Programmation stochastique à variables mixtes entières — Optimisation sous incertitude avec décisions discrètes et continues
La programmation stochastique à variables mixtes entières (SMIP) est un cadre d'optimisation qui trouve le meilleur mélange de décisions binaires, entières et continues lorsque les paramètres clés — coûts, demandes, capacités — sont incertains et modélisés comme des distributions de probabilité sur un ensemble de scénarios. Elle étend la programmation linéaire entière (MIP) classique en intégrant des arbres de scénarios ou des objectifs de valeur espérée qui se prémunissent contre l'incertitude tout en respectant les contraintes combinatoires.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/fr/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.
- Programmation Linéaire en Nombres EntiersSimulation↔ compare
- Simulation de Monte-CarloPrise de décision↔ compare
- Programmation dynamique stochastiqueSimulation↔ compare
- Programmation Linéaire StochastiqueSimulation↔ compare
- Optimisation stochastique multi-objectifsSimulation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →