Stokastisk Mixed-Integer Programming — Optimering under osäkerhet med diskreta och kontinuerliga beslut
Stokastisk Mixed-Integer Programming (SMIP) är ett optimeringsramverk som finner den bästa blandningen av binära, heltals- och kontinuerliga beslut när nyckelparametrar — kostnader, efterfrågan, kapacitet — är osäkra och modelleras som sannolikhetsfördelningar över en uppsättning scenarier. Det utökar klassisk MIP genom att inkorporera scenarioträd eller förväntade värdemål som skyddar mot osäkerhet samtidigt som kombinatoriska begränsningar respekteras.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/sv/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.
- HeltalsoptimeringSimulering↔ compare
- MontecarlosimuleringBeslutsfattande↔ compare
- Stokastisk dynamisk programmeringSimulering↔ compare
- Stokastisk linjär programmeringSimulering↔ compare
- Stokastisk multiobjektiv optimeringSimulering↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →