Stochastic Mixed-Integer Programming — Optimizacija pod neizvesnošću sa diskretnim i kontinuiranim odlukama
Stochastic Mixed-Integer Programming (SMIP) je optimizacioni okvir koji pronalazi najbolju kombinaciju binarnih, celobrojnih i kontinuiranih odluka kada su ključni parametri — troškovi, potražnja, kapaciteti — neizvesni i modelovani kao raspodele verovatnoće nad skupom scenarija. On proširuje klasični MIP ugrađivanjem stabala scenarija ili ciljeva očekivane vrednosti koji obezbeđuju zaštitu od neizvesnosti, uz poštovanje kombinatornih ograničenja.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/sr/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.
- Mješovito cjelobrojno programiranjeSimulacija↔ compare
- Simulacija Monte KarloDonošenje odluka↔ compare
- Stochastic Dynamic ProgrammingSimulacija↔ compare
- Stohastično linearno programiranjeSimulacija↔ compare
- Stochastic Multi-Objective OptimizationSimulacija↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →