инновационных индексов (агрегированное описание изменения параметров исходной модели за счет инноваций); αlj – весовые коэффициенты; qIl – значение в начале наблюдения; H(t, x,u,q) – диагональная матрица, учитывающая различные инновационные процессы, помимо активной инновационной деятельности (например, известную в экономической теории диффузию инноваций); инновации, сопутствующие инвестиционному процессу, и т.п.
Очевидно, активная инновационная деятельность требует дополнительных прямых и фондообразующих затрат, которые принимаются линейными относительно соответствующих управляющих воздействий:
П = f 0 (t,x,u,q) - Add - Bdud , (5)
где Ad , Bd — матрицы-строки коэффициентов прямых и фондообразующих затрат в инновационном секторе.
Задача оптимального управления ставится следующим образом: перевести систему (1), (5) на заданном отрезке времени [t ,t ] из заданного IF начального состояния xI , qI в заданное множество конечных состояний Г при ограничениях на управления u е U(t), 0 < d < dmax и на состояние x е X(t) с максимальным значением H(tF ).
2. Итерационный алгоритм оптимизации
При практическом решении задачи, по крайней мере на этапе расчетов, предполагается дискретизация дифференциальных соотношений. В связи с этим целесообразно использовать дискретизованную версию модели и применять соответствующий итерационный алгоритм [5].
Задача оптимального управления дискретной системой ставится следующим образом: найти программу u ( t ) и соответствующую ей траекторию x ( t ) (эволюцию состояний), при которой выполняются следующие соотношения
' x ( t + 1) = f ( t , x ( t ), u ), t {t i , t i + 1,..., t p },
< x ( t I ) = x I , x ( tF ) еГ , x ( t ) е X ( t ), и е U ( t , x ( t )),
, I = F ( x ( tF )) ^ min (inf).
То есть задана цель управления x ( tF ) еГ . Необходимо найти программу управления и е U ( t , x ( t )) и соответствующую ей траекторию x ( t ), при которой выполняются ограничения x ( t ) е Х ( t ), а цель управления выполняется наилучшим образом согласно критерию I .
Рассмотрим постановку этой задачи как конкретизацию общей задачи об оптимуме ( M , D , I : M ^ R ). За множество M примем совокупность всевозможных пар функций m = ( x ( t ), и ( t )). Множество D выделяется из M следующими связями и ограничениями:
x(t +1) = f (t, x(t), и), и е U(t, x), x е Х(t), tI, tF,x(tI) = xI фиксированы, x(tF) еГ. Требуется найти минимизирующую последовательность {ms} с D , на которой I(ms) ^ I* = inf I.
Будем применять принцип расширения и достаточные условия оптимальности. Введем в рассмотрение следующие конструкции:
R ( t , x , u ) = ф( t + 1, f ( t , x , u )) - ф( t , x), ц( t ) = sup R ( t , x , u )
u e U ( t , x ), x e X ( t )
G (x) = F (x) + ф( tF, x) - ф( t,, x ,), l = inf G (x), x eFn X (tF).
tF - 1
Составим с их помощью функционал L = G ( x(tF )) - ^ R(t , x(t ), u(t )) tI
(обобщенный лагранжиан). Легко проверить, что L = I на D, отсюда следует, что если имеется элемент т1 e D и элемент т11 такой, что
L(т1 )>L(т11), и если т11 eD, то I(т1 )>I(т11). Задача улучшения управления для L проще, потому что она рассматривается без рекуррентной связи (дискретной цепочки).
Далее речь пойдет о задаче:
x ( t + 1 ) = f ( t , x ( t ) , u ) , u e U , 1 = F ( x ( t F ) ) ,
T = { t1 ,..., tF } - задано, x ( t1 ) = x1 - задано. Если задача дана с другими ограничениями, то избавиться от дополнительных ограничений можно известным методом штрафов.
Чтобы задачу улучшения решать наиболее эффективно, целесообразно сводить ее к задаче оптимизации в достаточно малой окрестности известного элемента mI на упрощенной модели. Чтобы улучшенная траектория не вышла из заданной окрестности, надо локализовать задачу, т.е. добавить дополнительное условие | u - u'(t) < а . Рассмотрим разность
A R = R ( t , x , u ) - R ( t , x1 ( t ) , u1 ) .
Линеаризуем ее и заменим моделью:
AR = AR^y + AR„U, xu где y = x-x1 (t), и = u -u1 (t), y0 = x0(t), (ARx,ARx0,ARJ) - вектор частных производных, которые берутся на элементе m . Дальше будем максимизировать эту конструкцию по y , υ.
Введем в рассмотрение функцию
H ( t ,^, x , u ) = ^f ( t , x , u ) .
Тогда A R запишется так:
AR = H (^ (t +1), x1 (t), u1 (t)) xy + HU - ^ (t) y.
Будем максимизировать A R . Полагая, что A R ® R x A x + A uR , будем выбирать и = A u так, чтобы и было достаточно малым
(| U < а ), ( u1 ( t ) + и ( t )) е U ( U считается для простоты постоянным множеством). Иначе говоря, υ будем подбирать так, чтобы
( u I ( t ) + и( t )) е Ua = { и е UI |U < а }.
При достаточно малом α отклонение от соответствующего приращения A x будет малым. Модификация состоит в том, что вместо аналитического представления для υ получается значение υ , которое находится в множестве Uα . В процессе вычислений дело сводится к численному перебору на этом множестве α . Это дает возможность учесть ограничения на u непосредственно без использования штрафных функций.
tF - 1
Функционал AL тогда будет представлен так AL=~^AuR, и если при-tI ращение AuR > 0 , то AL < 0 .
-
1. Просчитывается цепочка
-
2. Находится υα непосредственным поиском в окрестности u .
-
3. Делается прямой счет
-
4. Для различных α вычисляется F(xα (tF )) , и это минимизируется по α , т.е.
-
5. Вычисляется и11 (t) = u1 (t) + ua .
-
6. Управление u II ( t ) принимается за новое u I ( t ) , и начинается новая итерация.
^(t) = - Hx(t,^(t + 1 ),X (t),U (t))
при начальном условии на правом конце
V (tF ) = - Fx (X (tF )) .
x(t + 1 ) = f(t,x(t),u I (t) + ua(t)) .
F(Xa( t F ) ^ min ^ a * .
α α
Критерий остановки – функционал перестает улучшаться.
3. Модифицированная модель стада КРС и ее информационное обеспечение
Рассмотрим приложение модифицированной модели биопопуляции из раздела 1 к задаче эксплуатации стада КРС с численностями животных 19
x 1 , x 2 , x 3 в трех возрастных группах: от 0 до 1-го года, от 1-го до 2-х лет и от 2-х лет и старше. По содержанию и уходу наиболее затратны 1-я и 2я группы. Из 1-й и 2-й групп возможна продажа живого скота, 2-я и 3-я группы используются для производства мяса и мясопродуктов, а 3-я группа – еще и для производства молочной продукции. Предполагается, что инновации приводят к уменьшению коэффициентов прямых затрат по содержанию и уходу ai и увеличению годовых надоев от одной коровы μ . Динамика накопленного дохода описывается уравнением:
П = £ (P i u ) + P 4 Ц ^x 3 - £ (a i x‘) - A d d , (6)
i = 1 i = 1
где ρi – цены на соответствующие виды продукции, ai – удельные расходы по содержанию скота. В терминах общей модели получится 4-мерный вектор параметров q = (a1 ,a 2 ,a 3 ,ц - ц) ( ц -максимально возможное значение ц ). Агрегирование не производится, т.е. О = q .
Требуется определить политику ведения хозяйства на заданном промежутке времени [t ,t ] , т.е. функции u(t) , d(t) , обеспечивающие мак-IF симальное значение H(tF) (минимум функционала I = -H(tF)) при следующих граничных условиях и ограничениях:
0 ^ u ^ u max ,0 ^ d ^ d max , x (tI ) = xl , x (tF ) = x F , n (tl) = 0 , q (tI ) = q i , X i - x \ .
Последние означают, что поголовье в каждой возрастной группе не должно уменьшаться ниже границы, определяемой из биологических и эксплуатационных соображений.
Описанная модель является концептуальной. Информационное обеспечение состоит в том, чтобы разработать и реализовать методики формирования таблиц параметров концептуальной модели, исходя из их содержательного смысла, с использованием первичной статистической информации, разнообразных литературных и документальных источников, целенаправленных эмпирических исследований и экспертных оценок.
Проблемы информационного обеспечения, с учетом сложностей получения междисциплинарных данных о взаимодействиях различных компонентов единой системы, представляются наиболее сложными. Они рассмотрены подробно в [6] вместе со способами их решения. Среди них отметим методологию абстрактных (виртуальных) экспериментов, которая существенно использует математические преобразования модели для выявления содержательного смысла многочисленных неизвестных параметров модели и формулирования соответствующих запросов на языке предметных специалистов. С помощью этой методологии был сформирован содержательный запрос на эмпирические данные (табл. 1):
Таблица 1
Параметр |
Содержательная характеристика |
γ 2,3 |
коэффициенты перехода из одной группы в следующую: расчет, исходя из естественного взросления |
k i |
коэффициенты смертности: каков процент скота вымирает в год в i-й группе |
σ , β |
параметры плодовитости: каков приплод от одной коровы в год |
ω |
доля коров в стаде |
μ |
годовые надои от одной коровы |
µ |
максимально возможное значение μ |
A d |
матрицы прямых затрат на инновации: примеры, сколько стоит повышение надоев и плодовитости путем приобретения более породистой коровы, улучшения условий содержания в пересчете на 1 единицу |
ρ i |
цены на соответствующие виды продукции (мясо, молоко, живой скот) |
a i |
удельные расходы по содержанию скота: расходы на 1 единицу в год в соответствующей возрастной категории |
В результате обработки этих данных, дополненных условными на основе экспертных оценок, получены следующие значения параметров модели (табл. 2)
Таблица 2
Параметр |
Способ расчета |
Значение |
γ 2 |
1 , где m – число возрастных групп m |
1 |
γ 3 |
1 , где m – число возрастных групп m |
1 3 |
k |
определяется непосредственно из эмпирических данных о падеже скота |
[0.1, 0.01, 0] |
σ |
dx 1 1 σ = , где dx имеет смысл при- ωx 3 роста в год в 1-й группе |
1 |
β |
определяется непосредственно из эмпирических данных о выходе телят |
0.8 |
ω |
определяется непосредственно из эмпирических данных о поголовье скота |
0.73 |
μ |
определяется непосредственно из эмпирических данных об удоях |
1 900 |
µ |
определяется непосредственно из эмпирических данных об удоях |
2 100 |
Ad |
экспертная оценка с использованием эмпирических данных |
[6 000, 9 000,0,0] |
ρ |
информация из интернета |
[80, 150, 150, 15] |
a |
экспертная оценка с использованием эмпирических данных |
[9 000, 6 500, 7 000] |
4. Программное обеспечение и вычислительные эксперименты
Итерационный алгоритм из раздела 2 был реализован применительно к задаче управления поголовьем КРС в системе MAPLE-13, и проведена серия вычислительных экспериментов. Основные результаты представлены на рисунках 1-8 и в таблице 3.
В таблице показано изменение функционала по итерациям.
Таблица 3
№ итерации |
Уровень накопленного дохода |
0 |
1 350 241 |
1 |
2 458 295 |
2 |
2 458 295 |

Рис.1. Уровень накопленного дохода

| * Начальное приближение-----Алгоритм улучшения |
Рис.2. Поголовье скота в 1-й группе


Рис. 3. Поголовье скота во 2-й группе Рис. 4. Поголовье скота в 3-й группе

Рис.5. Удельные расходы в 1-й группе ( q 1 )

Рис.6. Удельные расходы во 2-й группе ( q 2 )

Рис.7. Удельные расходы в 3-й группе ( q 3 )

Рис. 8. Удои ( μ - μ )
Зигзагообразный характер улучшенной траектории объясняется спецификой для применяемого алгоритма формирования управления в виде скользящего режима, который может быть заменен эквивалентным ос-редненным. Это соответствует гладкому осреднению полученной траектории, что не представляет затруднений.
Представленные результаты вычислительных экспериментов демонстрируют высокую эффективность применяемого универсального алгоритма улучшения для рассматриваемого класса задач с системой связей, близкой к линейной: практическая сходимость обеспечивается за одну итерацию (при том, что итерация содержит серию прогонов задачи Коши для исходной системы).
Заключение
Таким образом, построена модификация достаточно общей матричной модели биопопуляции с учетом инновационных процессов, и сформулирована задача оптимального управления по экономическому критерию эффективности. В качестве приложения исследована задача управления поголовьем КРС. Проведены эмпирические исследования по информационному обеспечению на примере крупной фермы, исходя из требований концептуальной модели с привлечением разнообразных источников и экспертных оценок. Для решения конкретной задачи оптимального управления применен универсальный итерационный алгоритм, основанный на достаточных условиях оптимальности и улучшения.
С этой точки зрения, данную работу можно рассматривать и как продолжение [4], где получено эффективное начальное приближение (магистральное решение), но не представлен алгоритм его улучшения. А также ее можно применять и как самостоятельную (из области моделирования популяций с возрастной структурой) для исследования различных проблем, включая демографические, когда специфическое магистральное решение получить не удается, и используются весьма произвольные начальные приближения. Полученные результаты показывают высокую эффективность применяемого алгоритма оптимизации в подобных условиях.
Список литературы Оптимальное управление биопопуляцией с учетом инноваций на модели с возрастной структурой
- Динамическая теория биологических популяций/под ред. Р.А. Полуэктова. М.: Наука, 1974.
- Gurman V.I. Modeling and optimization sustainable strategies on regional level//Proceedings of LI Int. Conference Econometrics of Environment and Transdisciplinarity/Lisbon, Portugal, April 1996. V. 5.
- Моделирование социо-эколого-экономической системы региона/под ред. В.И. Гурмана, Е.В. Рюминой. М.: Наука, 2001.
- Гурман В.И., Халтар Д. Оптимальное управление ресурсами с учетом инноваций//Автоматика и телемеханика. 2011. № 7. С. 5-12.
- Гурман В.И., Трушкова Е.А. Практические методы оптимизации. Переславль-Залесский: Изд-во ун-та Переславля, 2009.
- Гурман В.И., Будаева Д.Ц. Проблемы информационного обеспечения модели региона//Вестник Бурят. гос. ун-та. Математика, информатика. Улан-Удэ, 2012. № 1. С. 20-25.