Stokastinen kokonaislukuoptimointi — Optimointi epävarmuuden vallitessa diskreeteillä ja jatkuvilla päätöksillä
Stokastinen kokonaislukuoptimointi (SMIP) on optimointikehys, joka löytää parhaan yhdistelmän binäärisiä, kokonaisluku- ja jatkuvia päätöksiä, kun keskeiset parametrit — kustannukset, kysynnät, kapasiteetit — ovat epävarmoja ja mallinnettu todennäköisyysjakaumina skenaariojoukon yli. Se laajentaa klassista MIP:tä upottamalla skenaariopuita tai odotusarvo-objektiiveja, jotka suojautuvat epävarmuudelta yhdistelmällisten rajoitteiden puitteissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/fi/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.
- SekalukuohjelmointiSimulointi↔ compare
- MONTE-CARLO-SIMULATIONPäätöksenteko↔ compare
- Stokastinen dynaaminen ohjelmointiSimulointi↔ compare
- Stokastinen lineaarinen optimointiSimulointi↔ compare
- Stochastic Multi-Objective OptimizationSimulointi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →