Resumen

Los modelos de programación estocástica son problemas de optimización a gran escala que se usan para facilitar la toma de decisiones bajo incertidumbre. Los algoritmos de optimización para tales problemas necesitan evaluar los costos futuros esperados de decisiones presentes, a menudo referidos como la función con recurso (recourse function).

En la práctica, este cálculo es computacionalmente complejo, ya que requiere la evaluación de una integral multidimensional cuyo integrando es un problema de optimización. A su vez, la función con recurso debe estimarse empleando técnicas tales árboles de escenario o métodos de Monte Carlo, los cuales exigen numerosas evaluaciones funcionales para producir resultados exactos para problemas a gran escala con periodos múltiples. En este documento se introduce un marco de muestreo de importancia para programación estocástica que puede producir estimados exactos de la función con recurso utilizando un número pequeño de muestras.

• Materias:Algoritmos (Computadores) Administración Investigación operacional Programación (Computadores electrónicos)
• Subjects:Computer algorithms Management Operations research Programming (Electronic computer)
• Palabras claves:Ciencias de la administración, Optimización estocástica, Programación estocástica, Descomposición de Benders, Algoritmos de plano cortante, muestreo de importancia, Reducción de varianza, Métodos de monte carlo, Cadenas de markov, Estimación de densidad de núcleo, Función con recurso
• Keywords:Administration sciences, Stochastic optimization, Stochastic programming, Benders decomposition, Cutting plane algorithms, Importance sampling, Variance reduction, Monte carlo methods, Markov chains, Core density estimation, Resource function