Stokastisk heltallsprogrammering — Optimering av diskrete beslutninger under usikkerhet
Stokastisk heltallsprogrammering (SIP) er et optimeringsrammeverk som kombinerer heltalls (diskrete) beslutningsvariabler med eksplisitt probabilistisk modellering av usikkerhet. Det søker den beste her-og-nå-beslutningen som minimerer forventet kostnad (eller maksimerer forventet gevinst) over en fordeling av fremtidige scenarier, og tar hensyn til at noen beslutninger må tas før usikkerheten er avklart.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Stochastic Integer Programming (SIP). ScholarGate. https://scholargate.app/no/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.
- HeltallsprogrammeringSimulering↔ compare
- Robust Integer ProgrammingSimulering↔ compare
- Stochastic Dynamic ProgrammingSimulering↔ compare
- Stokastisk lineær programmeringSimulering↔ compare
- Stokastisk heltallsprogrammeringSimulering↔ compare
- Stokastisk multi-objektiv optimeringSimulering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →