Декомпозиция для решения двухуровневой задачи

Предложены методы декомпозиции для решения двухуровневых задач принципал-агент с лотерейными контрактами. Рассмотрены варианты декомпозиции Данцига – Вулфа на примерах....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Datum:2011
Hauptverfasser: Горбачук, В.М., Русанов, И.А.
Format: Artikel
Sprache:Russian
Veröffentlicht: Інститут кібернетики ім. В.М. Глушкова НАН України 2011
Schriftenreihe:Компьютерная математика
Schlagworte:
Online Zugang:http://dspace.nbuv.gov.ua/handle/123456789/84668
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:Декомпозиция для решения двухуровневой задачи / В.М. Горбачук, И.А. Русанов // Компьютерная математика: сб. науч. тр. — 2011. — № 2. — С. 124-132. — Бібліогр.: 19 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id irk-123456789-84668
record_format dspace
spelling irk-123456789-846682015-07-12T03:02:19Z Декомпозиция для решения двухуровневой задачи Горбачук, В.М. Русанов, И.А. Теория и методы оптимизации Предложены методы декомпозиции для решения двухуровневых задач принципал-агент с лотерейными контрактами. Рассмотрены варианты декомпозиции Данцига – Вулфа на примерах. Запропоновані методи декомпозиції для розв’язання дворівневих задач принципал-агент з лотерейними контрактами. Розглянуті варіанти декомпозиції Данцига – Вулфа на прикладах. Decomposition methods for solving bilevel principal-agent problems with lottery contracts are suggested. The variants of Dantzig – Wolfe decomposition have been analyzed with examples. 2011 Article Декомпозиция для решения двухуровневой задачи / В.М. Горбачук, И.А. Русанов // Компьютерная математика: сб. науч. тр. — 2011. — № 2. — С. 124-132. — Бібліогр.: 19 назв. — рос. ХХХХ-0003 http://dspace.nbuv.gov.ua/handle/123456789/84668 519.8 ru Компьютерная математика Інститут кібернетики ім. В.М. Глушкова НАН України
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
language Russian
topic Теория и методы оптимизации
Теория и методы оптимизации
spellingShingle Теория и методы оптимизации
Теория и методы оптимизации
Горбачук, В.М.
Русанов, И.А.
Декомпозиция для решения двухуровневой задачи
Компьютерная математика
description Предложены методы декомпозиции для решения двухуровневых задач принципал-агент с лотерейными контрактами. Рассмотрены варианты декомпозиции Данцига – Вулфа на примерах.
format Article
author Горбачук, В.М.
Русанов, И.А.
author_facet Горбачук, В.М.
Русанов, И.А.
author_sort Горбачук, В.М.
title Декомпозиция для решения двухуровневой задачи
title_short Декомпозиция для решения двухуровневой задачи
title_full Декомпозиция для решения двухуровневой задачи
title_fullStr Декомпозиция для решения двухуровневой задачи
title_full_unstemmed Декомпозиция для решения двухуровневой задачи
title_sort декомпозиция для решения двухуровневой задачи
publisher Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate 2011
topic_facet Теория и методы оптимизации
url http://dspace.nbuv.gov.ua/handle/123456789/84668
citation_txt Декомпозиция для решения двухуровневой задачи / В.М. Горбачук, И.А. Русанов // Компьютерная математика: сб. науч. тр. — 2011. — № 2. — С. 124-132. — Бібліогр.: 19 назв. — рос.
series Компьютерная математика
work_keys_str_mv AT gorbačukvm dekompoziciâdlârešeniâdvuhurovnevojzadači
AT rusanovia dekompoziciâdlârešeniâdvuhurovnevojzadači
first_indexed 2025-07-06T11:44:08Z
last_indexed 2025-07-06T11:44:08Z
_version_ 1836897796556324864
fulltext 124 Компьютерная математика. 2011, № 2 Теория и методы оптимизации Предложены методы декомпози- ции для решения двухуровневых задач принципал-агент с лоте- рейными контрактами. Рассмот- рены варианты декомпозиции Данцига – Вулфа на примерах.  В.М. Горбачук, И.А. Русанов, 2011 Компьютерная математика. 2011, № 2 125 УДК 519.8 В.М. ГОРБАЧУК, И.А. РУСАНОВ ДЕКОМПОЗИЦИЯ ДЛЯ РЕШЕНИЯ ДВУХУРОВНЕВОЙ ЗАДАЧИ Введение. Любая задача с ограниченной информацией является двухуровневой – с уровнем (агентом), являю- щимся источником информа- ции, и уровнем (принципа- лом), не являющимся источ- ником такой информации, но зависящим от нее. При этом между уровнями возникает проблема риска злоупотреб- ления информацией – про- блема морального риска. По- скольку решения принима- ются на каждом уровне, то двухуровневая задача слож- нее обычной оптимизации [1]. Приложениями задачи принципал-агент являются: страхование, когда страхов- щик не может наблюдать уровень осторожности за- страхованного лица; земле- пользование, когда землевла- делец не может наблюдать исходное решение фермера- арендатора; управление, ко- гда собственник фирмы не может наблюдать уровень усилий менеджера или ра- ботника [2–9]. Принципал выбирает контракт распреде- ления рисков (схему стимулирования), мак- симизирующий его ожидаемую полезность при заданных ограничениях. В схеме рас- крытия предпочтений [7, 10, 11] контракты включают лотереи, т. е. принципал выбирает распределение вероятности на определенном множестве переменных, а не детерминиро- ванную функцию (Д. Миррлиз, Э. Прескотт, Р. Майерсон – Нобелевские лауреаты 1996, 2004, 2007 гг.). Предложенные лотерейные контракты за счет рандомизации позволяют избегать жестких условий для предпочтений (полезностей) принципала и агента, а также для используемых ними технологий (произ- водственных функций). В.М. ГОРБАЧУК, И.А. РУСАНОВ Компьютерная математика. 2011, № 2 126 Широкое применение задачи принципал-агент сдерживают вычислительные трудности. Однако в конце прошлого тысячелетия удалось найти способы све- дения задачи принципал-агент к известным задачам линейного программирова- ния большой размерности [12]. Далее удалось найти особенности задачи прин- ципал-агент, позволяющие эффективно применять алгоритмы декомпозиции к редуцированным задачам линейного программирования [13–15] и применять некоторые приемы динамического программирования [16]. Таким образом, со- временные вычислительные мощности позволят учитывать поведение каждого из 7 млрд. участников мировой экономики. В стандартном примере приложения задачи принципал-агент владелец фирмы (принципал) делегирует ведение дел фирмы менеджеру (агенту) и не от- слеживает действия менеджера, но наблюдает результат таких действий – вало- вую прибыль фирмы. В ряде ситуаций у принципала есть возможности несо- вершенного мониторинга действий менеджера [5, 6, 8, 9]. Пусть эта прибыль зависит от действий менеджера, а также от других факторов вне власти менед- жера – случайных факторов. Тогда, если дела фирмы идут хорошо, то владельцу не вполне ясно, что является причиной успеха фирмы – действия менеджера или удачное стечение обстоятельств. После того, как принципал и агент согласились на контракт, можно выде- лить ряд последовательных этапов проблемы морального риска: принципал рекомендует действие агенту; агент предпринимает скрытое (hidden) действие; осуществляется публично наблюдаемый результат действия агента; принципал выделяет вознаграждение агенту. Предположим, что: принципал наблюдает лишь конечное количество уровней валовой прибыли (результатов) фирмы: 1q , 2q ,…, nq ; множество A действий (actions) менеджера является непустым компактным подмножеством конечномерного евклидова пространства nR ; действие Aa∈ менеджера влияет на распределение )|( aqp i вероятности (probability) результатов, ni ,...,2,1= ; Aa∈∀ менеджер знает значение экзогенной функции )|( aqp i , но не знает результирующего исхода 1{qqi ∈ , 2q ,…, }nq ; предпочтения менеджера определяются функцией ),( IaU полезности (utili- ty) фон Неймана – Моргенштерна (von Neumann – Morgenstern), где I – возна- граждение (incentive) менеджеру от принципала (потребление менеджера); принципал заинтересован только в чистой прибыли фирмы, т. е. валовой прибыли минус оплата менеджера; принципал имеет функцию полезности )( IqW i − . В стандартной постановке принципал детерминированно рекомендует ме- неджеру действие Aa∈ и детерминированную схему компенсации (стимулиро- ДЕКОМПОЗИЦИЯ ДЛЯ РЕШЕНИЯ ДВУХУРОВНЕВОЙ ЗАДАЧИ Компьютерная математика. 2011, № 2 127 вания) ))(),...,(),(( 21 nqIqIqII = r , максимизируя по переменным a , I r свою ожидаемую полезность ∑ = − n i iii qIqWaqp 1 ))(()|( (1) при условии участия (participation constraint) ∑ = ≥ n i ii UqIaUaqp 1 ))(,()|( Aa∈∀ (2) и при условии совместимости стимулов (incentive compatibility constraint) ∑ = ≥ n i ii qIaUaqp 1 ))(,()|( ∑ = n i ii qIaUaqp 1 ))(,()|( Aa ∈∀ , (3) где U – отправная (reservation) цена менеджера, т. е. ожидаемый уровень полез- ности, который менеджер может достичь, работая в любом другом месте. Когда множество A имеет мощность континуума, то условие (3) можно за- менить более простым условием первого порядка для максимизации ожидаемой полезности агента. Для облегчения вычислений далее считаем, что множество A конечное и состоит из элементов ja , nj ,...,2,1= . Для упрощения изложения предполагаем, что 0)|( >aqp i Aa∈∀ , ni ,...,2,1= [4, 17]. Когда контракты допускают лотереи [7, 11, 18], то принципал выбирает распределение )(aπ вероятности на множестве A . Поскольку тогда каждое действие может быть рекомендовано, то схема стимулирования обуслов- лена a и iq , а принципал выбирает плотность распределения ),|)(( aqqI iiπ ус- ловной вероятности. При этом вырожденные распределения приводят к детер- минированным контрактам. Оба источника рандомизации в схеме стимулирования обеспечивают ряд преимуществ и увеличивают благосостояние, если функции полезности являют- ся кусочно-выпуклыми. За счет рандомизации можно также ослабить условие (3), если предпочтения являются несепарабельными. Например, если действие влияет на несклонность к риску, то рандомизация может стать эффективным способом осуществления такого действия. Непосредственная замена )|( aqp i на )(aπ или ),|)(( aqqI iiπ не приводит задачу (1)–(3) к задаче линейного программирования (ЛП). Этого можно дос- тичь, вводя совместное распределение )()|(),|)((),),(( aaqpaqqIaqqI iiiii ππ=π (4) как переменную решения. Поскольку принципал выбирает не совместное распределение ),),(( aqqI iiπ , а функцию распределения )(aπ вероятности и функцию распределения ),|)(( aqqI iiπ условной вероятности, то при технологических ограничениях В.М. ГОРБАЧУК, И.А. РУСАНОВ Компьютерная математика. 2011, № 2 128 ∑∑ == π=π n i iil n i li aqqIaqpaqqI 11 ),),(()|(),),(( Aa ∈∀ , nl ,...,2,1= , (5) выбор ),),(( aqqI iiπ равносилен неявному выбору принципалом )(aπ и ),|)(( aqqI iiπ , но не )|( aqp i . За принципом раскрытия (revelation), рекомендованное действие a является решением задачи максимизации ожидаемой полезности агента, т. е. Aa ∈∀ ∑ = ≥π n i iiii qIaUaqpaqqI 1 ))(,()|(),|)(( ∑ = π n i iiii qIaUaqpaqqI 1 ))(,()|(),|)(( . Используя равенство )|(),|)(()|),(( aqpaqqIaqqI iiiii π=π , (6) в последнем неравенстве, получаем ∑ = ≥π n i iii qIaUaqqI 1 ))(,()|),(( ∑ = π n i i i i ii qIaU aqp aqp aqqI 1 ))(,( )|( )|( )|),(( Aa ∈∀ , где )|( )|( )|),(( aqp aqp aqqI i i iiπ – совместная вероятность того, что агент получает )),(( ii qqI при рекомендованном принципалом действии a и фактическом дей- ствии a агента. Умножая обе части равенства (6) на 0)( >π a , получаем в силу равенства (4) соотношение ),),(()()|(),|)(()()|),(( aqqIaaqpaqqIaaqqI iiiiiii π=ππ=ππ . Используя это в последнем неравенстве, линеаризуем его по ),),(( aqqI iiπ : ∑ = ≥π n i iii qIaUaqqI 1 ))(,(),),(( ∑ = π n i i i i ii qIaU aqp aqp aqqI 1 ))(,( )|( )|( ),),(( Aa ∈∀ , Aa∈∀ . (7) Если 0)( =π a , то действие a не рекомендуется, а ограничения для таких действий тривиально удовлетворяются. Кроме того, вероятностные ограничения гарантируют то, что ),),(( aqqI iiπ является вероятностной мерой: ∑∑ = ∈ =π n i Aa ii aqqI 1 1),),(( , (8) 0),),(( ≥π aqqI ii Aa∈∀ , ni ,...,2,1= . (9) В постановке задачи принципал-агент, где контракты допускают лотереи, принципал рекомендует не a и I r для максимизации своей ожидаемой полезно- сти (1), а выбирает функцию совместного распределения ),),(( aqqI iiπ , для мак- симизации ожидаемой полезности ДЕКОМПОЗИЦИЯ ДЛЯ РЕШЕНИЯ ДВУХУРОВНЕВОЙ ЗАДАЧИ Компьютерная математика. 2011, № 2 129 ∑∑ = ∈ −π n i Aa iiii qIqWaqqI 1 ))((),),(( (10) при технологических ограничениях (5), условии совместимости стимулов (7) вместо (3), вероятностных ограничениях (8), (9), а также при условии участия ∑∑ = ∈ ≥π n i Aa iii UqIaUaqqI 1 ))(,(),),(( (11) вместо (2). Задача (5), (7)–(9), (10), (11) является задачей максимизации линейной функции при конечном количестве линейных ограничений. Решая эту задачу для каждого допустимого значения U , можно найти границу (frontier) Парето. Для задачи ЛП множество допустимых решений является выпуклым. Тогда при сла- бой вогнутости целевой функции множество допустимых полезностей также является выпуклым, а границу Парето можно найти, используя задачу планиро- вщика (planner) максимизации по ),),(( aqqI iiπ взвешенной суммы полезностей принципала и агента ]))(()1())(,()[,),(( 1 ∑∑ = ∈ −λ−+λπ n i Aa iiiii qIqWqIaUaqqI (12) при условиях (5), (7)–(9) и без условия участия, где ]1,0[∈λ – вес агента. Заметим, что условие совместимости стимулов (3), в отличие от условия (7), не обязательно задает выпуклое множество и поэтому не задает всю границу Парето. Задача (5), (7)–(9), (12) также является задачей ЛП. Решая эту задачу для каждого ]1,0[∈λ , можно найти границу Парето. Для поиска границы Парето можно использовать допустимые значения по- лезностей принципала и агента в задаче (5), (7)–(9), (10), (11). Покажем, что задача принципал-агент имеет структуру, позволяющую при- менять вариант декомпозиции Данцига – Вулфа [19], разбивающий исходную задачу на подзадачи, которые можно решать отдельно, существенно снижая тре- бования к размерности (памяти) исходной задачи. Каждая локальная подзадача nj ,...,2,1= учитывает только переменные, от- носящиеся к действию ja , и свои вероятностные ограничения (5), (7)–(9): 1 1, ( ( ), , ) (1 ( | )) ( ( ), , ) ( | ) 0, i l n n i l j l j i i j l j i i q q I q q a p q a I q q a p q a = = ≠ π − − π =∑ ∑ 1,...,l n= , ∑ = ≥         −π n i ik ji ki ijjii qIaU aqp aqp qIaUaqqI 1 0))(,( )|( )|( ))(,(),),(( , 1,2, ..., ,k n= В.М. ГОРБАЧУК, И.А. РУСАНОВ Компьютерная математика. 2011, № 2 130 ∑ = =π n i jii aqqI 1 1),),(( , 0),),(( ≥π jii aqqI , 1,2,..., .i n= Ограничение (8), нормирующее решение подзадачи к полезности ex post, не вписывается в стандартный алгоритм декомпозиции Данцига – Вулфа. Посколь- ку правые части остальных ограничений нулевые, то такая нормировка не влия- ет на отношения полезностей. Решение подзадачи в стандартном алгоритме оце- нивает как часть целевой функции, так и часть ее аргументов. Множество решений ),),(( jii aqqIπ , удовлетворяющих ограниченям (5), (7), (8), (9), является выпуклым множеством с конечным числом крайних точек. По- скольку это множество ограничено в силу ограничений (8), (9), то оно является выпуклой оболочкой этих крайних точек. Обозначим jP множество таких край- них точек. Так как в локальных подзадачах j целевые функции линейные, то множест- во допустимых значений полезностей принципала jWx и агента jUx можно представлять выпуклыми оболочками },{ jUjWj xxX = полезностей в точках jP . Обозначая ),( jUjW xxπ вероятность выбора пары ),( jUjW xx , координи- рующая (master) задача состоит в максимизации по 0),( ≥π jUjW xx ожидаемой полезности принципала ∑ = π n j jWjUjW xxx 1 ),( (13) при условии участия ∑ = ≥π n j jUjUjW Uxxx 1 ),( , (14) вероятностных ограничениях ∑ = =π n j jUjW xx 1 1),( (15) и блочном ограничении jjUjW Xxx ∈),( . (16) Координирующая задача ЛП (13)–(16) содержит связующие ограничения (14) и (15). Обозначим φ двойственную переменную для ограничения (14), а ϕ – двойственную переменную для ограничения (15). Тогда можно выписать усло- вия оптимальности ϕ≤φ− jUjU xx nj ,...,2,1=∀ . (17) ДЕКОМПОЗИЦИЯ ДЛЯ РЕШЕНИЯ ДВУХУРОВНЕВОЙ ЗАДАЧИ Компьютерная математика. 2011, № 2 131 Несмотря на кажущуюся простоту координирующей задачи (13)–(16), эта задача содержит много переменных и требует поиска декомпозиции. Алгоритм Данцига – Вулфа преодолевает проблему размерности путем вычисления только нужных пар jjUjW Xxx ∈),( . Шаг 1. Начальным приближением алгоритма является некоторое допусти- мое решение координирующей задачи (13)–(16). Обозначим jj XX ⊂~ множест- во крайних точек этого допустимого решения. Шаг 2. Находим решение координирующей задачи (13)–(16) с jX ~ вместо jX . Такая задача имеет небольшую размерность и базисное допустимое реше- ние по предположению. Шаг 3. Используя базисное допустимое решение, находим двойственные переменные. Шаг 4. Вместо нахождения коэффициентов при всех небазисных перемен- ных, т. е. нахождения всех крайних точек каждой подзадачи, в каждой подзадаче находим только крайнюю точку, максимизирующую целевую функцию. При ограничениях каждой локальной подзадачи (5), (7), (8), (9) можно решать подза- дачу максимизации по ),),(( jii aqqIπ свертки ∑ = −φ−π n i iiijjii qIqWqIaUaqqI 1 ))](())(,([),),(( . (18) Если ),( ** jUjW xx – решение подзадачи (5), (7), (8), (9), (18), то jjUjW Xxx ∈),( ** , причем ** jWjUjWjU xxxx φ−≤φ− jjWjU Xxx ∈∀ ),( . Шаг 5. Тогда, если условиям оптимальности (17) удовлетворяет пара ),( ** jUjW xx , то им удовлетворяют все пары jjUjW Xxx ∈),( , т. е. пара ),( ** jUjW xx является оптимальным решением координирующей задачи. Шаг 6. Если же пара ),( ** jUjW xx не удовлетворяет условиям (17), то реше- ние координирующей задачи не содержится среди крайних точек множества jX ~ . К каждому множеству jX ~ добавляем ранее вычисленное решение под- задачи j и возвращаемся на шаг 1. Пример. Пусть в экономике континуум агентов, каждый из которых имеет вогнутую по )( iqI и выпуклую по a функцию полезности aqIqIaU ii −+= 28.0)())(,( , (19) где потребление принимает 201 значение tqI i 01.00)( += , 200,...,2,1=t , (20) а уровень усилий (действие) имеет 77 значений Ta 025.005.0 += , 76,...,2,1=T . (21) В.М. ГОРБАЧУК, И.А. РУСАНОВ Компьютерная математика. 2011, № 2 132 Каждый агент может лишь прикладывать усилия на своем собственном уча- стке, скрытые от остальных. При этом результат усилий видят все, который принимает два значения: ,5.01 =q 5.12 =q . (22) Технология производства каждого агента задается функцией плотности рас- пределения вероятности отдачи от его усилий:       ≥−+ <−− == ,1, 2 )1(1 ,1, 2 )1(1 )|5.1( 2.0 2.0 a a a a aqp i (23) )|5.1(1)|5.0( aqpaqp ii =−== . (24) Заметим, что )|5.1( aqp i = обладает возрастающей отдачей от масштаба при 1≥a и уменьшающейся отдачей от масштаба при 1<a . Так как эти вероятности независимы, то нет агрегированной неопределенно- сти, а при отсутствии входящих и выходящих потоков экономики ресурсное ог- раничение имеет вид полезности нейтрального к риску принципала: ∑∑∑ = = = ≤−π 2 1 201 1 77 1 0)(),,( i t T itTit qIaqI . (25) Считая ex ante агентов идентичными, задача состоит в максимизации по ),,( Tit aqIπ ожидаемой полезности репрезентативного агента ∑∑∑ = = = π 2 1 201 1 77 1 ),(),,( i t T TtTit aIUaqI (26) при ресурсном ограничении (25), условии совместимости стимулов (7), техноло- гических ограничениях (5) и вероятностных ограничениях (8), (9). Эта задача эквивалентна максимизации полезности репрезентативного агента, когда прин- ципал довольствуется отправным уровнем своей полезности. Поскольку простейшая задача (5), (7)–(9), (19)–(26), моделирующая поведе- ние экономических участников (агентов), имеет более 300000 переменных и бо- лее 6000 ограничений, то требует применения декомпозиции. В.М. Горбачук, І.А. Русанов ДЕКОМПОЗИЦІЯ ДЛЯ РОЗВ’ЯЗАННЯ ДВОРІВНЕВОЇ ЗАДАЧІ Запропоновані методи декомпозиції для розв’язання дворівневих задач принципал-агент з лотерейними контрактами. Розглянуті варіанти декомпозиції Данцига – Вулфа на прикладах. V.M. Gorbachuk, I.A. Rusanov DECOMPOSITION FOR SOLVING BILEVEL PROGRAM Decomposition methods for solving bilevel principal-agent problems with lottery contracts are suggested. The variants of Dantzig – Wolfe decomposition have been analyzed with examples. ДЕКОМПОЗИЦИЯ ДЛЯ РЕШЕНИЯ ДВУХУРОВНЕВОЙ ЗАДАЧИ Компьютерная математика. 2011, № 2 133 1. Горбачук В.М. Методи індустріальної організації. – К.: А. С. К., 2010. – 224 с. 2. Горбачук В.М., Конакова Е.Н., Русанов И.А. Модернизация и частные компании, допол- няющие государственные функции // Моделювання та інформатизація соціально- економічного розвитку України. – 2010. – Вип. 11. – С. 233–244. 3. Горбачук В.М., Русанов И.А. Регулирование монополии при асимметричной информации // Компьютерная математика. – 2010. – № 1. – С. 3–10. 4. Grossman S., Hart O. An analysis of the principal agent problem // Econometrica. – 1983, January. – P. 7–45. 5. Harris M., Raviv A. Optimal incentive contracts with imperfect information // J. of economic theory. – 1979. – 20. – P. 231–259. 6. Holmstrom B. Moral hazard and observability // Bell journal of economics. – 1979. – 10. – P. 74–91. 7. Mirrlees J. The theory of moral hazard and unobservable behaviour: part I // Review of economic studies. – 1999, January. – P. 3–21. 8. Shavell S. On moral hazard and insurance // Quarterly j. of economics. – 1979. – 93. – P. 541–562. 9. Shavell S. Risk sharing and incentives in the principal agent relationship // Bell j. of economics. – 1979. – 10. – P. 55–73. 10. Myerson R.B. Optimal coordination mechanisms in generalized principal-agent problems // J. of mathematical economics. – 1982, June. – P. 67–81. 11. Prescott E.S., Townsend R.M. Pareto optima and competitive equilibria with adverse selection and moral hazard // Econometrica. – 1984, January. – P. 21–54. 12. Prescott E.S. Computing moral-hazard problems using the Dantzig–Wolfe decomposition algorithm // Federal Reserve Bank of Richmond working paper 98-6. – 1998. – 28 p. 13. Гамецкий А.Ф., Соломон Д.И. Исследование операций. Т. 1. – Кишинэу: Еврика, 2004. – 456 с. 14. Лаптин Ю.П., Журбенко Н.Г. Некоторые вопросы решения блочных нелинейных задач оптимизации со связанными ограничениями // Кибернетика и системный анализ. – 2006. – № 2. – С. 47–55. 15. Шор Н.З. Применение обобщенного градиентного спуска в блочном программировании // Кибернетика. – 1967. – № 3. – С. 53–55. 16. Prescott E.S. Computing solutions to moral-hazard programs using the Dantzig–Wolfe decomposition algorithm // J. of economic dynamics and control. – 2004. – 28. – P. 777–800. 17. Горбачук В.М., Бойко В.В., Русанов И.А. Проектирование контрактов в условиях риска // Теория оптимальных решений. – 2011. – № 1. – С. 3–9. 18. Townsend R.M. The medieval village economy: a study of the Pareto mapping in general equilibrium models. – Princeton, NJ: Princeton University Press, 1993. – 180 p. 19. Dantzig G.B., Wolfe P. The decomposition principle for linear programs // Operations research. – 1960. – 8. – P. 101–111. Получено 19.04.2010 Об авторах: Горбачук Василий Михайлович, кандидат физико-математических наук, старший научный сотрудник Института кибернетики имени В.М. Глушкова НАН Украины, GorbachukVasyl@netscape.net Русанов Иван Анатольевич, директор Фонда поддержки инфраструктурных мероприятий. IRusanov@FAPIM.ru