Confidence-based reasoning in stochastic constraint programming

در این مقاله، یک رویکرد جدید مبتنی بر نمونه برداری را برای یافتن تخصیص هایی که احتمالا راه حل مشکلات رضایتمندی محدودیت های تصادفی و مشکلات بهینه سازی محدودیت است، معرفی می کنیم. رویکرد ما اندازه مسئله اصلی را تحلیل می کند. با حل این مشکل کاهش یافته، با یک احتمال اطمینان داده شده، تخصیص هایی را به دست می آوریم که محدودیت شانس را در مدل اصلی در آستانه تحمل خطای خطای مجاز برآورده می کنند. برای رسیدن به این هدف، ما مفاهیم را از برنامه ریزی و آمار محدودیت تصادفی ترکیب می کنیم. ما در مورد هر دو روش دقیق و تقریبی روش ما صحبت می کنیم. چارچوبی که معرفی می کنیم می توان بلافاصله در هماهنگی با رویکردهای موجود برای حل برنامه های محدودیت تصادفی استفاده کرد. یک مطالعه کاملی محاسباتی در مورد تعدادی از مشکلات بهینه سازی ترکیبی تصادفی اثربخشی رویکرد ما را نشان می دهد.