Skip to content
Kembali ke hasil pencarian

Pemrograman Linear Stokastik — Optimasi dalam Ketidakpastian dengan Parameter Acak

Diperkenalkan oleh
George B. Dantzig
Tahun
1955
Jenis
Stochastic optimization model
Keluarga
Simulation / optimization

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Pemrograman Linear Stokastik (SLP) memperluas pemrograman linear klasik ke pengaturan di mana beberapa parameter model — biaya, permintaan, ketersediaan sumber daya — tidak pasti dan dimodelkan sebagai variabel acak.

Dengan mengoptimalkan biaya yang diharapkan atas distribusi probabilitas skenario, SLP menghasilkan keputusan yang tetap layak dan mendekati optimal di berbagai kemungkinan masa depan daripada untuk satu keadaan dunia yang diasumsikan.

Intuisi di balik metode

Pemrograman linear klasik mengasumsikan setiap koefisien diketahui secara tepat. Dalam praktiknya, permintaan, harga, dan hasil di masa depan tidak pasti. SLP menanamkan ketidakpastian ini langsung ke dalam model: alih-alih mengoptimalkan untuk satu skenario tetap, perencana memilih tindakan tahap pertama sekarang, mengamati skenario mana yang terwujud, kemudian mengambil tindakan pemulihan untuk memperbaiki kekurangan atau surplus apa pun. Tujuannya meminimalkan total biaya yang diharapkan di semua skenario, menyeimbangkan biaya komitmen terhadap biaya pemulihan yang diharapkan. Ini mencerminkan logika manajerial nyata — Anda memutuskan hari ini apa yang akan dipesan di muka, dan besok Anda dapat membeli lebih banyak dengan harga premium atau menjual surplus dengan diskon.

Sejarah

Pemrograman stokastik dipelopori oleh George Dantzig, yang memperkenalkan model dua tahap pada tahun 1955 tak lama setelah mengembangkan metode simpleks. Beale (1955) secara independen mengusulkan ide serupa. Bidang ini disistematisasi oleh buku teks berpengaruh Birge dan Louveaux tahun 1997 dan oleh pengembangan algoritma dekomposisi L-shaped (Benders) pada tahun 1960-an–1980-an. SLP sekarang mendasari keputusan operasional di bidang energi, logistik, dan keuangan di seluruh dunia.

Kapan digunakan

Gunakan SLP ketika: (1) parameter masukan utama benar-benar tidak pasti dan dapat dikarakterisasi oleh distribusi probabilitas atau himpunan skenario empiris; (2) keputusan harus dibuat sebelum ketidakpastian terselesaikan, tetapi tindakan korektif dimungkinkan sesudahnya dengan biaya; (3) tujuan dan kendala linier dalam variabel keputusan. Aplikasi tipikal termasuk perencanaan produksi, desain rantai pasokan, pengiriman energi, dan optimasi portofolio. JANGAN gunakan SLP ketika: ketidakpastian tidak dapat dikuantifikasi secara probabilistik (gunakan optimasi kuat sebagai gantinya); hubungan antara keputusan dan hasil nonlinier atau integer (gunakan pemrograman integer stokastik atau pemrograman dinamis stokastik); himpunan skenario terlalu besar untuk dihitung dan dekomposisi secara komputasi tidak mungkin dilakukan; atau ketika analisis sensitivitas deterministik yang lebih sederhana sudah cukup untuk memahami dampak ketidakpastian.

Batasan dan pertimbangan

  • Memerlukan penentuan distribusi probabilitas atau himpunan skenario untuk parameter yang tidak pasti — asumsi distribusi ini seringkali sulit divalidasi.
  • Beban komputasi tumbuh pesat seiring dengan jumlah skenario dan variabel tahap pertama; masalah besar memerlukan dekomposisi dan sumber daya pemecah yang signifikan.
  • Terbatas pada tujuan dan kendala linier; struktur nonlinier atau integer memerlukan perluasan yang menambah kompleksitas lebih lanjut.
  • Tujuan nilai yang diharapkan mungkin mengabaikan risiko ekor; varian yang menghindari risiko (CVaR, kendala peluang) menambah beban pemodelan dan komputasi.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Secara langsung memasukkan ketidakpastian probabilistik ke dalam optimasi, menghasilkan keputusan yang kuat di berbagai skenario daripada untuk satu masa depan yang diasumsikan.
  • Kerangka kerja dua tahap sangat mencerminkan proses pengambilan keputusan nyata: berkomitmen sekarang, beradaptasi nanti dengan pemulihan.
  • Nilai Solusi Stokastik (VSS) dan EVPI memberikan metrik yang berprinsip untuk mengkomunikasikan manfaat pemodelan ketidakpastian.
  • Didukung dengan baik oleh algoritma matang (dekomposisi L-shaped / Benders) dan pemecah komersial (CPLEX, Gurobi).
  • Skala ke masalah praktis yang besar melalui dekomposisi; dapat diparalelkan di seluruh skenario.

Penerapan

  • Perencanaan sistem tenaga listrik dan komitmen unit di bawah ketidakpastian pembangkitan terbarukan dan permintaan.
  • Desain jaringan rantai pasokan dengan ketidakpastian permintaan pelanggan, waktu tunggu, atau biaya transportasi.
  • Perencanaan tanaman dan irigasi di bawah ketidakpastian curah hujan dan harga komoditas.
  • Optimasi portofolio keuangan dengan ketidakpastian imbal hasil aset di bawah kendala anggaran dan peraturan.
  • Manajemen pendapatan maskapai dan penjadwalan kru di bawah ketidakpastian permintaan penumpang.
  • Penempatan awal logistik kemanusiaan pasokan bantuan sebelum skenario bencana yang tidak pasti.

Cara kerjanya

Cara kerjanya

1

Rumuskan model dua tahap: variabel tahap pertama x mewakili keputusan sekarang-dan-di-sini yang dibuat sebelum ketidakpastian terselesaikan; tujuan meminimalkan biaya tahap pertama c^T x ditambah biaya pemulihan yang diharapkan E[Q(x,xi)] atas vektor acak xi. Kendala Ax = b harus berlaku untuk keputusan tahap pertama terlepas dari skenario.

Rumus
\min_{x} c^T x + \mathbb{E}_\xi[Q(x, \xi)] \quad \text{s.t. } Ax = b,\; x \geq 0
2

Representasikan vektor acak xi melalui himpunan skenario diskrit {xi_1, ..., xi_S} masing-masing dengan probabilitas p_s berjumlah 1. Skenario dapat ditarik dari data historis, elisitasi ahli, atau pengambilan sampel Monte Carlo. Kualitas himpunan skenario secara kritis menentukan kualitas solusi; teknik pengurangan skenario (misalnya, pengelompokan jarak Wasserstein) umumnya diterapkan untuk menjaga ukuran masalah tetap dapat dikelola.

3

Untuk setiap skenario xi_s, selesaikan submasalah pemulihan: diberikan keputusan tahap pertama x, temukan tindakan korektif termurah y_s yang memenuhi W y_s = h(xi_s) - T(xi_s) x, y_s >= 0. Jika tidak ada pemulihan yang layak, penalti besar (atau ketidaklayakan) dikenakan, menandakan keputusan tahap pertama terlalu agresif.

Rumus
Q(x, \xi) = \min_{y} q(\xi)^T y \quad \text{s.t. } W y = h(\xi) - T(\xi) x,\; y \geq 0
4

Selesaikan bentuk ekstensif penuh (semua skenario ditumpuk sebagai satu LP besar) untuk himpunan skenario kecil hingga menengah, atau terapkan dekomposisi Benders (metode L-shaped) untuk himpunan besar. Metode L-shaped secara iteratif menambahkan potongan optimalitas dan kelayakan ke masalah utama hingga konvergensi, memanfaatkan struktur blok-diagonal dari submasalah skenario.

5

Nilai kualitas solusi melalui Nilai Solusi Stokastik (VSS) — keuntungan atas solusi nilai-rata-rata deterministik — dan Nilai Harapan Informasi Sempurna (EVPI) — batas atas dari apa yang akan berharga jika memiliki pandangan ke depan yang sempurna. Laporkan keputusan tahap pertama x*, biaya total yang diharapkan, dan biaya pemulihan per skenario untuk mengkomunikasikan profil risiko kepada pengambil keputusan.

Kesalahan umum

  • Menggunakan terlalu sedikit skenario menghasilkan solusi bias yang berkinerja buruk di luar sampel; selalu validasi dengan pengujian skenario di luar sampel.
  • Membingungkan solusi deterministik nilai-rata-rata (masukkan nilai rata-rata) dengan solusi stokastik — VSS bisa besar bahkan ketika parameter tampak stabil.
  • Mengabaikan kelayakan pemulihan: jika submasalah tahap kedua dapat tidak layak untuk beberapa skenario, model memerlukan kendala pemulihan lengkap atau penalti eksplisit.
  • Terlalu menyesuaikan dengan distribusi skenario historis tanpa pengujian stres terhadap skenario ekor atau adversarial, terutama dalam aplikasi rantai pasokan atau keuangan.
  • Memperlakukan LP stokastik sebagai pengganti langsung untuk optimasi kuat ketika pengambil keputusan sebenarnya menghindari ketidakpastian daripada netral terhadap nilai yang diharapkan.

Pertanyaan yang sering diajukan

Apa perbedaan antara pemrograman linear stokastik dan optimasi kuat?

SLP meminimalkan biaya yang diharapkan atas distribusi probabilitas skenario dan memungkinkan tindakan pemulihan setelah ketidakpastian terselesaikan. Optimasi kuat sebaliknya mengoptimalkan kasus terburuk atas himpunan ketidakpastian tanpa mengasumsikan distribusi probabilitas dan biasanya menghasilkan satu solusi tetap yang layak untuk semua skenario. SLP lebih disukai ketika probabilitas dapat diperkirakan; optimasi kuat lebih disukai ketika hanya himpunan ketidakpastian yang diketahui atau ketika perlindungan risiko ekor adalah yang terpenting.

Berapa banyak skenario yang biasanya dibutuhkan?

Ini tergantung pada dimensi masalah dan kompleksitas distribusi. Puluhan hingga beberapa ratus skenario seringkali cukup untuk masalah perencanaan jika dihasilkan secara cerdas (misalnya, melalui pencocokan momen atau pengurangan skenario). Pendekatan rata-rata sampel (SAA) berbasis Monte Carlo mungkin memerlukan ribuan skenario untuk solusi akurasi tinggi, dengan interval kepercayaan memandu konvergensi.

Bisakah SLP menangani keputusan integer atau biner?

Tidak secara langsung — variabel integer memerlukan Pemrograman Integer Stokastik (SIP) atau Pemrograman Campuran Integer Stokastik (SMIP), yang secara komputasi jauh lebih sulit. SLP hanya berlaku ketika semua variabel keputusan kontinu.

Apa yang diukur oleh Nilai Solusi Stokastik (VSS)?

VSS = EEV - RP, di mana EEV adalah biaya yang diharapkan dari solusi nilai-rata-rata deterministik yang dievaluasi di semua skenario, dan RP adalah optimum stokastik yang sebenarnya (masalah pemulihan). VSS yang tinggi menunjukkan bahwa mengabaikan ketidakpastian dan menggunakan parameter rata-rata menghasilkan hasil yang jauh lebih buruk.

Pemecah dan perangkat lunak apa yang mendukung pemrograman linear stokastik?

Pemecah komersial seperti CPLEX dan Gurobi dapat menyelesaikan bentuk ekstensif secara langsung. Kerangka kerja sumber terbuka termasuk pembaca format SMPS, PySP (bagian dari Pyomo), dan paket Julia StochasticPrograms.jl. Untuk masalah skala besar, implementasi dekomposisi L-shaped kustom umum dalam penelitian dan industri.

Metode terkait

Sumber

  1. Dantzig, G. B., & Madansky, A. (1961). On the solution of two-stage linear programs under uncertainty. Proceedings of the Fourth Berkeley Symposium on Mathematical Statistics and Probability, 1, 165–176.

    Buka referensi publikasi
    Disalin.
  2. Birge, J. R., & Louveaux, F. (1997). Introduction to Stochastic Programming. Springer, New York.

    ISBN: 9780387982175
    Disalin.