Stokastisk Heltalsprogrammering — Optimering under Usikkerhed med Diskrete og Kontinuerte Beslutninger
Stokastisk Heltalsprogrammering (SMIP) er et optimeringsrammeværk, der finder den bedste blanding af binære, heltal og kontinuerte beslutninger, når nøgleparametre — omkostninger, efterspørgsel, kapaciteter — er usikre og modelleres som sandsynlighedsfordelinger over et sæt scenarier. Det udvider klassisk Heltalsprogrammering (MIP) ved at indlejre scenarietræer eller forventningsværdi-objektiver, der afdækker mod usikkerhed, samtidig med at kombinatoriske begrænsninger respekteres.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/da/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.
- Blandet-heltallig programmeringSimulering↔ compare
- Monte Carlo-simuleringBeslutningstagning↔ compare
- Stokastisk dynamisk programmeringSimulering↔ compare
- Stokastisk Lineær ProgrammeringSimulering↔ compare
- Stokastisk Multi-Objektiv OptimeringSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →