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...
Saved in:
| Other Authors: | , , , , |
|---|---|
| Format: | Book |
| Language: | English |
| Subjects: | |
| Online Access: | Importance sampling in stochastic programming , a markov chain monte carlo approach |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
MARC
| LEADER | 00000nam a22000004a 4500 | ||
|---|---|---|---|
| 001 | vpro7900 | ||
| 005 | 20201223000000.0 | ||
| 008 | 140604s2014 ck # g## #001 0#eng#d | ||
| 020 | |||
| 022 | |||
| 040 | |a CO-BoINGC | ||
| 041 | 0 | |a eng | |
| 245 | 1 | 0 | |a Importance sampling in stochastic programming , a markov chain monte carlo approach |
| 246 | |a Muestreo de importancia en programacin̤ estocs̀tica : un enfoque de monte carlo-cadena de markov | ||
| 264 | |a Bogot ̀(Colombia) : |b Revista VirtualPRO, |c 2014 | ||
| 520 | 3 | |a 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. | |
| 650 | \ | \ | |a Algoritmos (Computadores) |
| 650 | \ | \ | |a Administracin̤ |
| 650 | \ | \ | |a Investigacin̤ operacional |
| 650 | \ | \ | |a Programacin̤ (Computadores electrn̤icos) |
| 650 | \ | \ | |a Computer algorithms |
| 650 | \ | \ | |a Management |
| 650 | \ | \ | |a Operations research |
| 650 | \ | \ | |a Programming (Electronic computer) |
| 650 | \ | \ | |a Ciencias de la administracin̤ |
| 650 | \ | \ | |a Optimizacin̤ estocs̀tica |
| 650 | \ | \ | |a Programacin̤ estocs̀tica |
| 650 | \ | \ | |a Descomposicin̤ de Benders |
| 650 | \ | \ | |a Algoritmos de plano cortante |
| 650 | \ | \ | |a muestreo de importancia |
| 650 | \ | \ | |a Reduccin̤ de varianza |
| 650 | \ | \ | |a Mťodos de monte carlo |
| 650 | \ | \ | |a Cadenas de markov |
| 650 | \ | \ | |a Estimacin̤ de densidad de nc͠leo |
| 650 | \ | \ | |a Funcin̤ con recurso |
| 650 | \ | \ | |a Administration sciences |
| 650 | \ | \ | |a Stochastic optimization |
| 650 | \ | \ | |a Stochastic programming |
| 650 | \ | \ | |a Benders decomposition |
| 650 | \ | \ | |a Cutting plane algorithms |
| 650 | \ | \ | |a Importance sampling |
| 650 | \ | \ | |a Variance reduction |
| 650 | \ | \ | |a Monte carlo methods |
| 650 | \ | \ | |a Markov chains |
| 650 | \ | \ | |a Core density estimation |
| 650 | \ | \ | |a Resource function |
| 700 | \ | \ | |a Parpas Panos |
| 700 | \ | \ | |a Ustun Berk |
| 700 | \ | \ | |a Webster Mort |
| 700 | \ | \ | |a Kha Tran Quang |
| 700 | \ | \ | |a Massachusetts Institute of Technology (MIT) |
| 856 | |z Importance sampling in stochastic programming , a markov chain monte carlo approach |u https://virtualpro.unach.elogim.com/biblioteca/muestreo-de-importancia-en-programacion-estocastica-un-enfoque-de-monte-carlo-cadena-de-markov | ||