Stohhastiline täisarvuline planeerimine – optimeerimine määramatuse tingimustes diskreetsete ja pidevate otsustega
Stohhastiline täisarvuline planeerimine (SMIP) on optimeerimisraamistik, mis leiab parima kombinatsiooni binaarsetest, täisarvulistest ja pidevatest otsustest olukorras, kus võtmeparameetrid – kulud, nõudlused, võimsused – on ebakindlad ja modelleeritud tõenäosusjaotustena stsenaariumide hulga kaudu. See laiendab klassikalist täisarvulist planeerimist (MIP), kaasates stsenaariumipuid või oodatava väärtuse eesmärke, mis maandavad määramatust, järgides samal ajal kombinatoorseid piiranguid.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/et/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.
- SegmendiprognoosimineSimulatsioon↔ compare
- Monte Carlo simulatsioonOtsustamine↔ compare
- Stochastic Dynamic ProgrammingSimulatsioon↔ compare
- Stokastiline lineaarne programmeerimineSimulatsioon↔ compare
- Stohhastiline mitmeotstarbeline optimeerimineSimulatsioon↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →