stochastic programming
stochastic programming

بهینه سازی تصادفی

بهینه سازی تصادفی-مقدمه

مسائل بهینه سازی دنیای واقعی اغلب با تکنیک های برنامه ریزی ریاضی سنتی مدل می شوند.یک فرض بدیهی این است که وقتی از این ابزار استفاده می شود ،مسائل دنیای واقعی تحت آن قطعی هستند.بسیاری از مسائل دنیای واقعی معمولا شامل عدم قطعیت هستند.عدم قطعیت هایی مثل اتفاقات آینده،نبود داده های قابل اتکا و غیره. در نتیجه مدل از آنجا که تقریبی از مسائل دنیای واقعی است می تواند تابعی از عدم قطعیت پارامترها یا خودش باشد و در نتیجه جواب بهینه مدل ممکن است جواب بهینه مسئله واقع مدل شده نباشد.

تلاش هایی که برای بررسی اثر عدم قطعیت با روش های سنتی همچون آنالیز حساسیت جواب بهینه یا آنالیز سناریو برای حل قطعی مدل با استفاده از پارامتر های مختلف می شود نمی تواند در نظر گرفتن عدم قطعیت پارامترها را ارضا کند.بنابراین برای تعیین اینکه اگر عدم قطعیت برای یک مدل خاص اهمیت دارد بایستی با در نظر گرفتن عدم قطعیت در مسئله بهینه سازی بررسی شود.

برنامه ریزی تصادفی یک حوزه ای از برنامه ریزی ریاضی است که تکنیک هایی را برای بهینه سازی تحت عدم قطعیت ارائه می کند.(دانتزیک۱۹۹۵ وچارنز و کوپر۱۹۵۹).یک مفهوم معمول این است که یک تصمیم بایستی همین الان گرفته شود و عدم قطعیت بعدا در آینده آشکار خواهد شد.یک تصمیم بازگشتی بعد از آن می تواند برای واکنش به اطلاعات جدید گرفته شود.

سوالات اساسی ای که در این بخش وجود دارد این است که:

۱٫عدم قطعیت های مهم کدام هستند؟

۲٫چگونه می توانیم آن ها را در نظر بگیریم؟

۳٫آیا می توانیم جواب های با ارزش و بینش خوبی بدست آوریم؟

یکی از مشکلات اساسی بسیاری از مسائل کاربردی رسیدن همیشگی به جواب است زیرا عدم قطعیت باعث بزرگتر شدن و سخت تر شدن مدل برای حل می شود.کاربرد تکنیک های حل خاص مثل تجزیه بندرز،progressive hedging،تجزیه تصادفی ،تقریب میانگین نمونه و غیره باعث می شود مسائل تصمیم گیری کاربردی قابل پیگیری باشد.توسعه تئوریک و پیاده سازی عملی تکنیک های حل به منظور استفاده از برنامه ریزی تصادفی در جایگاه اول و سپس بهبود قابلیت تصمیم گیری از اهمیت بالایی بر خوردار است.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *