การโปรแกรมเชิงจำนวนเต็มผสมเชิงสุ่ม — การหาค่าเหมาะที่สุดภายใต้ความไม่แน่นอนด้วยการตัดสินใจแบบไม่ต่อเนื่องและต่อเนื่อง
การโปรแกรมเชิงจำนวนเต็มผสมเชิงสุ่ม (Stochastic Mixed-Integer Programming หรือ SMIP) เป็นกรอบการทำงานสำหรับการหาค่าเหมาะที่สุดที่ค้นหาการผสมผสานที่ดีที่สุดของการตัดสินใจแบบไบนารี จำนวนเต็ม และต่อเนื่อง เมื่อพารามิเตอร์หลัก เช่น ต้นทุน ความต้องการ และขีดความสามารถ ไม่แน่นอนและถูกจำลองเป็นฟังก์ชันการแจกแจงความน่าจะเป็นบนชุดของสถานการณ์จำลอง โดยเป็นการขยาย MIP แบบดั้งเดิมด้วยการฝังโครงสร้างต้นไม้สถานการณ์จำลอง (scenario trees) หรือวัตถุประสงค์แบบค่าคาดหวังที่ป้องกันความเสี่ยงจากความไม่แน่นอนในขณะที่ยังคงเคารพข้อจำกัดเชิงการจัดหมู่
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Stochastic Mixed-Integer Programming (SMIP). ScholarGate. https://scholargate.app/th/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.
- การโปรแกรมจำนวนเต็มผสมการจำลอง↔ compare
- การจำลองแบบมอนติคาร์โลการตัดสินใจ↔ compare
- Stochastic Dynamic Programmingการจำลอง↔ compare
- การโปรแกรมเชิงเส้นเชิงสุ่มการจำลอง↔ compare
- การหาค่าเหมาะที่สุดหลายวัตถุประสงค์เชิงสุ่มการจำลอง↔ compare