Bayesiaanse Lineaire Programmering — Optimaliseren onder Bayesiaanse parameteronzekerheid
Bayesiaanse Lineaire Programmering (BLP) integreert Bayesiaanse statistische inferentie met klassieke lineaire programmering om onzekerheid in modelparameters zoals coëfficiënten van de doelfunctie, beperkingscoëfficiënten of rechterhandwaarden te hanteren. In plaats van parameters als vast of beheerst door worst-case grenzen te behandelen, gebruikt BLP voorafgaande overtuigingen, bijgewerkt door data, om posteriorverdelingen te vormen, die vervolgens de LP-formulering en -oplossing sturen, resulterend in beslissingen die optimaal zijn in een probabilistische, door data geïnformeerde zin.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Linear Programming — Bayesian inference integrated with linear programming under parameter uncertainty. ScholarGate. https://scholargate.app/nl/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.
- Bayesiaanse Dynamische ProgrammeringSimulatie↔ compare
- Bayesiaanse Gemengd-Geheeltallige ProgrammeringSimulatie↔ compare
- Deterministisch Lineair ProgrammerenSimulatie↔ compare
- Multi-Objective Linear Programming (MOLP)Simulatie↔ compare
- Robuuste Lineaire ProgrammeringSimulatie↔ compare
- Stochastische Lineaire ProgrammeringSimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →