Stochastic Integer Programming — Optimizācija diskrētām lēmumu pieņemšanai nenoteiktības apstākļos
Stochastic Integer Programming (SIP) ir optimizācijas sistēma, kas apvieno veselo skaitļu (diskrētas) lēmumu mainīgos ar skaidru nenoteiktības probabilistisku modelēšanu. Tā meklē labāko lēmumu „šeit un tagad”, kas paredzamo izmaksu ziņā ir minimāls (vai paredzamo ieguvumu ziņā maksimāls) attiecībā pret nākotnes scenāriju sadalījumu, ņemot vērā faktu, ka daži lēmumi jāpieņem pirms nenoteiktības novēršanas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Stochastic Integer Programming (SIP). ScholarGate. https://scholargate.app/lv/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.
- Jaukta veselo skaitļu programmēšanaSimulācija↔ compare
- Robustā veselo skaitļu programmēšanaSimulācija↔ compare
- Stochastic Dynamic ProgrammingSimulācija↔ compare
- Stochastic Linear ProgrammingSimulācija↔ compare
- Stochastic Mixed-Integer ProgrammingSimulācija↔ compare
- Stochastic Multi-Objective OptimizationSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →