Stochastische Gemischt-Ganzzahlige Programmierung — Optimierung unter Unsicherheit mit diskreten und kontinuierlichen Entscheidungen
Die Stochastische Gemischt-Ganzzahlige Programmierung (SMIP) ist ein Optimierungsrahmenwerk, das die beste Mischung aus binären, ganzzahligen und kontinuierlichen Entscheidungen findet, wenn Schlüsselparameter — Kosten, Bedarfe, Kapazitäten — unsicher sind und als Wahrscheinlichkeitsverteilungen über eine Menge von Szenarien modelliert werden. Sie erweitert die klassische MIP durch Einbettung von Szenariobäumen oder Erwartungswert-Zielfunktionen, die gegen Unsicherheit absichern und gleichzeitig kombinatorische Nebenbedingungen respektieren.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/de/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.
- Mixed-Integer ProgrammingSimulation↔ compare
- Monte-Carlo-SimulationEntscheidungsfindung↔ compare
- Stochastic Dynamic ProgrammingSimulation↔ compare
- Stochastische Lineare ProgrammierungSimulation↔ compare
- Stochastische Multi-Objektiv-OptimierungSimulation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →