Bayesian Integer Programming — Probabilistisch durch Prior-Leitlinien geführte kombinatorische Optimierung

Bayesian Integer Programming (BIP) integriert probabilistisches Schlussfolgern nach Bayes mit ganzzahliger Programmierung zur Lösung kombinatorischer Optimierungsprobleme unter Unsicherheit. Anstatt Parameter als fixiert zu betrachten, kodiert es A-priori-Überzeugungen über unsichere Koeffizienten und aktualisiert diese mit beobachteten Daten, was zu einer Posterior-gesteuerten Suche über ganzzahlig zulässige Lösungen führt. Der Ansatz wird häufig in der Terminplanung, der Ressourcenzuweisung und der Lieferkettenplanung eingesetzt, wo Daten unvollständig oder verrauscht sind.