Stochastic Integer Programming — Optimalizálás diszkrét döntésekkel bizonytalanság mellett
A sztochasztikus egészértékű programozás (SIP) egy optimalizálási keretrendszer, amely az egészértékű (diszkrét) döntési változókat explicit valószínűségi modellezéssel kombinálja a bizonytalanság kezelésére. Célja a legjobb „here-and-now” (azonnali) döntés megtalálása, amely minimalizálja az elvárt költséget (vagy maximalizálja az elvárt hasznot) a jövőbeli forgatókönyvek eloszlása mentén, figyelembe véve azt a tényt, hogy egyes döntéseket meg kell hozni, mielőtt a bizonytalanság feloldódna.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Források
- Birge, J. R., & Louveaux, F. (1997). Introduction to Stochastic Programming. Springer, New York. ISBN: 978-1-4614-0237-4
- Kleywegt, A. J., Shapiro, A., & Homem-de-Mello, T. (2002). The sample average approximation method for stochastic discrete optimization. SIAM Journal on Optimization, 12(2), 479-502. DOI: 10.1137/S1052623499363220 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Stochastic Integer Programming (SIP). ScholarGate. https://scholargate.app/hu/simulation/stochastic-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.
- Vegyes egészértékű programozásSzimuláció↔ compare
- Robust Integer ProgrammingSzimuláció↔ compare
- Sztochasztikus dinamikus programozásSzimuláció↔ compare
- Stochastic Linear ProgrammingSzimuláció↔ compare
- Stochastic Mixed-Integer ProgrammingSzimuláció↔ compare
- Stochastic Multi-Objective OptimizationSzimuláció↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →