Stochastische Geheeltallige Programmering — Optimaliseren van Discrete Beslissingen Onder Onzekerheid
Stochastische Geheeltallige Programmering (SIP) is een optimalisatiekader dat geheeltallige (discrete) beslissingsvariabelen combineert met expliciete probabilistische modellering van onzekerheid. Het zoekt de beste hier-en-nu beslissing die de verwachte kosten minimaliseert (of het verwachte voordeel maximaliseert) over een verdeling van toekomstige scenario's, rekening houdend met het feit dat sommige beslissingen genomen moeten worden voordat de onzekerheid is opgelost.
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.
+1 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Stochastic Integer Programming (SIP). ScholarGate. https://scholargate.app/nl/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.
- Mixed-Integer ProgrammingSimulatie↔ compare
- Robuust Geheel ProgrammerenSimulatie↔ compare
- Stochastische Dynamische ProgrammeringSimulatie↔ compare
- Stochastische Lineaire ProgrammeringSimulatie↔ compare
- Stochastisch Gemengd-Geheelgetal ProgrammerenSimulatie↔ compare
- Stochastische Multi-Objective OptimalisatieSimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →