Stochastische ganzzahlige Programmierung — Optimierung diskreter Entscheidungen unter Unsicherheit
Stochastische ganzzahlige Programmierung (SIP) ist ein Optimierungsrahmenwerk, das ganzzahlige (diskrete) Entscheidungsvariablen mit expliziter probabilistischer Modellierung von Unsicherheit kombiniert. Es sucht die beste Hier-und-Jetzt-Entscheidung, die die erwarteten Kosten minimiert (oder den erwarteten Nutzen maximiert) über eine Verteilung zukünftiger Szenarien, unter Berücksichtigung der Tatsache, dass einige Entscheidungen getroffen werden müssen, bevor die Unsicherheit aufgelöst ist.
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.
+1 more
Quellen
- Birge, J. R., & Louveaux, F. (1997). Introduction to Stochastic Programming. Springer, New York. ISBN: 978-1-4614-0237-4
- Kleywegt, A. J., Shapiro, A., & Homem-de-Mello, T. (2002). The sample average approximation method for stochastic discrete optimization. SIAM Journal on Optimization, 12(2), 479-502. DOI: 10.1137/S1052623499363220 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Stochastic Integer Programming (SIP). ScholarGate. https://scholargate.app/de/simulation/stochastic-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.
- Mixed-Integer ProgrammingSimulation↔ compare
- Robuste ganzzahlige ProgrammierungSimulation↔ compare
- Stochastic Dynamic ProgrammingSimulation↔ compare
- Stochastische Lineare ProgrammierungSimulation↔ compare
- Stochastische Gemischt-Ganzzahlige ProgrammierungSimulation↔ compare
- Stochastische Multi-Objektiv-OptimierungSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →