Robust Lineær Programmering — Optimering Under Usikkerhed
Robust Lineær Programmering (RLP) udvider klassisk lineær programmering til at håndtere usikkerhed i problemdata — omkostningskoefficienter, begrænsningskoefficienter eller højresider — ved at kræve, at løsninger forbliver feasible og nær-optimale på tværs af alle realiseringer af usikre parametre inden for et defineret usikkerhedssæt. Den erstatter probabilistiske antagelser med worst-case garantier, hvilket gør den praktisk, når distributionskendskab er begrænset.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Bertsimas, D., Sim, M. (2004). The price of robustness. Operations Research, 52(1), 35–53. DOI: 10.1287/opre.1030.0065 ↗
- Ben-Tal, A., Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13. DOI: 10.1016/S0167-6377(99)00016-4 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Linear Programming — Uncertainty-Aware Linear Optimization. ScholarGate. https://scholargate.app/da/simulation/robust-linear-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.
- Deterministisk Lineær ProgrammeringSimulering↔ compare
- Robust MålprogrammeringSimulering↔ compare
- Robust Mixed-Integer ProgrammingSimulering↔ compare
- Robust Multi-Objective OptimizationSimulering↔ compare
- Stokastisk Lineær ProgrammeringSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →