Robuste lineare Programmierung — Optimierung unter Unsicherheit
Robuste lineare Programmierung (RLP) erweitert die klassische lineare Programmierung, um Unsicherheiten in den Problem-Daten — Kostenkoeffizienten, Koeffizienten von Nebenbedingungen oder rechte Seiten — zu behandeln, indem sie verlangt, dass Lösungen über alle Realisierungen unsicherer Parameter innerhalb einer definierten Unsicherheitsmenge zulässig und annähernd optimal bleiben. Sie ersetzt probabilistische Annahmen durch Garantien für den schlechtesten Fall (Worst-Case), was sie praktikabel macht, wenn Verteilungskenntnisse begrenzt sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Linear Programming — Uncertainty-Aware Linear Optimization. ScholarGate. https://scholargate.app/de/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.
- Lineare Programmierung mit deterministischen ParameternSimulation↔ compare
- Robust Goal ProgrammingSimulation↔ compare
- Robuste gemischt-ganzzahlige ProgrammierungSimulation↔ compare
- Robuste MehrzieloptimierungSimulation↔ compare
- Stochastische Lineare ProgrammierungSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →