برنامهریزی عدد صحیح مختلط تصادفی — بهینهسازی تحت عدم قطعیت با تصمیمات گسسته و پیوسته
برنامهریزی عدد صحیح مختلط تصادفی (SMIP) یک چارچوب بهینهسازی است که بهترین ترکیب از تصمیمات دودویی، صحیح و پیوسته را زمانی پیدا میکند که پارامترهای کلیدی — هزینهها، تقاضاها، ظرفیتها — نامشخص بوده و به صورت توزیعهای احتمال بر روی مجموعهای از سناریوها مدلسازی میشوند. این روش با گنجاندن درختهای سناریو یا اهداف ارزش مورد انتظار، که در برابر عدم قطعیت پوشش ایجاد میکنند و در عین حال محدودیتهای ترکیبیاتی را رعایت میکنند، کلاسیک MIP را گسترش میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/fa/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.
- برنامهریزی عدد صحیح مختلطشبیهسازی↔ compare
- شبیهسازی مونت کارلوتصمیمگیری↔ compare
- برنامهریزی پویا تصادفیشبیهسازی↔ compare
- برنامهریزی خطی تصادفیشبیهسازی↔ compare
- بهینهسازی تصادفی چندهدفهشبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →