Stochastické programování se smíšenými celočíselnými proměnnými — Optimalizace za nejistoty s diskrétními a spojitými rozhodnutími
Stochastické programování se smíšenými celočíselnými proměnnými (SMIP) je optimalizační rámec, který hledá nejlepší kombinaci binárních, celočíselných a spojitých rozhodnutí v situacích, kdy jsou klíčové parametry – náklady, poptávka, kapacity – nejisté a modelované jako rozdělení pravděpodobnosti napříč množinou scénářů. Rozšiřuje klasické MIP tím, že zahrnuje scénářové stromy nebo cílové funkce očekávané hodnoty, které se brání nejistotě při respektování kombinatorických omezení.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/cs/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.
- Programování se smíšenými celočíselnými proměnnýmiSimulace↔ compare
- Simulace Monte CarloRozhodování↔ compare
- Stochastické programováníSimulace↔ compare
- Stochastické lineární programováníSimulace↔ compare
- Stochastická multikriteriální optimalizaceSimulace↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →