Importance sampling in stochastic programming , a markov chain monte carlo approach
Los modelos de programacin̤ estocs̀tica son problemas de optimizacin̤ a gran escala que se usan para facilitar la toma de decisiones bajo incertidumbre. Los algoritmos de optimizacin̤ para tales problemas necesitan evaluar los costos futuros esperados de decisiones presentes, a menudo referidos como...
保存先:
| その他の著者: | , , , , |
|---|---|
| フォーマット: | 図書 |
| 言語: | 英語 |
| 主題: | |
| オンライン･アクセス: | Importance sampling in stochastic programming , a markov chain monte carlo approach |
| タグ: |
タグ追加
タグなし, このレコードへの初めてのタグを付けませんか!
|
| 要約: | Los modelos de programacin̤ estocs̀tica son problemas de optimizacin̤ a gran escala que se usan para facilitar la toma de decisiones bajo incertidumbre. Los algoritmos de optimizacin̤ para tales problemas necesitan evaluar los costos futuros esperados de decisiones presentes, a menudo referidos como la funcin̤ con recurso (recourse function).En la prc̀tica, este cl̀culo es computacionalmente complejo, ya que requiere la evaluacin̤ de una integral multidimensional cuyo integrando es un problema de optimizacin̤. A su vez, la funcin̤ con recurso debe estimarse empleando tčnicas tales r̀boles de escenario o mťodos de Monte Carlo, los cuales exigen numerosas evaluaciones funcionales para producir resultados exactos para problemas a gran escala con periodos ml͠tiples. En este documento se introduce un marco de muestreo de importancia para programacin̤ estocs̀tica que puede producir estimados exactos de la funcin̤ con recurso utilizando un nm͠ero pequeǫ de muestras. |
|---|