ScholarGate
Assistent
Process / pipelineSimulation / optimization

Robust Mixed-Integer Programming — Optimering med heltalsvariabler under osäkerhet

Robust Mixed-Integer Programming (RMIP) kombinerar mixed-integer programming med robust optimering för att finna lösningar som förblir genomförbara och nära optimala trots osäkra parametrar. Istället för att anta fasta data skyddar den beslut mot adversariella eller värsta-fall-realiseringar av osäkra indata, med hjälp av en explicit osäkerhetsmängd för att kontrollera graden av konservatism samtidigt som den kombinatoriska strukturen av heltalsbeslut bevaras.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

Källor

  1. Bertsimas, D., Sim, M. (2004). The price of robustness. Operations Research, 52(1), 35–53. DOI: 10.1287/opre.1030.0065
  2. Ben-Tal, A., El Ghaoui, L., Nemirovski, A. (2009). Robust Optimization. Princeton University Press, Princeton, NJ. ISBN: 9780691143682

Så citerar du den här sidan

ScholarGate. (2026, June 3). Robust Mixed-Integer Programming (RMIP) — Optimization under uncertainty with integer decision variables. ScholarGate. https://scholargate.app/sv/simulation/robust-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.

Compare side by side

Refereras av

ScholarGateRobust Mixed-Integer Programming (Robust Mixed-Integer Programming (RMIP) — Optimization under uncertainty with integer decision variables). Hämtad 2026-06-15 från https://scholargate.app/sv/simulation/robust-mixed-integer-programming · Datamängd: https://doi.org/10.5281/zenodo.20539026