Stochastické celočíselné programování — Optimalizace diskrétních rozhodnutí za nejistoty
Stochastické celočíselné programování (SIP) je optimalizační rámec, který kombinuje celočíselné (diskrétní) rozhodovací proměnné s explicitním pravděpodobnostním modelováním nejistoty. Hledá nejlepší rozhodnutí typu „here-and-now“ (okamžité), které minimalizuje očekávané náklady (nebo maximalizuje očekávaný přínos) napříč distribucí budoucích scénářů, přičemž bere v úvahu skutečnost, že některá rozhodnutí musí být učiněna před rozřešením nejistoty.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Zdroje
- Birge, J. R., & Louveaux, F. (1997). Introduction to Stochastic Programming. Springer, New York. ISBN: 978-1-4614-0237-4
- Kleywegt, A. J., Shapiro, A., & Homem-de-Mello, T. (2002). The sample average approximation method for stochastic discrete optimization. SIAM Journal on Optimization, 12(2), 479-502. DOI: 10.1137/S1052623499363220 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Stochastic Integer Programming (SIP). ScholarGate. https://scholargate.app/cs/simulation/stochastic-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 celočíselné programováníSimulace↔ compare
- Stochastické programováníSimulace↔ compare
- Stochastické lineární programováníSimulace↔ compare
- Stochastické programování se smíšenými celočíselnými proměnnýmiSimulace↔ compare
- Stochastická multikriteriální optimalizaceSimulace↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →