Robust optimering

Från Wikipedia
Hoppa till: navigering, sök

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.