Mục lục

1 Giới thiệu về lập trình và tối ưu hóa ngẫu nhiên

1.1 Lập trình? Lập trình ngẫu nhiên là gì? Tính không chắc chắn? . . . . .
1.2 Các khái niệm, giả định cơ bản - Động lực. . . . . . . . . . . . . . . . . . .
2 Lập trình tuyến tính ngẫu nhiên một giai đoạn - Không truy đòi (1-SLP)
2.1 TIẾP CẬN 1 : sử dụng ràng buộc Cơ hội và Rủi ro chấp nhận được . . . . . . . . .
2.2 PHƯƠNG PHÁP 2: đối với ràng buộc ngẫu nhiên T() x h() .........
3 Lập trình ngẫu nhiên chung (GSP) với RECOURSE
4 Lập trình tuyến tính ngẫu nhiên hai giai đoạn (2-SLP)
4.1 Mô hình truy đòi SLP hai giai đoạn - (dạng đơn giản) . . . . . . . . . . . . . . . . . .
4.2 Mô hình truy đòi SLP hai giai đoạn - (dạng chính tắc) . . . . . . . . . . . . . . . . .
5 ỨNG DỤNG I: Chương trình tuyến tính ngẫu nhiên cho sơ tán
Lập kế hoạch ứng phó thiên tai (SLP-EPDR)
5.1 BỐI CẢNH - CÁC VẤN ĐỀ MỞ. . . . . . . . . . . . . . . . . . . . . . . . .
5.2 PHÂN TÍCH- Phát biểu vấn đề. . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3 CÔNG THỨC MÔ HÌNH ĐẾN GIẢI PHÁP LUẬT . . . . . . . . .
6 CÂU HỎI CHO NHIỆM VỤ 2023
7 PHẦN BỔ SUNG: Phần mềm tối ưu hóa ngẫu nhiên
7.1 Ngôn ngữ mềm và lập trình để tối ưu hóa ngẫu nhiên. . . . . . . . . . . . .
7.2 Yêu cầu phần mềm để tối ưu hóa ngẫu nhiên . . . . . . . . . . . . . . . . . .
Tài liệu tham khảo
8 Hướng dẫn và yêu cầu
8.1 Hướng dẫn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Yêu cầu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3 Đệ trình . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9 Đánh giá và xử lý gian lận
9.1 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2 Xử lý gian lận . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10 ỨNG DỤNG II: SP trong Viễn thông
10.1 Các vấn đề về thiết kế trong viễn thông. . . . . . . . . . . . . . . . . . . . . .
10.2 Trình độ công nghệ theo quan điểm thống kê. . . . . . . . . . . .
10.3 Cấp độ mạng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4 Hai mục tiêu học tập . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Trừu tượng. Trong bài tập của môn học MM (CO2011) học kỳ này, sinh viên sẽ được làm quen
với một số ứng dụng hợp thời của tối ưu hóa ngẫu nhiên (SO), đặc biệt là Chương trình ngẫu nhiên (SP).
SP và (SO) đã trở nên cực kỳ hữu ích cho các nhà khoa học máy tính khi họ xây dựng công thức
bài toán tối ưu hóa chấp nhận sự không chắc chắn, cụ thể là bài toán trong Quản lý đô thị hiện đại
với Di tản Hiệu quả- Vận chuyển, Vị trí Cơ sở và Hậu cần Thông minh.
Mục tiêu phân công nhóm: Tìm hiểu các khái niệm, ý tưởng và phương pháp để
a) có được kinh nghiệm thực tế trong việc lập mô hình các ràng buộc/mục tiêu tuyến tính với độ
không đảm bảo,
b) nghiên cứu Mô hình hai giai đoạn và sự khái quát hóa của nó,
c) sử dụng một lớp rộng hơn các chương trình ngẫu nhiên tuyến tính trong các bối cảnh khác
nhau, đặc biệt là nghiên cứu
Chương trình tuyến tính ngẫu nhiên để lập kế hoạch sơ tán trong ứng phó thiên tai (SLP-EPDR), một ví
dụ điển hình về Quản lý đô thị an toàn

1 Giới thiệu về lập trình và tối ưu hóa ngẫu nhiên

Chúng ta đã thấy một số loại vấn đề tối ưu hóa, chẳng hạn như quy hoạch tuyến tính, lập trình số nguyên
(đã học trong môn MM của chương trình giảng dạy CSE của chúng ta), trong đó lý thuyết nâng cao cho
mô hình xác định tồn tại và các phương pháp số hiệu quả đã được tìm thấy.
Bài tập này sẽ cho chúng ta thấy các khái niệm toán học cho các vấn đề tối ưu hóa mô hình hóa
liên quan đến tính ngẫu nhiên - không chắc chắn. Những vấn đề như vậy được gọi là vấn đề tối ưu hóa
ngẫu nhiên hay viết tắt là Lập trình ngẫu nhiên (SP). Những vấn đề thực tiễn trong KH&CN (khoa học
và kỹ thuật) ban đầu không được mô hình hóa dưới dạng ngẫu nhiên hoặc xác định. Các kỹ sư và nhà
khoa học xác định liệu mô hình hóa hiện tượng này là ngẫu nhiên hay tất định dựa trên vấn đề để
được giải quyết. Trong các mô hình xác định, đầu ra của mô hình hoàn toàn được xác định bởi tham số
giá trị và điều kiện ban đầu. Mặt khác, mô hình ngẫu nhiên là một công cụ cho phép sự biến đổi ngẫu
nhiên của một hoặc nhiều đầu vào theo thời gian. Tính ngẫu nhiên hoặc không chắc chắn có thể xuất hiện
trong cả tiêu chí (hàm) được tối ưu hóa và các ràng buộc của bài toán. Tóm lại, SP có thể
được xem như là lập trình toán học với các tham số ngẫu nhiên (ví dụ: các biến ngẫu nhiên,
các biến có giá trị có thể phụ thuộc vào kết quả của một hiện tượng ngẫu nhiên). Chúng tôi bắt đầu với
SP chung và SP tuyến tính tương ứng trong Phần ?? va 2
1.1 Lập trình? Lập trình ngẫu nhiên là gì? Tính không chắc chắn?
• Tối ưu hóa toán học là việc ra quyết định, chủ yếu sử dụng các phương pháp toán học.
• Lập trình ngẫu nhiên (SP) là về việc ra quyết định trong điều kiện không chắc chắn.
Xem nó dưới dạng 'Lập trình toán học (Tối ưu hóa) với các tham số ngẫu nhiên'.
• Chương trình tuyến tính ngẫu nhiên là chương trình tuyến tính (tức là hàm mục tiêu của nó là tuyến
tính) trong đó một số dữ liệu vấn đề có thể được coi là không chắc chắn.
• Chương trình truy đòi là những chương trình trong đó một số quyết định hoặc hành động truy đòi (làm
lại, sửa đổi) có thể được thực hiện sau khi sự không chắc chắn được tiết lộ.
1.2 Các khái niệm, giả định cơ bản - Động lực
Định nghĩa 1 (Chương trình tuyến tính (LP) với tham số ngẫu nhiên - SLP).
Chương trình tuyến tính ngẫu nhiên (SLP) là

với x = (x1, x2, · · · , xn) (biến quyết định),

ma trận thực A và vectơ b nhất định (đối với các ràng buộc xác định), và với các tham số ngẫu nhiên T, h
trong( T x h ) 1xác định các ràng buộc về cơ hội hoặc xác suất.
VÍ DỤ 1 (Động lực đơn giản đầu tiên). Chúng tôi xem xét tối ưu hóa sau đây

trong đó các tham số ω1, ω2 là các biến đồng nhất (ngẫu nhiên) theo phân phối
Uniform(a, b), chinh xác là ω1 ∼ Uniform(1, 4), ω2 ∼ Uniform(1/3, 1).
• Khi cả hai ω1 = ω2 = 1 thì hai điều kiện trở thành
x1 + x2 = 4 tạo đường màu đỏ và x1 + x2 = 7 tạo đường chấm màu xanh,
rõ ràng là bạn có được vùng khả thi chứa đầy đủ mũi tên màu xanh lá cây (Hình 1).
• Làm thế nào để giải quyết vấn đề này nếu ω1, ω2 thực sự là các biến đồng nhất (ngẫu nhiên)?
Chúng ta có ý gì khi giải quyết vấn đề này?
1. Cách tiếp cận chờ xem: Giả sử có thể quyết định về các biến quyết định
x = [x1, x2] sau khi quan sát vectơ ngẫu nhiên ω = [ω1, ω2]?
[đại diện một phần vì dữ liệu không chắc chắn của vấn đề.] Chúng ta có thể giải quyết vấn đề mà
không cần chờ đợi không?
2. Có, chúng ta có thể giải quyết vấn đề nhưng không phải chờ đợi, tức là chúng ta cần quyết định
x = [x1, x2] trước biết các giá trị của ω = [ω1, ω2]? Chúng ta cần quyết định phải làm gì khi không biết
ω.
1 or also replace T x ≤ h by with P[T x ≤ h] ≤ 1 − p
Chúng tôi đề xuất (a) Đoán sự không chắc chắn và (b) Các ràng buộc về xác suất (xem Định nghĩa 1).
(a) Đoán sự không chắc chắn Chúng ta sẽ đoán một vài giá trị hợp lý cho ω. Ba (hợp lý)
gợi ý – mỗi gợi ý cho chúng ta biết điều gì đó về mức độ ‘rủi ro’ của chúng ta
♦ Không thiên vị: Chọn giá trị trung bình cho từng tham số ngẫu nhiên ω
♦ Bi quan: Chọn giá trị trường hợp xấu nhất cho ω
♦ Lạc quan: Chọn các giá trị trường hợp tốt nhất cho ω.
Ví dụ: sử dụng phương pháp Không thiên vị, xem VÍ DỤ 1, phân bố đều Đồng nhất (a, b)

rõ ràng có trung bình Chương trình của chúng ta bây giờ trở thành

Hình 1: SP đơn giản với hai biến quyết định

Còn những cách bi quan và lạc quan thì sao?

2 Lập trình tuyến tính ngẫu nhiên một giai đoạn - Không truy đòi (1-SLP)
Định nghĩa 2 (SLP với một giai đoạn (Không truy đòi): 1-SLP). Hãy xem xét chương trình sau
LP(α) được tham số hóa bởi vectơ ngẫu nhiên α:

với những giả định rằng:

1. ma trận T = T(α) và (vectơ) h = h(α) biểu thị độ bất định thông qua ràng buộc ngẫu nhiên

2. Giá trị (T, h) không xác định: chúng không xác định trước khi một phiên bản của mô hình xuất hiện,
h(α) phụ thuộc chỉ trên αj ngẫu nhiên;
3. Độ không đảm bảo đo được biểu thị bằng phân bố xác suất của tham số ngẫu nhiên (αj ) = α vậy
LP xác định là trường hợp suy biến của Stochastic LP khi αj không đổi,
• Chúng ta giải các bài toán quyết định trong đó vectơ x = (x1, x2, · · · , xn) ∈ X quyết định
các biến phải được thực hiện trước khi biết vectơ tham số α ∈ Ω.
• Thông thường chúng ta đặt giới hạn dưới và giới hạn trên cho x thông qua miền xác định
X = {x ∈ Rn: l x u}.
PHƯƠNG PHÁP TIẾP CẬN: Trong Lập trình ngẫu nhiên, chúng tôi sử dụng một số giả định và sự
kiện.
Giả định cơ bản- Chúng tôi biết phân bố xác suất (chung) của dữ liệu. Do đó việc đầu tiên cách tiếp
cận này mang lại LP ràng buộc xác suất (Cơ hội)
Phân tích Kịch bản - không hoàn hảo nhưng hữu ích, là cách tiếp cận thứ hai. Cách tiếp cận theo kịch
bản giả định rằng tự nhiên có thể đưa ra một số lượng hữu hạn các quyết định (kết quả của tính ngẫu
nhiên). Mỗi quyết định có thể xảy ra này được gọi là một kịch bản

2.1 TIẾP CẬN 1 : sử dụng Ràng buộc cơ hội và Rủi ro chấp nhận được

Tx h
• Có thể thay bằng ràng buộc xác suất
 đối với một số mức độ tin cậy quy định p ∈ (.5, 1), (được xác định bởi chủ sở hữu vấn đề.)
LP trong Định nghĩa (2) ở trên với tham số ngẫu nhiên α = [α1, α2, · · · ] thì được gọi là
Ràng buộc xác suất LP, hoặc chỉ 1-SLP.
• Rủi ro sẽ được xử lý một cách rõ ràng nếu xác định được một

rủi ro chấp nhận được

thì (1 p) là rủi ro tối đa có thể chấp nhận được.

Ràng buộc cơ hội Tx h giả sử rằng rủi ro chấp nhận được rx nhỏ hơn mức tối đa được
chỉ định 1 p ∈ (0, 1).

Định nghĩa 3. LP ngẫu nhiên hoặc 1-SLP có ràng buộc xác suất được xác định bởi
một hệ số ngẫu nhiên α = (α1, α2, . . ., αn) trong các ràng buộc cơ hội, và mục tiêu tuyến tính f(x):

LƯU Ý: chúng tôi sử dụng vectơ tham số α = [α1, α2, · · · ] nói chung và
biểu thị ω = [ω1, ω2, · · · , ωS] cụ thể cho các trạng thái được gọi là kịch bản. Chúng tôi xử lý từng tình
huống ω ∈ ω có thể do sự kết hợp của nhiều tham số ngẫu nhiên αi cùng một lúc trong một SP.

2.2 PHƯƠNG PHÁP 2: đối với ràng buộc ngẫu nhiên T() x h()
Sử dụng phân tích kịch bản của T() x h()

Đối với mọi kịch bản

Loại chương trình này hướng tới một mục tiêu tuyến tính cụ thể trong khi tính toán xác suất
chức năng liên quan đến các kịch bản khác nhau. Do đó, chúng tôi tìm ra giải pháp tổng thể bằng cách

xem xét giải pháp kịch bản

Ưu điểm: Mỗi bài toán trong kịch bản là một LP. / vs / Nhược điểm
: phân b ri rc mô hình LP s nguyên hn hp. (Nói chun

-------------------------------------------------------------------------------------------------------------------------■

3 Lập trình ngẫu nhiên chung (GSP) với RECOURSE

Chúng tôi tập trung vào mô hình hóa và bỏ qua các chi tiết nếu không cần thiết để hiểu các khái niệm.
Định nghĩa 4 (Chương trình ngẫu nhiên trong hai giai đoạn (bài toán 2-SP chung)). ngẫu nhiên hai
giai đoạn chương trình (2-SP) mở rộng từ Định nghĩa 2 có dạng

(2)
trong đó x = (x1, x2, · · · , xn) là các biến quyết định giai đoạn đầu,
f(x) có thể tuyến tính hoặc không, là một phần của hàm mục tiêu lớn g(x).

* Nghĩa của 1 hàm

do ảnh hưởng của kịch bản. ω. Q(x) là giá trị tối ưu của một vấn đề giai đoạn hai nhất định

(3)
Các vectơ α = α(ω) và y = y(ω) được đặt tên là các biến quyết định hiệu chỉnh, điều chỉnh hoặc truy
đòi, chỉ được biết đến sau thí nghiệm e.
Tóm lại, chúng ta tối thiểu hóa tổng chi phí dự kiến g(x) = f(x) + Q(x) trong khi vẫn thỏa mãn

Ở đây W được gọi là ma trận truy đòi m × p và chúng ta bắt đầu với trường hợp đơn giản là m = 1,

q là vectơ chi phí truy đòi đơn vị, có cùng thứ nguyên với y và y = y(ω) ∈ RP. ■

GIẢI THÍCH (Về các vấn đề mô hình truy đòi)

• Mục tiêu lớn g(x) của chúng ta được xây dựng bởi f(x) và Q(x). Ở đây y là vectơ quyết định của a
Bài toán LP giai đoạn hai, giá trị y phụ thuộc vào việc thực hiện (T, h) := (T(ω), h(ω)). Xem lại các
biến y(ω) ∼ hành động khắc phục, ví dụ: sử dụng các nguồn lực sản xuất thay thế (theo thời gian...)
• Thước đo rủi ro định lượng: độ lệch h() T() · x là phù hợp.
• Ở đây RỦI RO được mô tả bằng chi phí truy đòi dự kiến Q(x) của quyết định x.
• Thực tế cần phải cải cách mô hình: q và W đến từ đâu?

Hình 2: Chế độ xem tiêu chuẩn của chương trình ngẫu nhiên hai giai đoạn
Được phép của Maarten van der Vlerk, Đại học. của Groningen, NL

4 Lập trình tuyến tính ngẫu nhiên hai giai đoạn (2-SLP)
Bây giờ chúng ta xử lý two-stage LP ngẫu nhiên bằng hành động truy đòi.
4.1 Mô hình truy đòi SLP two-stage - (dạng đơn giản)
Định nghĩa 5 (LP ngẫu nhiên two-stage có truy đòi: 2-SLPWR). two-stage Stochastic
chương trình tuyến tính Có truy đòi (2-SLPWR) hoặc chính xác là có hành động khắc phục trừng phạt
nói chung được mô tả như

hoặc nói chung

với v(x, ω) := q · y
tùy thuộc vào Ax=b Những ràng buộc ở giai đoạn đầu,
T(ω) · x + W · y(ω) = h(ω) Ràng buộc giai đoạn thứ hai
hoặc ngắn gọn là W · y = h() T() · x
♦ Chương trình SLP này chỉ định 2-SP (2) ở trên cho mục tiêu - một mục tiêu lớn ngẫu nhiên cụ thể
(hàm) g(x) có
(1) f(x)- tất định là hàm tuyến tính, trong khi tính toán
(2) đối với hàm xác suất v(x, ω) liên quan đến các kịch bản khác nhau ω.

được đặt tên là biến hành động truy đòi đối với quyết định x và việc thực hiện ω.
Các hành động truy đòi được xem là Xử phạt các hành động khắc phục trong SLP.

Việc sửa lỗi phạt được thể hiện thông qua giá trị ý nghĩa LÀM THẾ NÀO
ĐỂ TÌM NÓ?
Các phương pháp tiếp cận chính- PHƯƠNG PHÁP 2: Phân tích lại các kịch bản
Để giải hệ (4-4.1) bằng số, các phương pháp dựa trên vectơ ngẫu nhiên α có hữu hạn
số khả năng thực hiện được gọi là kịch bản.
Giá trị kỳ vọng Q(x) hiển nhiên đối với phân bố rời rạc của ω!
Vì vậy, chúng ta lấy Ω = {ωk} là một tập hữu hạn có kích thước S (có một số hữu hạn các kịch bản

ω1, . . . , ωS ∈ Ω, với khối lượng xác suất tương ứng pk).

Vì y = y(x, ω) nên kỳ vọng của v(y) = v(x, ω) := q · y (một chi phí q cho tất cả yk )là

Trong đó

• là mật độ của kịch bản , q là chi phí phạt đơn vị,

• - chi phí phạt khi sử dụng đơn vị yk trong giai đoạn hiệu chỉnh,
phụ thuộc vào cả quyết định x ở giai đoạn đầu và kịch bản ngẫu nhiên

4.2 Mô hình truy đòi SLP hai giai đoạn - (dạng chính tắc)
Bây giờ chúng ta mô tả đầy đủ đặc tính của hệ thống (4-4.1) trong trường hợp tuyến tính.
Định nghĩa 6 (Chương trình tuyến tính ngẫu nhiên có hành động truy đòi (2-SLPWR) ). Kinh điển 2-
chương trình tuyến tính ngẫu nhiên giai đoạn với Recourse có thể được xây dựng dưới dạng

tuân theo ( s. t.) A x = b trong đó

trong đó v(y) := v(x, ω) là hàm giá trị giai đoạn thứ hai và

là hành động truy đòi đối với quyết định x và hiện thực hóa ω.
1. Chi phí truy đòi dự kiến của quyết định x là Q(x) := Eω[v(x, ω)] theo phương trình (5). [trước

chi phí dự kiến chính xác của việc truy đòi y(α), đối với bất kỳ chính sách nào Do đó về

tổng thể chúng tôi giảm thiểu tổng chi phí dự kiến

● Chúng tôi thiết kế các biến quyết định thứ 2 y(ω) để chúng tôi có thể (điều chỉnh, sửa đổi hoặc)
phản ứng với các ràng buộc ban đầu (4.2) theo cách thông minh (hoặc tối ưu): chúng tôi gọi đó là
hành động truy đòi!

2. Giá trị tối ưu của LP giai đoạn 2 là

là tối ưu của nó giải pháp, đây Tổng giá trị tối ưu là

VẤN ĐỀ 1. [Công nghiệp-Sản xuất.] (Xem [1, Chương 1])
Xét một hãng công nghiệp F trong đó một nhà sản xuất sản xuất n sản phẩm. Tổng cộng có m nhiều bộ
phận (các cụm lắp ráp phụ) khác nhau được đặt hàng từ các nhà cung cấp bên thứ 3 (các trang web).
Hình này thể hiện kế hoạch vận chuyển của hãng công nghiệp F với m = 3 từ nhà cung cấp và n = 4 địa
điểm sản xuất (sản phẩm hoặc kho)

Một đơn vị sản phẩm i yêu cầu aij 0 đơn vị phần j , trong đó i = 1, . . . , n và j = 1, . . . , m. Các
Nhu cầu về sản phẩm được mô hình hóa dưới dạng vectơ ngẫu nhiên ω = D = (D1, D2, · · · , Dn).
Vấn đề ở giai đoạn thứ hai:
Đối với một giá trị quan sát được (một sự thực hiện) d = (d1, d2, · · · , dn) của vectơ nhu cầu ngẫu
nhiên ở trên D, chúng ta có thể tìm ra phương án sản xuất tốt nhất bằng cách giải chương trình tuyến tính
ngẫu nhiên (SLP) sau đây với các biến quyết định z = (z1, z2, · · · , zn) - số lượng đơn vị được sản
xuất, và các biến quyết định khác y = (y1, y2, · · · , ym) - số lượng linh kiện còn lại trong kho

trong đó sj < bj (được định nghĩa là chi phí đặt hàng trước trên mỗi đơn vị của phần j) và
xj , j = 1, . . . , m là số lượng chi tiết cần đặt hàng trước khi sản xuất.

Toàn bộ mô hình (của giai đoạn thứ hai) có thể được biểu diễn tương đương như sau
Nhận thấy rằng lời giải của bài toán này, tức là các vectơ z, y phụ thuộc vào việc thực hiện d của
cầu ngẫu nhiên ω = D cũng như quyết định bước 1 x = (x1, x2, · · · , xm).

Vấn đề ở giai đoạn đầu:

Toàn bộ mô hình 2-SLPWR dựa trên một quy tắc phổ biến là sn xut nhu cu.
Bây giờ, hãy làm theo cách tiếp cận dựa trên phân phối, chúng ta đặt Q(x) := E[Z(z, y)] = Eω[x, ω]
biểu thị giá trị tối ưu của bài toán (6). Chứng tỏ

b = (b1, b2, · · · , bm) được xây dựng theo chi phí đặt hàng trước bj trên một đơn vị của phần j
(trước khi biết nhu cầu). Các đại lượng xj được xác định từ bài toán tối ưu hóa sau

Trong đó được lấy w. r. t. phân bố xác suất của ω = D

Phần đầu tiên của hàm mục tiêu biểu thị chi phí đặt hàng trước và x. Ngược lại,
phần thứ hai thể hiện chi phí dự kiến của kế hoạch sản xuất tối ưu (7), được đưa ra bởi
đã cập nhật số lượng đặt hàng z, đã sử dụng nhu cầu ngẫu nhiên D = d với mật độ của chúng.
GIẢI QUYẾT

• Các biến quyết định bao gồm các vectơ

• Sau khi quan sát thấy nhu cầu D, nhà sản xuất có thể quyết định phần nào của nhu cầu
phải được thỏa mãn sao cho số lượng các bộ phận có sẵn không bị vượt quá. Nó có giá thêm
li để đáp ứng một đơn vị cầu về sản phẩm i và đơn giá bán sản phẩm này là qi.
• Sau khi biết được nhu cầu D, chúng tôi xác định số lượng sản phẩm cần sản xuất. Các
phần không sử dụng được đánh giá giá trị còn cứu hộ sj , cho vectơ s = (s1, s2, · · · , sm). ▷

BẢN TÓM TẮT

1. Bài toán (6)–(8) là một ví dụ của bài toán quy hoạch ngẫu nhiên hai giai đoạn, trong đó
(6) được gọi là bài toán bậc hai và (8) được gọi là bài toán bậc một. Vì (6) chứa cầu ngẫu nhiên D thì
giá trị tối ưu Q(x, d) của nó là biến ngẫu nhiên.
2. Các quyết định x ở giai đoạn đầu tiên phải được đưa ra trước khi việc hiện thực hóa dữ liệu ngẫu nhiên
D trở thành có sẵn và do đó phải độc lập với dữ liệu ngẫu nhiên. Các biến x thường được gọi là các
quyết định here –and - now.
3. Các biến quyết định giai đoạn hai z và y trong (6) được thực hiện sau khi quan sát dữ liệu ngẫu nhiên
và là hàm của dữ liệu d. Họ được giới thiệu như những quyết định wait - and - see (giải pháp).
4. Bài toán (6) khả thi với mọi khả năng thực hiện của dữ liệu ngẫu nhiên d; Ví dụ, lấy z = 0 và y = x.

5 ỨNG DỤNG I: Chương trình tuyến tính ngẫu nhiên cho sơ tán
Lập kế hoạch ứng phó thiên tai (SLP-EPDR)
MỤC TIÊU - ĐỘNG LỰC
Chúng tôi muốn sử dụng mô hình SLP hai giai đoạn để sơ tán những người bị ảnh hưởng đến khu vực an
toàn trong thời gian ứng phó thiên tai. Nghiên cứu điển hình dựa trên nghiên cứu của Li Wang và Esra
Koca
Mục tiêu chính của ứng phó khẩn cấp là cung cấp nơi trú ẩn và hỗ trợ cho những người bị ảnh hưởng
cũng như sớm nhất có thể. Kế hoạch sơ tán tối ưu cho người dân bị ảnh hưởng là một trong những thành
phần chủ yếu trong ứng phó khẩn cấp sau thảm họa, và rất nhiều học giả đã biểu thị nỗ lực của họ trong
việc này vấn đề thú vị.
CÁC PHƯƠNG PHÁP TIẾP CẬN: Lập trình ngẫu nhiên có truy đòi (Dantzig,) rất nổi tiếng phương
pháp xử lý tính ngẫu nhiên của các yếu tố và phương pháp này là tìm ra những quyết định không thể
đoán trước được
điều đó phải được thực hiện trước khi biết cách thực hiện các biến ngẫu nhiên. Theo số lượng của các
giai đoạn, quy hoạch ngẫu nhiên với bài toán truy đòi thường được gọi là như lập trình ngẫu nhiên hai
giai đoạn/nhiều giai đoạn.

Hình 3: Minh họa về sự xuất hiện của các sự kiện động đất hoặc chiến tranh tàn phá

5.1 BỐI CẢNH - VẤN ĐỀ MỞ

Nên đề xuất mô hình lập trình dựa trên kịch bản ngẫu nhiên hai giai đoạn để sơ tán những người
bị ảnh hưởng người dân vùng thiên tai. Các quyết định ở giai đoạn đầu là kế hoạch sơ tán mạnh mẽ và
đáng tin cậy cho mọi cấp độ thảm họa. Các quyết định ở giai đoạn hai liên quan đến kế hoạch sơ tán
những người bị ảnh hưởng ở phản ứng với các điều kiện đường dựa trên kịch bản cụ thể
Chúng tôi sẽ sử dụng một tập hợp các kịch bản riêng biệt để thể hiện mức độ nghiêm trọng tiềm
tàng của thảm họa, trong đó cố gắng xây dựng một mô hình kết hợp kế hoạch sơ tán khẩn cấp trước sự
kiện với kế hoạch sơ tán dựa trên kịch bản cho những người bị ảnh hưởng sau sự kiện. Đặc biệt, một
phần đường giao thông có thể bị phá hủy trong sự kiện, gây ra thời gian và năng lực di chuyển ngẫu
nhiên khi di chuyển trên con đường. Nói cách khác, những quyết định ở giai đoạn đầu tiên không thể
đoán trước được đưa ra trước khi thực hiện của sự không chắc chắn.
Các quyết định ở giai đoạn 2 (truy đòi), có điều kiện dựa trên các quyết định ở giai đoạn 1, được
đưa ra sau khi thực hiện được thời gian và năng lực di chuyển ngẫu nhiên. Vì vậy, mục tiêu là làm kế
hoạch sơ tán trước sự kiện tối ưu trong giai đoạn đầu tiên, trong điều kiện không chắc chắn để phải đối
mặt ở giai đoạn 2.

5.2 PHÂN TÍCH- Phát biểu vấn đề

Trình bày vấn đề sơ tán
Là 2-SLP (lập trình ngẫu nhiên hai giai đoạn)
Chúng ta cần mô tả quá trình sơ tán theo những giả định nhất định và đưa ra
đảm bảo rằng giai đoạn sơ tán phải được chia thành hai giai đoạn tùy theo thời gian tiếp nhận thông tin
chính xác. Tóm lại, mục tiêu là làm cho kế hoạch sơ tán tối ưu trong giai đoạn 1 trong điều kiện không
chắc chắn sẽ phải đối mặt trong giai đoạn 2.

5.3 CÔNG THỨC MÔ HÌNH ĐẾN GIẢI PHÁP LUẬT

Chúng ta phải xác định và thảo luận đúng đắn các biến quyết định, các ràng buộc của hệ thống và mục
tiêu hàm với các ký hiệu liên quan được sử dụng trong công thức toán học.
GỢI Ý: sử dụng Bảng 1, 2 của Tài liệu tham khảo 1 = Li Wang, Khung lập trình ngẫu nhiên
hai giai đoạn để lập kế hoạch sơ tán trong ứng phó thảm họa, Tạp chí Máy tính & Kỹ thuật Công nghiệp,
tập 145, 2020 Elsevier
Mô hình lập kế hoạch sơ tán ngẫu nhiên hai giai đoạn
Mục tiêu của cuộc sơ tán là đạt được
(1) một kế hoạch sơ tán mạnh mẽ trong giai đoạn đầu tiên bằng cách
(2) đánh giá các kế hoạch sơ tán thích ứng trong giai đoạn thứ hai.

Chúng ta nên đánh giá kế hoạch sơ tán của giai đoạn đầu tiên với thời gian sơ tán tổng thể dự kiến của
lộ trình sơ tán thích ứng trong mỗi kịch bản và xác suất xảy ra của từng kịch bản s được giả sử là ps = µs ,
s = 1, 2, . . . , S
• Các đội có thể sử dụng mô hình (9) và các mô hình tương đương [ trong Tài liệu tham khảo. 1]- chúng
được gọi là mô hình lập kế hoạch sơ tán hai giai đoạn phụ thuộc vào thời gian và ngẫu nhiên.
• Đảm bảo rằng bạn giải thích đầy đủ các ràng buộc của hệ thống và hàm mục tiêu của các mô hình

MODELING APPROACHES for MM-HCMUT-2023 Assignment

Trong nhiệm vụ này, chúng tôi tập trung vào chiến lược kết hợp một lựa chọn đường dẫn
tiên nghiệm (trước khiếm khuyết) và thích ứng (sau thảm họa), có thể đạt được
Lập trình ngẫu nhiên hai giai đoạn, để xác định kế hoạch sơ tán cho những người bị ảnh hưởng,
khi xảy ra sự kiện động đất hoặc các sự kiện chiến tranh.
Các đội của tối đa 5 sinh viên của HCMUT nên
1. Hiểu vấn đề 1 [sản xuất n sản phẩm thỏa mãn cung cu ] thông qua ví dụ số.
2. sử dụng mô hình lập trình ngẫu nhiên hai giai đoạn xem xét cả lựa chọn đường đi tiên nghiệm (trước
thảm họa) và thích ứng (sau thảm họa) để đưa ra kế hoạch sơ tán tiên nghiệm cho những người bị ảnh
hưởng từ khu vực nguy hiểm đến khu vực an toàn.
3. Xây dựng quá trình chuyển động rõ ràng của những người bị ảnh hưởng khi xảy ra thảm họa, bài báo
này đề xuất một mô hình dòng chi phí tối thiểu dựa trên lập trình ngẫu nhiên hai giai đoạn
-------------------------------------------------------------------------------------------------------------------------■

6 QUESTIONS for ASSIGNMENT 2023

Học sinh chuẩn bị một báo cáo bao gồm câu trả lời lý thuyết và giải pháp tính toán sau yêu cầu.
Công việc tiêu chuẩn- Hai nhiệm vụ cho HCMUT MM Lượng 2023:
1. Vấn đề 1 [Sản xuất N Sản phẩm thỏa mãn cung cu ]. (4 điểm)
Sử dụng mô hình 2-SLPWR được đưa ra trong phương trình 7 và 8 khi n = 8 sản phẩm, số lượng

Kịch bản s = 2 với mật độ , số lượng các bộ phận được đặt hàng trước khi sản xuất
m = 5, chúng tôi mô phỏng ngẫu nhiên vectơ dữ liệu b, l, q, s và Ma trận A có kích thước n × m.

Chúng tôi cũng giả sử rằng vectơ nhu cầu ngẫu nhiên trong đó mỗi ωi
với mật độ pi theo thùng phân phối

Yêu cầu: Xây dựng các mô hình số của phương trình 7 và 8 với dữ liệu mô phỏng.

Tìm giải pháp tối ưu theo độ mềm phù hợp (as GAMSPy)
2. Đến SLP-EPDR: Giải pháp thuật toán (6 điểm)
Một số thuật toán giải pháp được đưa ra trong Phần 4 của Ref. 1, và năm nay 20023 CSE - HCMUT
Học sinh chỉ có thể thử cách tiếp cận đầu tiên (thuật toán 1) dựa trên vấn đề dòng chi phí tối thiểu.
Tìm hiểu, thực hiện và xác minh tính hiệu quả của thuật toán được nghiên cứu hoặc giải quyết mô hình
lập kế hoạch sơ tán ngẫu nhiên hai giai đoạn trên một mạng lưới lưới nhỏ, với thử nghiệm
Cách tiếp cận thiết kế. Chính xác thì mô phỏng sẽ có tối đa 50 nút và 100 liên kết ([in Section 5.1 of Ref. 1 ]).
7 Bổ sung: Phần mềm để tối ưu hóa ngẫu nhiên
7.1 Ngôn ngữ mềm và lập trình để tối ưu hóa ngẫu nhiên
Một số ngôn ngữ lập trình nổi tiếng để mô hình và phân tích ngẫu nhiên là
1. Gams/Decis: GAMS là viết tắt của ngôn ngữ mô hình đại số nói chung và là một trong những
các ngôn ngữ mô hình hóa được sử dụng rộng rãi nhất. Decis là một hệ thống để giải quyết các chương
trình ngẫu nhiên quy mô lớn, tức là các chương trình bao gồm tham số (hệ số và các mặt bên phải)
không được biết đến một cách chắc chắn, nhưng là giả sử được biết đến bởi phân phối xác suất của họ.
Nó sử dụng phân tách uốn cong và kỹ thuật lấy mẫu Monte Carlo tiên tiến.
Decis bao gồm một loạt các chiến lược giải pháp, chẳng hạn như giải quyết vấn đề vũ trụ (tất cả các
scenarios), vấn đề giá trị dự kiến, Monte Carlo lấy mẫu trong phân tách Benders
Thuật toán. Xem https://www.gams.com/latest/docs/S-DECIS.html và https://www.gams.com/latest/docs/S-
DECIS.html

* Gamspy = GAMS + python, https://gamspy.readthedocs.io/en/latest/user/index.html

2. Giao diện mô hình ngẫu nhiên (SMI),
Nhận từ liên kết https://github.com/coin-or/smi , hoạt động trên Linux OS
3. R: Chúng ta có thể sử dụng lệnh ARIMA trong R để phát triển các mô hình ngẫu nhiên.
Bối cảnh của Arima rất phức tạp, nhưng bạn có thể thử? arima trong phần dòng lệnh để Học cách sử
dụng thực tế thông qua thủ công. Ngoài ra, chúng ta phải kết hợp 3 weka mềm, công cụ khai thác nhanh
và R một lần để đối phó với SLP thực tế.
Công cụ khai thác nhanh để sử dụng học tập có sẵn tại https://rapidminer.com/platform/educational/
Một văn bản nghiên cứu tốt trong SHM là sử dụng R, Weka và RapidMiner trong phân tích chuỗi thời
gian dữ liệu cảm biến để theo dõi sức khỏe cấu trúc H. Kosorus, J¨urgen H¨onigl, J. K¨ung Hội thảo quốc
tế 22. . . 29 tháng 8 năm 2011 Computer Science International Workshop về cơ sở dữ liệu và các ứng
dụng hệ thống chuyên gia, liên kết https://ieeexplore.ieee.org/document/6059835

7.2 Yêu cầu phần mềm để tối ưu hóa ngẫu nhiên

Dưới đây là một số yêu cầu chính để tối ưu hóa ngẫu nhiên và đặc biệt là SLP.
1. Xác định và ngẫu nhiên cùng nhau trong cùng một mô hình
2. Người dùng cuối chọn chức năng phân phối:
Các định nghĩa ngẫu nhiên, bao gồm đặc điểm kỹ thuật của hàm phân phối xác suất và
tham số, nên được điều khiển hoàn toàn dữ liệu. Người dùng cuối phải được tự do chọn các yêu
cầu
Phân phối giữa một danh sách các lựa chọn.
3. Các hệ số và ràng buộc có thể được thực hiện ngẫu nhiên
Cuối cùng người dùng cuối cùng yêu cầu hỗ trợ định nghĩa ngẫu nhiên cho một cái gì đó hiện
không có trong mô hình, được gọi là hỗ trợ ngoài hộp. Sự biến đổi ngẫu nhiên đối với tất cả các
loại dữ liệu nên được tìm kiếm điều đó thường bao gồm:
• Chi phí, bao gồm cả vật liệu, lao động
• Phân phối đầu vào và sản lượng đầu ra
• Tỷ lệ xử lý và các yếu tố thời gian chết
• Giới hạn tối thiểu và tối đa ...
4. Các chức năng phân phối và tham số được xác định ở cấp độ biến.
Các định nghĩa ngẫu nhiên phải đủ linh hoạt để cho phép định nghĩa cho từng biến một cách rõ
ràng.
Cách tiếp cận dựa trên dữ liệu cho phép người dùng cuối gán chức năng phân phối khác nhau cho
mỗi và mọi hệ số, nếu cần thiết.
5. Các định nghĩa ngẫu nhiên cá nhân có thể được bật/tắt tạm thời. [So sánh với mục 1.]
6. Trực quan hóa để xác định các định nghĩa ngẫu nhiên nên được tính đến.
7. Kiểm tra dữ liệu Xác định dữ liệu xung đột:
Tìm kiếm một nền tảng tối ưu hóa với kiểm tra dữ liệu tích hợp. Tạo ra các giá trị ngẫu nhiên,
Giống như những điều được sử dụng cho các ràng buộc biến đổi, có thể dễ dàng gây ra lỗi dữ liệu.
Tối ưu hóa tốt nhất Các nền tảng mô hình hóa bao gồm một thư viện lớn các kiểm tra dữ liệu tích
hợp, thực hiện giữa thời gian các giá trị ngẫu nhiên được tạo ra và khi mô hình được giải quyết
References
[1] A. Shapiro, D. Dentcheva, and A. Ruszczynski, Lectures on stochastic programming: modeling and
theory. SIAM, 2021.
[2] S. W. Wallace and W. T. Ziemba, Applications of stochastic programming. SIAM, 2005.
[3] L. Wang, “A two-stage stochastic programming framework for evacuation planning in disaster
responses,” Computers & Industrial Engineering, vol. 145, p. 106458, 2020.

8 Hướng dẫn và yêu cầu

Học sinh phải làm theo hướng dẫn và thực hiện các yêu cầu dưới đây. Giảng viên không giải quyết các
trường hợp phát sinh do học sinh không thực hiện theo hướng dẫn hoặc không thực hiện đúng quy định
yêu cầu.
8.1 Hướng dẫn
Học sinh phải làm việc chặt chẽ với các thành viên khác trong nhóm gồm 3-5 thành viên của mình. Thời
hạn để hợp tác là ngày 22 tháng 10 năm 2023, thông qua trang web của lớp BKeL. Các thành viên trong
nhóm phải giống nhau Nhóm/Lớp và bạn không được phép lập nhóm với các học viên khác của
Nhóm/Lớp khác.
Tất cả các khía cạnh của bài tập này sẽ được kiểm tra (khoảng 10 - 12 trong số 25 câu hỏi trắc nghiệm)
trong bài kiểm tra cuối kỳ của môn học. Vì vậy, các thành viên trong nhóm phải làm việc cùng nhau để
tất cả các bạn có thể hiểu rõ mọi khía cạnh của nhiệm vụ. Trưởng nhóm nên tổ chức nhóm làm việc để
đáp ứng được điều này yêu cầu.
Nếu bạn có thắc mắc gì về bài tập trong quá trình làm việc, vui lòng đăng câu hỏi đó lên diễn đàn lớp học
trên BKeL.
Về những kiến thức nền tảng liên quan đến chủ đề, sinh viên nên tham khảo tất cả các tài liệu người giới
thiệu. Tuy nhiên, tốt nhất bạn nên đưa tất cả chúng vào phần tham khảo trong báo cáo của mình.
8.2 Yêu cầu
• Hạn nộp hồ sơ: 04/12/2023. Học sinh phải trả lời rõ ràng từng câu hỏi và mạch lạc.
• Viết báo cáo bằng LaTeX theo đúng bố cục như trong file mẫu (bạn có thể tìm thấy nó trên
https://tinyurl.com/mt29ftrd).
• Mỗi đội khi nộp báo cáo cũng cần nộp một tệp nhật ký (nhật ký) trong đó nêu rõ: tiến độ công việc
hàng tuần của cả 06 tuần, nhiệm vụ, nội dung ý kiến thay đổi của các thành viên,... . .
• Ngôn ngữ lập trình: C++/Python/Java/...(tùy theo nhóm của bạn)
8.3 Đệ trình
• Học sinh phải nộp báo cáo nhóm của mình qua hệ thống BK-eLearning (được mở bởi 23/10/2023): nén
tất cả các file cần thiết (file .pdf, file .tex, file mã hóa,...) thành một tập tin có tên “Assignment-CO2011-
CSE231-Team_name.zip” và gửi nó cho bài tập trang web nộp hồ sơ.
• Tất cả biên bản họp nhóm của bạn phải được gộp thành một file .txt và bao gồm % nỗ lực của mỗi
thành viên nói chung (tổng nỗ lực là 100%) trên dòng đầu tiên.
• Lưu ý rằng đối với mỗi đội, chỉ có trưởng nhóm mới nộp báo cáo của đội.

9 Đánh giá và xử lý gian lận

9.1 Đánh giá
Mỗi bài tập sẽ được đánh giá như trong Bảng 1.
 Bảng 1: Đánh giá Tiêu chí Điểm (%)
- Phân tích, trả lời mạch lạc, hệ thống,
tập trung vào mục tiêu của câu hỏi và yêu cầu 30%
- Các chương trình được viết gọn gàng và thực thi được 30%
- Đồ thị, sơ đồ chính xác, rõ ràng, trực quan 20%
- Phần nền viết tốt, đúng, phù hợp 15%
- Báo cáo viết tốt và đúng 5%
9.2 Xử lý gian lận
Bài tập được mỗi nhóm thực hiện riêng biệt. Học sinh trong một nhóm sẽ được coi là gian lận nếu:
• Có sự tương đồng bất thường giữa các báo cáo (đặc biệt ở phần lý lịch). TRONG trong trường hợp này,
TẤT CẢ các bài gửi tương tự đều bị coi là gian lận. Vì vậy, học sinh của nhóm phải bảo vệ công việc
của nhóm mình.
• Họ không hiểu tác phẩm do chính họ viết. Bạn có thể tham khảo từ bất kỳ nguồn nào, nhưng hãy đảm
bảo rằng bạn biết ý nghĩa của mọi điều bạn đã viết. Sinh viên sẽ bị đánh giá theo quy định của trường
nếu bài viết gian lận.

10 ỨNG DỤNG II: SP trong Viễn thông

LƯU Ý: Đề xuất này nhằm mục đích phục vụ công việc sau đại học, chỉ dành cho sinh viên thạc sĩ năm
thứ hai muốn học tập và nghiên cứu về Tối ưu hóa toán học tích hợp với ML và Phân tích dữ liệu.
TỔNG QUAN: Các vấn đề viễn thông có truyền thống lâu đời về ứng dụng các công nghệ tiên tiến các
phương pháp mô hình hóa toán học. Bên cạnh việc là người tiêu dùng mô hình toán học, viễn thông còn
thúc đẩy sự phát triển của các lĩnh vực toán học, thống kê và điện toán ứng dụng. Các chương cơ bản của
lý thuyết về các quá trình ngẫu nhiên ngẫu nhiên có nguồn gốc từ công trình này của các kỹ sư viễn
thông.

10.1 Các vấn đề về thiết kế trong viễn thông

Phần này trình bày ngắn gọn các vấn đề tối ưu hóa khác nhau với điều kiện không chắc chắn phát sinh
trong truyền thông viễn thông. Ba cấp độ quyết định được phân biệt:
1. thiết kế các thành phần cấu trúc của mạng viễn thông,
2. thiết kế cấp cao nhất của mạng viễn thông và
3. Thiết kế các chính sách tối ưu của doanh nghiệp viễn thông.
Ví dụ về các bài toán điển hình ở mỗi cấp độ cho thấy mô hình lập trình ngẫu nhiên là một cách tiếp cận
mạnh mẽ để giải quyết các vấn đề thiết kế viễn thông. Các loại vết bẩn không chắc chắn khác nhau xuất
hiện ở các cấp độ khác nhau. Chúng tôi phân biệt ba cấp độ quy mô riêng biệt:
(a) công nghệ,
(b) mạng và
 (c) doanh nghiệp.
Trình độ công nghệ tương ứng với quy mô nhỏ nhất và cấp độ doanh nghiệp phù hợp với quy mô lớn
nhất và tổng hợp nhất. Cấp độ công nghệ liên quan đến việc thiết kế các thành phần khác nhau của mạng
viễn thông, bao gồm bộ chuyển mạch, bộ định tuyến và bộ ghép kênh. Các quyết định quan trọng là kỹ
thuật các quyết định xác định cấu trúc cho bản thiết kế của các phần tử này. Những bản thiết kế như vậy
phụ thuộc vào một số tham số cần được lựa chọn từ quan điểm về hiệu suất và chất lượng dịch vụ.
Theo truyền thống, việc đánh giá hiệu suất của các thành phần của mạng viễn thông là của Lý thuyết xếp
hàng [một phần quan trọng trong việc đánh giá hiệu năng hệ thống nói chung].
10.2 Trình độ công nghệ theo quan điểm thống kê
Nhóm thực hiện dự án của họ với lý thuyết được đưa ra ngắn gọn trong phần này.
Vấn đề trọng tâm là tìm ra các thông số thiết kế của một thiết bị viễn thông sẽ đảm bảo mức hiệu suất
nhất định cho một loại mẫu lưu lượng được chỉ định. Thật thú vị trường hợp, hiệu suất (của một thiết bị
hoặc hệ thống) được đo lường thực tế bằng chức năng

Trong đó
• x là vectơ tham số thiết kế,
• ξ biểu thị các giá trị của quá trình ngẫu nhiên {U(t) = ξ} được xác định trên một xác suất thích
hợp
không gian mô tả sự tương tác của lưu lượng truy cập với thiết bị và
• H là phân bố cố định của quá trình U(t)
• Hàm f(x, ξ) với hai đối số mô tả hoạt động của thiết bị (thiết bị) bắt nguồn từ sự tương tác của
một giá trị lưu lượng nhất định ξ và một giá trị nhất định của các tham số thiết kế x.
• EH[.] là giá trị kỳ vọng liên quan đến H.
KHÁI NIỆM: Phân phối cố định là gì?
Định nghĩa 7 (Tính dừng mạnh).
Về mặt toán học, quá trình dừng mạnh hoặc nghiêm ngặt có nghĩa là đối với mọi k ∈ N và các
điểm thời gian với mỗi thời điểm thực hiện z = (t1, . . . , tk), sự phân bố của các chuỗi
Yz = (Yt1, · · · , Ytk) và Yz +h = (Yt1+h, · · · , Ytk+h) giống nhau. Nghĩa là, liên kết cdf F(.)
của
quá trình Y thỏa mãn Fz = Fz +h, với bất kỳ độ trễ thời gian h ∈ R+, tức là
 Tính dừng nghiêm ngặt là một giả định rất mạnh mẽ; chúng tôi thường sử dụng như sau.
Định nghĩa 8 (Tính dừng yếu).
Một tiến trình {Yi} = Y1, Y2, . . . là dừng yếu, dừng bậc hai, dừng hiệp phương sai,
hoặc chỉ đứng yên nếu hai khoảnh khắc đầu tiên (trung bình và hiệp phương sai) không thay đổi theo
thời gian, hoặc bất biến như là một hàm của thời gian, nghĩa là E[Yi] và Cov[Yi ,Yi+k] không phụ thuộc
vào chỉ số i. Về mặt toán học, {Yi} là một quá trình dừng yếu nếu
• E[Yi] = µ (hằng số) với mọi i; [được đặt tên là ổn định trung bình], và
• hiệp phương sai thỏa mãn [tính dừng hiệp phương sai]

với mọi i và k và một số hàm γ(.).

LƯU Ý: Các giá trị của thước đo hiệu suất F trong (9) phải thuộc tập hợp các giá trị được chấp nhận
giá trị AV , mô tả các yêu cầu đối với loại dịch vụ, ký hiệu là AV = [ϕmin, ϕmax],
vậy các thông số thiết kế x phải thỏa mãn
VẤN ĐỀ THIẾT KẾ- Tóm lại, tối ưu hóa ngẫu nhiên có thể sớm được áp dụng cho vấn đề thiết kế
khác. Điều quan trọng là phải khai thác cẩn thận cấu trúc đặc biệt của từng trường hợp để đạt được các
phép đo hiệu suất gần đúng. Quá trình thiết kế đi theo con đường
Thiết kế công nghệ =⇒ Thiết kế mạng
10.3 Cấp độ mạng
Tóm lại, mục tiêu của cấp độ mạng là phát triển thiết kế cho mạng viễn thông với khả năng nhất định để
cung cấp một tập hợp các dịch vụ cho một nhóm người dùng cuối.
Kết quả thiết kế công nghệ được sử dụng làm đầu vào cho việc thiết kế mạng lưới.
Thiết kế này phải phục vụ các mục đích khác nhau và thường mâu thuẫn nhau, ví dụ: sự thỏa mãn nhu
cầu, hiệu quả chi phí hoặc duy trì chất lượng dịch vụ nhất định.
Các quyết định quan trọng cần đưa ra ở cấp độ này bao gồm việc bố trí và xác định kích thước của quá
trình xử lý.các nút và liên kết truyền dẫn.
10.4 Hai mục tiêu học tập
Để tìm hiểu và giải quyết các vấn đề phức tạp ở khu vực thành thị nơi viễn thông là thiết yếu xương sống
hiện nay, bằng phương pháp mô hình toán học (MM), chúng tôi đề xuất nghiên cứu một trong hai lập kế
hoạch cho các vấn đề sử dụng SP cho Viễn thông, cụ thể là lập kế hoạch cho dịch vụ thông tin dựa trên
Internet và sơ tán khi xảy ra thảm họa trong khi vẫn duy trì hoạt động viễn thông.
• P1: Lập kế hoạch cung cấp dịch vụ thông tin trên Internet
– Chúng tôi xem xét vấn đề triển khai dịch vụ thông tin trên nền Internet trên một số lãnh thổ, có thể là
một quốc gia, một vùng, một đô thị hoặc một thành phố.
– Chúng tôi giả định rằng bản thân mạng đã tồn tại và quyết định bao gồm việc triển khai máy chủ tại các
nút của mạng này và chỉ định nhu cầu được tạo ở các vị trí đồ họa địa lý khác nhau cho các máy chủ này.
Trong số các khía cạnh khác nhau của vấn đề, chúng ta nên xem xét khía cạnh địa lý; sự không chắc chắn
về nhu cầu và chi phí; cơ cấu chi phí, trong đó bao gồm chi phí cố định và biến đổi; cạnh tranh và thay
thế giữa các dịch vụ; Và mối quan hệ giữa các tác nhân thị trường khác nhau, ví dụ: nhà cung cấp mạng
và nhà cung cấp dịch vụ.
• P2: Lập kế hoạch sơ tán khi thiên tai đồng thời duy trì viễn thông
Các sự kiện cực đoan (do thiên tai hoặc do con người gây ra) có thể ảnh hưởng nghiêm trọng đến mạng
lưới và dịch vụ viễn thông ở các khu vực đô thị. Lập kế hoạch sơ tán sao cho hợp lý thảm họa là một
hành động quan trọng và cần được suy nghĩ cẩn thận (sớm) và thực hiện (vào ngày thời gian), đặc biệt
khi có sự không chắc chắn.
LÀM THẾ NÀO để thực hiện dự án SP cho Viễn thông?
Nhóm ít nhất 4 học sinh chỉ chọn một bài toán và trình bày cách xây dựng mô hình với những quyết định
được đưa ra. Họ nên thực hiện công việc thử nghiệm (với các chương trình được viết bằng Python hoặc
R ) cho một bài toán được đề xuất với các mô phỏng nhỏ hoặc dữ liệu thực tế.
Mục tiêu 1 cho Vấn đề 1: SP để lập kế hoạch dịch vụ thông tin dựa trên Internet.
Nhóm chỉ học cách lập kế hoạch cho một dịch vụ thông tin dựa trên Internet (xem Gaivoronski,
[2, Tiểu mục 32.3.1]) và viết báo cáo về các bước phát triển chính của mô hình đó, sử dụng
lý thuyết lập trình ngẫu nhiên và quá trình ra quyết định Markov, cụ thể là
Bước 1: Mô hình giảm thiểu chi phí xác định trong một thời kỳ
Bước 2: Mô hình tối thiểu hóa chi phí ngẫu nhiên hai giai đoạn
Bước 3: Mô hình tối đa hóa lợi nhuận ngẫu nhiên hai giai đoạn với việc định giá
Mục tiêu 2 cho Vấn đề 2: SP về lập kế hoạch sơ tán trong ứng phó thiên tai.
Chiến tranh, tác động của biến đổi khí hậu, thảm họa do con người hoặc thiên tai... có thể gây ra cho
cộng đồng ít cảnh báo và để lại nhiều thiệt hại và nhiều thương vong. Dịch vụ viễn thông có thể bị phá
vỡ trong những tình huống xấu như vậy. Làm thế nào để bạn đối phó với những thái cực như vậy?
Nhóm học cách xây dựng chương trình ngẫu nhiên hai giai đoạn để đối phó với tình trạng cực đoan đó
trường hợp, xem nghiên cứu gần đây [3]

Phương pháp điểm trong luôn đưPhương pháp điểm trong luôn được thực hiện khi miền khả thi khác rỗng là đúng
hay sai