BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Nowak Maciej (University of Economics in Katowice, Poland), Trzaskalik Tadeusz (University of Economics in Katowice, Poland)
Tytuł
Quasi-Hierarchical Approach to Discrete Multiobjective Stochastic Dynamic Programming
Podejście quasi-hierarchiczne w dyskretnym wielokryterialnym stochastycznym programowaniu dynamicznym
Źródło
Przegląd Statystyczny, 2017, vol. 64, z. 3, s. 265-283, rys., tab., bibliogr. s. 281-282
Statistical Review
Słowa kluczowe
Programowanie dynamiczne, Podejmowanie decyzji w warunkach ryzyka
Dynamic programming, Decision making under conditions of risk
Uwagi
streszcz., summ.
Abstrakt
W pracy rozważany jest wieloetapowy wielokryterialny proces podejmowania decyzji w warunkach ryzyka. W celu jego rozwiązania wykorzystano dyskretne stochastyczne programowanie dynamiczne oparte na zasadzie optymalności Bellmana. Zakłada się, że decydent jest w stanie zdefiniować quasi-hierarchię rozważanych kryteriów, co oznacza, że jest on w stanie określić w jakim zakresie optymalna wartość oczekiwana dla kryteriów o wyższym priorytecie może być pogorszona w celu poprawy wartości oczekiwanej kryterium o priorytecie niższym. Proces uzyskania rozwiązania końcowego może być realizowany interaktywnie. Obserwując kolejno proponowane rozwiązania, decydent może modyfikować poziomy aspiracji dla rozważanych kryteriów, otrzymując ostatecznie rozwiązanie satysfakcjonujące. Metoda została zilustrowana przykładem opartym na danych umownych. (abstrakt oryginalny)

In this paper we consider a multi-stage, multi-criteria discrete decision process under risk. We use a discrete, stochastic dynamic programming approach based on Bellman's principle of optimality. We assume that the decision maker determines a quasi-hierarchy of the criteria considered; in other words, he or she is able to determine to what extent the optimal expected value of a higher-priority criterion can be made worse to improve the expected value of a lower-priority criterion. The process of obtaining the final solution can be interactive. Based on the observations of the consecutive solutions, the decision maker can modify the aspiration levels with respect to the criteria under consideration, finally achieving a solution which satisfies him/her best. The method is illustrated on an example based on fictitious data. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Bellman R. (1957), Dynamic Programming, Princenton University Press.
  2. Bakker B., Zivkovic Z., Krose B. (2005), Hierarchical Dynamic Programming for Robot Path Planning, in: Intelligent Robots and Systems 2005 (IROS 2005), 2756-2761.
  3. Daellenbach H. G., De Kluyver C. A. (1980), Note on Multiple Objective Dynamic Programming, Journal of the Operational Research Society, 31 (7), 591-594.
  4. Dempster M. A. H. (2006), Sequential Importance Sampling Algorithms for Dynamic Stochastic Programming, Journal of Mathematical Sciences, 133 (4), 1422-1444.
  5. Elmaghraby S. E. (1970), The Theory of Networks and Management Science, part I, Management Science, 17 (1), 1-34.
  6. Hatzakis I., Wallace D. (2006), Dynamic Multi-Objective Optimization with Evolutionary Algorithms: a Forward-looking Approach, in: Proceedings of the 8th Annual Conference on Genetic and Evolutionary Computation, 1201-1208.
  7. Nowak M. (2014), Quasi-Hierarchical Approach in Multiobjective Decision Tree, Studia Ekonomiczne Uniwersytetu Ekonomicznego w Katowicach, 208, 59-73 (in Polish).
  8. Nowak M., Trzaskalik T. (2017), Optimal and Near Optiomal Strategies in Discrete Stochastic Multiobjective Quasi-Hierarcical Dynamic Poblems, in: Doerner K. F., Ljubic I., Pflug G., Tragler G., (eds.), Operations Research Proceedings, Springer, 295-300.
  9. Sethi S. P., Yan H., Zhang H., Zhang Q. (2002), Optimal and Hierarchical Controls in Dynamic Stochastic Manufacturing Systems: A Survey. Manufacturing & Service Operations Management, 4 (2), 133-170.
  10. Sethi S., Zhang Q. (1994), Hierarchical Production Planning in Dynamic Stochastic Manufacturing Systems: Asymptotic Optimality and Error Bounds, Journal of Mathematical Analysis and Applications, 181 (2), 285-319.
  11. Shapiro A. (2012), Minimax and Risk Averse Multistage Stochastic Programming, European Journal of Operational Research, 219 (3), 719-726.
  12. Tempelmeier H., Hilger T. (2015), Linear Programming Models for a Stochastic Dynamic Capacitated Lot Sizing Problem, Computers & Operations Research, 59, 119-125.
  13. Topaloglou N., Vladimirou H., Zenios S. A. (2008), A Dynamic Stochastic Programming Model for International Portfolio Management, European Journal of Operational Research, 185 (3), 1501-1524.
  14. Trzaskalik T. (1990), Multiobjective Discrete Dynamic Programming. Theory and Applications in Economics, The Karol Adamiecki University of Economics in Katowice Press, Katowice (in Polish).
  15. Trzaskalik T. (1998), Multiobjective Analysis in Dynamic Environmnent, The Karol Adamiecki University of Economics in Katowice Press, Katowice, 1998.
  16. Woerner S., Laumanns M., Zenklusen R., Fertis A. (2015), Approximate Dynamic Programming for Stochastic Linear Control Problems on Compact State Spaces, European Journal of Operational Research, 241 (1), 85-98.
Cytowane przez
Pokaż
ISSN
0033-2372
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu