Stokastisk heltallsprogrammering — Optimering under usikkerhet med diskrete og kontinuerlige beslutninger
Stokastisk heltallsprogrammering (SMIP) er et optimeringsrammeverk som finner den beste blandingen av binære, heltalls- og kontinuerlige beslutninger når nøkkelparametere — kostnader, etterspørsel, kapasiteter — er usikre og modellert som sannsynlighetsfordelinger over et sett av scenarier. Det utvider klassisk MIP ved å inkorporere scenariotrær eller forventet-verdi-mål som sikrer mot usikkerhet, samtidig som kombinatoriske begrensninger respekteres.
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.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/no/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.
- HeltallsprogrammeringSimulering↔ compare
- Monte Carlo-simuleringBeslutningstaking↔ compare
- Stochastic Dynamic ProgrammingSimulering↔ compare
- Stokastisk lineær programmeringSimulering↔ compare
- Stokastisk multi-objektiv optimeringSimulering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →