Stochastic Mixed-Integer Programming — Optimizācija nenoteiktības apstākļos ar diskrētiem un nepārtrauktiem lēmumiem
Stochastic Mixed-Integer Programming (SMIP) jeb Stokastiskā jauktā veselo skaitļu programmēšana ir optimizācijas sistēma, kas nosaka optimālu bināro, veselo skaitļu un nepārtrauktu lēmumu kombināciju, kad galvenie parametri — izmaksas, pieprasījums, jauda — ir nenoteikti un modelēti kā varbūtības sadalījumi noteiktu scenāriju kopumam. Tā paplašina klasisko MIP, iekļaujot scenāriju kokus vai paredzamo vērtību mērķus, kas pasargā no nenoteiktības, vienlaikus ievērojot kombinatoriskos ierobežojumus.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/lv/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.
- Jaukta veselo skaitļu programmēšanaSimulācija↔ compare
- Monte Carlo simulācijaLēmumu pieņemšana↔ compare
- Stochastic Dynamic ProgrammingSimulācija↔ compare
- Stochastic Linear ProgrammingSimulācija↔ compare
- Stochastic Multi-Objective OptimizationSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →