Stokastik Hedef Programlama — Belirsizlik Altında Çoklu Hedeflerin Optimizasyonu
Stochastic Goal Programming · Ayrıca şöyle bilinir: SGP, Stochastic GP, Chance-Constrained Goal Programming, Probabilistic Goal Programming
Stokastik Hedef Programlama (SGP), hedef çıktılarındaki, kısıt katsayılarındaki veya sağ taraf parametrelerindeki belirsizliği ele almak için klasik hedef programlamayı genişletir. Olasılıksal kısıtları ve stokastik amaç fonksiyonu bileşenlerini dahil ederek, kabul edilebilir olasılık seviyelerinde birden çok hedefi karşılayan çözümler bulur; bu da onu verilerin doğası gereği belirsiz veya değişken olduğu karar problemleri için uygun kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Karar probleminin birden çok çelişkili hedefi olduğu, parametrelerin en azından bazılarının (talepler, maliyetler, verimler) belirsiz olduğu ve olasılık dağılımlarıyla karakterize edilebildiği ve politika yapıcıların en kötü durum sınırları yerine güven seviyeleri olarak ifade edilen garantilere ihtiyaç duyduğu durumlarda Stokastik Hedef Programlama kullanın. Tedarik zinciri planlaması, sağlık hizmetleri kaynak tahsisi, birden çok amaçlı finansal portföy yönetimi ve hava belirsizliği altındaki tarımsal planlama için uygundur. Hedeflerin gerçekten ölçülemez olduğu ve ağırlıklandırılamadığı durumlarda (sağlam optimizasyon kullanın), dağılımsal bilgi mevcut olmadığında (sağlam optimizasyon kullanın), problemde yalnızca bir amaç olduğunda (stokastik programlama kullanın) veya deterministik eşdeğer yeniden formülasyonların çözülemez hale geldiği senaryo sayısı çok fazlaysa KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Tek bir optimizasyon çerçevesinde birden çok çelişkili hedefi eş zamanlı olarak ele alır.
- Her hedef veya kısıt için kabul edilebilir risk seviyelerinin (güven) açıkça belirtilmesine olanak tanır.
- Normal dağılım varsayımları altında, şans kısıtları standart çözücülerle çözülebilen yönetilebilir ikinci dereceden koni kısıtlarına indirgenir.
- Karar vericilere, tek senaryolu bir çözümden daha zengin bilgi sunan, hedefe ulaşma olasılığı sağlar.
- Deterministik hedef programlamayı özel bir durum olarak kapsar (sabit parametrelerle güven seviyesi = 1).
- Şans kısıtlı programlama ve sağlam optimizasyon literatürleriyle bağlantı kurarak teorik olarak sağlam bir temele sahiptir.
- Ortalama, varyans gibi dağılım parametrelerinin bilgisi gerektirir ki bu parametrelerin doğru bir şekilde tahmin edilmesi zor olabilir.
- Normal olmayan dağılımlar veya ortak şans kısıtları, deterministik yeniden formülasyonu yönetilemez hale getirebilir ve senaryo tabanlı veya simülasyon yaklaşımları gerektirebilir.
- Güven seviyelerinin alpha_i ve hedef ağırlıklarının w_i seçimi doğası gereği özneldir ve sonuçları güçlü bir şekilde etkileyebilir.
- Özellikle büyük ölçekli veya doğrusal olmayan problemler için deterministik hedef programlamadan hesaplama açısından daha yoğundur.
- Olasılıksal hedefler arasındaki ödünleşmeleri teknik olmayan paydaşlar için yorumlamak zor olabilir.
SSS
Stokastik Hedef Programlama klasik Hedef Programlamadan nasıl farklıdır?
Klasik hedef programlama, tüm parametrelerin (hedefler, kısıtlar, maliyetler) kesin olarak bilindiğini varsayar. Stokastik Hedef Programlama, bazı parametrelerin rassal değişken olmasına izin verir ve hedeflerin tam olarak değil, belirli bir güven seviyesinde karşılanmasını gerektiren olasılıksal kısıtları içerir.
En yaygın kullanılan dağılım varsayımı hangisidir?
Normal dağılım en yaygın varsayımdır çünkü şans kısıtlarının deterministik ikinci dereceden koni kısıtları olarak tam olarak yeniden formüle edilmesine izin verir. Veriler normal olmayan dağılımları gösterdiğinde, bunun yerine senaryo tabanlı veya simülasyon yaklaşımları kullanılır.
Her şans kısıtı için güven seviyelerini alpha_i nasıl seçerim?
Güven seviyeleri, karar vericinin her hedef için risk toleransını yansıtır. Uygulamada 0.90–0.95 değerleri yaygındır. Daha yüksek değerler problemi daha muhafazakar hale getirir ve diğer hedeflerin gevşetilmesini gerektirebilir; daha düşük değerler daha fazla risk tanır ancak kabul edilemez sonuçlara yol açabilir.
Stokastik Hedef Programlama tamsayı karar değişkenlerini ele alabilir mi?
Evet. Tamsayı değişkenlerle birleştirildiğinde problem Stokastik Tamsayılı Hedef Programlama haline gelir; bu daha zordur ancak şans kısıtı yeniden formülasyonları ile tamsayılı dallanma ve sınırlandırma kullanılarak orta ölçekli örnekler için hala çözülebilir.
Belirsiz parametrelerim olduğunda Stokastik Hedef Programlama mı yoksa Sağlam Optimizasyon mu kullanmalıyım?
Güvenilir dağılım bilgileriniz varsa ve olasılıksal garantiler istiyorsanız, SGP uygundur. Yalnızca belirsizlik kümelerini (sınırları) biliyorsanız ve dağılım varsayımları olmadan en kötü durum garantileri istiyorsanız, sağlam optimizasyon daha iyidir. Her ikisi de uygulanabilir olduğunda, her iki yaklaşımdan elde edilen çözümleri karşılaştırmak iyi bir uygulamadır.
Kaynaklar
- Contini, B. (1968). A stochastic approach to goal programming. Operations Research, 16(3), 576–586. DOI: 10.1287/opre.16.3.576 ↗
- Charnes, A., Cooper, W. W. (1959). Chance-constrained programming. Management Science, 6(1), 73–79. DOI: 10.1287/mnsc.6.1.73 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Stochastic Goal Programming. ScholarGate. https://scholargate.app/tr/simulation/stochastic-goal-programming
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hedef ProgramlamaKarar verme↔ karşılaştır
- Çok Amaçlı Hedef ProgramlamaSimülasyon↔ karşılaştır
- Sağlam Hedef ProgramlamaSimülasyon↔ karşılaştır
- Stokastik Tam Sayılı ProgramlamaSimülasyon↔ karşılaştır
- Olasılıklı Doğrusal ProgramlamaSimülasyon↔ karşılaştır
- Belirsizlik Altında Stokastik Çok Amaçlı OptimizasyonSimülasyon↔ karşılaştır