Принципы традиционного динамического программирования

Динамическое программирование (иначе “динамиче­ское планирование”) есть особый метод оптимизации решений, специально приспособленный к так называемым “многошаговым” (или “многоэтапным”) операциям. Теоретические основы этого метода рассмотрены в [2], в [ 3 ] на стр. 245 – 265, и в [ 4 ] на стр. 142 – 150, оттуда же взяты соответствующие примеры.

Представим себе некоторую операцию Q, распадающуюся на ряд последовательных “шагов” или “этапов”, например де­ятельность отрасли промышленности в течение ряда лет; или же преодоление группой самолетов нескольких полос противовоздушной обороны; или же последовательность шагов, применяемых при контроле аппаратуры. Некоторые операции (подобно вышеприведенным) расчленяются на шаги естественно; в некоторых членение приходится вводить искусственно: например, процесс наведения ракеты на цель можно и нужно разбить на этапы, каждый из которых занимает какое-то время.

Рассмотрим операцию Q, состоящую из т шагов (этапов). Пусть эффективность операции характеризуется каким-то показателем W,который мы для краткости будем именовать “выигрышем”. Предположим, что выигрыш Wзавсю операцию складывается из выигрышей на отдельных шагах:

где w_i – выигрыш на i-м шаге.

Если W обладает таким свойством, то его называют аддитивным критерием.

Любую многошаговую задачу можно решать по-разному: либо искать сразу все элементы решения на всех т шагах, либо же строить оптимальное управление шаг за шагом, на каждом этапе расчета оптимизируя только один шаг. Обычно второй способ оптимизации оказывается проще, чем первый, особенно при большом числе шагов. При использовании компьютерных сервисов первый способ оказывается выгоднее, и в дальнейшем мы будем его применять, но вначале ознакомимся с традиционным динамическим программированием.

В основе метода динамического программирования лежит идея постепенной, пошаговой оптимизации. Оптимиза­ция одного шага, как правило, проще оптимизации всего про­цесса: лучше, оказывается, много раз решить сравнительно простую задачу, чем один раз – сложную.

С первого взгляда идея может показаться довольно триви­альной. В самом деле, чего, казалось бы, проще: если трудно оп­тимизировать операцию в целом, разбить ее на ряд шагов. Каж­дый такой шаг будет отдельной маленькой операцией, оптими­зировать которую уже нетрудно. Надо выбрать на этом шаге такое управление, чтобы эффективность этого шага была мак­симальна. Не так ли? Нет, вовсе не так. Принцип динамического программирова­ния отнюдь не предполагает, что каждый шаг оптимизируется отдельно, независимо от других. Напротив, шаговое управ­ление должно выбираться дальновидно, с учетом всех его по­следствий в будущем. Что толку, если мы выберем на данном шаге управление, при котором эффективность этого шага максимальна, если этот шаг лишит нас возможности хорошо выиграть на последующих шагах?

Пусть, например, планируется работа группы промышлен­ных предприятий, из которых часть занята выпуском предметов потребления, а остальные производят для них машины. Задача операции — получить за т лет максимальный объем выпуска предметов потребления. Допустим, планируются капиталовло­жения на первый год. Исходя из узких интересов этого шага (года), мы должны были бы все наличные средства вложить в производство предметов потребления. Но правильно ли будет такое решение с точки зрения эффективности операции в це­лом? Очевидно, нет. Это решение – расточительное, недально­видное. Имея в виду будущее, надо выделить какую-то долю средств и на производство машин. От этого объем продукции за первый год, конечно, снизится, зато будут созданы условия для его увеличения в последующие годы.

Еще пример. Допустим, что в задаче прокладки железно­дорожного пути из А в В мы прельстимся идеей сразу же устре­миться по самому легкому (дешевому) направлению. Что толку от экономии на первом шаге, если в дальнейшем он заведет нас (буквально или фигурально) в «болото»?

Значит, планируя многошаговую операцию, надо выбирать управление на каждом шаге с учетом всех его будущих последствий на еще предстоящих шагах. Управление на i-м шаге выбирается не так, чтобы выигрыш именно на данном шаге был макси­мален, а так, чтобы была максимальна сумма выигрышей н а всех оставшихся до конца шагах плюс данный.

Однако из этого правила есть исключение. Среди всех ша­гов есть один, который может планироваться попросту, без ог­лядки на будущее. Какой это шаг? Очевидно, последний! Этот шаг, единственный из всех, можно планировать так, чтобы он сам, как таковой, принес наибольшую выгоду.

Поэтому процесс динамического программирования обыч­но разворачивается от конца к началу: прежде всего планирует­ся последний, m-й шаг. А как его спланировать, если мы не зна­ем, чем кончился предпоследний, т. е. не знаем условий, в ко­торых мы приступаем к последнему шагу?

Вот тут-то и начинается самое главное. Планируя послед­ний шаг, нужно сделать разные предположения о том, чем кончился предпоследний, (т–1)-й шаг, и для каждого из этих предположений найти условное оптималь­ное управление на m-м шаге («условное» потому, что оно выбирается исходя из условия, что предпоследний шаг кон­чился так-то и так-то).

Предположим, что мы это сделали и для каждого из воз­можных исходов предпоследнего шага знаем условное опти­мальное управление и соответствующий ему условный опти­мальный выигрыш на m-м шаге. Теперь мы можем оптимизировать управление на предпоследнем, (т–1)-м шаге. Снова сделаем все возможные предположения о том, чем кон­чился предыдущий, (т–2)-й шаг, и для каждого из этих пред­положений найдем такое управление на (т–1)-м шаге, при ко­тором выигрыш за последние два шага (из которых m-й уже оп­тимизирован) максимален. Так мы найдем для каждого исхода (т–2)-го шага условное оптимальное управление на (т–1)-м шаге и условный оптимальный выигрыш на двух последних шагах. Далее, «пятясь назад», оптимизируем управление на (т–2)-м шаге и т. д., пока не дойдем до первого.

Предположим, что все условные оптимальные управления и условные оптимальные выигрыши за весь «хвост» процесса (на всех шагах, начиная от данного и до конца) нам известны. Это значит: мы знаем, что надо делать, как управлять на данном ша­ге и что мы за это получим на “хвосте”, в каком бы состоянии ни был процесс к началу шага. Теперь мы можем построить уже не условно оптимальное, а просто оптимальное управление х* и найти не условно оптимальный, а просто оптимальный выигрыш W* .

В самом деле, пусть мы знаем, в каком состоянии S₀была управляемая система (объект управления S) в начале первого шага. Тогда мы можем выбрать оптимальное управление х₁*на первом шаге. Применив его, мы изменим состояние системы на некоторое новое S₁*; в этом состоянии мы подошли ко второму шагу. Тогда нам тоже известно условное оптимальное управле­ние х₂*, которое к концу второго шага переводит систему в состояние S₂, и т. д. Что касается оптимального выигрыша W за всю операцию, то он нам уже известен: ведь именно на основе его максимальности мы выбирали управление на первом шаге.

Таким образом, в процессе оптимизации управления мето­дом динамического программирования многошаговый процесс «проходится» дважды: первый раз – от конца к началу, в результате чего находятся условные оптимальные управления и условные оптимальные выигрыши за оставшийся «хвост» процесса; второй раз – от начала к концу, когда нам остается только «прочитать» уже готовые рекомендации и найти безус­ловное оптимальное управление х*, состоящее из оптимальных шаговых управлений х₁*,х₂*,….х_m*.

Первый этап условной оптимизации – несравненно сложнее и длительнее второго. Второй этап почти не требует до­полнительных вычислений.

Общий принцип, лежащий в основе реше­ния всех задач динамического программирования (его часто на­зывают «принципом оптимальности»): каково бы ни было состояние системы S перед очередным ша­гом, надо выбирать управление на этом шаге так, чтобы выигрыш на данном шаге плюс оптимальный выигрыш на всех последующих шагах был максимальным.