Robust Mixed-Integer Programming — Optimizācija ar vesela skaitļa mainīgajiem nenoteiktības apstākļos
Robust Mixed-Integer Programming (RMIP) apvieno jauktu vesela skaitļa programmēšanu ar robustu optimizāciju, lai atrastu risinājumus, kas paliek iespējami un gandrīz optimāli, neskatoties uz nenoteiktiem parametriem. Tā vietā, lai pieņemtu fiksētus datus, tā aizsargā lēmumus pret pretiniecisku vai sliktāko iespējamo nenoteiktu ievades vērtību realizāciju, izmantojot skaidru nen nenoteiktības kopu, lai kontrolētu piesardzības pakāpi, vienlaikus saglabājot vesela skaitļa lēmumu kombinatorisko struktūru.
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
- Bertsimas, D., Sim, M. (2004). The price of robustness. Operations Research, 52(1), 35–53. DOI: 10.1287/opre.1030.0065 ↗
- Ben-Tal, A., El Ghaoui, L., Nemirovski, A. (2009). Robust Optimization. Princeton University Press, Princeton, NJ. ISBN: 9780691143682
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Mixed-Integer Programming (RMIP) — Optimization under uncertainty with integer decision variables. ScholarGate. https://scholargate.app/lv/simulation/robust-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.
- Jaukta veselo skaitļu programmēšanaSimulācija↔ compare
- Robustā lineārā programmēšanaSimulācija↔ compare
- Robustas daudzobjektīvu optimizācijaSimulācija↔ compare
- Stochastic Mixed-Integer ProgrammingSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →