Lineārā programmēšana ar Bajesas pieeju — optimizācija Bajesas parametru nenoteiktības apstākļos
Lineārā programmēšana ar Bajesas pieeju (BLP) integrē Bajesas statistisko inferenci ar klasisko lineāro programmēšanu, lai risinātu nenoteiktību modeļa parametros, piemēram, mērķa funkcijas koeficientos, ierobežojumu koeficientos vai labās puses vērtībās. Tā vietā, lai parametrus uzskatītu par fiksētiem vai pakļautiem sliktākā gadījuma robežām, BLP izmanto iepriekšējās pārliecības, ko atjaunina dati, lai veidotu posteriorās sadalījumus, kas pēc tam vada LP formulējumu un risinājumu, radot lēmumus, kas ir optimāli probablistiskā, uz datiem balstītā nozīmē.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Dantzig, G. B. (1963). Linear Programming and Extensions. Princeton University Press, Princeton, NJ. ISBN: 9780691059136
- Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley, New York. ISBN: 9780471169376
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Linear Programming — Bayesian inference integrated with linear programming under parameter uncertainty. ScholarGate. https://scholargate.app/lv/simulation/bayesian-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.
- Beijesiskā dinamiskā programmēšanaSimulācija↔ compare
- Bayesian Mixed-Integer ProgrammingSimulācija↔ compare
- Lineārā programmēšana ar noteiktiem parametriemSimulācija↔ compare
- Daudzobjektīvu lineārā programmēšana (MOLP)Simulācija↔ compare
- Robustā lineārā programmēšanaSimulācija↔ compare
- Stochastic Linear ProgrammingSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →