Title
Оптимизационо-симулациони приступ решавању проблема стохастичког програмирања
Creator
Marković, Stefan R.
Copyright date
2019
Object Links
Select license
Autorstvo-Nekomercijalno-Bez prerade 3.0 Srbija (CC BY-NC-ND 3.0)
License description
Dozvoljavate samo preuzimanje i distribuciju dela, ako/dok se pravilno naznačava ime autora, bez ikakvih promena dela i bez prava komercijalnog korišćenja dela. Ova licenca je najstroža CC licenca. Osnovni opis Licence: http://creativecommons.org/licenses/by-nc-nd/3.0/rs/deed.sr_LATN. Sadržaj ugovora u celini: http://creativecommons.org/licenses/by-nc-nd/3.0/rs/legalcode.sr-Latn
Language
Serbian
Cobiss-ID
Theses Type
Doktorska disertacija
description
Other responsibilities
mentor
Вујошевић, Мирко, 1951- 01174, 10883431
član komisije
Лазовић, Раде, 1956- 01498, 12459111
član komisije
Макајић-Николић, Драгана 1969- 03002, 12782951
član komisije
Ђоковић, Александар 1974- 709088 22451559
član komisije
Миљановић, Игор, 1970-
6357863
Academic Expertise
Tehničko-tehnološke nauke
University
Univerzitet u Beogradu
Faculty
Fakultet organizacionih nauka
Alternative title
Optimization-simulation approach to solving stochastic programming problems
Publisher
[С. Марковић]
Format
PDF
description
Datum odbrane: 23. 9. 2019
Abstract (sr)
Стохастичко програмирање је део операционих истраживања које се бави начином на који је могуће укључити неизвесност у процес доношења одлука и које прихвата чињеницу да доносиоцу одлуке неће увек бити доступне све потребне информације. Основни проблем у примени стохастичких модела произилази из неизвесности параметара и чињенице да се оптимално решење дефинише и добија за детерминистички двојник (представник) оригинала. Проблем је оценити квалитет решења одређеног детерминистичког двојника са становишта вредности критеријумске функције, која може бити случајног карактера, као и са становишта вероватноће задовољења стохастичких ограничења.
Проблеми стохастичког програмирања се појављују у различитим областима, али неки од најчешће решаваних проблема су у области планирања производње, ланца снабдевања, логистике, транспорта, управљање портфолиом, маркетинга и уопште у области финансија као и у многим другим областима.
Приступи решавању проблема стохастичког програмирања се могу поделити у три основна правца: стохастичка оптимизација, робусна оптимизација и вероватносно задовољење ограничења (chance constrained programming) и који представљају полазну тачку свих даљих истраживања у овој области оптимизације.
Робусни приступ је конзервативни приступ који је оријентисан на најгори могући сценарио уз дефинисање таквог детерминистичког двојника оригиналног проблема у коме се елиминише сва неизвесност из модела.
Вероватносно задовољење ограничења је приступ који посебно третира неизвесност која се јавља у параметрима ограничења и посебно се бави решавањем таквих проблема. Основна претпоставка у овом приступу је да је потребно задовољити неко ограничење које је неизвесно, са најмање унапред одређеном вероватноћом. Повод за развој и примену приступа вероватносног задовољења ограничења је потреба да се скуп ограничења опише у смислу дефинисања вероватноће задовољења ограничења која представља ризик који је доносилц одлуке спреман да прихвати да добијено оптимално решење неће бити допустиво. Основни и најзахтевнији изазов приступа вероватносног задовољења ограничења је његова рачунска изводљивост, која је пре свега повезана са могућношћу проналажења расподеле вероватноће случајних променљивих...
Abstract (en)
Stochastic programming is a part of the operational research which investigates ways to incorporate uncertainty in the process of decision-making and that accepts the fact that the decision maker will not always have all the information needed readily available. The main problem in application of stochastic programming comes from the uncertainty of parameters in model and the fact that optimal solution is defined for the deterministic equivalent (double) of the original problem. Another problem is to evaluate the quality of a specific deterministic equivalent from the perspective of the value of criterion function, that can be a random, as well as from the perspective of probability of satisfying stochastic constraints.
Stochastic programming is applied in many areas, and some of the most common problems solved using stochastic programming are in the fields of production planning, supply chains, logistics, transportation, portfolio management, marketing and in the field of finance, and many other areas.
There are three common approaches in solving stochastic programming problems: stochastic optimization, robust optimization and chance constrained programming, and they represent the starting point of all the research in this field of optimization.
Robust optimization is a conservative approach that is orientated on the worst case scenario by defining such a deterministic equivalent of the original problem that removes all uncertainty from the model.
Chance constrained programming is an approach that treats uncertainty in the parameters of the constraints in the model and uses different techniques in solving these problems. The basic presumption in this approach is that a certain constraint, which is stochastic and uncertain, has to be satisfied with a predefined probability. The reason for developing and application of such an approach is the need to describe the constraints in such a manner that the predefined probability of satisfying constraints is actually a risk that the solution obtained won‘t be satisfied and which the decision maker is willing to accept. The main and most challenging part of the chance constraint
approach is tractability, that is above all connected to the possibility of finding the appropriate probability distributions of the stochastic parameters.
Authors Key words
Стохастичко програмирање, робусна оптимизација, вероватносно задовољење ограничења (chance constrained programming), детерминистички двојник, симулација, генерисање сценарија, хеуристика
Authors Key words
Stochastic programming, robust optimization, chance constrained programming, deterministic equivalent, simulation, scenario generation, heuristics
Classification
519.8(043.3)
Type
Tekst
Abstract (sr)
Стохастичко програмирање је део операционих истраживања које се бави начином на који је могуће укључити неизвесност у процес доношења одлука и које прихвата чињеницу да доносиоцу одлуке неће увек бити доступне све потребне информације. Основни проблем у примени стохастичких модела произилази из неизвесности параметара и чињенице да се оптимално решење дефинише и добија за детерминистички двојник (представник) оригинала. Проблем је оценити квалитет решења одређеног детерминистичког двојника са становишта вредности критеријумске функције, која може бити случајног карактера, као и са становишта вероватноће задовољења стохастичких ограничења.
Проблеми стохастичког програмирања се појављују у различитим областима, али неки од најчешће решаваних проблема су у области планирања производње, ланца снабдевања, логистике, транспорта, управљање портфолиом, маркетинга и уопште у области финансија као и у многим другим областима.
Приступи решавању проблема стохастичког програмирања се могу поделити у три основна правца: стохастичка оптимизација, робусна оптимизација и вероватносно задовољење ограничења (chance constrained programming) и који представљају полазну тачку свих даљих истраживања у овој области оптимизације.
Робусни приступ је конзервативни приступ који је оријентисан на најгори могући сценарио уз дефинисање таквог детерминистичког двојника оригиналног проблема у коме се елиминише сва неизвесност из модела.
Вероватносно задовољење ограничења је приступ који посебно третира неизвесност која се јавља у параметрима ограничења и посебно се бави решавањем таквих проблема. Основна претпоставка у овом приступу је да је потребно задовољити неко ограничење које је неизвесно, са најмање унапред одређеном вероватноћом. Повод за развој и примену приступа вероватносног задовољења ограничења је потреба да се скуп ограничења опише у смислу дефинисања вероватноће задовољења ограничења која представља ризик који је доносилц одлуке спреман да прихвати да добијено оптимално решење неће бити допустиво. Основни и најзахтевнији изазов приступа вероватносног задовољења ограничења је његова рачунска изводљивост, која је пре свега повезана са могућношћу проналажења расподеле вероватноће случајних променљивих...
“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.