Programowanie stochastyczne z ograniczeniami całkowitoliczbowymi — optymalizacja w warunkach niepewności z decyzjami dyskretnymi i ciągłymi
Programowanie stochastyczne z ograniczeniami całkowitoliczbowymi (SMIP) to ramy optymalizacyjne, które znajdują najlepszą kombinację decyzji binarnych, całkowitoliczbowych i ciągłych, gdy kluczowe parametry — koszty, popyt, zdolności produkcyjne — są niepewne i modelowane jako rozkłady prawdopodobieństwa nad zbiorem scenariuszy. Rozszerza ono klasyczne MIP poprzez osadzanie drzew scenariuszowych lub celów wartości oczekiwanej, które zabezpieczają przed niepewnością, jednocześnie respektując ograniczenia kombinatoryczne.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/pl/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.
- Programowanie całkowitoliczboweSymulacja↔ compare
- Symulacja Monte CarloPodejmowanie decyzji↔ compare
- Programowanie stochastyczne dynamiczneSymulacja↔ compare
- Programowanie stochastyczne linioweSymulacja↔ compare
- Stochastyczna Optymalizacja WielokryterialnaSymulacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →