Programación Estocástica Entera Mixta — Optimización Bajo Incertidumbre con Decisiones Discretas y Continuas
La Programación Estocástica Entera Mixta (SMIP, por sus siglas en inglés) es un marco de optimización que encuentra la mejor combinación de decisiones binarias, enteras y continuas cuando los parámetros clave —costos, demandas, capacidades— son inciertos y se modelan como distribuciones de probabilidad sobre un conjunto de escenarios. Extiende la Programación Entera Mixta (MIP) clásica al incorporar árboles de escenarios u objetivos de valor esperado que se protegen contra la incertidumbre respetando las restricciones combinatorias.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/es/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.
- Programación Entera MixtaSimulación↔ compare
- Simulación de Monte CarloToma de decisiones↔ compare
- Programación Dinámica EstocásticaSimulación↔ compare
- Programación Lineal EstocásticaSimulación↔ compare
- Optimización Estocástica MultiobjetivoSimulación↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →