Stochastisch Gemengd-Geheelgetal Programmeren — Optimalisatie onder Onzekerheid met Discrete en Continue Beslissingen
Stochastisch Gemengd-Geheelgetal Programmeren (SMIP) is een optimalisatieframework dat de beste combinatie van binaire, geheelgetallige en continue beslissingen vindt wanneer belangrijke parameters — kosten, vraag, capaciteiten — onzeker zijn en gemodelleerd worden als kansverdelingen over een reeks scenario's. Het breidt klassieke MIP uit door scenariostructuren of verwachte-waardedoelstellingen in te bedden die indekken tegen onzekerheid, terwijl combinatorische beperkingen worden gerespecteerd.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/nl/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.
- Mixed-Integer ProgrammingSimulatie↔ compare
- Monte Carlo SimulatieBesluitvorming↔ compare
- Stochastische Dynamische ProgrammeringSimulatie↔ compare
- Stochastische Lineaire ProgrammeringSimulatie↔ compare
- Stochastische Multi-Objective OptimalisatieSimulatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →