Стохастично смесено-цялочислено програмиране — Оптимизация при неопределеност с дискретни и непрекъснати решения
Стохастично смесено-цялочислено програмиране (SMIP) е оптимизационна рамка, която намира най-добрата комбинация от бинарни, целочислени и непрекъснати решения, когато ключови параметри — разходи, търсене, капацитети — са несигурни и моделирани като вероятностни разпределения върху набор от сценарии. То разширява класическото MIP чрез вграждане на дървета от сценарии или цели, базирани на очаквана стойност, които предпазват от неопределеност, като същевременно спазват комбинаторни ограничения.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Birge, J. R., & Louveaux, F. (1997). Introduction to Stochastic Programming. Springer Series in Operations Research. New York: Springer. ISBN: 9780387982175
- Sen, S., & Higle, J. L. (2005). The C3 theorem and a D2 algorithm for large scale stochastic mixed-integer programming: Set convexification. Mathematical Programming, 104(1), 1–20. DOI: 10.1007/s10107-004-0566-z ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/bg/simulation/stochastic-mixed-integer-programming
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Целочислено линейно оптимиранеСимулационно моделиране↔ compare
- Монте Карло симулацияВземане на решения↔ compare
- Стохастично динамично програмиранеСимулационно моделиране↔ compare
- Стохастично линейно програмиранеСимулационно моделиране↔ compare
- Стохастична многокритериална оптимизацияСимулационно моделиране↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →