Robust optimering
Robust optimering är en del inom optimeringsläran som söker finna lösningar till optimeringsproblem när det finns osäkerheter i grunddatat. Generellt betraktas olika scenarier som kan tänkas uppkomma. Metoden kan användas istället för till exempel stokastisk programmering vilken använder statistiska data för att hitta en lösning.
Olika metoder[redigera | redigera wikitext]
Kouvelis och Yu betraktar tre olika sätt att optimera problemen robust.
- Absolut robusthet
- Robust deviation
- Relativ robusthet
Samtliga sätt använder minimax-metoder för att hitta lösningar till minimeringsproblem och maximin-metoder för att hitta lösningar till maximeringsproblem.
Bertsimas och Sim använder intervaller istället för scenarier.
Källor[redigera | redigera wikitext]
- Bertsimas, D. och M. Sim. (2003). Robust Discrete Optimization and Network Flows. Mathematical Programming, 98, 49-71.
- Kouvelis P. och Yu G. (1997). Robust Discrete Optimization and Its Applications, Kluwer.