Programmation Linéaire Robuste — Optimisation sous Incertitude
La Programmation Linéaire Robuste (RLP) étend la programmation linéaire classique pour gérer l'incertitude dans les données du problème — coefficients de coût, coefficients de contrainte, ou seconds membres — en exigeant que les solutions restent réalisables et quasi-optimales sur toutes les réalisations des paramètres incertains dans un ensemble d'incertitude défini. Elle remplace les hypothèses probabilistes par des garanties du pire cas, la rendant pratique lorsque la connaissance distributionnelle est limitée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Bertsimas, D., Sim, M. (2004). The price of robustness. Operations Research, 52(1), 35–53. DOI: 10.1287/opre.1030.0065 ↗
- Ben-Tal, A., Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations Research Letters, 25(1), 1–13. DOI: 10.1016/S0167-6377(99)00016-4 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Linear Programming — Uncertainty-Aware Linear Optimization. ScholarGate. https://scholargate.app/fr/simulation/robust-linear-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.
- Programmation Linéaire DéterministeSimulation↔ compare
- Programmation par objectifs robusteSimulation↔ compare
- Programmation Linéaire en Nombres Entiers RobusteSimulation↔ compare
- Optimisation Robuste Multi-ObjectifSimulation↔ compare
- Programmation Linéaire StochastiqueSimulation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →