Robustní celočíselné programování se smíšenými proměnnými — Optimalizace s celočíselnými proměnnými za nejistoty
Robustní celočíselné programování se smíšenými proměnnými (RMIP) kombinuje celočíselné programování se smíšenými proměnnými s robustní optimalizací, aby nalezlo řešení, která zůstávají přípustná a téměř optimální navzdory nejistým parametrům. Namísto předpokladu fixních dat chrání rozhodnutí před nepříznivými nebo nejhoršími realizacemi nejistých vstupů, přičemž využívá explicitní množinu nejistoty k řízení míry konzervatismu a zároveň zachovává kombinatorickou strukturu celočíselných rozhodnutí.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Bertsimas, D., Sim, M. (2004). The price of robustness. Operations Research, 52(1), 35–53. DOI: 10.1287/opre.1030.0065 ↗
- Ben-Tal, A., El Ghaoui, L., Nemirovski, A. (2009). Robust Optimization. Princeton University Press, Princeton, NJ. ISBN: 9780691143682
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Mixed-Integer Programming (RMIP) — Optimization under uncertainty with integer decision variables. ScholarGate. https://scholargate.app/cs/simulation/robust-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.
- Programování se smíšenými celočíselnými proměnnýmiSimulace↔ compare
- Robustní lineární programováníSimulace↔ compare
- Robustní vícecilaová optimalizaceSimulace↔ compare
- Stochastické programování se smíšenými celočíselnými proměnnýmiSimulace↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →