Programmation Linéaire Stochastique — Optimisation sous Incertitude avec Paramètres Aléatoires
La Programmation Linéaire Stochastique (PLS) étend la programmation linéaire classique aux situations où certains paramètres du modèle — coûts, demandes, disponibilité des ressources — sont incertains et modélisés comme des variables aléatoires. En optimisant les coûts attendus sur une distribution de probabilité de scénarios, la PLS produit des décisions qui restent réalisables et quasi-optimales pour une gamme de futurs possibles, plutôt que pour un seul état du monde supposé.
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
- Dantzig, G. B., & Madansky, A. (1961). On the solution of two-stage linear programs under uncertainty. Proceedings of the Fourth Berkeley Symposium on Mathematical Statistics and Probability, 1, 165–176. link ↗
- Birge, J. R., & Louveaux, F. (1997). Introduction to Stochastic Programming. Springer, New York. ISBN: 9780387982175
Comment citer cette page
ScholarGate. (2026, June 3). Stochastic Linear Programming — Optimization under uncertainty with random parameters. ScholarGate. https://scholargate.app/fr/simulation/stochastic-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.
- Simulation de Monte-CarloPrise de décision↔ compare
- Programmation Linéaire RobusteSimulation↔ compare
- Programmation dynamique stochastiqueSimulation↔ compare
- Programmation par objectifs stochastiqueSimulation↔ compare
- Programmation stochastique à variables mixtes entièresSimulation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →